DISTRIBUSI UKURAN PARTIKEL
BAB 6 IDENTIFIKASI DAN KUANTIFIKASI
E. Spektroskopi Inframerah Dan Raman
4. Metode Pencitraan Kimia Otomatis Untuk Analisis MP
organisme hidup (Ghosal et al., 2018; Galloway et al., 2017; Cole et al., 2013).
4. Metode Pencitraan Kimia Otomatis Untuk Analisis
masalah ini, analisis otomatis diperlukan dan ada beberapa metode yang diusulkan untuk tujuan ini.
Strategi untuk mengaktifkan akuisisi data dengan cepat
Pencitraan FTIR berbasis FPA memungkinkan akuisisi cepat, namun waktu analisis masih cukup tinggi (10,75 jam) untuk ukuran filter dengan diameter 11 mm (Loder et al., 2015). Oleh karena itu, tidak disarankan untuk analisis rutin. Solusi didasarkan pada pemetaan titik- demi-titik di mana seluruh bagian filter dianalisis dengan mengumpulkan spektrum pada titik-titik berbeda di sepanjang kisi dengan bantuan tahap bermotor yang memindahkan sampel sedikit demi sedikit. Sayangnya, pendekatan ini juga lambat, seperti yang ditunjukkan oleh Kappler et al. (2017a) yang menerapkan pemetaan point-by point-Raman tanpa pra-seleksi dan membutuhkan waktu sekitar 38 jam untuk mengambil gambar 1 mm2 filter sampel dengan ukuran langkah 10 µm dan waktu pemaparan 10 detik. Lebih buruk lagi, sebagian besar waktu pemindaian/scanning akan terbuang percuma untuk mengukur spektrum filter itu sendiri dengan pengambilan sampel grid, sementara partikel yang lebih kecil dari ukuran langkah berisiko diabaikan.
Untuk mempromosikan analisis otomatis, penting untuk mendapatkan informasi tentang lokasi setiap partikel. Berdasarkan pengalaman praktis kami dalam pencitraan kimia, kami menyarankan dua pendekatan
yang mungkin untuk menentukan koordinat partikel:
(1) menganalisis montase gambar (atau mosaik), yang merupakan gambar cahaya putih yang dikumpulkan dari kamera mikroskop dengan montase di atas wilayah pemetaan yang ditentukan; dan (2) menjalankan pra- pindai (pra-scanning) cepat dengan waktu integrasi singkat dan resolusi spektral rendah. Pentingnya citra cahaya
putih mikroskopis untuk tujuan analisis telah lama diabaikan meskipun cepat dikumpulkan dan berisi informasi spasial yang berharga. Baru-baru ini, Oßmann et al. (2018) menggunakan gambar montase yang diperoleh dari instrumen pencitraan Raman yang kemudian dianalisis dengan perangkat lunak Particle Finder Module (Particle )LQGHU 3HUDQJNDW OXQDN LQL \DQJ NRPSDWLEHO dengan spektrometer Raman, memungkinkan lokasi otomatis, ukuran dan karakterisasi bentuk. Namun, perangkat lunak ini membutuhkan kamera video resolusi spasial tinggi dan sistem fokus otomatis. Salah satu contoh mosaik gambar yang dikumpulkan dari sistem Pencitraan Nicolet iN10 MX oleh Thermo Scientifc (Madison, WI, USA) dan montase gambar dari sistem spektroskopi Mikro-Raman In Via (Renishaw, Wotton- under-Edge, Gloucestershire, UK) ditampilkan pada Gambar 6.10. Partikel yang tidak diketahui dengan ukuran berbeda diekstraksi dari sampel sedimen dan dipindai pada jaring logam dengan ukuran pori 45 µm. Mosaik citra instrumen FTIR diperoleh dengan ukuran apertur 100 µmx100 µm dan ukuran langkah 100 µm x 100 µm, sedangkan montase citra instrumen Raman dikumpulkan di bawah mikroskop obyektif 10 x. Seperti yang ditunjukkan, mosaik gambar FTIR menyajikan resolusi yang lebih rendah dibandingkan dengan montase Raman.
Dapat juga diamati bahwa substrat tidak sepenuhnya rata, sehingga sulit untuk memfokuskan pada keseluruhan gambar, seperti yang terlihat jelas dari area yang diburamkan di kiri atas montase Raman. Diperlukan pengembangan lebih lanjut dari sistem fokus otomatis.
