结合机器学习的全球元分析评估了环境因素对土壤微生物生物量中碳和氮含量的影响

《Environmental Science & Technology》：Global Meta-Analysis Integrated with Machine Learning Assesses Context-Dependent Microplastic Effects on Soil Microbial Biomass Carbon and Nitrogen

微塑料通过改变土壤物理结构、释放添加剂及吸附养分等方式影响微生物生物量。研究表明，实验室和盆栽实验中微塑料显著增加土壤微生物碳（MBC）和氮（MBN），其中降解塑料（如PBAT）的刺激效应更显著（MBC+36.1%，MBN+67.6%）。温度对MBC和MBN的影响方向相反，高温促进MBC分解，同时抑制MBN。机器学习模型（XGBoost R2=0.62）有效捕捉了非线性关系和阈值效应，提示微塑料浓度>10 g/kg、土壤有机质中位数及温度>27℃时效应最显著。研究警示微塑料可能通过碳氮循环解耦加剧土壤退化风险。

　　微塑料（MPs）在土壤中可能以高度依赖于环境条件的方式刺激微生物生物量，这种影响可能引发分解作用，并对碳和氮循环产生深远影响。为了更全面地理解微塑料对土壤微生物生物量的效应，我们进行了全球范围内的元分析，并结合机器学习方法，整合了90项研究（共710个微生物生物量碳（MBC）观测值和354个微生物生物量氮（MBN）观测值），以量化微塑料对土壤微生物生物量的影响。研究发现，现场研究未显示出显著效应，而受控实验中微塑料显著提高了MBC和MBN，分别增加了9.6%（95%置信区间：7.2–11.9%）和10.4%（6.8–14.0%）。可生物降解塑料（如PBAT和PLA）的影响比传统聚合物（如PE、PP、PS、PVC）更为显著，达到了36.1–67.6%。温度被确认为主导因素，其对MBC的影响在较高温度下为正，而对MBN的影响则为负，这表明在变暖条件下，碳和氮循环可能产生解耦效应。机器学习模型（如XGBoost，R2 = 0.62）显著优于线性回归模型（R2 = 0.02–0.05），揭示了非线性响应和阈值效应的存在。刺激效应在中等尺寸的微塑料（30–90 μm）、高浓度（>10 g kg?1）以及具有中等肥力的土壤中最为显著，突显了微塑料对土壤碳和氮循环的环境依赖性风险。

微塑料作为土壤生态系统中的新兴污染物，其影响范围广泛且复杂。微塑料的广泛存在不仅改变了土壤的物理结构，还可能通过多种机制影响微生物的生存和活动。首先，微塑料为微生物提供了额外的附着表面，扩展了土壤的生态位空间，从而促进微生物群落的多样性与功能。其次，微塑料可能通过改变土壤的物理性质，如孔隙度、持水性和团聚体稳定性，间接影响微生物的生存环境。第三，微塑料在降解过程中释放出的添加剂和降解产物，如双酚A，可能成为有毒物质，抑制微生物的生长和代谢。最后，微塑料表面的吸附与解吸过程可能改变土壤中营养物质的可用性，进而影响微生物的活动。

尽管已有大量关于微塑料的研究，其对土壤微生物生物量的影响却存在显著的不一致性。一些研究表明，微塑料的添加对MBC和MBN没有显著影响，而另一些研究则发现微塑料显著提升了微生物生物量。例如，Su等发现MBC增加了5.5%（置信区间：0.1–11.0%），而Zhao等发现MBC增加了9.4%（2.0–16.2%），MBN增加了25.9%（10.5–43.3%），Fan等发现MBC增加了32.7%（24.6–41.3%），MBN增加了57.6%（26.0–97.4%）。这种差异可能源于微塑料特性（如聚合物类型、尺寸、浓度）、实验条件（如实验持续时间、温度）以及土壤性质（如土壤pH、有机质含量）之间的复杂相互作用。此外，大多数研究在受控条件下评估单一因素，限制了其对实际环境中多重压力因子的推广能力。

