《Journal of Hazardous Materials》：Leveraging machine learning for microplastic detection, global distribution analysis, and management
编辑推荐：
本文综述了人工智能与机器学习技术在微塑料污染检测、分类及管理中的应用，分析了传统方法的局限性，并探讨了国际污染案例（如印度、中国、美国）及数据挑战，提出未来需加强多区域协作与算法优化。
作者：Sheetal Kumari、Prabhat Kumar Patel、Manish Kumar、Hao Yi Cheng
哈尔滨工业大学深圳学院生态与环境学院，中国深圳518055
摘要
微塑料（MPs）在水生和陆地环境中广泛存在，这要求我们采取更有效的检测、表征、监测和管理方法。研究人员通过将人工智能（AI）与拉曼光谱（RS）、傅里叶变换红外光谱（FTIR）、图像处理（IP）和高光谱成像（HSI）等分析技术相结合，显著提高了微塑料检测的效率、准确性和可扩展性。印度、中国和美国被认为是全球微塑料污染的主要来源国。印度的内特拉瓦蒂河在水、沉积物和土壤中的微塑料污染最为严重，分别为每立方米288个、每千克96个和每千克84.45个。在中国，武汉的内陆淡水湖泊中的微塑料污染浓度最高，范围为每立方米1660.0±639.1至8925±1591个。在美国，加利福尼亚州的旧金山湾的微塑料污染浓度最高，达到每平方公里15,000至2,000,000个。此外，结合FTIR、拉曼光谱和HSI的机器学习（ML）算法在微塑料的检测和表征方面表现出色，准确率分别达到了99%、99.1%和97%。本研究强调了理解用于微塑料识别、检测、分布和管理的ML算法的基本概念、数据资源、预处理方法及其局限性的必要性，并探讨了将ML技术与其他技术结合进行研究和开发的新方向。总体而言，AI和环境科学可以通过提供实时监测和缓解工具来彻底改变微塑料研究，从而保护生态系统健康。
引言
在过去50年里，由化石燃料制成的塑料产量增加了20倍。这种快速增长主要得益于商业化进程，导致了全球性的环境危机[1]。经济合作与发展组织预测，到2060年塑料废物产量将从2019年的3.53亿吨增加到超过10亿吨[2]。只有少量的塑料废物被回收（10%）或焚烧（14%），大部分（76%）最终进入垃圾填埋场或环境中[3]。当塑料颗粒分解时，会形成大小在1微米到5毫米之间的微塑料碎片[4]。这些化学性质稳定的微小颗粒会在水[5]、空气[7]、土壤[9]中积累，对生物健康和生态系统构成长期威胁[11][12]。由于它们具有较大的表面积与重量比和强大的吸附能力，容易与环境中的其他污染物结合[13][14][15]。根据颗粒大小，塑料可分为纳米塑料（1纳米-1000纳米）、微塑料（1微米-5毫米）和介观塑料（0.5毫米-25毫米）。微塑料进一步分为初级微塑料（来自制造过程）和次级微塑料（来自渔网和农业薄膜等较大颗粒的分解）[16]。
地表径流、大气降解和污水处理不足是地表水微塑料污染的主要来源[16][17][18][19]。这些污染物可能会渗透到地下水源和城市供水系统中[20][21]。此外，处理设施产生的大量废水也是微塑料污染的一个核心问题[22]。现有研究表明，某些地表水系统中的微塑料可以进入地下或便携式水源，进而进入市政供水系统[23]。在海洋生态系统中，浮游动物、鱼类、海鸟和海洋哺乳动物会摄入微塑料[24][25]。这种摄入可能导致物理损伤（如堵塞和受伤），降低摄食效率，甚至引发饥饿。此外，微塑料还充当有害化学物质的载体，从周围水中吸附持久性有机污染物（POPs）和重金属（HMs）[26]。当这些污染物与微塑料一起被生物体摄入后，它们会渗入生物组织并在食物链中积累，导致生殖、发育和免疫系统功能障碍，破坏生态平衡[27]。因此，迫切需要在全球范围内解决微塑料的分布、积累和管理问题。传统方法通常采用劳动密集型且耗时的手动程序来收集、识别和分类微塑料。然而，微塑料的微小尺寸、广泛分布、形状多样以及来源不确定性给其识别、表征和管理带来了困难[28]。在自然环境中，由于多种微塑料的混合，手动识别更加困难[29][30][31]。
