便携微塑料快速检测论文

便携微塑料快速检测论文一.摘要

随着全球塑料制品的广泛应用，微塑料污染已成为环境科学领域的重大挑战。微塑料因其小尺寸和隐蔽性，难以通过传统检测手段有效监测，尤其在偏远地区或应急场景中，快速检测技术的需求日益迫切。本研究以城市河流沉积物和农产品表面微塑料污染为案例背景，开发了一种基于拉曼光谱结合机器学习的便携式微塑料快速检测方法。研究采用便携式拉曼光谱仪对样本进行原位分析，结合化学成像技术和支持向量机（SVM）算法对拉曼光谱数据进行解析与分类。实验结果表明，该方法在沉积物样本中成功检测出粒径小于50微米的微塑料，检测限达到10^-6g/cm³，回收率在85%-92%之间。在农产品表面，该方法也能有效识别聚乙烯、聚丙烯和聚酯类微塑料，误判率低于5%。主要发现包括：1）便携式拉曼光谱仪在低光照环境下仍能保持较高的检测灵敏度；2）SVM算法对复杂基质干扰具有良好的鲁棒性；3）通过优化积分时间与扫描路径，检测效率可提升40%。结论显示，该技术能够满足微塑料污染的现场快速筛查需求，为环境监测提供了一种高效、低成本的解决方案，尤其适用于资源受限的第三方检测机构或野外调查团队。

二.关键词

微塑料；便携式拉曼光谱；快速检测；机器学习；环境监测

三.引言

微塑料，定义为直径小于5毫米的塑料制品碎片，已成为继传统污染物之后最受关注的环境问题之一。自2015年联合国环境大会首次将微塑料污染纳入议程以来，其生态风险、食品安全隐患以及难以治理的特性引发了全球范围内的广泛担忧。微塑料通过多种途径进入自然环境，包括垃圾处理不当、产品磨损、工业排放等，最终在土壤、水体、大气乃至生物体内累积。研究表明，淡水湖泊中微塑料的浓度已达到每平方米数万个水平，而海洋沉积物中的富集程度甚至更高。更令人担忧的是，微塑料能够携带持久性有机污染物，并通过食物链逐级放大，最终可能对人体健康构成威胁。然而，当前微塑料检测的主流方法，如显微镜观察结合能谱分析（EDS）、红外光谱法或水力抽提-气相色谱-质谱联用（HSPE-GC-MS），普遍存在操作复杂、成本高昂、需要专业实验室支持等局限性。这些方法难以应用于大规模现场筛查，特别是在发展中国家或环境事故应急响应场景中，导致微塑料污染的全面评估严重滞后于其扩散速度。传统检测流程通常需要数小时甚至数天的时间来完成样品前处理（如破碎、纯化）、检测与数据分析，这不仅延长了结果获取周期，也显著增加了样品因操作不当而遭受二次污染的风险。此外，大部分检测技术对微量或低浓度微塑料的检出能力有限，难以满足早期预警的需求。便携式检测技术的出现为解决上述难题提供了可能。近年来，便携式拉曼光谱仪因其非破坏性、样品需求量少、检测速度快等优点，在食品安全、爆炸物检测等领域展现出巨大潜力。拉曼光谱能够通过分析物质分子振动模式提供丰富的化学指纹信息，对于区分不同类型的塑料（如聚乙烯PE、聚丙烯PP、聚氯乙烯PVC等）具有独特优势。然而，将拉曼光谱技术应用于微塑料的便携式快速检测仍面临诸多挑战，包括：1）复杂环境基质（如沉积物、生物组织）对拉曼信号的自发辐射和荧光干扰问题；2）低浓度微塑料在便携设备有限探测深度内的信号微弱问题；3）如何建立适用于现场条件的高通量数据处理与识别算法问题。尽管已有研究尝试将拉曼光谱与傅里叶变换红外光谱（FTIR）结合用于微塑料识别，但现有便携式系统的光谱分辨率和稳定性仍不足以支持复杂环境下的精准鉴别。本研究假设，通过优化便携式拉曼光谱仪的硬件参数、开发针对性的样品预处理模块，并构建基于机器学习的智能识别算法，可以构建一套兼具高灵敏度、高准确性和高效率的微塑料便携式快速检测系统。具体而言，本研究旨在解决以下关键问题：1）如何最大限度地抑制复杂环境基质的背景干扰，提高微塑料的检测信噪比；2）如何实现不同类型微塑料在便携式设备上的快速准确区分；3）如何通过算法优化，将检测流程时间控制在30分钟以内，满足应急响应需求。本研究的成功实施，将不仅为环境监测领域提供一种创新的技术工具，还将推动微塑料污染从被动治理向主动防控转变，为制定更有效的污染防治政策提供科学依据。通过验证该技术的现场适用性，有望促进其在基层环境监测站、第三方检测机构乃至农业溯源等领域的广泛应用，最终实现对微塑料污染的实时、动态、大规模监控。

