Una revisió de 2025 documenta com els algorismes d'aprenentatge automàtic, i especialment les xarxes neuronals convolucionals, estan transformant la capacitat de detectar, identificar i quantificar microplàstics al medi ambient amb una velocitat i escala impossibles amb els mètodes tradicionals.
Un dels reptes fonamentals de la recerca en microplàstics és la detecció. Identificar i comptar partícules de mida micromètrica en mostres d'aigua, sediment o teixit biològic és lent, car i requereix personal altament especialitzat. Els mètodes tradicionals (microscòpia òptica, espectroscòpia Raman o FTIR) poden trigar hores a analitzar una sola mostra.
L'aprenentatge automàtic canvia les regles del joc. Un model entrenat pot analitzar imatges o dades espectrals en pocs segons, amb precisió comparable o superior a la d'un expert humà, i pot escalar a milers de mostres sense augmentar proporcionalment el cost.
Aquesta revisió de Frontiers in Environmental Science (2025) sintetitza els avenços en aquest camp emergent i identifica les línies de recerca més prometedores.
Advances in machine learning for the detection and characterization of microplastics in the environment
Autors: Diverses institucions internacionals
Revista: Frontiers in Environmental Science
Any: 2025
No podem resoldre un problema que no podem mesurar bé. Una de les grans limitacions de la recerca en microplàstics ha estat precisament la dificultat de comparar estudis fets amb metodologies diferents: cada laboratori usava protocols propis, i les dades eren difícilment comparables.
L'IA ofereix una via per estandarditzar i escalar la detecció. Si tots els laboratoris del món usen el mateix model entren amb el mateix conjunt de dades de referència, els resultats seran per primera vegada directament comparables, independentment del lloc o del laboratori.
A més, la velocitat que aporten els models d'IA obre la porta a un monitoratge ambiental continu que amb mètodes manuals seria econòmicament inviable. Imagina boies al mar o sensors als rius que analitzin automàticament les concentracions de microplàstics en temps real.
Reptes pendents: els models d'IA necessiten grans conjunts de dades d'entrenament etiquetades, que sovint no estan disponibles o no estan harmonitzades entre laboratoris. A més, els models entrenats en un tipus de mostra (aigüa marina) no sempre funcionen bé en altres contextos (teixit biològic, sediment). La generació de conjunts de dades públics i estandarditzats és un dels reptes principals del camp.
Una millor detecció beneficia directament els estudis de salut humana: podrem mesurar amb més precisió l'exposició individual i correlacionar-la amb outcomes clínics, cosa que avui és molt difícil.
Models de detecció d'objectes (YOLO, Faster R-CNN) entrenats per identificar partícules plàstiques en imatges microscòpiques. Ja hi ha models pre-entrenats públicament disponibles per a la comunitat científica.
Classificadors entrenats sobre espectres de referència per identificar polímers automàticament. Permeten automatitzar la fase més lenta de l'anàlisi i reduir els errors humans en la interpretació espectral.
Ús d'imatges satelit·litàries i de drons combinades amb models d'IA per detectar acumulacions de plàstic a la superfície oceànica o als rius. Permet el monitoratge a gran escala que fins ara era inviable.
Els estudis de referència sobre microplàstics, amb context metodològic.
Llegir →La guia completa: definició, mides, tipus i on es troben.
Llegir →La revisió que documenta l'abast total dels microplàstics sobre el cos humà.
Llegir →