Aprendizado de máquina aplicado à identificação de microplásticos no oceano utilizando espectroscopia de infravermelho - FTIR

Abstract

Polímeros são materiais cada vez mais amplamente utilizados em uma enorme diversidade de aplicações, desde componentes industriais a objetos de consumo diário, especialmente embalagens. Sua produção, proveniente majoritariamente de fontes fósseis atingiu 350 milhões de toneladas em 2017, representando um crescimento de 40% em relação à 2009. Além de ser um produto gerador de gases de efeito estufa, contribuindo para o aquecimento global do planeta, seu descarte tem produzido grandes quantidades de resíduos, os quais não são adequadamente geridos: acumulam na natureza, degradam-se em microplásticos e afetam negativamente os ecossistemas. O estudo e caracterização de microplásticos têm importância fundamental para melhor compreender a procedência, o destino e os impactos desse poluente na natureza. Entretanto, o processo de análise convencional por busca por similaridade em bibliotecas espectrais e análise visual de um expert é laborioso e pouco preciso, reduzindo a quantidade e qualidade de informações disponíveis. Este trabalho visa aplicar ferramentas de inteligência artificial, mais notadamente de aprendizado de máquina, para análise dos dados de Espectroscopia no Infravermelhos com Transformada de Fourier (FTIR), com o intuito de classificar polímeros de maneira mais rápida e com maior confiabilidade. Os dados utilizados para desenvolvimento dos modelos são resultados de coletas e análises de FTIR feitas pelo veleiro de pesquisa Francês Tara em diversas posições geográficas no Mar Mediterrâneo, durante os meses de maio e novembro de 2014. A partir desses dados, disponibilizados na nuvem de computadores, foram gerados 24 modelos de classificação e os mesmos foram comparados por uma medida de acurácia da sua capacidade em prever 13 classes de polímeros. O classificador Random Forest aplicado aos dados pré-processados por t-SNE foi o que resultou numa melhor capacidade preditiva. Entretanto, a vantagem foi pouco significativa em relação a outras metodologias avaliadas.

Abstract: Polymers are materials increasingly used in a wide variety of applications, from industrial components to objects of daily consumption, especially packaging. Its production, mostly from fossil sources, reached 350 million tons in 2017, representing a 40% growth compared to 2009. In addition to being a product that generates greenhouse gases, contributing to the global warming of the planet, its disposal has produced large quantities of waste, which are not properly managed: they accumulate in nature, degrade in microplastics and negatively affect ecosystems. The study and characterization of microplastics is of fundamental importance to better understand the source, destination and impacts of this pollutant on nature. However, the conventional analysis process by looking for similarity in spectral libraries and visual analysis by an expert is laborious and imprecise, reducing the quantity and quality of information available. This work aims to apply artificial intelligence tools, most notably machine learning, in the analysis of infrared spectroscopy (FTIR) data from marine microplastic samples in order to classify polymers more quickly and with greater reliability. The data used to develop the models are the result of FTIR collections and analysis carried out by the French research sailboat Tara in different geographical positions in the Mediterranean Sea during the months of May and November 2014. 24 classification models were generated and their ability to predict 13 classes of polymers were assessed and compared using a measure of accuracy. The Random Forest classifier applied to the data pre-processed by t-SNE was the one that resulted in a better predictive capacity. However, the advantage was not significant in relation to other evaluated methodologies.