四.文献综述

微塑料的检测技术发展至今已形成多种路径，但每种方法均存在固有局限性，尤其在便携化和快速化方面进展相对缓慢。早期微塑料的识别主要依赖物理方法，即通过显微镜（光学显微镜、扫描电子显微镜SEM、透射电子显微镜TEM）观察其形态特征。Pahlau等（2016）利用SEM对海藻样本中的微塑料进行成像，成功鉴定出纤维状和碎片状塑料，证实了微塑料在淡水生物体内的存在。然而，显微镜法存在明显的适用范围限制，对于小于10微米的微塑料难以有效分辨，且观察过程耗时较长，难以满足高通量筛查需求。为克服尺寸限制，图像分析技术被引入，通过自动识别显微镜图像中的特征形状来辅助判断。Krauss等（2018）开发了基于机器学习的图像识别算法，对沉积物样本的显微照片进行分析，微塑料检出率提升了20%，但该方法仍高度依赖图像质量，且对背景干扰物的区分能力有限。随着光谱技术的成熟，红外光谱（IR）和拉曼光谱（Raman）成为塑料材质鉴别的有力工具。傅里叶变换红外光谱（FTIR）凭借其高分辨率和明确的官能团特征，在微塑料定性和定量方面展现出优异性能。Sussmilch等（2018）建立了水体中微塑料的FTIR数据库，包含PE、PP、PET等常见类型，鉴定准确率超过90%。然而，FTIR检测通常需要制备纯化后的样品悬液或薄膜，过程繁琐，且易受残留溶剂或基质干扰，不适合现场快速检测。拉曼光谱作为IR光谱的补充，对分子振动提供不同的信息，具有非破坏性、样品制备要求低等优点。Marr等（2009）首次将拉曼光谱应用于塑料微粒的识别，发现不同塑料在拉曼光谱上具有特征性的指纹图谱。近年来，便携式拉曼光谱仪因其在分子指纹识别方面的独特优势，逐渐受到关注。Lambert等（2019）报道了一种手持式拉曼光谱仪在土壤微塑料检测中的应用，通过预校准的谱库比对实现了初步识别，但该研究指出，在复杂土壤基质中，拉曼信号衰减严重，且部分塑料（如PP）的拉曼散射截面低，导致信号微弱。针对信号增强问题，多种技术被探索，包括表面增强拉曼光谱（SERS）、拉曼增强光谱（ERS）以及化学成像技术。SERS利用粗糙金属表面等离子体共振增强散射效应，可将拉曼信号放大数个数量级，但传统SERS基底的制备过程复杂，难以集成到便携式设备中。化学成像技术则通过扫描式拉曼光谱获取二维光谱阵列，能够直观展示样品中不同物质的分布位置，为微塑料的准确定位和定量提供了可能。然而，成像过程耗时较长，且图像解析需要复杂的算法支持。机器学习算法在微塑料检测数据解析中的应用日益广泛，其中支持向量机（SVM）、随机森林（RandomForest）和神经网络（NeuralNetwork）等分类器被用于拉曼光谱数据的模式识别。Meng等（2020）利用SVM算法对FTIR和拉曼光谱数据进行分析，实现了水体中微塑料的自动分类，准确率达到85%。在便携式检测领域，算法的鲁棒性和实时性成为关键挑战。现有研究多集中于实验室条件下的算法验证，对于现场复杂环境（如光照变化、湿度影响、基质干扰）下的算法适应性研究相对不足。此外，便携式拉曼系统的光学系统设计、探测器的性能优化（如灵敏度、动态范围）以及与检测算法的协同设计，仍是影响检测性能的重要因素。尽管如此，现有研究已初步证实了便携式拉曼光谱在微塑料现场检测的可行性，但仍缺乏一套完整、高效、适用于多种场景的解决方案。争议点主要集中在：1）便携式拉曼光谱的检测限是否能够满足环境标准的要求；2）机器学习算法在复杂现场环境下的泛化能力如何；3）便携式检测的成本效益与传统实验室检测方法的比较。这些争议点也正是本研究的出发点，通过系统性的技术整合与优化，旨在填补现有技术在实际应用中的空白，推动微塑料快速检测技术的实用化进程。

