东部热带太平洋微塑料的时空动态与可解释机器学习分类：来自十年期（2008–2018）颗粒级数据集的证据

《Marine Pollution Bulletin》：Spatio-temporal dynamics and explainable machine learning classification of microplastics in the eastern tropical Pacific: Evidence from a decade-long (2008–2018) particle-level dataset

　　**摘要要点**- 可解释机器学习在十年的ETP（东热带太平洋）微塑料数据中将纤维与薄膜分离开来- SHAP归因分析中宽高比和颗粒大小占据主导地位（MCC 0.63，AP 0.81）- 梯度提升模型的表现与随机森林相当，且优于逻辑回归基线模型- 在11年间的四个站点中，均未检测到显著的浓度变化趋势- 在没有类型标签的情况下，形态学聚类无法恢复任何来源结构---**引言**微塑料污染，即粒径小于5毫米的塑料颗粒，已成为21世纪最普遍的环境污染物之一（Thompson等，2004；Cole等，2011）。海洋环境尤为脆弱：一旦塑料进入海洋，在紫外线辐射和机械摩擦的作用下会逐步碎裂，产生的颗粒会被所有营养级（从浮游动物到海洋哺乳动物）的生物吞食（Lusher等，2013；Rochman等，2015）。东热带太平洋（ETP），大致由洪堡洋流和北赤道洋流所界定，既是生物多样性热点区域，也是厄瓜多尔、秘鲁和哥伦比亚陆地径流及渔业装备排放物的汇集区（Alfaro-Shigueto等，2011）。尽管该区域生态意义重大，但长期、颗粒级别的监测数据仍然稀缺，阻碍了对污染轨迹和来源归因的可靠评估。近年来，全球塑料产量呈指数级增长，到2022年已达到每年4亿吨（*PlasticsEurope*，n.d.）。其中很大一部分逃过了废物管理系统，进入沿海和海洋环境（Jambeck等，2015）。在厄瓜多尔沿海地区，传统渔业的扩张、固体废物基础设施不足以及强烈的沿海上升流共同作用，使得微塑料在近岸区域高度富集（Galgani等，2015）。然而，该区域的定量趋势分析主要依赖于浓度汇总指标，对颗粒级别的形态学变异及其对来源归因的机制意义关注甚少（Bermúdez，2025；Bermúdez等，2025）。机器学习在环境监测中的应用日益广泛，能够从高维度生态数据集中提取非线性模式（Zhu等，2022）。由于这类模型具有不透明性，可解释人工智能（XAI）方法已成为其科学应用的核心，使得模型行为能够与领域知识相关联，而不仅仅依赖预测精度来接受（Roscher等，2020；Barredo Arrieta等，2020）。在微塑料研究领域，监督分类器已被用于根据光谱特征区分聚合物类型（Pierson等，2023），而非监督聚类则被用于从形态学特征推断污染来源（Liu等，2021）。然而，针对发展中国家监测项目中长期稀疏时间序列数据的应用仍然罕见，且对政策相关预测至关重要的不确定性量化也很少被报道（Koelmans等，2019）。Bermúdez（Bermúdez，2025）公开的数据集，已存档于PANGAEA（doi:[https://doi.org/10.1594/PANGAEA.986752](https://doi.org/10.1594/PANGAEA.986752)），提供了一个独特机会：来自2008–2018年间ETP四个站点的141个可分析浮游动物网样本中的16,179条逐一测量颗粒记录。Bermúdez等（Bermúdez等，2025）报告了2008至2018年间丰度的显著增加（在log变换数据上使用嵌套混合效应模型，F = 6.67，*p* = 0.02），期间平均丰度大约翻了一番，站点间无显著差异（F = 1.55，*p* = 0.208），并预测到2030年、2050年和2100年相对于2008年将分别增加3.2倍、5.1倍和9.7倍。他们的设计是将四个站点合并在log变换丰度上的单一混合效应模型中进行分析，这是检测共同区域信号更为有力的检验方法。