近日，环境科学与工程系张立武课题组在Environmental Science & Technology期刊上发表了题为“Machine Learning Advancements and Strategies in Microplastic and Nanoplastic Detection”的Critical Review论文，系统总结了机器学习（Machine Learning, ML）技术在微塑料（MPs）与纳米塑料（NPs）检测中的最新应用，提出了基于光谱与图像的智能识别策略，为精准、高效地识别环境中微纳米塑料提供了理论基础与实用路径。

尽管MPs和NPs广泛存在于环境中，并对生态系统稳定性与人类健康构成潜在威胁，但是当前检测技术仍面临分辨率低、数据量大、成像耗时长等瓶颈，限制了污染水平的准确评估。ML通过实现高效的数据处理和复杂的模式识别，为克服这些挑战提供了一条有前途的途径。

该综述聚焦于ML技术与光谱检测手段的融合应用，系统分析了其在MPs和NPs检测效率与准确性方面的研究进展。研究团队将已有研究划分为两个核心方向：（1）构建高效的机器学习模型以优化塑料识别。结合红外光谱（IR）与拉曼光谱等分子指纹信息，能够有效提升MPs和NPs的识别精度与通量，为环境监测提供更强有力的技术支持；（2）深度剖析当前机器学习在NPs检测中的关键挑战。尽管ML在数据处理与模式识别中表现出巨大潜力，但在模型泛化能力、数据库构建及光谱干扰抑制等方面仍存在待解难题。

该综述指出，机器学习正在成为推动MPs和NPs环境监测范式转变的重要力量。通过总结现有挑战与研究空白，该综述为未来环境管理策略制定与公共健康防护提供了科学依据与发展方向。

论文的共同第一作者是环境系硕士生谢丽芳和博士研究生马铭潞。

图1. 主成分分析（PCA）及其高级变体、逻辑回归（LR）和卷积神经网络（CNN）在解码拉曼光谱矩阵中的应用。（a）通过逻辑或合并两个特征峰的拉曼图像（i）、PCA提取的与拉曼光谱（PC1-PC3）相似的光谱轮廓（ii）以及PC2（iii）和PC3（iv）的载荷图。（b）样品的光学图像（i)、PC1-PC5的PCA光谱与强度偏移后的PA6拉曼光谱的比较（ii）、PC2的载荷系数图（iii）和第二轮PCA所获得的相关矩阵（iv)。（c）2910 cm-1处的拉曼强度图（i）、PC1（ii）和PC2（iii）的PCA图，以及使用“PC1×（1-PC2）”合并并调整颜色偏移的二维图像（iv）。（d）用于将拉曼图转换为数字信号的LR模型。（e）基于GoogLeNet架构的CNN。

图2.机器学习辅助检测自来水和环境水样中的微塑料和纳米塑料。（a）加入河流和海水样品中的1 μm PS颗粒（100 μg/mL）的拉曼光谱映射（i、ii）和LR变换（iii、iv）。（b）混淆矩阵显示了加标自来水（i）和雨水（ii）选定区域的拉曼光谱分类结果，以及加标自来水（iii）和雨水（iv）中基于射频的颗粒识别结果。

论文链接：https://pubs.acs.org/doi/10.1021/acs.est.4c11888

供稿：张立武课题组

审核：张立武