《Journal of Environmental Management》:Improving monitoring of microplastics in soils and biosolids using near-infrared spectroscopy: the effect of organic matter
编辑推荐:
微塑料(Microplastics, MPs)是环境中普遍存在的新型污染物,然而由于有机质(Organic Matter, OM)的光谱干扰,其在土壤和生物固体等复杂基质中的快速定量仍具挑战。本研究首次探讨了高有机质含量如何影响土壤中高密度聚乙烯(High-D
微塑料(Microplastics, MPs)是环境中普遍存在的新型污染物,然而由于有机质(Organic Matter, OM)的光谱干扰,其在土壤和生物固体等复杂基质中的快速定量仍具挑战。本研究首次探讨了高有机质含量如何影响土壤中高密度聚乙烯(High-Density Polyethylene, HDPE)和聚苯乙烯(Polystyrene, PS)聚合物(0-8% v/v)的光谱可检测性及基于机器学习的定量。研究人员利用变量重要性投影(Variable Importance in Projection, VIP)通过偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis, PLS-DA)分析预处理后的近红外(Near-Infrared, NIR)光谱以识别MP和OM相关波长区域,随后将其作为四种回归算法(偏最小二乘法PLS、支持向量机Support Vector Machines、随机森林Random Forest和定制神经网络Custom Neural Network)的输入。在有机质较低(0.78-1.23%)的土壤中,HDPE和PS产生聚合物特异性吸收特征,并使用相对较少的VIP选定波长以优异精度预测(最高R2= 0.96,残差预测偏差Residual Prediction Deviation, RPD = 5.19)。在有机质极高(64-72%)的生物固体中,聚合物谱带被部分掩盖,VIP得分向OM主导区域偏移。然而,预测性能仍保持稳健,特别是HDPE结合神经网络模型(R2= 0.98, RPD = 6.41)。总体而言,尽管OM强烈影响驱动模型预测的光谱区域并部分降低了MP浓度水平间的区分度,但在应用适当的变量选择和机器学习策略时,并不妨碍MPs的准确定量。这些发现表明,近红外光谱结合靶向变量选择和高级回归可提供有机质贫乏土壤及富有机质生物固体中MP污染稳健、无损的估算,突出了未来针对低MP浓度天然富有机质样品研究应优先关注的关键光谱特征。
论文发表在《Journal of Environmental Management》。微塑料污染已成为全球关注的生态环境问题,其广泛存在于陆地与海洋系统中,尤其农业土壤因污泥施用、地膜残留及大气沉降等途径成为微塑料的重要储库。目前微塑料的常规检测依赖密度分离与氧化消解前处理结合傅里叶变换红外光谱等技术,过程繁琐且具有破坏性。近红外光谱作为一种快速无损技术虽具潜力,但环境基质中高含量有机质会产生严重光谱干扰,掩盖聚合物特征吸收,且有机质对机器学习模型预测准确性及光谱可检测性的影响机制尚不明晰,限制了该技术在复杂环境介质中的应用。为此,研究人员开展此项研究,旨在明确高有机质背景下近红外光谱结合化学计量学与机器学习定量土壤中高密度聚乙烯与聚苯乙烯微塑料的可行性,探究有机质对光谱特征及模型性能的影响规律,为复杂基质中微塑料的快速监测提供理论支撑与方法依据。
作者为开展研究所用主要关键技术方法如下:样本队列来源于意大利坎波巴索沿海沙丘地中海海岸砂土(低有机质,4个站点各5重复)与美国纽约市6家污水处理厂生物固体(高有机质,各5重复)。关键技术包括人工模拟加标制备0%、2%、4%、8% v/v的HDPE与PS微塑料(粒径<250 μm)土壤及生物固体样本;利用JASCO V-570分光光度计配积分球采集900-2500 nm近红外光谱,经Savitzky-Golay平滑、反射率转吸光度及一阶导数预处理;采用偏最小二乘判别分析通过变量重要性投影筛选VIP>1的波长以降低维度;分别构建偏最小二乘法、支持向量机、随机森林及定制神经网络四种回归模型,以决定系数R2、均方根误差RMSE与残差预测偏差RPD评估性能,其中偏最小二乘法与支持向量机采用k折交叉验证,随机森林与定制神经网络按7:3划分训练集与测试集。
研究结果如下:
