微塑料对淡水沉积物中有机污染物生物有效性的影响：一项数据驱动建模研究

《Environmental Chemistry and Ecotoxicology》：Influence of microplastics on the bioavailability of organic pollutants in freshwater sediments: a data-driven modeling study

　　

微塑料（MPs）在淡水环境中广泛存在，但在野外条件下其对沉积物中有机污染物生物有效性的影响仍知之甚少。为填补这一空白，研究人员开发了一种基于树的机器学习框架，包含算法比较、树特征重要性和SHapley Additive exPlanations（SHAP）分析。评估了三种MP输入方案，即总丰度、粒径分布和聚合物组成，并以沉积物有机碳和化合物疏水性作为协变量，预测超过400种有机化合物的实测生物有效部分。使用总MP丰度的基线模型显示，决策树优于传统多项式拟合和插值方法（决定系数R² = 0.67），而极限梯度提升（XGBoost）在多类型输入下取得了最佳性能（R²高达0.78）。特征重要性分析表明，细粒径MP（30–100 μm）以及聚合物聚丙烯、聚对苯二甲酸乙二醇酯、聚四氟乙烯、聚苯乙烯和聚氨酯被识别为污染物生物有效性中排名最高的MP相关因子。分层SHAP分析揭示了对比模式：在较高log K_ow组中，基于粒径的贡献更强；在较低log K_ow组中，基于类型的贡献更强（中位数log K_ow = 4.5）。这些发现将粒径和聚合物分辨的MP特征与野外沉积物中实测污染物生物有效性联系起来，为淡水系统的沉积物风险筛查提供了定量基础。

**研究背景、问题与意义**
微塑料（MPs）作为粒径小于5 mm的塑料颗粒，近年来因其在生态系统中的广泛存在及潜在生态威胁而受到关注。MPs与有机污染物（如多环芳烃PAHs、多溴联苯醚PBDEs）在环境中常共存，MPs凭借高比表面积和强吸附能力可改变有机污染物的环境行为，甚至增强其生物有效性和生物累积潜力。然而，目前对MPs与有机污染物相互作用的研究多集中于实验室模拟、环境监测和统计分析，缺乏在野外条件下将实测MP特征与广谱有机污染物生物有效性直接关联的定量框架。淡水沉积物是MPs和有机污染物的重要汇，但现有研究多聚焦于海洋生态系统，淡水系统同样关键。此外，MPs的粒径和聚合物类型可能影响其与污染物的相互作用，但如何定量评估这些特征对污染物生物有效性的贡献尚不明确。为此，研究人员开发了基于树模型的机器学习框架，旨在建立数据驱动的预测模型，探讨MP特征与淡水沉积物中有机污染物生物有效性的关联，为沉积物风险筛查提供定量依据。该研究论文发表在《Environmental Chemistry and Ecotoxicology》。

**主要关键技术方法**
研究人员采用以下关键技术方法（样本队列来源：中国京杭大运河杭州段及钱塘江口10个代表性站点，共采集5 kg表层沉积物样品）：（1）微塑料分离与鉴定：通过密度分离（ZnCl₂溶液）和过氧化氢消解提取MPs，利用傅里叶变换红外成像（FTIR，Agilent 8700激光直接红外LDIR系统）识别粒径<500 μm的MPs，并按粒径（<30、30–50、50–100、100–200、200–500 μm）和形态（纤维vs碎片）分类。（2）预测模型构建：采用传统方法（多项式拟合、插值）和基于树的机器学习算法（决策树、极限梯度提升XGBoost），以MP总丰度、粒径分布或聚合物组成作为输入变量，结合沉积物有机碳（OC）和化合物疏水性（log K_ow）作为协变量，预测407种中性有机化学物的生物有效部分（数据源自同一批样品的先前研究）。（3）模型解释：利用树特征重要性（权重模式）和SHapley Additive ExPlanations（SHAP）分析，量化各输入特征对模型预测的贡献，并基于log K_ow中位数进行分层对比。

