基于机器学习的全球土壤微塑料丰度时空可视化与暴露优先级评估

《Journal of Environmental Management》：Spatiotemporal visualization and exposure-priority assessment of global soil microplastic abundance based on machine learning

　　

• •
  空间交叉验证支持土壤微塑料（MP）丰度的稳健全球制图。
• •
  SHAP识别出有机碳、土地覆被、PM2.5和pH值为关键非线性预测因子。
• •
  模型推导的拐点揭示了预测因子对土壤MP丰度贡献的非线性变化。
• •
  全球时空预测揭示了2022年、2025年和2030年土壤MP丰度及其区域再分配情况。
• •
  暴露优先级指数和平均日剂量支持比较性暴露筛查和监测优先级排序。

引言

近年来，全球塑料产量持续攀升，2024年年产量约为4.309亿吨（PlasticsEurope, 2025）。因此，塑料碎片已成为人类世中最普遍且持久性最强的人为污染物之一。微塑料（粒径<5毫米）和纳米塑料（粒径<1微米），源自微塑料降解和直接的一次性排放，已在几乎所有全球环境介质中被检出（Bond等, 2018）。尽管水生微塑料污染已得到广泛研究，但土壤是微塑料一个关键却长期被忽视的全球汇（李等, 2025），其输入来源包括农业地膜使用、污水灌溉、污泥施用、大气沉降和废弃物不当管理（Carpanez等, 2025；Haque和Fan, 2023）。土壤微塑料污染对土壤生态系统健康构成严重威胁，包括物理化学结构受损、微生物群落失调（Xiang等, 2025）、植物生长受抑制（Ren等, 2025），以及对陆生食物网和人类健康的潜在风险。作为陆生生态系统和全球粮食安全的基础，土壤对于生物多样性保护和碳封存至关重要（Wang等, 2022, 2024）；因此，阐明土壤微塑料丰度的全球分布、驱动机制和空间异质性，对于风险评估和有针对性的污染缓解具有重要意义。

过去几十年间，实地研究记录了不同区域和土地利用类型下土壤微塑料的分布情况，积累了大量观测数据。然而，关键局限性阻碍了全球尺度评估和机制理解：第一，现有土壤微塑料调查在地理上碎片化，且往往缺乏标准化的采样和量化方案，这削弱了跨研究的可比性。例如，Wrigley等在一项对89项土壤微塑料污染研究的定量比较中表明，报告的微塑料丰度差异主要由分析方法差异驱动。此外，数据单位不一致和元数据不完整（例如缺少地理坐标或采样深度）进一步阻碍了标准化全球数据集的构建（Wrigley等, 2024）。第二，土壤微塑料的来源和迁移途径复杂，受多种环境和人为因素调控（Frère等, 2017），关于核心驱动因子效应的发现相互矛盾——例如，降水对土壤微塑料浓度的影响有降低、增加或无影响的报道（Chen等, 2023；Zhou等, 2021）。传统统计方法无法解耦这些非线性和交互关系（Xiang等, 2026）。第三，土壤微塑料分布的全球尺度预测仍然稀缺，大多数研究局限于区域尺度，缺乏对观测数据和先进算法的整合建模。

由于微塑料的持久性、普遍性、固有毒性以及在陆生食物网中生物富集的潜力，土壤微塑料已成为新兴的环境和公共卫生关注点（Thompson等, 2024）。除了物理危害外，微塑料还可能引起氧化应激、炎症、细胞毒性和代谢紊乱，同时作为有毒添加剂、重金属、持久性有机污染物和微生物病原体的载体（Li等, 2023）。尽管将土壤微塑料与人类健康结果直接关联的流行病学证据仍然有限（Vethaak和Legler, 2021），但其对生态系统功能和人类健康的潜在影响凸显了系统性暴露评估的必要性。因此，量化其空间分布并确定潜在人类暴露升高的区域，对于风险筛查、政策优先级制定和有针对性的缓解至关重要。