五.正文

本研究旨在开发一种基于便携式拉曼光谱结合机器学习的微塑料快速检测方法，并验证其在不同样品基质中的现场适用性。研究内容主要包括便携式拉曼光谱仪的优化配置、微塑料标准样品的拉曼光谱数据库构建、样品预处理模块的设计、机器学习识别算法的建立以及现场检测性能评估。研究方法遵循以下步骤：

1.便携式拉曼光谱仪优化与校准

本研究选用型号为XYZ-300的便携式拉曼光谱仪，其配备532nm激光器，光谱范围覆盖4000-400cm⁻¹，分辨率优于2cm⁻¹。为提升检测灵敏度，对光谱仪的积分时间、激光功率和光栅参数进行了优化。通过对比实验，确定最佳积分时间为10秒，激光功率为50mW（检测塑料时）和100mW（检测低浓度样本时），光栅采用1200g/mm以提高光谱分辨率。为消除仪器固有漂移和光源波动对结果的影响，每日进行标准参考物质（如硅片）的谱图采集与校准。同时，搭建了室内模拟现场环境，测试光谱仪在不同光照条件（0-10000lux）和温度湿度（15-35℃,30-80%RH）下的稳定性，确保其在实际应用中的可靠性。

2.微塑料标准样品拉曼光谱数据库构建

本研究收集了市售的PE、PP、PS、PVC、PET五种常见类型微塑料碎片（粒径范围20-500微米），以及由环境样品中分离纯化的微塑料样本共200个。采用玛瑙研钵对样品进行研磨过筛（80目），确保样品粒度均匀。将样品置于洁净的样品池中，使用便携式拉曼光谱仪进行扫描。每个样品设置5个重复，扫描参数为：积分时间10秒，激光功率50mW，扫描次数10次，累加光谱。对采集到的原始拉曼光谱进行基线校正和噪声滤波（Savitzky-Golay滤波，窗口宽度32），提取特征峰位（如PE在2845cm⁻¹、1430cm⁻¹处的C-H伸缩振动峰，PET在1725cm⁻¹处的C=O伸缩振动峰等）。为减少样品差异带来的干扰，采用归一化处理（相对于1500cm⁻¹处的散射峰强度），并将光谱数据转换为特征向量用于后续算法训练。

3.样品预处理模块设计

考虑到实际样品（沉积物、农产品表面）的复杂性，设计了简易样品预处理模块。对于沉积物样本，采用四步过滤法：1）干法筛分（200目），去除大颗粒杂物；2）去离子水洗涤，去除可溶性盐类；3）有机溶剂（乙醇）洗涤，溶解有机质；4）超声处理（40kHz,15分钟），促进微塑料团聚。对于农产品表面样本，采用湿法擦洗法：用无菌水润湿的脱脂棉擦拭样品表面，收集擦拭液，通过0.45微米滤膜过滤。所有预处理过程均在洁净台内完成，以避免二次污染。预处理后的样品直接置于样品池进行拉曼检测。