传统的元分析方法虽然在整合数据方面具有价值，但往往假设线性关系，难以捕捉高阶相互作用或阈值效应。相比之下，机器学习（ML）提供了一种互补的框架，能够整合非线性响应、高维特征空间和复杂的相互作用，而无需预先设定函数形式。近年来，机器学习在环境科学中的应用已显示出其在预测物种分布、污染物迁移和生态系统对全球变化的响应方面的潜力。这些非线性关系在生态学上至关重要，因为它们暗示了微塑料可能在某些浓度下表现出最小影响，而在达到临界阈值后迅速引发生态系统的变化，类似于其他环境系统中观察到的临界点。然而，机器学习在评估和综合微塑料对土壤生物的影响方面仍被低估。

本研究将定量元分析与机器学习算法相结合，旨在开发对微塑料影响土壤微生物生物量的预测性见解。研究的主要目标包括：（1）通过元分析量化微塑料对MBC和MBN的整体效应；（2）评估实验设置、微塑料特性及土壤性质如何调控这些效应；（3）开发和比较机器学习模型，以识别主要驱动因素及其相对重要性；（4）利用可解释的机器学习技术揭示非线性关系和交互效应。这项研究将为全面评估微塑料对土壤微生物生物量的影响提供依据，并为预测不同环境条件下的响应建立框架。

在数据收集方面，我们从Web of Science、Google Scholar和中国知网（CNKI）中全面识别了与微塑料暴露对土壤微生物生物量影响相关的所有同行评审文章和博士论文，截至2025年2月8日。使用的搜索策略包括（microplastic* OR “plastic microparticles”）AND（soil）AND（“microbial biomass carbon” OR “microbial biomass C” OR MBC OR “microbial biomass nitrogen” OR “microbial biomass N” OR MBN）。筛选合适的出版物时，采用了以下标准：（1）至少报告一个响应变量，即微生物生物量碳（MBC）或微生物生物量氮（MBN）；（2）研究设计必须包含至少一个对照组和一个处理组，若存在多个处理组，则每个处理组均需与对照组进行比较；（3）对于在多个来源中重复发表相同实验数据的研究，优先选择提供最全面信息的来源；（4）研究设计应包含至少三个重复，且每个处理组的样本量需明确；（5）报告的数据应包含均值及其对应的标准差（SD），若报告的是标准误（SE），则需将其转换为标准差（SD）。经过筛选，共提取了710个MBC和354个MBN观测值，来自全球90项研究（见附图S1和S2）。

在数据编译和分类方面，所有纳入研究的响应变量（MBC、MBN）和潜在调节变量（如实验设置、植物存在与否、氮肥施用、暴露温度、暴露持续时间、聚合物类型、微塑料类型、微塑料尺寸、微塑料浓度、土壤黏粒含量、初始土壤pH、初始SOC和初始土壤TN）均按照标准化协议提取。均值、标准差和样本量直接从文本和表格中获取，或通过GetData Graph Digitizer v2.26软件从图表中数字化。标准误（SE）转换为标准差（SD）的方式为SD = SE × √n。调节变量被分为四类，并根据数据分布和生态相关性进行分类（见表S1）。

在数据分析方面，我们采用了自然对数转换的响应比（ln(RR)）来评估微塑料暴露对土壤微生物生物量的影响，该响应比定义为处理组与对照组之间变量的比率。由于多个数据点共享相同的实验或对照设置，我们使用了方差-协方差（VC）矩阵来校正数据集内的相互依赖关系。根据Lajeunesse的方法，在比较实验组A和B与共同对照组C的分析中，VC矩阵的构建采用方程2（见方程2）。

当95%置信区间（CI）不包含零时，微塑料暴露对响应变量的影响被认为是统计显著的。相反，如果置信区间包含零，则影响被认为是不显著的。为了简化解释，我们通过公式将加权响应比（RR++）和相应的95%置信区间转换为百分比变化：效应大小（%） = [exp(RR++) – 1] × 100。

为了确保元分析结果的稳定性和可信度，我们进行了敏感性分析，以检测研究特定的影响。使用“metafor”包在R（v4.3.3）中进行了留一法（leave-one-out）分析，以评估发表偏倚。首先，我们构建了效应大小与精确度的散点图（funnel plot），以可视化效应大小的分布。随后，应用Egger’s回归测试来统计评估散点图的不对称性，其中显著的不对称性表明存在潜在的发表偏倚。结果（见表S2和图S3）显示，效应大小在散点图中分布均衡，支持了没有系统性偏倚的结论。此外，为了评估我们的结果对潜在发表偏倚的稳健性，我们应用了trim-and-fill方法（trimfill函数），以估计未发表或被遗漏的研究数量，并相应调整效应大小，从而提高元分析结论的有效性。全面的敏感性分析结果，包括这些调整，详见支持信息（见图S4）。

