微塑料污染对作物光合作用的抑制效应及全球产量损失预测模型研究

本研究针对微塑料(MPs)污染对作物光合作用的影响机制，通过整合3286组实验数据构建元分析-机器学习耦合模型，首次实现全球尺度净初级生产力损失量化评估。研究人员创新性地建立可更新框架，揭示微塑料粒径(<10μm)关键数据缺口，为农业环境污染治理提供动态预警工具。

　　

针对Brandes等学者提出的质疑，研究团队系统回应了关于微塑料(microplastics, MPs)与光合作用关联模型的构建逻辑。该研究通过整合3286组最新观测数据，创新性地将元分析(meta-analysis)与机器学习技术结合，首次实现对全球净初级生产力(net primary productivity, NPP)损失的初步评估。

针对实验数据来源的争议，研究指出41%的陆地数据点来自土壤栽培植物，远高于质疑方所述比例。团队采用Egger's检验、Begg's检验及Q统计量等概率元分析方法，构建效应值的后验预测分布模型，并将不确定性传递至全球尺度评估（原文Text S3）。尽管当前全球土壤塑料污染数据存在稀疏性（浓度范围1.3-2.6×10⁷ particles/kg，粒径30μm-4.8mm），但机器学习验证结果与元分析效应值高度吻合，强化了全球作物损失估算（原图2B）的可信度。

研究特别强调对超细微塑料(<10μm)监测缺口的关注，为此设计可动态更新的评估框架（原SI Appendix图S11）。该模型允许整合新兴田间数据，尤其注重长期农学实证研究，通过红色虚线框标注的数据输入端口持续优化预测精度。针对"零塑料"基线不可实现的现实困境，研究采用梯度暴露评估法，以当前污染水平为参照系提供保守损失估计。

最终，该框架的核心价值在于将碎片化的塑料污染研究转化为可扩展的作物损失评估体系。通过公开数据集和方法论，邀请全球科研力量协同完善模型，为塑料时代下的粮食安全预警提供持续进化的科学工具。