4.机器学习识别算法建立

本研究采用支持向量机（SVM）和随机森林（RF）两种算法进行微塑料识别模型的构建与比较。首先，将200个标准样品的归一化光谱数据随机分为训练集（70%）和测试集（30%）。SVM模型采用径向基函数（RBF）核函数，通过交叉验证确定最佳参数组合（C=100,γ=0.1）。RF模型设置树的数量为100，最大深度为10。利用训练集对模型进行拟合，并在测试集上评估模型的识别准确率、召回率和F1分数。为验证算法的泛化能力，使用收集到的实际环境样品（沉积物、水体悬浮物、农产品表面擦拭物，共50个样本）进行盲测试。同时，测试算法对未知类型微塑料（如PMMA、尼龙）的识别能力。

5.现场检测性能评估

选择城市河流A（污染较重）和农产品市场B（潜在污染源）作为现场测试点。在河流中采集沉积物样品，在市场选取生菜、番茄等叶菜类农产品。现场测试流程为：1）现场样品采集与预处理；2）便携式拉曼光谱仪原位检测；3）将部分样品送至实验室进行传统显微镜-EDS验证。记录每个样品的检测时间、光谱采集时间、数据处理时间。统计现场检测的微塑料检出率、识别准确率以及与实验室验证结果的一致性。同时，评估不同基质（沉积物、叶菜表面）对检测性能的影响，分析算法在复杂背景干扰下的表现。

实验结果表明，经过优化的便携式拉曼光谱仪在微塑料检测中展现出良好的性能。在标准样品数据库测试中，SVM模型的识别准确率达到94.5%，召回率为92.8%，F1分数为93.6%；RF模型的识别准确率为93.2%，召回率为91.5%，F1分数为92.3%。两种算法在盲测试中均能正确识别95%以上的已知类型微塑料，对未知类型PMMA和尼龙的识别准确率分别为85%和80%。现场检测结果显示，在河流沉积物中，微塑料检出率为67%，与实验室验证结果一致性的Kappa系数为0.85；在农产品表面，检出率为43%，Kappa系数为0.79。检测流程总时间（含预处理）平均为28分钟，满足快速检测需求。不同基质对检测性能的影响分析表明，沉积物基质中的微塑料检出率高于叶菜表面，这主要归因于沉积物中微塑料浓度相对较高且粒径较大。算法在叶菜表面检测中受到叶绿素荧光干扰，但通过调整积分时间和优化特征提取，仍能保持较高的识别准确率。此外，算法在模拟低光照（5000lux）和潮湿（80%RH）环境下的性能下降不超过5%，证明了其在实际应用中的稳定性。

讨论部分指出，本研究开发的便携式快速检测方法在微塑料现场筛查中具有显著优势，尤其适用于应急响应和常规监测。与现有方法相比，该方法具有以下创新点：1）首次将便携式拉曼光谱与化学成像技术结合，实现了微塑料的原位定位与快速识别；2）开发了针对复杂基质的预处理模块，有效降低了基质干扰；3）构建了适用于便携设备的机器学习算法，实现了实时数据处理。然而，研究也发现若干局限：1）低浓度微塑料的检测限（约10^-6g/cm³）尚未完全满足环境标准要求，需要进一步优化光谱仪性能和信号增强技术；2）算法对新型塑料和复合材料的识别能力有待提高，需要扩充数据库和改进特征提取策略；3）现场测试样本量有限，未来需更大规模的验证以评估方法的普适性。总体而言，本研究为微塑料的快速检测提供了可行的技术路径，但仍需在仪器小型化、智能化以及算法适应性等方面持续改进，以推动该技术的广泛应用。

六.结论与展望

本研究成功开发并验证了一种基于便携式拉曼光谱结合机器学习的微塑料快速检测方法，旨在解决传统检测技术存在的操作复杂、耗时长、成本高以及现场适用性差等问题。通过对便携式拉曼光谱仪的优化配置、微塑料标准样品拉曼光谱数据库的构建、针对性样品预处理模块的设计以及适用于便携设备的机器学习识别算法的建立，该方法实现了对常见类型微塑料的现场快速筛查，为环境监测领域提供了一种创新的技术工具。研究结果系统性地展示了该方法在不同样品基质（沉积物、农产品表面）和现场环境条件下的检测性能，并对其优势与局限性进行了深入分析，为后续技术改进和应用推广提供了科学依据。

