Le problème de la pollution microplastique du sol devient de plus en plus grave, mais des recherches approfondies sur les microplastiques dans les écosystèmes terrestres sont toujours insuffisantes. Cette étude vise à identifier et à visualiser directement la distribution des microplastiques dans le sol en combinant la technologie d'imagerie hyperspectrale avec des algorithmes chimiométriques avancés, comblant ainsi cette lacune de recherche.
1. Collecte et traitement des échantillons
Tout d'abord, nous avons trouvé et collecté des fragments de plastique altérés et des échantillons de sol de 5 cm d'épaisseur autour d'eux à la surface du sol, avec un poids total d'environ 3 kg. Après que ces échantillons ont été ramenés au laboratoire, ils ont été divisés en deux groupes. Un groupe a été utilisé pour extraire et identifier les composants spécifiques des microplastiques par méthode de solution aqueuse NaCl saturée; L'autre groupe a été utilisé pour construire un modèle d'identification microplastique basé sur la technologie d'imagerie hyperspectrale et les algorithmes chimiométriques.
Pour simuler l'existence de microplastiques dans des environnements de sols réels, nous avons préparé en outre des échantillons de sol simulés. Grâce à un cisaillement manuel et à un tamisage, nous avons divisé les microplastiques extraits (blanc et noir) en deux plages de taille de particules de 1 à 5 mm et 0,5 à 1 mm, et les avons mélangées avec des matériaux naturels tels que des feuilles fraîches, des feuilles flétries, des roches et des branches à Simuler l'environnement complexe du sol de champ. Tous les échantillons de sol ont été séchés dans un four à vide à 80 ° C pendant 8 heures pour éliminer l'humidité et assurer la précision de l'expérience.
2. Acquisition d'images hyperspectrales et analyse des données
En utilisant un système d'imagerie hyperspectral, nous avons effectué une analyse complète d'échantillons microplastiques de sol simulés et obtenu des images hyperspectrales contenant des informations spectrales riches. Dans les images, différents matériaux (tels que les microplastiques blancs, les microplastiques noirs, les feuilles fraîches, etc.) sont marquées de différentes couleurs pour faciliter l'analyse ultérieure.
En analysant les courbes spectrales de la région d'intérêt (RO) de chaque matériau sur l'image, nous avons constaté que les feuilles fraîches, riches en chlorophylle, présentent des caractéristiques spectrales importantes dans la région de la lumière visible, ce qui les rend faciles à distinguer des autres matériaux. En revanche, les microplastiques PE blanc et noir diffèrent dans les caractéristiques spectrales, en particulier les microplastiques PE noirs, qui ont la réflectivité la plus faible dans toute la gamme spectrale, ce qui rend l'identification plus difficile.
3. Comparaison et optimisation des méthodes de classification supervisées
Afin de trouver le meilleur algorithme pour l'identification microplastique, nous avons utilisé trois méthodes de classification supervisées: l'analyse discriminante multivariée (MD), l'apprentissage automatique (ML) et la machine vectorielle de support (SVM). En calculant la précision (P) et le taux de récupération (R) de chaque méthode, nous avons constaté que l'algorithme SVM montrait un rapport signal / bruit plus élevé et moins de bruit de fond lors du traitement des images hyperspectrales, améliorant ainsi considérablement l'identification des microplastiques.
Nous avons effectué des tests de classification sur les microplastiques de différentes tailles de particules (1-5 mm et 0,5-1 mm). Les résultats ont montré que pour les microplastiques avec des tailles de particules plus grandes, l'algorithme SVM a pu atteindre une précision de reconnaissance plus élevée; Et pour les microplastiques avec des tailles de particules plus petites, l'effet de reconnaissance a été significativement amélioré en optimisant le prétraitement morphologique de l'image (comme les opérations d'érosion et de dilatation).
Iv. Vérification du modèle et application étendue
Pour vérifier la large applicabilité du modèle, nous avons collecté six polymères en plastique ménagers de différentes couleurs et compositions chimiques et testé leurs effets de reconnaissance sous la technologie d'imagerie hyperspectrale. Les résultats ont montré que pour six microplastiques communs avec des tailles de particules de 1 à 5 mm et 0,5-1 mm, le modèle a montré une bonne capacité de reconnaissance, avec une précision moyenne et des taux de récupération atteignant des niveaux élevés. En particulier, l'effet de reconnaissance des microplastiques colorés était particulièrement remarquable en raison de leurs caractéristiques spectrales plus évidentes.
V. Résumé et perspectives
Cette étude a combiné avec succès la technologie d'imagerie hyperspectrale avec des algorithmes chimiométriques pour obtenir une identification et une visualisation directes des microplastiques dans le sol. En comparant différentes méthodes de classification supervisées, nous avons constaté que l'algorithme SVM présente des avantages significatifs dans l'identification microplastique. De plus, l'étude a également révélé l'impact de la taille des particules microplastiques sur l'identification et des stratégies d'optimisation correspondantes proposées.
À l'avenir, nous prévoyons d'étendre davantage la portée de l'application de cette technologie, comme l'exploration détection. Dans le même temps, nous continuerons d'optimiser le modèle d'algorithme, d'améliorer la précision et la stabilité de la reconnaissance et d'offrir un support technique plus puissant pour la surveillance et le contrôle de la pollution microplastique du sol.
