基于阴极发光技术的亚10微米微塑料单颗粒识别与自动分类研究

《Environmental Technology & Innovation》：Single particle identification and automated classification of small (<10μm) microplastics using cathodoluminescence

本研究针对当前微塑料检测技术对小尺寸颗粒（<10μm）识别能力不足的难题，探索了扫描电镜-阴极发光（SEM-CL）技术的应用。研究人员成功采集了五种常见塑料（PE、PP、PA、PS、PET）的CL光谱，并开发了随机森林分类器（RFC），实现了高达94%的自动分类准确率。该研究为微塑料，尤其是小尺寸微塑料的高通量、自动化分析提供了强有力的新工具，对环境污染评估和健康风险研究具有重要意义。

　　

塑料污染已成为全球性的环境挑战，从空气、水体到沉积物，甚至人类血液和脑组织中，都发现了微塑料（Microplastics, MPs）的踪迹。这些尺寸小于5毫米的塑料碎片，尤其是小于10微米的小微塑料，因其更容易被生物体摄入并在体内迁移，而引发更大的健康担忧。然而，要准确评估其风险，首要任务是能够“看见”并“识别”它们。遗憾的是，当前主流的分析技术，如拉曼光谱（Raman spectroscopy）和热解-气相色谱-质谱联用（pyr-GCMS），在面对小于10微米的微塑料时，都遇到了瓶颈——要么空间分辨率不足，要么无法提供单个颗粒的信息。这就像我们拥有了发现“星球”的工具，却难以看清“星球”表面的细节，使得对小尺寸微塑料污染的全面认知一直笼罩在迷雾之中。

为了拨开这层迷雾，来自荷兰应用科学研究组织（TNO）的研究团队将目光投向了一项相对新颖的技术：扫描电镜-阴极发光（Scanning Electron Microscopy coupled with Cathodoluminescence, SEM-CL）。这项技术巧妙地将扫描电镜的高空间分辨率与阴极发光的光谱识别能力结合在一起。简单来说，就是用电子束去“激发”样品，然后捕捉样品被激发后发出的特征“光”（即阴极发光），通过分析这束“光”的波长和强度，就能反推出材料的“身份信息”。理论上，SEM-CL的探测极限仅受限于电子束斑的大小，足以应对从纳米到微米尺度的塑料颗粒检测。研究团队在前期工作中已经证实，SEM-CL可以成功区分尺寸在100微米左右的常见塑料类型。那么，一个关键问题随之而来：这项技术能否进一步应用于更小、更具环境与健康相关性的亚10微米微塑料呢？这项发表在《Environmental Technology》上的研究，正是为了回答这一问题而展开。

为了验证SEM-CL技术在小微塑料识别中的潜力，研究人员开展了一项系统性的工作。他们首先需要获得可用于测试的、环境相关性高的微塑料样本。与许多研究使用规则球形颗粒不同，本研究采用了自上而下研磨法制备的PE、PP、PA、PS和PET颗粒，这些颗粒形状不规则，更接近真实环境中的微塑料状态。针对小尺寸颗粒信号弱、易受电子束损伤等问题，研究人员对SEM-CL的检测参数进行了精细优化，例如将加速电压从15 kV降低到5 kV以减少对样品的损伤和基底信号的干扰，并相应调整了曝光时间和光束强度。最终，他们成功采集了超过200个亚10微米塑料颗粒的CL光谱。在数据分析方面，研究团队采用了主成分分析（Principal Component Analysis, PCA）来观察不同聚合物光谱的内在差异和聚类情况。随后，他们训练了两种随机森林分类器（Random Forest Classifier, RFC）：一种基于PCA降维后的前10个主成分，另一种则直接使用经过简单预处理（平滑和归一化）的完整CL光谱数据，以评估哪种方法更高效实用。此外，他们还引入了“确定性阈值”的概念，用以区分目标塑料颗粒和未经训练的常见污染物（如高岭土、滑石粉、二氧化钛）。

研究结果清晰地展示了SEM-CL技术在微塑料识别方面的强大能力。首先，对采集到的CL光谱进行分析发现，尽管亚10微米颗粒与大于100微米颗粒的光谱在绝对强度和某些细节上存在差异（可能源于小颗粒更大的比表面积导致的更易氧化），但每种聚合物类型的CL光谱均呈现出独特的形状和峰值位置。这意味着，即使是小尺寸颗粒，其“光学指纹”依然具有足够的特异性用于区分不同塑料类型。主成分分析（PCA）结果进一步证实了这一点，数据显示不同塑料的光谱数据点形成了三个主要簇：PE与PP聚在一起，PA与PET聚在一起，而PS则独立成簇。这表明基于光谱特征进行塑料分类是可行的，但也提示PE/PP以及PA/PET之间的区分可能需要更复杂的非线性分类方法。

基于这些光谱数据，研究人员构建的随机森林分类器（RFC）取得了令人瞩目的成果。无论是基于前10个主成分的RFC，还是直接基于完整CL光谱的RFC，在测试集上都达到了约94%的平均分类准确率。尤其值得一提的是，直接使用完整光谱的RFC模型，仅需对原始数据进行平滑和归一化处理，极大简化了数据分析流程，提升了方法的实用性和易推广性。通过分析RFC模型的特征重要性，研究人员还发现波长在505纳米和530纳米附近的光谱区域对分类决策的贡献最大，这与PCA中观察到的光谱差异区域相吻合。为了模拟真实环境中存在未知污染物的复杂情况，研究团队将高岭土、滑石粉和二氧化钛的CL光谱输入训练好的RFC模型进行测试。结果发现，这些污染物被模型赋予的“归属”概率远低于正确分类的塑料颗粒。通过设置一个适当的“确定性阈值”（如0.75），模型能够有效地区分目标微塑料和这些未经训练的污染物，从而降低了假阳性结果的风险。

综上所述，这项研究有力地证明了扫描电镜-阴极发光（SEM-CL）技术结合机器学习算法，能够实现对亚10微米微塑料的准确、自动化的单颗粒识别与分类。该方法不仅克服了传统技术在小尺寸颗粒检测上的局限，而且因其相对较短的单颗粒检测时间（约30秒）和最小化的数据预处理要求，展现出在高通量环境样品分析中的应用潜力。研究人员在讨论中也指出了未来的发展方向：扩展光谱数据库以涵盖更多聚合物类型和更小（纳米级）的塑料颗粒，并在不同实验室的SEM设备上进行验证，以提升方法的普适性和稳健性。这项研究为深入探究环境中小尺寸微塑料的分布、丰度及其潜在生态与健康风险，提供了一项强大且前景广阔的分析利器。随着技术的进一步完善和自动化程度的提高，SEM-CL有望成为微塑料研究领域一个标准且强大的工具，为精准评估塑料污染和制定有效的管控策略提供关键的数据支撑。