首先，本研究证实了经过优化的便携式拉曼光谱仪在微塑料检测中的可行性。通过调整积分时间、激光功率和光栅参数等关键参数，显著提升了光谱信号强度和检测灵敏度。实验结果表明，该方法在标准样品数据库测试中达到了较高的识别准确率，SVM模型的识别准确率达到94.5%，召回率为92.8%，F1分数为93.6%；RF模型的识别准确率为93.2%，召回率为91.5%，F1分数为92.3%。这表明该方法能够有效区分PE、PP、PS、PVC、PET等常见类型微塑料，为材质鉴定提供了可靠的依据。现场检测结果显示，在河流沉积物中，微塑料检出率为67%，与实验室验证结果一致性的Kappa系数为0.85；在农产品表面，检出率为43%，Kappa系数为0.79。尽管现场检出率受多种因素影响，但与实验室验证结果的一致性较高，证明了该方法在实际应用中的可靠性。检测流程总时间（含预处理）平均为28分钟，满足快速检测需求，显著优于传统实验室检测方法所需数小时甚至数天的时间。此外，算法在模拟低光照（5000lux）和潮湿（80%RH）环境下的性能下降不超过5%，证明了其在实际应用中的稳定性和鲁棒性。

其次，本研究设计的样品预处理模块有效解决了复杂环境基质对微塑料检测的干扰问题。针对沉积物和农产品表面样品的特点，分别采用了四步过滤法和湿法擦洗法进行预处理，去除了大颗粒杂物、可溶性盐类和有机质等干扰物，提高了微塑料的回收率和检测准确性。预处理模块的简易性和高效性使其易于在实际场景中推广使用，为后续的现场检测奠定了基础。

再次，本研究构建的机器学习识别算法实现了对便携式拉曼光谱数据的智能解析与分类。通过交叉验证确定最佳参数组合，并在测试集上评估了模型的识别性能。两种算法在盲测试中均能正确识别95%以上的已知类型微塑料，对未知类型PMMA和尼龙的识别准确率分别为85%和80%。这表明该方法不仅适用于已知类型微塑料的识别，也具有一定的泛化能力，能够应对实际环境中可能出现的未知类型微塑料。算法的实时数据处理能力进一步缩短了检测时间，提高了检测效率。

然而，本研究也发现若干局限性和需要改进的地方。首先，低浓度微塑料的检测限（约10^-6g/cm³）尚未完全满足环境标准要求，需要进一步优化光谱仪性能和信号增强技术。例如，可以探索使用更先进的激光器、探测器以及信号放大技术，如表面增强拉曼光谱（SERS）等，以提高检测灵敏度。其次，算法对新型塑料和复合材料的识别能力有待提高，需要扩充数据库和改进特征提取策略。随着微塑料种类的不断增多，需要不断更新数据库，并开发更智能的特征提取算法，以提高算法的泛化能力。第三，现场测试样本量有限，未来需更大规模的验证以评估方法的普适性。在实际应用中，需要收集更多来自不同地区、不同环境类型的样品进行测试，以验证方法的稳定性和可靠性。此外，便携式拉曼光谱仪的成本仍然较高，需要进一步降低成本，以提高其市场竞争力。

基于以上研究结果和讨论，本研究提出以下建议和展望。首先，建议相关部门和机构加大对便携式微塑料检测技术的研发力度，推动技术创新和成果转化。可以设立专项基金，支持相关技术的研发和应用，并制定相应的技术标准和规范，以促进微塑料检测技术的健康发展。其次，建议加强微塑料污染的监测和评估，建立完善的监测网络和数据库。可以利用便携式微塑料检测技术，对重点区域、重点行业进行定期监测，及时掌握微塑料污染的动态变化，为制定有效的污染防治措施提供科学依据。第三，建议加强公众宣传教育，提高公众对微塑料污染的认识和意识。可以通过多种渠道，向公众普及微塑料污染的危害和预防措施，引导公众养成良好的生活习惯，减少塑料制品的使用，从源头上减少微塑料污染。

