数据稀缺背景下基于深度学习的海洋微塑料多情景分布模拟研究

针对海洋微塑料(MP)观测数据稀缺和时空异质性难题，本研究创新性提出结合Few-Shot Learning (FSL)与Transformer架构的CGMAT深度学习框架，通过台湾海峡和挪威近海多源异构数据融合，揭示了经济干预强度、环境延迟响应和地理屏障三大驱动机制，预测2030年前后两地MP浓度将分别达312-376 particles/m3和15-53 particles/m3，为全球海洋MP治理提供了可迁移的智能分析范式。

　　

海洋微塑料污染已成为21世纪最严峻的环境挑战之一。过去60年间，全球塑料产量激增导致大量塑料废弃物进入海洋环境，经物理化学作用降解形成的微塑料颗粒（MP，粒径<5mm）已遍布从近岸到远洋的各个角落。这些微小颗粒不仅威胁海洋生物生存，更可能通过食物链富集危害人类健康。然而，由于海洋系统的复杂性和监测技术限制，MP分布数据存在严重碎片化问题——采样成本高昂导致时间序列断裂，环境异质性造成空间覆盖不全，这使得传统数值模型在预测MP长期趋势时面临巨大不确定性，尤其对挪威峡湾等偏远海域的模拟误差可达200%以上。

针对这一科学难题，海南大学（Science and Technology Special Fund of Hainan Province资助）领衔的研究团队在《Water Research》发表突破性成果。研究人员创造性地将小样本学习（Few-Shot Learning, FSL）与Transformer-Free Decoder (TF-D)架构深度融合，构建了名为CGMAT的跨域多图注意力网络。该框架通过台湾海峡（72%为200-500μm碎片）和挪威近海（以纤维为主）的异构数据训练，首次实现了在数据稀缺条件下的高精度MP分布预测，其解释方差得分（EVS）达0.91，平均绝对百分比误差（MAPE）仅0.18%。

关键技术路径包含三大创新点：（1）FSL-Generator模块通过跨域知识迁移增强源域特征，解决小样本建模难题；（2）TF-D模块采用局部-全局混合注意力机制，同步捕捉MP扩散的短时脉冲（如台风扰动）和长程输运（如洋流作用）；（3）引入SHAP可解释性分析，量化经济政策（如塑料禁令）、环境滞后效应（如降解周期）和地理阻隔（如海峡地形）的贡献度。

研究结果揭示：

1. MP分布驱动机制：通过多尺度特征融合发现，MP时空动态受三重耦合机制控制——经济干预强度（贡献度42%）、延迟环境响应（31%）和地理屏障（27%）。台湾海峡因半封闭地形导致大颗粒滞留，而挪威沿岸受北大西洋暖流影响呈现纤维长距离迁移特征。

2. 2030年峰值预测：多情景模拟显示，台湾海峡MP浓度将在2030年达312-376 particles/m³的警戒水平，较2021年增长170%；挪威海岸因政策干预较早，峰值延迟至2031年且浓度低一个数量级（15-53 particles/m³）。

3. 后峰值稳态：模型捕捉到2040年后两地MP浓度平台期，证实减排政策与环境自净能力的协同效应——每增加10%的污水处理厂升级可使海峡MP通量降低19±3%。

这项研究的意义在于：首次将FSL策略引入海洋污染物建模领域，CGMAT框架的跨域适应能力使其在数据缺失地区（如北极）仍保持85%以上预测精度。所揭示的"经济-环境-地理"三元驱动理论为《全球塑料条约》的差异化管控提供了科学依据，例如针对海峡型海域应重点监控陆源输入，而开阔海岸需加强跨国洋流协同治理。论文建立的MP智能预警系统已部署于中国海洋监测203号科考船，未来可扩展至极地等观测空白区，实现全球海洋塑料污染的"数字孪生"。