短波红外高光谱成像结合机器学习实现土壤中低浓度微塑料(0.01-12%)的精准检测

【编辑推荐】本研究针对土壤微塑料(MPs)传统检测方法耗时、低效的难题，创新性地采用短波红外高光谱成像(SWIR HSI)技术结合机器学习算法，系统评估了InGaAs(800-1600 nm)和MCT(1000-2500 nm)传感器对土壤中聚酰胺(PA)和聚乙烯(PE)的检测性能。结果表明MCT传感器对0.01-12%浓度范围的MPs检测总体准确率达93.8±1.47%，显著优于InGaAs传感器(68.8±3.76%)，为土壤微塑料污染的非侵入式快速检测提供了新范式。

　　

微塑料污染的隐形威胁与科技破局
在全球塑料污染持续加剧的背景下，直径小于5毫米的微塑料(MPs)已成为土壤生态系统的"隐形杀手"。研究表明，农田土壤中微塑料含量可达12,560个/千克，其中<0.2 mm的颗粒占比最高，主要成分为聚酰胺(PA)和聚丙烯(PP)。这些微小颗粒不仅会改变土壤pH值和微生物群落，还能作为重金属和农药的载体进入食物链。然而传统检测方法如傅里叶变换红外光谱(FT-IR)需要复杂的样品前处理，对<500 μm的微塑料回收率低下，严重制约了大规模环境监测的效率。

美国农业部农业研究服务局的研究团队在《Soil》发表了一项突破性研究，通过短波红外高光谱成像(SWIR HSI)技术结合机器学习，实现了土壤中低至0.01%浓度微塑料的无损检测。研究团队创新性地对比了两种传感器系统：覆盖800-1600 nm波段的铟镓砷(InGaAs)和覆盖1000-2500 nm波段的汞镉碲(MCT)，针对PA(≤50 μm)和PE(≤300 μm)两种典型微塑料，在0.01-12%浓度范围内建立了快速检测方法。

关键技术方法包括：采用96孔板(0.32 cm²)、12孔板(3.5 cm²)和6孔板(9.5 cm²)优化样品表面积；通过标准正态变量变换-差分-Z评分(SNVD-DIFF-Z)预处理光谱数据；运用主成分分析(PCA)和偏最小二乘判别分析(PLSDA)提取特征；建立逻辑回归(LR)和支持向量机(SVM)分类模型。

光谱特征揭示检测机理
研究发现MCT传感器在1730 nm(C-H键一级倍频)、2050 nm(N-H与酰胺组合带)和2300-2500 nm(C-H组合带)处具有显著特征峰，即使对0.1%低浓度微塑料仍保持可识别信号。相比之下，InGaAs传感器仅在1210 nm(C-H键二级倍频)和1430 nm(C-H组合带)处显示较弱峰，这解释了其检测性能的局限性。

特征降维凸显技术优势
通过均匀流形近似与投影(UMAP)和t-SNE降维可视化显示，MCT系统能清晰区分>1%和0.2-1%浓度组，而InGaAs系统仅在>1%高浓度组表现尚可。在0.01-0.1%极低浓度区间，两种系统的区分度均显著下降，但MCT仍保持89.3±2.07%的准确率，远高于InGaAs的61.7±5.16%。

机器学习模型性能验证
在1-12%浓度范围内，MCT系统总体准确率达98.5-100%，InGaAs为94.5-100%。但随着浓度降低至0.01-0.1%，MCT系统仍保持89.3%准确率，而InGaAs骤降至45.3%。值得注意的是，采用径向基函数核(RBF)的SVM2模型在MCT全波段(1000-2500 nm)表现最优，证实了宽波段覆盖对检测精度的提升作用。

环境应用的现实考量
研究也指出当前局限：实验采用原始塑料颗粒，而实际环境中微塑料会因风化产生结构变化；共存污染物可能干扰光谱特征。但MCT系统在1.06 cm²采样面积下展现的稳定性，已为田间检测提供了实用化参数。

这项研究的重要意义在于建立了首个能检测0.01%浓度土壤微塑料的SWIR HSI技术框架，MCT传感器的高灵敏度使其成为环境监测的有力工具。未来通过纳入实际环境样本优化模型，该技术有望推动建立微塑料污染预警体系，为农业生态安全提供关键技术支撑。