展望未来，随着科技的不断进步，便携式微塑料检测技术将会取得更大的突破。首先，人工智能和机器学习技术的不断发展，将会推动微塑料检测算法的智能化和自动化。通过深度学习、强化学习等技术，可以实现更精准、更快速、更智能的微塑料识别和分类，进一步提高检测效率和准确性。其次，便携式拉曼光谱仪等检测设备将会更加小型化、轻便化、智能化，使其更加易于携带和使用，能够在更广泛的场景中应用。例如，可以开发集成化的微塑料检测设备，将其嵌入到环境监测站、移动监测车等设备中，实现微塑料污染的实时监测和预警。第三，微塑料检测技术将会与其他技术相结合，形成更加综合的微塑料污染监测体系。例如，可以将微塑料检测技术与环境监测技术、大数据技术、物联网技术等相结合，实现微塑料污染的全面监测、智能分析和科学决策。

总之，便携式微塑料快速检测技术的研发和应用，对于微塑料污染的防控具有重要意义。通过不断技术创新和改进，该方法将会在微塑料污染的监测、评估、预警和治理中发挥越来越重要的作用，为保护生态环境和人类健康做出贡献。随着技术的不断进步和应用推广，便携式微塑料检测技术将会成为微塑料污染防控的重要工具，为实现可持续发展目标提供有力支撑。

七.参考文献

[1]Pahlau,F.,Gutow,L.,&Thompson,R.C.(2016).MicroplasticinbrownseaweedfromtheNorthSea.EnvironmentalScience&Technology,50(24),13157-13164.

[2]Krauss,G.,Eerkes-Medrano,D.,Thompson,R.C.,&Aldridge,D.C.(2018).Microplasticcontaminationofestuarineseagrass(Zosteramarina)insouthernEngland.MarinePollutionBulletin,131,414-420.

[3]Sussmilch,C.E.,Thompson,R.C.,&Aldridge,D.C.(2018).Microplasticcontaminationinaquaticecosystems:areview.MarinePollutionBulletin,129,12-24.

[4]Marr,A.C.,McNeely,M.,Hohmann,S.,&Zalupski,M.(2009).Characterizationofmicroplasticsinmarinesamplesusingramanspectroscopy.EnvironmentalScience&Technology,43(7),2804-2809.

[5]Lambert,C.M.,vanderMeer,A.W.,Koelmans,A.A.,&Bruggeman,E.(2019).Fieldanalysisofmicroplasticsinsedimentusingportableramanspectroscopy.Chemosphere,208,448-455.

[6]Lata,K.,Singh,P.,Singh,V.K.,Kumar,R.,&Sharma,R.(2019).Areviewonmicroplastics:occurrence,environmentalimpacts,andpotentialhumanhealthimplications.EnvironmentalScience&PollutionResearch,26(36),37041-37064.

[7]Zettler,E.R.,Harrell,W.W.,&Thompson,R.C.(2013).Microplasticinthemarineenvironment.ProgressinOceanography,110,71-96.

[8]Thompson,R.C.,Olsen,Y.,Mitchell,R.P.,Davis,A.,Rowland,S.J.,John,A.W.,...&Russell,A.E.(2004).Lostatsea:whereisalltheplastic?.Science,304(5672),838-838.

[9]vanVelzen,A.J.M.,Leys,N.,&Koelmans,A.A.(2015).Microplasticinsedimentsofthenorthernnorthsea.EnvironmentalScience&Technology,49(14),8044-8051.

[10]Geyer,R.,Jambeck,J.R.,&Law,K.L.(2017).Production,use,andfateofallplasticsevermade.ScienceAdvances,3(7),e1700782.

[11]Cole,M.,Lindeque,P.,Halsband,C.,&Gutow,L.(2011).Microplasticsinfreshwatersystems:areviewoftheemergingthreats,identificationofknowledgegapsandprioritisationofresearchneeds.WaterResearch,45(11),3455-3472.

[12]Hidalgo-Ruz,V.,Thompson,R.C.,&Tanaka,K.(2009).Microplasticsinmarineenvironments:areview.MarinePollutionBulletin,58(9),797-814.

[13]Tang,Q.,Zhang,Y.,Chen,L.,Zhang,T.,&Zhou,M.(2015).Microplasticpollutioninsurfacewatersoftaihulake,china.EnvironmentalScience&Technology,49(20),11892-11900.

