We can't find the internet
Attempting to reconnect
Something went wrong!
Hang in there while we get back on track
Tall Trees and Small Plastics. Using Random Forest Classification to Identify Microplastic Pollution in Surface Soil Samples
AI summary Read the abstract
Researchers used machine learning (random forest classification) to identify and distinguish twenty types of plastic particles in soil samples from agricultural land. Developing accurate, automated detection methods for microplastics in soil is essential for large-scale environmental monitoring.
Mikroplastikpartikel sind kleine Plastikpartikel, die entweder durch die Fragmentierung größerer Plastikteile entstehen oder bewusst hergestellt werden, um Produkten bestimmte, erwünschte Eigenschaften zu geben. Mikroplastikverschmutzung ist in unserer Umwelt allgegenwärtig und reich vorhanden. Bisher gibt es allerdings keine Standardmethode um Mikroplastik in verschiedenen Umweltproben zu detektieren.Das Ziel dieser Diplomarbeit war es einen Klassifikator zu erzeugen, der zwanzig verschiedene Plastiksorten in Bodenproben, die von landwirtschaftlich genutzten Böden stammen, identifiziert. Die Proben wurden von einem Team von Biologen der Universität Bayreuth gesammelt, aufgereinigt und per micro-FTIR Spektroskopie gemessen. Ein Messergebnis besteht aus einem mikroskopischen Bild sowie etwa einer Million Spektren pro Probe. Jedes einzelne Spektrum zeigt Intensitäten bei 609 verschiedenen Wellenzahlen. Um diese riesige Menge an Daten zu verarbeiten, wurde die Software ImageLab (©Epina GmbH) verwendet. Für die Klassifikation wurde die Machine Learning Technik Random Forest gewählt. Die vorliegende Diplomarbeit beschreibt den Entstehungsprozess des Klassifikators für Bodenproben. Des Weiteren beantwortet sie die Frage, ob Bodenproben auch mittels eines bereits existierenden Klassifikators für Oberflächenwasserproben, der bereits zuvor von einem Team der Technischen Universität Wien entwickelt wurde, klassifiziert werden können. Der finale Bodenklassifikator erfüllt alle Anforderungen. Durch die Verwendung dieses Klassifikators ist es jetzt möglich, den Mikroplastikgehalt eines landwirtschaftlichen Feldes vor und nach dem Düngen zu messen. Das ermöglicht Rückschlüsse auf die Mikroplastik-Umweltverschmutzung durch verschiedene Düngemittel und die durch das Düngen hervorgerufene Verteilung von Mikroplastik in der Umwelt.
More Papers Like This
A methodology for the fast identification and monitoring of microplastics in environmental samples using random decision forest classifiers
AI summary Read the abstract
Researchers developed a methodology using random decision forest classifiers for the fast identification and monitoring of microplastics in environmental samples. The approach provides a machine learning-based tool to accelerate microplastic detection and reduce the analytical burden of characterising particles across diverse environmental matrices.
Identification of Microplastics in Soils Using 2D Geometric Shape Descriptors
AI summary Read the abstract
Researchers applied 2D geometric shape descriptors and Random Forest machine learning to distinguish microplastic particles from soil particles in microscopy images. The results demonstrated promising potential for automated microplastic identification in soil samples, which are more challenging to analyze than water samples.
Identification of potentially contaminated areas of soil microplastic based on machine learning: A case study in Taihu Lake region, China
AI summary Read the abstract
Researchers applied machine learning models — including random forest and support vector regression — to predict the spatial distribution of soil microplastic pollution in China's Taihu Lake region, finding that soil texture, population density, and proximity to known plastic sources were the dominant drivers, with nearly half of urban soils showing serious contamination.
Random Forest-Based Prediction of Coastal Microplastic Concentration Using High-Dimensional Environmental Data: A Comparative Study with Deep Learning and Machine Learning
AI summary Read the abstract
Scientists tested whether AI could predict microplastic pollution levels on coastlines using environmental data, instead of relying on slow, expensive lab testing. A simpler, well-established computer model (Random Forest) turned out to be much more accurate than a fancier "deep learning" AI system at this task. This matters because faster, cheaper ways to track microplastic pollution could help communities identify contaminated areas sooner—which is important since microplastics are increasingly linked to health concerns as they make their way into seafood and drinking water.
Application of machine learning in assessing spatial distribution patterns of soil microplastics: a case study of the Bang Pakong Watershed, Thailand
AI summary Read the abstract
Machine learning models were applied to predict spatial distribution patterns of microplastics in soils across a Thai watershed, identifying land use types and proximity to water bodies as key factors driving contamination levels.
Research digests by email
When a large batch of papers lands in the Atlas, we read through it and send a short write-up of what stood out.