机器学习算法，特别是集成树模型（随机森林、XGBoost、LightGBM、CatBoost），因其处理非线性关系、高维数据和多重共线性的能力，已彻底改变了环境建模（Abdelsattar等, 2025）。这些模型广泛用于污染物空间预测，但其在土壤微塑料全球丰度制图中的应用仍处于起步阶段。可解释机器学习的最新进展已证明其在识别关键预测因子和表征空间生态系统复杂非线性响应方面的能力（Chen和Liu, 2026a）。然而，在土壤微塑料全球丰度研究中的应用仍然有限，很少有研究在统一框架下整合全球观测数据、多维地理空间预测因子和可解释的机器学习工具。

因此，本研究通过开发标准化的全球土壤微塑料数据集和定制的机器学习框架，填补了关键空白，在全球尺度上量化、预测和解释土壤微塑料丰度。具体而言，我们旨在：（1）通过系统文献筛选和地理、环境及土壤元数据的协调提取，编制质量控制的全球数据集；（2）评估四种集成树模型，包括随机森林、XGBoost、LightGBM和CatBoost，并根据预测精度和泛化能力选择CatBoost作为最优模型；（3）利用基于SHAP的解读方法识别关键预测因子、其交互作用及非线性模型推导响应；（4）生成高分辨率土壤微塑料丰度全球地图和污染热点区域；（5）通过将预测的微塑料丰度与人口分布和土地利用权重整合，利用暴露优先级指数（EPI）和平均日剂量（ADD）框架，识别潜在人类暴露升高的区域。本框架的主要进步不仅在于全球预测，更在于将空间独立验证、可解释的非线性预测因子归因、不确定性评估和暴露优先级筛查整合在统一的全球建模框架中。通过结合预测制图、模型解读、不确定性评估和暴露优先级评价，本研究为全球土壤微塑料监测、环境管理和有针对性的缓解策略提供了定量基础。

各部分摘要

MP数据采集

如图1步骤1所示，在Web of Science核心合集数据库中进行了系统文献检索，检索范围为2004年1月1日至2026年2月1日发表的研究，检索式为：（"microplastic*"或"nanoplastic*"）且（"soil*"或"land*"或"farmland*"）且（"abundance*"或"quantification*"）。检索得到2598条记录，经标题和摘要筛选后排除2497条，包括综述文章、专利、会议摘要以及……

模型性能评估

空间分块交叉验证揭示了四种集成模型在地理泛化能力方面的明显差异（图2a）。CatBoost取得了最强的整体空间预测性能，其平均空间CV R²最高（0.587），合并OOF R²最高（0.623），折间R²变异最低（SD = 0.115），合并OOF RMSE最低（745.1个/kg土壤）。合并的空间OOF预测的MAE为526.488个/kg土壤，预测偏差为?21.025……

全球土壤微塑料格局的整合解读

本分析表明，全球土壤微塑料（MP）丰度反映了土壤、气象、土地覆被和社会经济条件的综合贡献，而非单一主导过程。这些预测因子域相对均衡的贡献与更广泛的"源-迁移-滞留"框架相一致。人为活动和土地利用可影响MP输入，特别是在塑料地膜使用和回收不完整的农业系统中……

CRediT作者贡献声明

吕心言：初稿撰写、可视化、软件、方法学、正式分析、数据整理、概念构思。郭子：审阅与编辑。李彦琪：审阅与编辑。郑磊：审阅与编辑。林爱君：审阅与编辑、方法学、概念构思。谭晓：审阅与编辑、方法学、概念构思。

利益冲突声明

作者声明，不存在任何可能影响本文所报告工作的已知经济利益冲突或个人关系。

致谢

本研究得到国家自然科学基金青年科学基金项目C类（批准号 42507168）资助。

吕心言|郭子|李彦琪|郑磊|林爱君|谭晓