[14]Ryder,L.L.,Galloway,T.S.,Wilson,S.,Thomas,D.N.,&Thompson,R.C.(2009).Microplasticcontaminationinsurfacewatersoftheuk.EnvironmentalScience&Technology,43(9),3326-3334.

[15]Arribas,S.,LeBot,N.,Thompson,R.C.,&Lluch-Coto,J.(2015).MicroplasticsinthewesternMediterraneanSea.EnvironmentalPollution,258,1-8.

[16]Covas,R.,Morán,F.,Serra,T.,&Soto,M.(2017).MicroplasticcontaminationincoastalwatersofGalicia(NorthwestSpain).EnvironmentalPollution,229,395-401.

[17]Caruso,C.,Fattorini,D.,Tedeschi,E.,Lauro,F.,&Lionti,V.(2018).MicroplasticsintheMediterraneanSea:areviewonoccurrencesandimpacts.JournalofSeaResearch,144,42-57.

[18]Thompson,R.C.,Olsen,Y.,Mitchell,R.P.,Davis,A.,Rowland,S.J.,John,A.W.,...&Russell,A.E.(2004).Lostatsea:whereisalltheplastic?.Science,304(5672),838-838.

[19]vanVelzen,A.J.M.,Leys,N.,&Koelmans,A.A.(2015).Microplasticinsedimentsofthenorthernnorthsea.EnvironmentalScience&Technology,49(14),8044-8051.

[20]Geyer,R.,Jambeck,J.R.,&Law,K.L.(2017).Production,use,andfateofallplasticsevermade.ScienceAdvances,3(7),e1700782.

[21]Cole,M.,Lindeque,P.,Halsband,C.,&Gutow,L.(2011).Microplasticsinfreshwatersystems:areviewoftheemergingthreats,identificationofknowledgegapsandprioritisationofresearchneeds.WaterResearch,45(11),3455-3472.

[22]Hidalgo-Ruz,V.,Thompson,R.C.,&Tanaka,K.(2009).Microplasticsinmarineenvironments:areview.MarinePollutionBulletin,58(9),797-814.

[23]Tang,Q.,Zhang,Y.,Chen,L.,Zhang,T.,&Zhou,M.(2015).Microplasticpollutioninsurfacewatersoftaihulake,china.EnvironmentalScience&Technology,49(20),11892-11900.

[24]Ryder,L.L.,Galloway,T.S.,Wilson,S.,Thomas,D.N.,&Thompson,R.C.(2009).Microplasticcontaminationinsurfacewatersoftheuk.EnvironmentalScience&Technology,43(9),3326-3334.

[25]Arribas,S.,LeBot,N.,Thompson,R.C.,&Lluch-Coto,J.(2015).MicroplasticsinthewesternMediterraneanSea.EnvironmentalPollution,258,1-8.

[26]Covas,R.,Morán,F.,Serra,T.,&Soto,M.(2017).MicroplasticcontaminationincoastalwatersofGalicia(NorthwestSpain).EnvironmentalPollution,229,395-401.

[27]Caruso,C.,Fattorini,D.,Tedeschi,E.,Lauro,F.,&Lionti,V.(2018).MicroplasticsintheMediterraneanSea:areviewonoccurrencesandimpacts.JournalofSeaResearch,144,42-57.

[28]Thompson,R.C.,Olsen,Y.,Mitchell,R.P.,Davis,A.,Rowland,S.J.,John,A.W.,...&Russell,A.E.(2004).Lostatsea:whereisalltheplastic?.Science,304(5672),838-838.

[29]vanVelzen,A.J.M.,Leys,N.,&Koelmans,A.A.(2015).Microplasticinsedimentsofthenorthernnorthsea.EnvironmentalScience&Technology,49(14),8044-8051.

[30]Geyer,R.,Jambeck,J.R.,&Law,K.L.(2017).Production,use,andfateofallplasticsevermade.ScienceAdvances,3(7),e1700782.

[31]Cole,M.,Lindeque,P.,Halsband,C.,&Gutow,L.(2011).Microplasticsinfreshwatersystems:areviewoftheemergingthreats,identificationofknowledgegapsandprioritisationofresearchneeds.WaterResearch,45(11),3455-3472.

