综述：土壤中微（纳米）塑料的检测技术、人工智能应用及未来挑战

本综述系统探讨了土壤中微纳米塑料（MNPs）的检测全流程，涵盖采样、前处理、检测与量化技术，重点评述了光谱法（如FTIR、Raman）和热分析-质谱联用技术（如Py-GC/MS）的优劣，并强调了人工智能（AI）在自动化识别与分类中的突破性应用，为土壤MNPs污染评估与风险管理提供关键方法学支持。

　　

采样与前处理技术

土壤中微纳米塑料（MNPs）的检测需克服复杂基质的干扰，标准化采样与前处理流程是保证数据可靠性的基础。采样需考虑空间异质性，常采用网格法或随机多点混合取样。前处理包括干燥、筛分、密度分离（如使用NaI溶液）和有机质去除（如H₂O₂氧化或酶消化）。例如，联合氧化消化（30% H₂O₂与芬顿试剂）、酶解（纤维素酶、脂肪酶和蛋白酶）及两步密度分离（超纯水与NaI）可显著提高MNPs回收率并减少杂质干扰。

检测方法进展

检测技术依粒径与分析需求而异：

• •
  显微成像技术：光学显微镜适用于>100 μm颗粒形态观察，但分辨率有限；扫描电子显微镜（SEM）和透射电子显微镜（TEM）可解析纳米级形貌，但化学分析能力不足。
• •
  光谱技术：微傅里叶变换红外光谱（μ-FTIR）和拉曼光谱是主流化学鉴定方法，可实现单颗粒分子结构分析。表面增强拉曼光谱（SERS）进一步将空间分辨率提升至100 nm，适用于纳米塑料（NPs）识别。
• •
  热分析-质谱联用：如热解-气相色谱-质谱（Py-GC/MS）通过分析特征热解产物实现聚合物定性定量，尤其适用于高度分散的NPs。
• •
  人工智能辅助突破：深度学习（如卷积神经网络CNN）自动化处理显微图像与光谱数据，减少主观误差；机器学习算法提取FTIR与Raman光谱特征，实现高通量MNPs分类与识别，显著提升分析效率与准确性。

量化策略与标准化挑战

MNPs量化分为颗粒计数与质量测量两种策略：

• •
  颗粒计数：基于显微或光谱技术，适用于浓度较高的样品，但受限于小颗粒检测能力。
• •
  质量测量：如Py-GC/MS可直接获取质量浓度，更适合低浓度或纳米级颗粒。
  当前挑战在于缺乏标准化流程导致数据可比性差，未来需建立颗粒-质量转换模型，并优化检测限与分辨率。

未来展望

需优先开发标准化全流程协议，减少污染与损失；拓展AI在多模态数据融合中的应用；推动从污染评估向生态风险预警与健康暴露管理的跨越。同时，应加强纳米级塑料的毒理学研究，明确其迁移机制与生物效应。

结论

土壤MNPs检测技术正从传统方法向智能化、高通量方向演进，多技术联用与AI融合是未来趋势。通过方法学创新与标准化，可为土壤塑料污染治理提供科学基础。