机器学习放大微塑料生态风险研究的局限性与政策启示

本研究针对Zhu等学者利用机器学习放大实验室结果评估全球微塑料污染对农作物减产影响的结论提出质疑。来自环境科学领域的研究人员通过系统分析指出该研究存在方法学偏差、数据透明度不足和模型逻辑缺陷三大问题，强调当前将微观实验数据外推至宏观政策制定仍缺乏科学严谨性。

　　

Zhu等人曾估算微塑料(MP)和纳米塑料(NP)污染导致主要农作物年产量损失达4.11%-13.52%，这一警示性结论引发媒体广泛报道。然而本研究基于专业视角，对将实验室结果直接关联全球饥饿问题的科学性提出三重质疑。

首先指出机器学习模型存在方法学偏差。元分析所涉研究中，高达89%的数据来自水培条件下幼苗暴露于高浓度原始MP/NP的实验，仅11%数据源于土壤栽培的成熟作物。这种数据构成难以真实反映田间条件下作物产量受水分、养分、微生物互作等复杂因素的影响，更忽略了自然环境中MP/NP的老化效应和实际浓度。

其次揭露全球塑料污染数据的未公开问题。Zhu研究未明确说明其全球土壤MP污染数据来源，而现有科学界对土壤MP分布认知十分有限。特别值得注意的是，环境MP浓度检测结果受分析方法影响显著，且关于<10微米级MP及NP的实地数据几乎空白。研究强调唯有建立大规模污染数据集，才能实现可靠的全球效应评估。

最后剖析模型逻辑的根本缺陷。该研究以当前生产力为基础估算减产，但未设置"零塑料"参照系，导致无法真实评估MP/NP污染的净影响。尽管简单模型有助于理解污染水平，但研究团队强调必须明确声明其局限性。当前将塑料污染与全球饥饿直接关联的叙事虽具传播力，却缺乏科学完整性。

研究者呼吁建立从控制实验到田间试验的完整研究体系，建议持续发表包括阴性结果在内的增量发现，以扎实推动这一新兴领域发展。如图1所示，需要突破的三大关键环节包括：完善MP/NP与植物互作机制认知、构建全球污染数据库、建立科学的参照系模型。