Science of the Total Environment :基于拉曼光谱和卷积神经网络的水环境微塑料定量分析
本文提出了一种结合拉曼光谱和CNN的水环境MPs定量分析方法。该方法创新性地利用平均映射光谱(AMS)提高了相同浓度下拉曼特征峰强度的均匀性，并通过过滤不同体积的溶液增加了MP溶液浓度的有效浓度检测范围，并结合CNN实现了水环境中MP的定量分析。最终鉴定结果的R2和RMSE分别为0.9972和0.033。通过实验验证，该方法适用于不同粒径MPs的浓度检测，适用于不同的水环境。研究结果可为水环境中MPs的定量分析和溯源提供支持。
图1（(a)拉曼光谱采集过程。(b) PE的原始和基线校正的拉曼光谱。(c) CNN模型的基本结构。）
图2（(a)聚乙烯和滤纸的拉曼光谱。(b)映射模式的PE特征峰热点图。(c) 10个滤纸样本的AMS。(d) 10个滤纸样品的AMS特征峰。）
图3（AMS过滤后(a) 60 mL (c) 600 mL不同浓度的PE溶液。过滤后(b) 60 mL (d) 600 mL不同浓度PE溶液的拉曼特征峰强度。）
图3显示了60 mL和600 mL过滤后不同浓度PE溶液的AMS和特征峰强度。与表S1给出的样品图像相对应，可以看出，当过滤60 mL浓度低于20 ppm的PE溶液时，由于滤纸上没有PE，无法检测到PE的存在。而当过滤600ml浓度大于20ppm的PE溶液时，PE颗粒完全覆盖滤纸表面，特征峰强度不再增加。因此，当过滤60 mL和600 mL时，可认为PE溶液浓度的有效检测范围分别为20-100 ppm和1-20 ppm。图3(b,d)中灰色色块的宽度表示PE溶液浓度的有效检测范围。如果只过滤了60ml的溶液，未知溶液的浓度低于20ppm，或者只过滤了600ml的溶液，未知溶液的浓度高于20ppm，则无法给出准确的浓度范围。
图4（(a)每个历元训练后的损失和R2。(b)验证集和测试集的预测分布。(c) 10 μm (d) 25 μm (e) 48 μm (f) 150 μm (g) 270 μm (h) 500 μm PE溶液的预测分布。(i) CNN在不同数据集上训练的预测精度。(j)不同机器学习模型的预测精度。）
文章中还有讨论部分未呈现，关于文章更多细节结论探讨可阅读原文进行深入了解
该研究开发了一种新颖的MPs溶液定量分析方法，并成功地进行了测试。以PE为典型MPs，将6种不同粒径的PE分散在5种不同类型的水中，得到19种不同浓度的溶液。PE溶液经密度分离和真空辅助过滤后，在低速定性滤纸表面积聚。结果表明，在滤纸上收集AMS可以有效降低拉曼光谱检测的偶然性。
过滤不同体积的同一PE溶液，可有效增加PE溶液浓度的有效检测范围。CNN识别不同水环境中不同粒径PE溶液浓度的R2和RMSE分别达到0.9972和0.033，与RF、SVM等机器学习模型相比具有显著优势。该方法无需人工判断，可实现对MPs溶液浓度的高精度、宽浓度范围检测。
如果对该篇文章感兴趣，请阅读原文
文章回顾
=》Environmental Research：新冠疫情大流行的环境影响：在周围环境影响下口罩释放出的微塑料、有机污染物和微量金属