在机器学习分析方面，我们实施了五种机器学习算法：增强回归树（BRT）、极端梯度提升（XGBoost）、随机森林（RF）、多层感知机（MLP）和支持向量机（SVM）。模型使用R中的“gbm”（v2.1.8）、“xgboost”（v1.7.3）、“randomForest”（v4.7.1）、“neuralnet”（v1.44.2）和“e1071”（v1.7.13）包进行开发。在建模之前，我们筛选了数据的完整性，并对缺失值进行了插补（使用“mice”包v3.14.0）。我们排除了缺失值超过20%的变量，并保留了710个MBC和354个MBN观测值用于建模（详见支持信息）。

在建模之前，我们通过方差膨胀因子（VIF）评估了预测变量之间的多重共线性，并保留了VIF < 5的变量。数据按研究进行分层随机抽样，比例为80%用于训练，20%用于测试。模型超参数通过10折交叉验证与网格搜索进行优化：BRT的树复杂度（3–7）、学习率（0.001–0.01）、袋外比例（0.5–0.75）；XGBoost的最大深度（3–8）、eta（0.01–0.3）、subsample（0.5–1）；RF的mtry（3–10）、ntree（500–2000）、nodesize（5–20）；SVM和MLP的参数则根据模型表现进行调整。模型性能通过决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）在测试数据集上进行评估。机器学习模型的验证细节详见支持信息。

在模型解释和统计分析方面，我们通过相对影响（平方改进的总和）、增益重要性（分割平均增益）和置换重要性（准确性下降）量化了变量的重要性。SHAP（SHapley Additive exPlanations）值通过“shapr”包v0.2.2计算，以确定特征对预测的贡献和方向性。简而言之，SHAP值展示了哪些因素对预测有最强的影响，以及这些因素是增加还是减少微生物响应。部分依赖图（partial dependence plots）则揭示了各因素对预测结果的影响范围。

部分依赖图（1D和2D）可视化了预测变量对微生物生物量响应的边际和交互效应。相关网络分析显示了预测变量与响应之间的复杂相互作用（见图6a）。ln RRMBC与ln RRMBN之间存在强正相关（r = 0.64，p < 0.001）。环境参数表现出不同程度的关联性：暴露温度与两者均呈正相关（r > 0.4），而土壤pH则呈负相关。回归分析进一步确认了关键预测变量与微生物响应之间的非线性关系（见图6c、d）。微塑料浓度与ln RRMBC之间的关系（R2 = 0.05）在超过23 g kg?1后表现出递减效应。土壤黏粒含量与ln RRMBC之间表现出阈值效应，即黏粒含量低于20%时影响较小，而超过20%后影响逐渐增强。初始土壤总氮（ISTN）与初始土壤有机碳（ISOC）之间的交互作用对土壤微生物生物量产生了协同效应。

部分依赖图进一步揭示了关键预测变量与土壤微生物生物量响应之间的非线性模式和交互效应（见图7）。暴露温度对MBC的影响在约30°C时达到最大值，而对MBN的影响则在15–20°C时最为显著。微塑料尺寸与两者均呈U型关系，即在中等尺寸（30–90 μm）时影响最大，而小尺寸（<30 μm）和大尺寸（>90 μm）的微塑料则对两者影响不显著。二维部分依赖图揭示了显著的交互效应（见图7m、n）：暴露温度对MBC的影响在结合优化微塑料浓度（5–10 g kg?1）和中间土壤氮含量（0.7–1.5 g kg?1）时被放大，而微塑料尺寸对MBN的影响则受到土壤氮含量的调控。颜色梯度代表预测效应的大小，暖色（红色）表示较强的正效应，冷色（蓝色）表示负效应。等高线表示在0.1 ln(RR)间隔下的等响应曲线。所有图均来自XGBoost模型。

