Tall Trees and Small Plastics. Using Random Forest Classification to Identify Microplastic Pollution in Surface Soil Samples

Abstract

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.

Microplastics are small plastic particles which are a result of fragmentation of bigger plastic items or they were intentionally added to products. Microplastic pollution is abundant and ubiquitous in our environment. Yet, there is no standardized method to detect microplastics in different environmental samples.This thesis aims to build a classifier that identifies 20 different microplastics in soil samples taken from agricultural soil. Collection of the samples and their purification and measurement via micro-FTIR spectroscopy was carried out by a biology team at the University of Bayreuth. The measurement results included one microscopic image and about one million IR spectra per sample. Each spectrum showed intensities at 609 different wavenumbers. To process the immense amount of data the software ImageLab (©Epina GmbH) was used. Random Forest Classification was the machine learning technique of choice for the purpose of this research. The following thesis describes the process of creating a classifier for soil samples. In addition, it answers the question whether soil samples can also be classified using an already existing surface water sample Random Forest Classifier which had previously been created by a team at the Technical University of Vienna. The final classifier for soil fulfills all requirements.Using this classifier, it is now possible to examine an agricultural field’s microplastic level before and after fertilization, allowing conclusions about microplastic pollution of different fertilizers and distribution of microplastics in the environment through said fertilizers.