按颜色分类的河流和湖泊中的微塑料：全球分布、驱动机制以及通过可解释的机器学习揭示的生态风险

《Journal of Environmental Chemical Engineering》：Color-Categorized Microplastics in Rivers and Lakes: Global Distribution, Driving Mechanisms, and Ecological Risks Unveiled by Interpretable Machine Learning

微塑料颜色影响光降解与微生物定殖，机器学习（MLP）结合Shapley值分析全球579个河流和257个湖泊数据，揭示城市化主导白/透明微塑料在河流，人类发展指数和农田比例驱动黑/蓝微塑料在湖泊的分布，建立颜色分类风险指数（MCARI），识别亚马逊流域高比例蓝微塑料和北美高比例白微塑料热点。

　　在当今全球环境面临严重挑战的背景下，微塑料污染已成为威胁生态系统健康的重要因素之一。微塑料（Microplastic, MP）作为一种广泛存在于水体中的污染物，其特性不仅影响其在环境中的行为，还对生态系统的整体功能产生深远影响。其中，微塑料的颜色这一特征虽然在许多研究中被忽视，但实际上对微塑料的降解路径、微生物选择性附着以及其在淡水生态系统中的命运具有关键作用。本研究通过整合多目标机器学习方法与可解释性分析工具，深入探讨了微塑料颜色分类在不同地理区域的分布规律及其对生态风险的影响。

微塑料的颜色通常由其制造过程中的添加剂、材料种类及降解状态决定。不同颜色的微塑料在自然环境中表现出不同的物理化学行为，从而影响其在水体中的迁移、积累及生态效应。例如，透明和白色微塑料由于缺乏光吸收性添加剂，容易在太阳辐射下发生快速链断裂，导致微塑料颗粒数量增加且尺寸减小；而黑色微塑料则具有一定的紫外线屏蔽能力，使其在环境中具有更长的持久性。这些差异不仅决定了微塑料在不同环境中的分布模式，还可能影响其对生态系统的潜在危害。

本研究通过收集全球范围内的579个河岸和257个湖泊的微塑料样本，结合多目标机器学习模型，分析了不同颜色微塑料的分布情况。研究中使用的数据集涵盖了13个环境和人类活动相关的变量，包括城市扩展程度、人类发展指数、耕地比例等。通过对比多目标机器学习模型（如多层感知机，MLP）与随机森林（Random Forest, RF）的预测能力，研究发现MLP在预测不同颜色微塑料的丰度方面表现更为优越，其决定系数（R2）范围为0.56–0.97，而RF的R2范围为0.48–0.89。这一结果表明，MLP更适合用于复杂多目标的全球预测任务，能够更准确地捕捉微塑料颜色分类与环境变量之间的非线性关系。

此外，本研究还通过Shapley additive explanations（SHAP）方法对模型的可解释性进行了深入分析，揭示了不同颜色微塑料在不同地理区域的分布驱动因素。例如，SHAP分析显示，城市扩展程度是影响河流中白色和透明微塑料分布的关键因素，其贡献值达到0.32；而在湖泊中，人类发展指数和耕地比例则对黑色和蓝色微塑料的积累起到主导作用，贡献值为0.28。这些发现不仅有助于理解微塑料颜色分类与环境变量之间的复杂关系，还为制定针对性的微塑料管理策略提供了科学依据。

研究还发现，全球范围内微塑料颜色分类的分布存在显著的地理差异。例如，亚马逊盆地的蓝色微塑料占比约为50%，可能与农业地膜的径流有关；而北美高原河流的白色微塑料占比超过60%，可能与城市塑料废弃物的排放密切相关。这些热点区域的识别对于理解微塑料污染的区域差异及其对生态系统的影响具有重要意义。相比之下，许多研究仅关注微塑料的总体丰度，而忽视了颜色分类在生态风险评估中的作用。本研究通过引入微塑料颜色分类的丰度风险指数（Microplastic Color-Categorized Abundance Risk Index, MCARI），量化了不同颜色微塑料对生态系统的潜在风险。MCARI不仅考虑了微塑料的总体丰度，还结合了颜色分类特定的风险权重，从而更全面地评估微塑料对生态系统的威胁。

