Defining Irregular Microplastics: A Machine Learning Approach for Morphometric Characterization

doi:10.3390/microplastics5020080

Defining Irregular Microplastics: A Machine Learning Approach for Morphometric Characterization

2026-05-01

0

PRE

AI

DOI：10.3390/microplastics5020080

原文链接

原文求助

摘要

En 中文

引言：普遍认为纳米和微塑料（NMP）污染物通过生物累积威胁生态系统和人类健康，但有趣的是，其毒性具有形状依赖性。然而，与球形和纤维状NMP相比，目前尚缺乏对环境及生物样本中占主导地位的不规则NMP的清晰定义。目的：本研究量化形态测量学描述符，以建立不规则NMP的标准定义。方法：从文献中收集了34个球形、50个纤维状和45个不规则NMP的高光谱图像。利用机器学习模型分析了所有形状相关特征。通过五折交叉验证，建立了一个基于决策树的集成分类器（固定参数和基尼系数），用于筛选关键形态测量学描述符及其最佳区间范围。该模型经过独立验证，能够准确区分不规则NMP与球形和纤维状NMP。结果：通过五折交叉验证确定了三个形态测量学描述符，包括圆形度、圆度和周长-面积比，作为NMP形状分类的最佳指标。不规则NMP的最佳区间范围为：圆形度（0.388±0.004-0.768±0.004）、圆度（0.248±0.01-0.752±0.06）和周长-面积比（>11.608±1.39）。该方法在这些NMP中实现了96.0%的宏观平均准确率，精确度为100%，召回率为89.0%。结论：不规则NMP可使用圆形度、圆度和周长-面积比这三个形态测量学描述符进行表征。这三个描述符的组合能高度准确地与球形和纤维状NMP进行区分。

Keyword:

microplastics

irregular shape

morphometric descriptors

accuracy

decision tree

Defining Irregular Microplastics: A Machine Learning Approach for Morphometric Characterization

摘要

期刊

机构