Classification Spectrale des Microplastiques (MPS) Mélangés à Grande Échelle en Utilisant des Spectres Bruts en FT-IR et l'Apprentissage Machine Basé sur des Images

Les microplastiques (MPs) sont actuellement reconnus comme des polluants émergents ; leur identification et classification sont donc essentielles lors de leur suivi et gestion. Contrairement à la plupart des études basées sur de petits ensembles de données et des recherches dans des bibliothèques, cette étude a développé et comparé quatre classificateurs basés sur l'apprentissage machine et deux ensembles de données de plastiques mélangés à grande échelle, où un réseau de neurones convolutionnel 1D (CNN), un arbre de décision et une forêt aléatoire (RF) ont été alimentés avec des données spectrales brutes provenant de la spectroscopie infrarouge à transformée de Fourier, tandis qu'un CNN 2D a utilisé les images spectrales correspondantes comme entrée. Avec une précision globale de 96,43 % sur un petit ensemble de données et de 97,44 % sur un grand ensemble de données, le CNN 1D a surpassé les autres modèles. Le CNN 1D était le meilleur pour prédire les échantillons environnementaux, tandis que le RF était le plus robuste avec moins de données spectrales. Globalement, les RF et les CNN 2D pourraient être évalués pour l'identification des plastiques avec moins de données spectrales ; cependant, les CNN 1D étaient jugés être les plus efficaces avec suffisamment de données spectrales. En conséquence, un outil d'analyse spectroscopique des MPs en source ouverte a été développé pour faciliter une analyse rapide et précise des échantillons de MPs existants.