A multi-level preprocessing and modelling framework for spectral imaging of microplastics

Os microplásticos, os minúsculos fragmentos de plástico que se infiltraram em nossos oceanos, solos e até mesmo em nosso ar, representam uma ameaça crescente aos ecossistemas e à saúde humana. Para compreender a escala deste problema, os cientistas devem ser capazes de encontrar essas partículas, identificar exatamente que tipo de plástico são e contá-las. Embora observar as partículas sob um microscópio seja um primeiro passo comum, isso é frequentemente pouco confiável porque os olhos humanos podem ser facilmente enganados pela forma ou cor de um grão de poeira. Uma abordagem mais precisa utiliza a luz para ler a impressão digital química de uma partícula. Ao refletir luz infravermelha sobre uma amostra, os pesquisadores podem ver quais moléculas absorvem a luz e em quais comprimentos de onda, criando uma assinatura única para materiais como o polietileno ou o poliestireno. No entanto, transformar esta poderosa tecnologia em uma ferramenta rotineira para analisar amostras ambientais complexas tem sido difícil. Os dados gerados são massivos, contendo frequentemente milhões de medições individuais, e o processo é facilmente prejudicado por mudanças na iluminação, na espessura das partículas ou na forma como o próprio instrumento se comporta.

Uma equipe de pesquisadores da Finlândia desenvolveu um novo framework para resolver esses obstáculos específicos, criando um método simplificado para identificar microplásticos usando imagem infravermelha. O trabalho deles foca na limpeza dos dados em três estágios distintos: a imagem geral, pequenas seções da imagem e as próprias assinaturas de luz individuais. Imagine tentar ouvir uma conversa em uma sala barulhenta; primeiro, você precisa diminuir o ruído de fundo, depois filtrar o eco das paredes e, finalmente, focar nas palavras específicas que estão sendo ditas. Da mesma forma, os pesquisadores primeiro corrigiram a imagem inteira para remover desvios causados por condições ambientais variáveis durante o escaneamento. Em seguida, corrigiram pequenos padrões repetitivos de erro que apareciam em cada seção da imagem, de forma muito semelhante a remover uma mancha consistente de uma lente de câmera. Finalmente, eles refinaram os dados químicos de cada partícula, suavizando o ruído e destacando as características específicas que distinguem um tipo de plástico de outro.

A inovação mais significativa em sua abordagem é como eles lidam com o enorme volume de dados. Em vez de tentar comparar cada pixel individual em uma imagem massiva contra uma biblioteca de plásticos conhecidos — uma tarefa lenta e computacionalmente pesada — eles agruparam pixels semelhantes em clusters. Eles então compararam a assinatura média desses grupos com sua biblioteca de referência. Esta estratégia provou ser notavelmente eficaz. Quando testaram doze formas diferentes de combinar os dados, um método que analisava a forma das curvas químicas, em vez de apenas sua altura, alcançou precisão perfeita para quatro plásticos comuns: poliestireno, tereftalato de polietileno, polietileno e polipropileno. Isso foi particularmente importante porque o polietileno e o polipropileno são quimicamente muito semelhantes e frequentemente confundem as ferramentas de identificação padrão.

Ao combinar essas correções de múltiplos níveis com uma estratégia de correspondência mais inteligente, os pesquisadores demonstraram que poderiam produzir mapas mais claros de onde as partículas estão localizadas e do que são feitas, tudo isso enquanto aceleravam significativamente a análise. O método distinguiu com sucesso entre plásticos que são notoriamente difíceis de diferenciar e reduziu o tempo necessário para processar grandes imagens. O estudo sugere que, ao remover erros sistematicamente e focar em grupos representativos de dados em vez de cada ponto individual, os cientistas podem tornar a identificação de microplásticos mais robusta, eficiente e confiável. Este avanço aproxima o campo de ser capaz de monitorar de forma rotineira e precisa a presença desses contaminantes persistentes no meio ambiente.