本研究的结果表明，微塑料的颜色分类在淡水生态系统中的管理中具有不可忽视的重要性。通过将微塑料颜色纳入全球污染风险评估体系，可以更有效地识别高风险区域，并采取针对性的干预措施。此外，研究还提出了一个实用的框架，用于整合微塑料颜色信息到全球污染风险评估中，为未来的研究和管理提供了新的思路。这一框架不仅有助于提升对微塑料颜色分类相关过程的理解，还为制定更精准的污染控制策略奠定了基础。

在实际应用中，微塑料颜色分类的管理策略需要结合具体地区的环境条件和人类活动特征。例如，在城市扩展程度较高的地区，应重点关注白色和透明微塑料的来源和迁移路径；而在农业活动密集的区域，则应加强对蓝色微塑料的监测和控制。此外，研究还强调了在不同地理区域开展系统性微塑料颜色分类研究的必要性，特别是在南美洲、非洲和东南亚等主要淡水系统中，这些区域由于生态重要性和塑料输入压力较高，但目前的研究数据仍然不足，亟需进一步的调查和分析。

本研究的创新之处在于，通过机器学习方法，不仅实现了对微塑料颜色分类的全球预测，还通过SHAP方法揭示了其背后的驱动机制。这一方法的应用使得研究人员能够在复杂的多变量环境中，更准确地识别关键影响因素，并评估其对微塑料分布和生态风险的具体作用。同时，研究还提出了一个全新的风险评估框架，即MCARI，为未来的研究和政策制定提供了重要的工具。MCARI能够量化不同颜色微塑料对生态系统的潜在风险，为全球范围内的微塑料污染治理提供了更科学的依据。

此外，本研究还指出了当前微塑料研究和管理中存在的不足。首先，许多研究主要关注微塑料的总体丰度，而忽视了颜色分类在生态风险评估中的作用。其次，全球范围内的微塑料颜色分类研究仍然不足，尤其是在南美洲、非洲和东南亚等主要淡水系统中，这些区域由于生态重要性和塑料输入压力较高，但目前的研究数据仍然有限。因此，未来的研究应更加注重微塑料颜色分类的系统性分析，并结合多目标机器学习方法，提高对微塑料分布和生态风险的预测能力。

在实际应用中，微塑料颜色分类的管理策略需要结合具体地区的环境条件和人类活动特征。例如，在城市扩展程度较高的地区，应重点关注白色和透明微塑料的来源和迁移路径；而在农业活动密集的区域，则应加强对蓝色微塑料的监测和控制。此外，研究还强调了在不同地理区域开展系统性微塑料颜色分类研究的必要性，特别是在南美洲、非洲和东南亚等主要淡水系统中，这些区域由于生态重要性和塑料输入压力较高，但目前的研究数据仍然不足，亟需进一步的调查和分析。

本研究的结果表明，微塑料的颜色分类在淡水生态系统中的管理中具有不可忽视的重要性。通过将微塑料颜色纳入全球污染风险评估体系，可以更有效地识别高风险区域，并采取针对性的干预措施。此外，研究还提出了一个实用的框架，用于整合微塑料颜色信息到全球污染风险评估中，为未来的研究和管理提供了新的思路。这一框架不仅有助于提升对微塑料颜色分类相关过程的理解，还为制定更精准的污染控制策略奠定了基础。

综上所述，微塑料颜色分类不仅影响其在环境中的行为，还对生态系统的整体健康产生重要影响。本研究通过整合多目标机器学习与可解释性分析工具，揭示了微塑料颜色分类的全球分布规律及其背后的驱动机制，为微塑料污染的管理和控制提供了新的视角和方法。未来的研究应进一步拓展微塑料颜色分类的分析范围，特别是在数据较少的地区，以全面评估微塑料污染的全球影响，并为制定有效的污染控制策略提供科学支持。