3.1. Spectral characteristics of soil and biosolid samples。研究人员通过分析土壤(有机质0.78-1.23%)与生物固体(有机质64-72%)加标HDPE及PS的平均光谱得出,土壤中聚合物特征吸收峰明显,如HDPE在1728 nm与1762 nm处甲基不对称与对称振动一级倍频,PS在1680 nm芳香族CH伸缩一级倍频等;生物固体因高有机质在1450-1644 nm及1946-1976 nm处强OH与CH吸收掩盖聚合物峰,HDPE与PS光谱曲线变化在土壤中较生物固体更敏感,证实有机质会衰减聚合物特异性光谱信号。
3.2. Partial least squares-discriminant analysis and VIP index evaluations。研究人员通过偏最小二乘判别分析得分图与变量重要性投影分析发现,土壤与生物固体中HDPE与PS加标浓度均能被有效区分,但土壤变量重要性投影选中较少高贡献波长(如土壤HDPE在1720-1780 nm VIP 1.60-1.65,2200 nm VIP 1.95),集中于聚合物特征区;生物固体则需更多低贡献波长,变量重要性投影向有机质主导区(1200-1600 nm、1900-2200 nm)偏移,表明高有机质使光谱重要性重分布,降低聚合物波段区分度,PS在2%与4%浓度下两类基质中区分均弱于HDPE。
3.3. Performances of prediction models。研究人员基于变量重要性投影筛选后波长运行四种回归模型得出,所有组合预测性能均达良好至优秀,HDPE预测精度整体高于PS;生物固体中HDPE定制神经网络模型最优(R2=0.98,RMSE=0.46%,RPD=6.41),土壤中HDPE与支持向量机最优(R2=0.96,RMSE=0.57%,RPD=5.19);PS在土壤与支持向量机下最佳(R2=0.93,RMSE=0.79%,RPD=3.79),生物固体中PS支持向量机为R2=0.91,RMSE=0.87%,RPD=3.41;随机森林与偏最小二乘法相对略低但仍满意,高有机质未阻碍准确预测,变量选择可有效缓解光谱掩蔽。
讨论部分总结:研究人员指出选取低有机质砂土与高有机质生物固体对比,可揭示生物固体土地利用时微塑料归趋及有机质对光谱检测的作用,目前微塑料法规缺位凸显可靠方法之必要。加标浓度高于环境实际是为建立稳健校准模型,换算成重量比部分超0.5%宏观杂质阈值。光谱显示土壤随聚合物增加反射率变化更显著,生物固体因暗色背景与有机质掩蔽变化弱,偏最小二乘判别分析与变量重要性投影证明即便高有机质下近红外仍保留聚合物灵敏度,但生物固体需更多波段且变量重要性投影值低,与已有有机质预测波段重合。变量重要性投影降维兼具可解释性,支持向量机总体优于其余算法,HDPE因CH2伸缩倍频鲜明预测更佳,PS谱带宽且与有机质重叠致中等浓度区分差、精度略低,与既往沉积物及土壤微塑料光谱研究结论一致,高浓度下支持向量机略有低估但生物固体预测一致性较好,证实变量筛选可克服掩蔽。
结论部分翻译:本研究证明高有机质含量虽影响光谱响应与波长重要性,但在采用恰当机器学习与变量选择策略时并不妨碍微塑料的准确定量,该发现解决了近红外基微塑料检测在复杂环境基质中常伴的限制。靶向近红外波段选择结合稳健机器学习可有效克服此限制,实现对高有机质样品微塑料可靠定量。利用变量重要性投影波长选择与四种回归算法(偏最小二乘法、支持向量机、随机森林与定制神经网络),研究在所有基质与聚合物组合中取得良好至优秀预测性能,生物固体中HDPE定制神经网络与土壤中两种聚合物支持向量机结果最佳。尽管有机质尤其生物固体中光谱贡献强,模型精度仍高,表明恰当变量选择可有效缓解光谱掩蔽效应。研究明确证实:(i)有机质含量强烈影响主导模型的光谱区域及光谱掩蔽程度;(ii)但与稳健变量选择及合适学习算法结合时,本质上不妨碍近红外基微塑料预测。从环境角度,结果支持近红外光谱作为快速无损筛查工具用于贫有机质土壤与富有机质生物固体中微塑料,尤其经细致校准验证的支持向量机或神经网络模型,鉴于生物固体是微塑料进入陆地生态系统关键途径,此点尤为重要。缺乏专项法规与生物固体土地施用增加,凸显亟需可靠分析工具支撑环境监测、风险评估与未来政策制定。未来研究应拓展至更低微塑料浓度、不同基质水分、粒径分布及风化微塑料以评估真实场景稳健性,构建更大独立近红外数据集与外部验证检验稳健性,比较替代变量选择(如连续投影算法SPA或竞争性自适应重加权采样CARS)与模型解释策略以提升可解释性。
要不要我帮你把这篇解读里的关键结论和专业术语整理成一页简洁的要点笔记,方便你快速回顾?