Solusi lain adalah dengan menerapkan metode analisis gambar lanjutan, misalnya, pembelajaran mesin, untuk deteksi objek pada montase gambar. Dengan cara ini, informasi spasial yang berkaitan dengan sifat morfologi, misalnya, bentuk dan ukuran dalam kaitannya dengan
koordinat, dapat diperoleh dari analisis montase, berdasarkan informasi kimiawi mana yang dapat diperoleh dengan mengumpulkan spektrum di tempat-tempat menarik. Adapun pendekatan kedua, pemindaian cepat digunakan untuk menentukan secara kasar di mana partikel berada. Kemudian, spektrum resolusi yang lebih tinggi dapat dikumpulkan hanya pada tempat-tempat tertentu yang menarik. Prosedur ini lebih efisien waktu daripada pemetaan penuh. Bergantung pada parameter yang dipilih, kinerja yang lebih baik dari penempatan partikel dapat dicapai dengan biaya lebih banyak waktu dibandingkan dengan pendekatan pertama dalam menggunakan montase.
Tantangan dan pandangan
Meskipun analisis otomatis untuk deteksi MP adalah arah penelitian masa depan yang menjanjikan, sejumlah kendala tetap ada. Pipa otomatis membutuhkan partikel yang terkonsentrasi ke filter setelah proses laboratorium seperti pemisahan kepadatan dan pemurnian. Substrat filter sampel yang baik untuk FTIR dan Raman harus menghasilkan sinyal latar belakang yang rendah, menahan partikel di tempatnya, memiliki ukuran pori yang wajar untuk memungkinkan filtrasi sampel berair dan seefektif mungkin biaya. Disarankan bahwa substrat filter silikon harus menjadi pilihan yang baik untuk FTIR dan Raman.
Kappler et al., (2016) merekomendasikan substrat filter silikon dengan ukuran pori 10 µm untuk identifikasi MP untuk transmisi FTIR dan Raman karena keuntungan, yaitu: menawarkan stabilitas mekanis yang baik dan memungkinkan filtrasi sampel air karena lubangnya yang terdefinisi dengan baik. Substrat filter silikon juga menjamin transparansi yang memadai untuk wilayah inframerah tengah yang luas 4000-600 cm-1. Dalam istilah Raman, substrat filter silikon tidak menunjukkan
fluoresensi dan pita getarannya sendiri tidak mengganggu spektrum polimer.
Tantangan lain terletak pada kurangnya penelitian tentang perubahan spektral selama preparasi sampel, pelapukan kimiawi, penuaan alami, dan proses biokimia, yang semuanya berpotensi untuk mengubah fitur spektral.
Laporan sebelumnya menunjukkan bahwa radiasi ultraviolet, oksidasi termal, dan kelembapan dapat mengubah struktur kimia MP melalui reaksi oksidasi.
Namun, perubahan spektral selama proses ini tidak sepenuhnya dipahami dan tidak pernah mudah untuk memantau dan memprediksi perubahan ini.
Gambar 6.10 Mozaik partikel dari FTIR dan montase dari instrumen Raman
(Xu et al., 2019)
Perhatian utama lainnya adalah penggunaan perangkat lunak pencocokan perpustakaan sebagai langkah terakhir dari rutinitas otomatis, yang biasanya melibatkan perbandingan spektrum partikel yang dibuat khusus dan / atau perpustakaan komersial. Ini adalah proses langsung yang tidak memerlukan operator ahli spektroskopi FTIR atau Raman. Namun, ini memiliki banyak kelemahan nyata yang tidak boleh diabaikan. Kemungkinan
pencocokan yang berhasil sangat bergantung pada kelengkapan perpustakaan spektral dan kekuatan algoritme pencocokan. Banyak pustaka komersial yang berbeda dari vendor yang berbeda digunakan untuk analisis MP, sangat menghambat komparabilitas antara studi yang berbeda. Saat ini, tidak ada satu pun perpustakaan komersial yang cukup luas untuk menjamin tingkat keberhasilan yang luas (Araujo et al., 2018). Lebih buruk lagi, perpustakaan komersial dan perpustakaan yang dibuat khusus hanya menyertakan spektrum dari plastik yang tidak terkena degradasi lingkungan.