AI技术为废物管理带来了重大突破[32]。基于AI的工具可以自动收集和分类微塑料，而ML帮助科学家快速分析和理解微塑料数据[33]。这些创新为研究和管理微塑料开辟了新的途径，与工业4.0中的物联网完美契合[34]。集成AI是一种更高效和有效的方法，有助于应对全球微塑料危机[35]。此外，ML算法可以通过大规模数据集进行训练，以识别、分类甚至预测不同微塑料的行为，超越实验室特定条件的限制[36]。通过对大规模数据集进行训练，我们可以开发出能够自主识别各种微塑料并优化去除参数的强大系统。尽管ML在检测塑料碎片方面的作用已得到研究，但其具体应用于微塑料的研究仍不够充分[37]。关于ML方法与其他传统微塑料去除方法结合以提高去除效率的协同效应，现有文献中存在一些重要空白，特别是在多组分系统和材料性质及环境条件动态变化的情况下（见表1）。
考虑到上述信息，本综述涵盖了微塑料的来源、识别、分类、全球分布以及在水生环境中的管理。它强调了AI和ML在微塑料识别和污染控制中的作用，以及如何在实际应用中运用ML辅助技术。同时，本文还探讨了提高公众意识并推动这一环境问题研究的未来方向。迄今为止，已有许多研究致力于微塑料的有效去除，但未来研究的空间仍然有限。因此，本文通过提供关于检测技术、全球分布、管理策略和关键知识空白的见解，为利用ML进行环境修复提供了重要参考。
搜索策略
为了全面了解ML方法在水生环境中检测和管理微塑料的应用情况，我们对2020年至2025年间发表的科学论文进行了全面评估。评估过程中遵循了Moher等人制定的系统评价和荟萃分析优先报告项目（PRISMA）标准[42]。
水生环境中微塑料的全球分布
微塑料已被确认为一种普遍存在的污染物，它们分布于从开阔海洋表面到偏远极地地区和深海沟壑的各种水生环境中[44]。这种污染的很大一部分来源于陆地活动，塑料废物主要通过河流、城市径流和污水处理厂进入水生系统。根据Hosseinzadeh等人的研究（2025年），海洋洋流在微塑料的扩散过程中起着重要作用[...
机器学习算法
ML不仅仅是一种方法，而是一组可以从特定数据集中学习并预测新信息的计算方法[95]。ML技术为评估微塑料对生态系统的危害提供了统一的方法。在处理多样数据或复杂系统时，基于经验和数学公式的传统数学方法可能需要很长时间且效果不佳[96]。
微塑料分析的数据来源：遥感和现场方法
许多研究利用遥感技术来检测水生环境中的微塑料。Ghosh和Kumari（2021年）使用FTIR和Sentinel-1A SAR卫星数据识别印度亚穆纳河中的漂浮微塑料[138]。该研究生成了显示微塑料存在的图像，并利用FTIR分析验证了他们的识别方法。表S2展示了处理技术及其性能以及稀有聚合物的识别机制。
利用ML优化进行微塑料去除管理
从水生环境中去除微塑料已成为一个关键挑战，而ML优化为此提供了有希望的解决方案[179]。在处理大型且往往不完整的数据集（尤其是在微塑料污染研究中）时，由于数据稀疏、异质性和缺失值的存在，实施ML算法面临独特挑战[180]。结合Apache Spark、Dask、XGBoost和Light GBM等工具可以提高算法的鲁棒性和结果[...
案例研究
一项研究评估了深度学习在分析超过64000个环境样本（包括废水和河流样本）中的微塑料μ-Raman光谱方面的潜力。混合方法表现出高效率，常见聚合物的识别准确率超过99.4%，精确度超过97.1%，且处理时间较短（几小时到不到1小时）。作者认为这种混合系统是一种强大且高效的工具，适用于大规模微塑料分析[223]。
结论与展望
本综述全面概述了ML在水生环境中检测和分析微塑料的应用现状。虽然ML技术（特别是SVM、RF、CNN和决策树模型）在提高微塑料识别准确性和自动化方面具有巨大潜力，但其应用仍主要集中在美国、中国和欧洲等少数发达国家[...]。
环境影响
将机器学习（ML）应用于微塑料分析是生态可持续性的重要进展。ML加速了这一过程，使识别和分类不同类型的微塑料更加准确。利用这项技术，可以生成高分辨率的全球污染地图，准确预测微塑料的存在。最终，这将促进更高效的管理方法，并为政策制定提供依据。
作者贡献声明
Manish Kumar：撰写——审稿与编辑、可视化。
Hao-Yi Cheng：可视化、监督、资源管理、项目协调。
Prabhat Kumar Patel：撰写——审稿与编辑、验证、调查、数据分析。
Sheetal Kumari：撰写——审稿与编辑、初稿撰写、软件开发、方法论设计、数据管理、概念构思。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了中国国家自然科学基金（编号52222003）、哈尔滨工业大学城市-农村水资源与环境国家重点实验室（编号2025DX08）、深圳市自然科学基金基础研究项目（编号JCYJ20230807094315032）以及广东省人才引进项目（编号2021QN020318）的支持。同时，作者还要感谢印度北方邦诺伊达的Amity大学。
