基于多模态数据融合与注意力机制的微塑料老化特征识别研究

针对传统单模态方法难以全面解析微塑料老化特征的难题，研究人员创新性地结合SEM图像与FT-IR光谱数据，通过多模态融合与注意力机制构建深度学习模型，实现七类老化类型的精准识别（验证准确率96.4%），揭示了C=O峰（1700–1750 cm?1）与表面蚀刻等关键跨模态关联，为微塑料生命周期管理及生态风险评估提供新范式。

　　

微塑料作为新兴环境污染物，其粒径小、难降解的特性导致其在环境中广泛持久存在。这些微小塑料颗粒在自然环境中经历复杂的老化过程，表面形貌和化学组成发生显著改变，进而影响其环境行为与生态风险。传统研究主要依赖单一技术手段，如傅里叶变换红外光谱（FT-IR）或扫描电子显微镜（SEM），但单模态方法难以全面捕捉老化过程的物理化学协同变化，也无法有效区分复杂环境样本中的混合老化类型。这一技术瓶颈严重制约了对微塑料环境归趋和生态效应的准确评估。

为突破这一局限，山东大学文化遗产研究院的研究团队在《Journal of Hazardous Materials》发表创新研究。该团队系统分析了1371个涵盖七类老化类型的微塑料样本，开发出整合SEM图像与FT-IR光谱的多模态深度学习模型。通过注意力机制与特征融合技术，模型成功实现了老化特征的跨模态关联解析与高精度分类。

研究采用三项关键技术：基于Web of Science数据库的文献计量学筛选建立标准化老化样本库；通过Canny边缘检测和灰度共生矩阵提取SEM图像纹理特征；结合马氏距离度量学习验证FT-IR特征峰（如1700–1750 cm^?1的C=O伸缩振动）与表面形变的关联性。

【多维特征可视化分析】
t-SNE降维显示不同老化类型在特征空间显著分离：生物老化样本呈现碎片化纹理与复杂灰度分布，化学老化组在1700–1750 cm^?1区间出现明显羰基峰，UV老化样本则表现出3300–3500 cm^?1羟基峰与密集裂纹的强相关性。

【跨模态识别可靠性】
模型验证准确率达96.4%，显著优于单图像模型（85.3%）和单光谱模型（47.8%）。注意力权重分析揭示化学老化中C=O峰与表面蚀刻的耦合关系（权重系数0.78），UV老化组O-H峰与裂纹密度的关联性（权重系数0.82）。

【环境应用验证】
在模拟自然环境的复合老化样本中，模型实现80.9%的双重归因准确率，识别UV降解为环境样本主导老化机制（78.6%频率），并发现稻田环境中潜在的化学-物理协同降解风险。

该研究首次通过多模态深度学习量化了微塑料老化过程中物理结构变化与化学键改变的耦合规律。模型揭示的C=C振动（1650–1680 cm^?1）与磨损标记的关联性，为解析微塑料在土壤-水界面的迁移转化机制提供了新依据。研究建立的跨模态特征数据库与开源框架，实现了实验室数据与环境实际老化特征的桥接，对发展微塑料全生命周期管理策略具有重要指导价值。特别值得注意的是，该模型在稻田环境样本中检测到异常的羰基指数升高（ΔC=O >1.8），提示农用化学品可能加速微塑料的化学降解，这一发现为制定农业面源污染防控政策提供了科学依据。