结构方程模型（SEM）显示良好的拟合度（χ2 = 14.53，p = 0.09，CFI = 0.99，RMSEA = 0.06），并解释了ln RRMBC和ln RRMBN中约21%和11%的方差（见图8a）。实验温度在SEM中显示出最强的标准化总效应（0.45，见图8b），其次是微塑料浓度（0.07）。通过土壤性质的间接效应，约30%的总实验条件效应被解释。橙色和绿色箭头分别表示显著的正负关系（p < 0.05），箭头厚度与系数大小成比例。R2值表示方差解释的比例。

研究结果显示，微塑料通常会促进土壤微生物生物量，平均增加MBC 9.6%和MBN 10.4%。这一发现挑战了传统将微塑料主要视为生态毒理学因素的观点，并与微塑料作为微生物基质或全球变化因素的新兴证据相一致。刺激效应部分可以通过多种机制解释。首先，微塑料提供了广泛的可附着表面，通过生物膜形成创造新的生态位，扩展了土壤的有效栖息地。其次，可生物降解聚合物如PBAT和PLA可作为直接的碳源，促进异养微生物的生长。第三，微塑料可能通过影响土壤物理性质，如在粗质地土壤中增加孔隙度和持水性，间接增强微生物活动。此外，在存在植物的情况下，由于土壤物理改善，植物生长增强，从而增加根系碳输入，进一步提高微生物的底物可用性。然而，微塑料效应的高变异性（置信区间范围从-31%到+99%）表明，微塑料的影响高度依赖于环境条件，而不是普遍有益或有害。这种异质性要求我们超越简单的剂量-反应模型，转向理解放大或缓解微塑料影响的环境条件。

实验条件对微塑料影响土壤微生物生物量的效应有显著影响。现场研究对MBC和MBN均无显著影响，而受控实验（如盆栽实验和实验室培养）则表现出更强的响应：盆栽实验中MBC增加了14.3%（p < 0.01），实验室培养中MBN增加了21.5%（p < 0.01）。进一步分析显示，植物存在与否对MBC影响不显著，但对MBN有显著影响，仅在无植物存在时MBN显著增加（21.5%）。氮肥施用强烈调控微塑料的影响，未施用氮肥时，微塑料增加了MBC 16.8%（p < 0.01）和MBN 23.5%（p < 0.01），而在施用氮肥的情况下，微塑料对MBC和MBN均无显著影响。温度是调控微塑料对土壤微生物生物量影响的最关键因素，微塑料对MBC的影响随暴露温度升高而增强，在温度超过27°C时显著增加（41.8%）。相反，微塑料对MBN的影响随温度升高而减弱，在温度低于25°C时显著增加（52.8%）。暴露时间对MBC的影响呈现非单调模式，实验持续时间为30–60天时MBC的效应最大（17.4%），而在时间短于30天或长于60天的实验中，效应不显著。MBN的效应则不受暴露时间的影响。

微塑料的特性对土壤微生物生物量有显著影响。在可生物降解聚合物中，PBAT对MBC和MBN的影响最大，分别增加了36.1%和67.6%（p < 0.01），而PLA仅对MBC有显著影响（44.6%，p < 0.01）。传统聚合物通常对MBC和MBN的影响不显著。微塑料尺寸对土壤微生物生物量的影响表现出不同的模式，中等尺寸（30–90 μm）的微塑料显著增加了MBC，而大尺寸（>90 μm）的微塑料则显著降低了MBN。这可能反映了表面积可用性与土壤结构物理破坏之间的权衡。中等尺寸的微塑料可能代表了一个“恰到好处”的范围，既能提供足够的表面积供微生物附着，又能保持有利的孔隙连通性和水分分布。相比之下，非常小的微塑料（<30 μm）可能通过聚集或堵塞微孔，减少其有效表面积并限制氧气扩散；甚至更小的纳米级微塑料可能主要通过直接细胞毒性起作用。大尺寸的微塑料可能对氮循环微生物群落特别有害，尤其是通过物理破坏真菌菌丝网络，这些网络在氮的固定和转移中起关键作用。因此，MBN对大尺寸微塑料的高敏感性可能反映了真菌在土壤氮循环中的主导地位及其对物理干扰的脆弱性。

