土壤微塑料污染問題日益嚴峻，然而針對陸地生態系統中微塑料的深入研究尚顯不足。本研究旨在通過高光譜成像技術結合先進的化學計量學算法，實現對土壤中微塑料的直接識別與可視化分布，進而填補這一研究空白。

一、樣品采集與處理

首先，我們在土壤表層發現并收集了部分風化的塑料碎片及其周圍5厘米厚的土壤樣本，總重量約為3千克。這些樣本被帶回實驗室后，被均分為兩組。一組通過飽和NaCl水溶液法提取并鑒定微塑料的具體成分；另一組則用于構建基于高光譜成像技術與化學計量學算法的微塑料識別模型。

為模擬真實土壤環境中的微塑料存在狀態，我們進一步制備了模擬土壤樣品。通過手工剪切和篩分，我們將提取的微塑料（白色與黑色）劃分為1-5毫米和0.5-1毫米兩種粒徑范圍，并混入新鮮葉子、枯萎葉子、巖石和樹枝等自然物質，以模擬復雜的野外土壤環境。所有土壤樣品在真空烘箱中80℃下干燥8小時，以去除水分，確保實驗的準確性。

二、高光譜圖像采集與數據分析

利用高光譜成像系統，我們對模擬土壤微塑料樣品進行了全面掃描，獲取了包含豐富光譜信息的高光譜圖像。圖像中，不同材料（如白色微塑料、黑色微塑料、新鮮葉子等）以不同顏色進行標記，便于后續分析。

通過對圖像上每種材料的感興趣區域（ROI）進行光譜曲線分析，我們發現新鮮葉子因富含葉綠素而在可見光區域表現出顯著的光譜特征，使得其與其他材料易于區分。相比之下，白色和黑色PE微塑料在光譜特征上存在差異，尤其是黑色PE微塑料在整個光譜范圍內反射率最低，增加了識別難度。

三、監督分類方法比較與優化

為了找到最佳的微塑料識別算法，我們采用了三種監督分類方法：多元判別分析（MD）、機器學習（ML）和支持向量機（SVM）。通過計算每種方法的精確度（P）和回收率（R），我們發現SVM算法在處理高光譜圖像時表現出更高的信噪比和更少的背景噪聲，從而顯著提升了微塑料的識別效果。

我們針對微塑料的不同粒徑（1-5毫米和0.5-1毫米）進行了分類測試。結果顯示，對于較大粒徑的微塑料，SVM算法能夠實現較高的識別精確度；而對于較小粒徑的微塑料，通過優化圖像形態學預處理（如侵蝕和膨脹操作），也顯著提升了識別效果。

四、模型驗證與擴展應用

為了驗證模型的廣泛適用性，我們收集了六種不同顏色和化學組成的家用塑料聚合物，并測試了它們在高光譜成像技術下的識別效果。結果表明，對于粒徑為1-5毫米和0.5-1毫米的六種常見微塑料，模型均表現出良好的識別能力，平均精確度和回收率均達到較高水平。特別是彩色微塑料由于其更明顯的光譜特征，識別效果尤為突出。

五、總結與展望

本研究成功地將高光譜成像技術與化學計量學算法相結合，實現了對土壤中微塑料的直接識別與可視化分布。通過比較不同監督分類方法，我們發現SVM算法在微塑料識別中具有顯著優勢。此外，研究還揭示了微塑料粒徑對識別效果的影響，并提出了相應的優化策略。

未來，我們計劃進一步擴展該技術的應用范圍，如探索不同土壤類型和環境條件對微塑料識別的影響，以及開發更加便攜、高效的高光譜成像設備，以滿足現場快速檢測的需求。同時，我們也將繼續優化算法模型，提高識別精度和穩定性，為土壤微塑料污染的監測與治理提供更加有力的技術支持。