**研究结果**
**3.1 沉积物中微塑料的赋存特征**：通过样品分析，所有站点均检出MPs，大运河段（中位数2700 n/kg）显著高于钱塘江口（中位数500 n/kg）。共鉴定出11种聚合物类型，以聚氨酯（PU）、聚丙烯（PP）和聚对苯二甲酸乙二醇酯（PET）为主，空间异质性明显。小粒径MPs（<100 μm，尤其是<30和30–50 μm）占主导，碎片形态占95%以上。相关性分析表明沉积物OC与MP丰度无显著关联，验证了OC作为独立变量的合理性；小粒径MPs（<200 μm）与总丰度正相关，而200–500 μm粒径无相关；特定聚合物间（如PU与聚甲基丙烯酸甲酯PMMA）的正相关暗示共同来源。

**3.2 多项式拟合与插值方法的预测性能**：采用多项式拟合（最高阶n=3）和插值法，基于残差筛选异常值后，多项式拟合的R²从0.20提升至0.76，插值法R²从0.17提升至0.41，表明传统方法对异常值敏感且性能有限。

**3.3 基于树的模型的预测性能**：决策树模型在相同数据集上优于传统方法，使用总MP丰度、OC和log K_ow时训练集和测试集R²分别达0.63和0.67。替换为多粒径或多类型输入后，决策树R²下降（测试集0.58和0.51）。在总丰度方案下，XGBoost优于随机森林（RF）和决策树，故保留为后续多输入框架。XGBoost在三种输入方案下均表现最佳：总丰度R²训练集0.74、测试集0.71；多粒径R²训练集0.75、测试集0.76；多类型R²训练集0.79、测试集0.78。嵌套比较显示，加入MP总丰度后模型R²提升0.151，RMSE降低约18.8%，证实MP提供了额外预测信息。空间分块内部验证显示模型在站点间泛化能力有限，尤其是多类型模型。

**3.4 基于特征重要性和SHAP的XGBoost模型解释**：在多粒径模型中，树重要性和SHAP一致识别30–50 μm、0–30 μm和50–100 μm为顶部贡献特征，SHAP图显示这些粒径的高值倾向于降低预测生物有效性。在多类型模型中，PP、PET、PTFE、PS和PU为前五贡献聚合物，其中PET、PTFE、PS的高值增加预测生物有效性，而PP和PU呈中性或负效应。基于log K_ow分层的SHAP分析显示：在较高log K_ow组（中位数<4.5）中，粒径特征的贡献普遍更强，尤其0–30 μm和100–200 μm差异最大；在较低log K_ow组中，聚合物类型贡献更突出，PTFE、PS和PVC的组间差异最显著。

**总结与讨论**
讨论部分强调：MPs在淡水沉积物中呈现显著空间异质性，其丰度受工业活动、陆源输入和水动力条件共同影响；小粒径MPs和高比表面积增强了吸附能力，但吸附与污染物保留在本研究中未直接测量。基于树的机器学习模型（尤其是XGBoost）在捕捉MPs与污染物生物有效性的非线性关系上优于传统方法，SHAP分析提升了模型可解释性，揭示了粒径和聚合物类型的关键作用，且这些作用随污染物疏水性变化。研究结论翻译如下：
**结论**：本研究通过结合实验监测与数据驱动机器学习，表征了淡水沉积物中MP特征与有机污染物生物有效性之间的关联。基于树的方法（特别是回归决策树和XGBoost）在捕捉MP属性与污染物生物有效性的非线性关系方面始终优于传统方法，提供了更高的预测准确度和R²。控制嵌套比较进一步表明，MPs在OC和log K_ow之外提供了额外的预测信息。SHAP分析通过识别当粒径和聚合物类型作为详细输入时对模型预测贡献最强的MP相关特征，提高了模型可解释性。通过log K_ow分层进一步检验了这些洞察，揭示了不同污染物疏水性水平下这些特征贡献的差异。这些发现将粒径和聚合物分辨的MP特征与野外沉积物中实测污染物生物有效性联系起来，为淡水系统的沉积物风险筛查和监测设计提供了有用信息。由于该框架尚未通过独立外部数据集验证，其在当前研究区域以外的适用性仍不确定。未来研究应整合来自不同区域的独立数据集以及更广泛的沉积物和水相关环境变量，以提高模型准确性并评估泛化能力。比较多种机器学习算法也有助于确定不同环境条件下的最有效方法。这些努力最终将增强数据驱动方法在水生系统中的适用性。