基于拉曼光谱微塑料数据谱特征机器学习聚合物类型
机器学习
2025-01-09 v1
摘要
当前用于分析化合物结构以识别微塑料中聚合物类型的工具与技术，对环境风化微塑料的校准并不理想。受环境风化因素降解的微塑料，相比未经历风化过程的微塑料样本，可提供的分析确定性较低。机器学习工具与技术使我们能够更好地校准研究工具，以提升微塑料分析的确定性。在本文中，我们研究谱特征(拉曼位移值)是否足够独特，使得在样本未受环境降解时，成熟的机器学习(ML)算法能够利用相对较少的标注输入数据学会识别聚合物类型。多个ML模型在一个知名库——塑料颗粒光谱库(SLOPP)上训练，该库包含一系列塑料颗粒的拉曼位移与强度结果，随后在由22种聚合物类型组成的环境老化塑料颗粒(SloPP-E)上测试。经过大量预处理与增强后，训练好的随机森林模型在SloPP-E数据集上测试，分类准确率从89%提升至93.81%。
引用
@article{arxiv.2201.05445,
title = {Machine Learning of polymer types from the spectral signature of Raman spectroscopy microplastics data},
author = {Sheela Ramanna and Danila Morozovskii and Sam Swanson and Jennifer Bruneau},
journal= {arXiv preprint arXiv:2201.05445},
year = {2025}
}