本研究则对每个站点分别拟合未变换的季度均值，在该较弱的实验设计下，使用配对自助法重抽样，我们未能检测到任何单一站点的显著趋势。两种分析回答的是不同的问题，将在第4.1节中一并考察。Bermúdez等（Bermúdez等，2025）报告了其预测的参数化不确定性界限，但未对站点级别的斜率、非线性趋势建模或基于机器学习的形态学分类应用基于重抽样的不确定性量化。本研究针对三个具体研究问题展开：RQ1：能否利用可解释的梯度提升分类器，根据颗粒形态、站点标识和采样日期可靠地预测微塑料类型（纤维与薄膜；排除碎片）？RQ2：在严格的自助法不确定性量化下，四个站点的浓度变化是否具有统计显著性？不确定性如何传播至2030年的高斯过程（GP）预测中？RQ3：不同的形态学聚类是否对应于可识别的来源类别？这些特征在各站点间是否具有空间一致性？---**研究区域与数据来源**本研究使用了Bermúdez（Bermúdez，2025）存档的数据集（PANGAEA doi:[https://doi.org/10.1594/PANGAEA.986752](https://doi.org/10.1594/PANGAEA.986752)）。颗粒记录来自对厄瓜多尔公共水产养殖与渔业研究所（IPIAP）采集并保存的存档浮游动物样本的再分析。样本使用圆锥形尼龙单丝浮游动物网（0.3米口径直径，200微米网目孔径）采集，该网配有PVC收集杯，从50米深度垂直拖曳至水面。---**探索性数据分析**图1展示了研究期间四个站点的微塑料浓度。数值范围约为1至5个/升，在个别事件中偶有峰值（例如，2010年的Pto López站；2014年的Sta. Clara站）。图1中包含碎片颗粒，因为该图描绘的是总事件浓度，但碎片颗粒在所有后续分类分析中被排除。图2呈现了按形态学类型（薄膜、碎片、纤维）的颗粒大小核密度估计——三者均表现出强烈的……---**ETP区域空间与时间污染趋势**本研究为ETP沿海区域提供了具有不确定性量化的微塑料浓度趋势分析。在配对自助法重抽样下，我们检测到**任何站点均无统计显著的浓度变化**（表2）。最大的正向点估计值出现在Pto López（+0.030个/升·年?1，CI [?0.021, 0.091]）和Salinas（+0.026个/升·年?1，CI [?0.014, 0.059]），但两者的置信区间均跨越零。这些结果不应被解读为稳定性的证据；恰恰相反，在仅有10至30个季度的情况下……---**结论**本研究将可解释的梯度提升机器学习与稳健的不确定性量化趋势分析应用于ETP（2008–2018年）的16,179条逐一测量的微塑料颗粒记录，得出以下四项主要结论：1. 形态学特征——主要是宽高比和log变换颗粒大小——使得XGBoost/LightGBM能够自动将纤维从薄膜中区分出来（加权F1 = 0.82；纤维F1 = 0.86）。薄膜分类的F1 = 0.47，作为独立工具使用不可靠。---**CRediT作者贡献声明****Murad Hossen Raju：** 撰写——审阅与编辑、撰写——原稿、可视化、验证、软件、方法论、正式分析、数据整理、概念构思。**Ayesha Ibnat：** 撰写——审阅与编辑、验证、资源、项目管理、正式分析。---**生成式AI及AI辅助技术在写作过程中的声明**在本研究准备过程中，作者使用Grok（xAI）、Claude（Anthropic）和Grammarly辅助组织引言和讨论章节的结构、提高语言清晰度、并为部分段落生成初步表述。在使用这些工具后，作者对所有内容进行了审阅、编辑和批准，并对发表的文章承担全部责任。---**资金**本研究未获得任何外部资金。---**利益冲突声明**作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。---**致谢**作者感谢José Ramón Bermúdez博士通过PANGAEA使东热带太平洋微塑料数据集公开可用。---Murad Hossen Raju | Ayesha Ibnat