土壤性质对微塑料与微生物的相互作用有显著调控作用。微塑料在高黏土含量土壤（>40%黏土）和中等黏土含量土壤（10–40%黏土）中对MBC有显著影响，分别增加了39.2%和13.2%。这表明土壤性质对微塑料与微生物的相互作用有重要影响。黏土土壤可能通过（1）增强微塑料及其降解产物在有机-矿物复合体中的保留；（2）维持黏土-微塑料团聚体中的最佳湿度条件，支持微生物活动；（3）在黏土主导的孔隙中增加微塑料与微生物的接触。微塑料对土壤微生物生物量的影响在中等SOC（10–20 g kg?1）和ISTN（0.7–1.5 g kg?1）土壤中最为显著，这与生态学理论预测的资源添加在资源可用性适中的情况下产生最强响应一致。在贫瘠土壤中，微生物群落可能因能量限制而无法对微塑料做出反应，而在富营养土壤中，微塑料提供的额外碳对微生物活动的边际效益有限。这种模式表明，微塑料可能在肥力适中的农业土壤中产生最大影响，而这正是塑料输入最集中的区域。

机器学习揭示了微塑料影响土壤微生物生物量的隐藏复杂性。相较于传统线性方法（R2 = 0.02–0.05），机器学习模型（如XGBoost，R2 = 0.59–0.62）表现出更强的预测能力，表明在环境数据中容纳非线性关系的重要性。关键见解包括：（i）温度、ISTN和微塑料浓度被识别为跨模型的主要驱动因素，提供了它们的重要性证据；（ii）大多数预测变量表现出非单调效应，而非线性模式；（iii）检测到显著的交互作用，尤其是温度与土壤养分之间的交互。然而，结构方程模型（SEM）解释的方差相对较低（MBC为21%，MBN为12%），表明仍有许多未测量的因素可能影响结果。这些关键缺失变量包括微生物群落组成和多样性、微塑料的风化状态和表面化学、植物功能类型和根系分泌物组成，以及介导聚合物降解的土壤酶活性。SHAP分析在机制解释方面特别有价值，例如揭示了微塑料浓度效应在超过50 g kg?1时趋于稳定，这一信息对实验设计和风险评估至关重要。机器学习模型的可解释性解决了生态学应用中对“黑箱”算法的常见批评。尽管机器学习模型能够识别强预测关系并揭示重要模式，但它们不能建立因果关系。因此，需要进行受控实验来验证这些相关模式所暗示的因果机制。

我们的研究结果也对土壤健康和碳循环提出了重要启示。尽管增加的微生物生物量可能带来一定的益处，但结果表明，微塑料污染可能引发碳循环的增强，进而导致土壤有机质分解和二氧化碳排放的增加。全球土壤中约有1500 Pg的有机碳，即使分解速率的微小增加也可能对大气二氧化碳浓度产生显著影响。微塑料对MBC和MBN的温度响应存在分歧，这表明在变暖条件下，微塑料可能解耦碳和氮循环。这种解耦可能导致植物生长的氮限制，即使碳供应充足，从而根本改变生态系统的化学计量学。微塑料对碳和氮循环的解耦在机器学习和元分析中均表现出较强的稳定性，表明温度可能是主导这一过程的关键因素，可能覆盖其他因素的有益影响。

尽管可生物降解微塑料因其环境友好性而受到推崇，但研究结果表明它们对土壤微生物群落的影响最为强烈，达到了50–68%的增加。尽管它们被设计为可降解，但它们对土壤微生物的快速影响引发了对潜在后果的担忧。降解过程中释放的碳脉冲可能引发原生土壤有机质的分解，导致净碳损失，这可能超过传统不可降解塑料引起的碳损失。因此，尽管可生物降解微塑料在短期内可能对土壤微生物产生积极影响，但其长期影响仍需进一步研究。

研究结果还指出了未来研究的方向。为了弥合实验室与现场研究之间的差距并提高生态相关性，我们建议：（1）将实验微塑料浓度标准化为环境水平（0.01–1.0 g kg?1），高浓度处理保留用于机制研究；（2）进行多季节现场研究，以捕捉微生物响应的时空动态和季节变化；（3）开发覆盖环境相关至效应阈值的剂量-反应曲线，以建立无效应水平。这些研究方向将有助于更全面地理解微塑料对土壤生态系统的影响，并为制定相应的管理策略提供科学依据。