可解释深度学习评估全球海洋盆地与气候带上海洋塑料污染的环境指示因子

《Ecological Indicators》:Interpretable deep-learning assessment of environmental indicators of global marine plastic pollution across ocean basins and climate zones

【字体: 大 中 小 】 时间:2026年07月30日 来源:Ecological Indicators 8.7

编辑推荐:

  海洋塑料污染已成为紧迫的全球环境问题,对海洋生态系统与人类福祉构成重大威胁。然而受传统监测与建模技术限制,其扩散格局及分布背后的环境关联在全球尺度上仍刻画不足。研究人员提出一种可解释深度学习(DL)框架,用于预测全球海洋塑料污染水平并阐明模型归因的环境关联。研

  
海洋塑料污染已成为紧迫的全球环境问题,对海洋生态系统与人类福祉构成重大威胁。然而受传统监测与建模技术限制,其扩散格局及分布背后的环境关联在全球尺度上仍刻画不足。研究人员提出一种可解释深度学习(DL)框架,用于预测全球海洋塑料污染水平并阐明模型归因的环境关联。研究整合了2018至2022年塑料污染浓度与多类环境变量的全球数据集,初编1193条表层海洋记录,经统一化与质控保留1155条用于建模,含916条训练样本与239条留出内部测试样本。全连接神经网络(FCNN)与多种常用机器学习模型基准比对,XGBoost预测精度最高,但FCNN表现具竞争力,故作为重点评估的可解释神经架构。FCNN基于13个跨越地理、生物、生物地球化学、理化、物理动力与输运类的环境预测变量,随机内部验证平均五折交叉验证R2为0.608,留出测试集R2为0.612。Shapley加性解释(SHAP)分析指出距离海岸线距离(DTC)、溶解氧(O2)、净初级生产力(nppv)与 phytoplankton concentration(phyc)为主要贡献指示因子。分层分析进一步揭示大西洋、太平洋、印度洋、北冰洋四大洋盆与热带、温带、极地气候带间模型归因与预测变量重要性存在显著区域差异,强调区域特异性管理策略之必要。该可解释DL框架在可用数据表征的环境条件范围内,为大规模海洋塑料污染评估与区域监测支持提供了数据驱动途径。
研究背景方面,现代工业发展致塑料产量激增,2020年全球达3.67亿吨,年约275万吨塑料废弃物累积,估计110万吨入海,2050年海洋塑料质量或超鱼类。宏观塑料致生物缠绕摄食伤害,微塑料(<5 mm)经光降解等破碎,吸附持久性有机污染物与重金属,经食物网生物累积放大,引氧化应激等毒理效应;亦造成堵塞取水口等社会经济成本。塑料靠海流风浪、河流排放与渔业等人为输入运输,分布具高时空变异。传统实地调查 labor-intensive 且覆盖窄,实验室浓度常超自然值,已有深度学习(DL)应用多限于识别分类,预测分布仍处萌芽,且DL黑箱性阻碍科学洞察。为此研究人员整合DL与可解释人工智能,构建全连接神经网络(FCNN)并借Shapley加性解释(SHAP)破译归因,数据源自NOAA/NCEI海洋微塑料库(manta/neuston/plankton net采样)、CMEMS环境场与Natural Earth岸线, period 2018-01至2022-11,初1193条经时空匹配质控留1155条(916训、239测),选13预测变量:地理类距离海岸线距离(DTC);生物类叶绿素a(chl)、phytoplankton concentration(phyc)、净初级生产力(nppv);生物地球化学与理化类溶解氧(O2)、pH、硝酸根(NO3)、磷酸根(PO4)、硅酸盐(Si)、溶解铁(Fe);物理动力与输运类混合层深度(mld)、海平面异常(sla)、流速(cur_speed)。论文发表于《Ecological Indicators》。
关键技术方法上,研究人员采用全连接神经网络(FCNN,三层隐藏256-128-64神经元、Sigmoid激活、线性输出、Adam优化、MSE损失、StandardScaler标准化、dropout 0.2、L2正则0.001)在PyTorch实现,与Linear/Ridge/Lasso/SVR/RF/XGBoost基准比,超参网格搜+五折交叉验证选优,留出20%测试;借Shapley加性解释(SHAP)对FCNN全局与分层(大洋盆+气候带)归因;额外做Leave-One-Basin-Out交叉验证(LOBO-CV)评空间转移性;样本队列即上述1155条NOAA/NCEI全球表层网具记录匹配CMEMS同址同期环境场。
研究结果部分,3.1节SHAP分析全球模型显示DTC(均SHAP 0.0261)、O2(0.0201)、nppv(0.0109)为前三驱动,phyc(0.0082)、NO3(0.0063)次之;DTC/nppv/NO3呈正归因(高值预测污染高),phyc/Si/chl呈负归因(高生物量预测污染低,拟吸附沉降),O2无单调但排位高,Fe/pH/PO4贡献小。3.2节气候带分层表明极地DTC负向、O2排首且负向,nppv正向排四;温带DTC正向排前、nppv正向排三;热带nppv正向排二最强,NO3非单调,phyc/Si/chl全域负向。3.3节四洋盆中北冰洋O2/Si/phyc主导(低温低混层留存),大西洋DTC主导(离岸辐合),印度洋nppv主导(季风上升流+南亚排放),太平洋DTC最高(北太平洋垃圾斑块),nppv/NO3正向、phyc/Si/chl负向;LOBO-CV池化R2降至0.139,大西洋0.160、太平洋-0.365、印度洋-0.327、北冰洋-0.746,证随机折交叉验证高估了地理独立外推性。
讨论部分总结,研究人员强调基准中XGBoost最高(R2 0.658)但FCNN具竞争力(0.608/0.612)故取之做解释;SHAP归因非因果而系模型学习关联,DTC正归因符离岸涡旋聚集假说,nppv/NO3正归因或映河口上升流营养-人类源共输,phyc/chl负归因或映生物吸附与生物膜沉降(plastisphere效应),极地O2负向或映冷水低氧层留存;跨区异质证单一因子不普适,需区域监测优先级;局限含样本量适中、缺风速SST波浪径流量船舶等变量、LOBO转移弱、无完全独立外部验证、未量化预测不确定性、采样方法异质。结论部分翻译:研究发现刻画了与海洋塑料污染相关的模型归因环境关联,并指出部分离岸观测与较高预测污染水平相关,但本模型未独立确认离岸涡旋为热点,结果可支撑未来区域靶向监测但需独立观测验证;公海减量需集体行动与数据共享,增强漂移体卫星示踪可预警垃圾斑块;沿海滞留凸显陆海统筹,营养与塑料同排区需污水脱微塑脱营养协同,减营养或抑生物膜截留待研;控河流海岸源是关键,DTC与人为活动凸显区域干预(废物管理、渔具管控、河口清理),本研究通过定点浓度区支撑靶向治理,倡导公海条约与本地减塑并行,协调监测预防合作方解海洋塑料污染。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号