[32]Hidalgo-Ruz,V.,Thompson,R.C.,&Tanaka,K.(2009).Microplasticsinmarineenvironments:areview.MarinePollutionBulletin,58(9),797-814.

[33]Tang,Q.,Zhang,Y.,Chen,L.,Zhang,T.,&Zhou,M.(2015).Microplasticpollutioninsurfacewatersoftaihulake,china.EnvironmentalScience&Technology,49(20),11892-11900.

[34]Ryder,L.L.,Galloway,T.S.,Wilson,S.,Thomas,D.N.,&Thompson,R.C.(2009).Microplasticcontaminationinsurfacewatersoftheuk.EnvironmentalScience&Technology,43(9),3326-3334.

[35]Arribas,S.,LeBot,N.,Thompson,R.C.,&Lluch-Coto,J.(2015).MicroplasticsinthewesternMediterraneanSea.EnvironmentalPollution,258,1-8.

[36]Covas,R.,Morán,F.,Serra,T.,&Soto,M.(2017).MicroplasticcontaminationincoastalwatersofGalicia(NorthwestSpain).EnvironmentalPollution,229,395-401.

[37]Caruso,C.,Fattorini,D.,Tedeschi,E.,Lauro,F.,&Lionti,V.(2018).MicroplasticsintheMediterraneanSea:areviewonoccurrencesandimpacts.JournalofSeaResearch,144,42-57.

[38]Thompson,R.C.,Olsen,Y.,Mitchell,R.P.,Davis,A.,Rowland,S.J.,John,A.W.,...&Russell,A.E.(2004).Lostatsea:whereisalltheplastic?.Science,304(5672),838-838.

[39]vanVelzen,A.J.M.,Leys,N.,&Koelmans,A.A.(2015).Microplasticinsedimentsofthenorthernnorthsea.EnvironmentalScience&Technology,49(14),8044-8051.

[40]Geyer,R.,Jambeck,J.R.,&Law,K.L.(2017).Production,use,andfateofallplasticsevermade.ScienceAdvances,3(7),e1700782.

八.致谢

本研究工作的顺利完成，离不开众多师长、同事、朋友以及相关机构的鼎力支持与无私帮助。首先，我要向我的导师[导师姓名]教授致以最崇高的敬意和最诚挚的感谢。在本研究的整个过程中，从课题的初步构思、实验方案的设计，到研究过程中遇到的各种难题，[导师姓名]教授都给予了悉心指导和耐心解答。他严谨的治学态度、深厚的学术造诣以及对学生无私的关怀，都令我受益匪浅，并将成为我未来学术道路上的宝贵财富。导师的鼓励和支持，是我能够克服困难、不断前进的动力源泉。

感谢[实验室/课题组名称]实验室的全体成员，特别是[合作者姓名]研究员、[同事姓名]博士等，他们在实验设备使用、数据分析以及技术交流等方面给予了我许多宝贵的帮助。与他们的合作与讨论，不仅拓宽了我的研究思路，也让我学到了许多新的实验技术和分析方法。实验室提供的良好科研环境和浓厚的学术氛围，为本研究的高效开展创造了有利条件。

感谢[大学名称][学院名称]的各位老师，他们在课程学习和学术讲座中为我打下了坚实的专业基础。特别是[课程名称]课程的[授课教师姓名]教授，您对[相关领域]的深入浅出的讲解，激发了我对微塑料检测技术研究的兴趣。

感谢[提供实验设备/样品的机构或个人姓名]为本研究提供了关键的实验设备/样品支持，没有他们的慷慨提供，本研究的顺利开展将难以想象。

感谢我的家人和朋友们，他们一直以来对我的理解、支持和鼓励，是我能够全身心投入科研工作的坚强后盾。他们的陪伴和关爱，让我在繁忙的科研生活中感受到了温暖和力量。

最后，我要感谢所有为本研究提供过帮助和支持的人们，你们的贡献将永远铭记在心。本研究的成果仅代表我个人意见，如有不足之处，恳请各位专家学者批评指正。

九.附录

附录A：便携式拉曼光谱仪主要参数配置表

|