Faktanya, plastik yang sama dapat memberikan fitur spektral yang bervariasi tergantung pada struktur molekul dan karakteristik konformasi: misalnya, bahan polietilen kristal dan amorf menunjukkan fitur spektral yang berbeda. Seperti disebutkan sebelumnya, jenis plastik yang sama akan menghadirkan perubahan spektral setelah menunjukkan interaksi dengan lingkungan laut sekitarnya selama fragmentasi dan reagen kimia yang digunakan dalam langkah pemurnian. Dalam konteks ini, kami ingin menekankan perlunya penelitian lebih lanjut tentang perubahan spektral pada skala waktu degradasi di lingkungan dan pemurnian di laboratorium dan lebih banyak pekerjaan untuk membangun perpustakaan spektral yang secara khusus disesuaikan dengan analisis mikroplastik dengan mengumpulkan spektrum plastik pada kondisi yang berbeda (mis., kepadatan, warna, penuaan, lingkungan).
Kami menganjurkan untuk penelitian lebih lanjut tentang pengembangan metodologi untuk analisis data pencitraan kimia. Metode analisis data tingkat lanjut, misalnya, pra-pemrosesan spektral, kemometrik, dan pembelajaran mesin, harus dieksplorasi untuk mengungkap wawasan yang berarti dalam data pencitraan spektral masif. Faktanya, plastik yang berbeda dengan
berbagai bentuk, ukuran dan warna mungkin ada dalam sampel lingkungan yang dikumpulkan yang sama, sehingga perlu untuk menerapkan koreksi spasial lokal selama pra-pemrosesan spektral. Misalnya, dua partikel yang berasal dari jenis plastik yang sama tetapi memiliki warna yang berbeda cenderung memiliki latar belakang fluoresensi yang berbeda untuk spektrum Raman. Oleh karena itu, koreksi dasar (misalnya, kuadrat terkecil berbobot dan kuadrat terkecil asimetris) harus diterapkan secara lokal agar sesuai dengan mikroplastik individu.
Untuk mengidentifikasi partikel yang tidak diketahui, algoritma pencarian database biasanya digunakan untuk membuat perbandingan antara spektrum yang tidak diketahui dan setiap spektrum dalam database referensi.
Berbagai algoritme, misalnya, jarak Euclidean dan korelasi Pearson, dapat digunakan untuk membuat indeks kualitas, yang merupakan ukuran seberapa baik spektrum kueri dibandingkan dengan setiap spektrum referensi.
Meskipun pencarian database dapat dianggap sebagai metode perintis dalam bidang ini, analisis rutin di masa mendatang akan memerlukan pendekatan yang lebih cepat dan akurat karena permintaan keluaran pasti akan meningkat. Kami percaya bahwa klasifikasi berbasis model berpotensi menjadi alternatif yang baik untuk secara otomatis mengidentifikasi setiap spektrum piksel tanpa campur tangan manusia. Baru-baru ini, Hufnagl &
Lohninger (2019) mempresentasikan metodologi yang memungkinkan diskriminasi antara jenis polimer yang berbeda dengan menerapkan klasifikasi hutan keputusan acak pada gambar FTIR dari partikel yang terkonsentrasi pada filter membran. Penelitian ini membuat sampel yang ditingkatkan secara artifisial di mana MP yang dipilih dari berbagai ukuran ditambahkan ke sampel plankton air tawar sebagai matriks sebelum penyaringan. Model klasifikasi dikembangkan dengan menggunakan empat
polimer referensi yang diambil dari kedua dataset yang disempurnakan secara artifisial dan dari dua matriks lingkungan. Strategi klasifikasi hierarki, yang melibatkan pengorganisasian kelas secara hierarkis, membuat pohon kategori dan memanfaatkan informasi tentang hubungan di antara mereka, juga harus dipertimbangkan untuk identifikasi mikroplastik di masa depan karena struktur hierarki yang melekat dalam identifikasi mikroplastik.
Selain itu, kami sangat merekomendasikan penghitungan rasio MP ke non-MP untuk setiap sampel sebagai hasil dari analisis otomatis. Rasio ini akan sangat bergantung pada matriks sampel dan prosedur persiapannya. Ini dapat digunakan untuk membandingkan prosedur persiapan dan parameter pemindaian yang berbeda, misalnya, sumber laser, waktu perolehan. Menemukan rasio ini juga dapat membantu meningkatkan studi toksikologi karena konsentrasi MP lingkungan belum ditentukan (Anger et al., 2018).
F. Spektrometri Massa Kromatografi Gas Pirolisis (Py-