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

微塑料——这些已经渗透进我们的海洋、土壤甚至空气中的微小塑料碎片——正对生态系统和人类健康构成日益增长的威胁。为了了解这一问题的规模，科学家必须能够找到这些颗粒，准确识别它们属于哪种类型的塑料，并对其进行计数。虽然在显微镜下观察颗粒是常见的初步步骤，但这种方法往往并不可靠，因为人类的肉眼很容易被灰尘颗粒的形状或颜色所迷惑。一种更精确的方法是利用光来读取颗粒的化学指纹。通过将红外光反射到样本上，研究人员可以观察哪些分子吸收了光以及在哪些波长下吸收，从而为聚乙烯或聚苯乙烯等材料创建独特的特征签名。然而，将这项强大的技术转化为分析复杂环境样本的常规工具一直很困难。生成的数据量巨大，通常包含数百万个独立的测量值，而且该过程很容易受到光照变化、颗粒厚度或仪器本身行为变化的影响。

来自芬兰的一个研究小组开发了一个新的框架来解决这些特定的障碍，创造了一种使用红外成像识别微塑料的流线型方法。他们的工作重点在于在三个不同的阶段对数据进行清理：整体图像、图像的小部分区域以及单个光信号本身。想象一下试图在一个嘈杂的房间里听一段对话；你首先需要调低背景噪音，然后过滤掉墙壁产生的回声，最后专注于正在说的具体词汇。同样地，研究人员首先对整个图像进行了校正，以消除扫描过程中由环境条件变化引起的偏移。然后，他们修复了出现在图像每个部分中的重复性微小误差模式，就像去除相机镜头上一致的污迹一样。最后，他们精炼了每个颗粒的化学数据，平滑了噪声，并突出了区分不同类型塑料的特定特征。

他们方法中最显著的创新在于如何处理海量的数据。他们并没有尝试将庞大图像中的每一个像素都与已知塑料库进行对比——这是一项缓慢且计算量巨大的任务——而是将相似的像素组合成簇。然后，他们将这些组的平均特征与其参考库进行对比。这一策略被证明非常有效。当他们测试了十二种不同的数据匹配方法时，一种关注化学曲线形状而非仅仅是高度的方法，对四种常见塑料实现了完美的准确率：聚苯乙烯、聚对苯二甲酸乙二醇酯、聚乙烯和聚丙烯。这一点尤为重要，因为聚乙烯和聚丙烯在化学性质上非常相似，经常使标准的识别工具产生混淆。

通过将这种多层校正与更智能的匹配策略相结合，研究人员证明了他们能够生成更清晰的颗粒分布图及其成分图，同时显著加快了分析速度。该方法成功地区分了那些极难分辨的塑料，并减少了处理大型图像所需的时间。这项研究表明，通过系统地消除误差并专注于代表性数据组而非每一个点，科学家可以使微塑料的识别更加稳健、高效且可靠。这一进展使该领域更接近于能够常规且准确地监测这些持久性污染物在环境中的存在。