2024, Vol. 45
2. 中国农业科学院西部农业研究中心, 昌吉 831100
2. Western Research Institute, Chinese Academy of Agricultural Sciences, Changji 831100, China
微塑料（microplastics, MPs）被定义为直径或长度小于5 mm的塑料纤维、碎片或颗粒[1].作为化学性质稳定的聚合物, 微塑料在环境中可以长期存在并通过多种途径迁移和广泛分布[2, 3].目前, 研究人员已经在海洋、大气、陆地和湖泊等环境中检出了微塑料污染[4~6].微塑料可以改变其所在环境介质的基本性质[7~9], 如土壤中的微塑料可以改变土壤容重和孔隙度等基本性质[10]、直接或间接影响土壤微生物活动[11]并能改变介质对其他污染物的降解或吸附特性[12]等.微塑料也可以通过被动植物吸收、摄食等途径而进入动植物体内, 沿食物链和食物网传播, 对生态环境安全和人类健康造成严重负面影响[3].微塑料污染已经成为全球性的环境问题[13].微塑料区别于传统污染物, 与环境相互作用的底层机制复杂, 其丰度、尺寸、类型和来源等特征差异会造成不同的环境效应[14].明确环境中微塑料的污染特征是探究其环境效应的前提, 而目前从各类环境介质中识别、鉴定微塑料的方法较多且缺乏统一的规范与标准.常用的微塑料识别鉴定技术包括视觉识别和光谱识别法[15], 但受限于方法原理和样品纯化原理等客观条件, 以上方法在实际应用中仍存在局限性[16].因此, 借助新的技术途径, 改进现有方法以提高微塑料识别、鉴定过程的简便性和结果的可靠性, 并系统分析各类环境介质中微塑料的污染特征、明确微塑料的环境效应, 对快速和准确预估微塑料污染的生态风险具有重要意义.
机器学习（machine learning, ML）是计算机通过解析和利用数据, 从中总结和训练出模型, 然后使用模型决策或预测的技术方法.由于机器学习可以处理大量数据样本并能进行图像识别和模型预测, 在PM2.5[17]、抗生素[18]和重金属[19]等污染物的检测、风险预测和评估研究中已得到较为成熟的应用.同时, 机器学习的图像识别和预测建模的相关算法等也已在微塑料识别和鉴定等相关研究领域得到广泛应用.机器学习技术与微塑料视觉识别的结合, 不仅可以降低传统识别过程对研究人员经验的依赖性, 也能提高分析自动化程度和效率.在光谱识别微塑料时引入机器学习技术, 使不具备化学计量学背景的研究人员也可进行光谱分析, 使光谱识别微塑料聚合物类型的过程更加快速、简便和高效[20, 21].有研究发现, 当微塑料分散在复杂介质中时, 视觉识别和光谱识别结合并借助机器学习技术的方法是识别和鉴定微塑料最有效的方法[22].目前, 微塑料溯源方法耗时耗力且科学性不足, 环境效应的相关传统模型难以解释复杂属性微塑料造成的影响.机器学习技术能够从大量数据中提取特征并解析数据, 可以在底层逻辑或机制不清的情况下对未知情况做出快速预测或判断, 进而加速科学研究的进展[23].神经网络和支持向量机等算法已经应用在复杂环境中多种污染物的污染过程及环境效应的分析研究中[24~26], 随机森林等算法也部分应用于微塑料的环境效应评估研究[27].随着微塑料相关研究的增加, 可用于机器学习技术分析的数据量增多, 这为传统方法或模型解释性不足条件下的微塑料污染特征和环境效应预测提供了潜在解决途径.由此可见, 机器学习作为新的技术手段, 在微塑料研究领域有广阔的应用前景.
因此, 为了综合分析机器学习在微塑料研究中的应用领域、应用效果和局限, 本研究通过文献分析, 讨论：①机器学习作为现有方法的辅助技术在微塑料视觉识别和光谱识别中的应用；②机器学习在微塑料污染溯源中的应用；③机器学习在微塑料环境效应评估中的应用.本研究主要通过综述机器学习在微塑料各研究领域的应用现状, 以期为机器学习技术在微塑料研究领域的广泛应用提出建议与展望.
1 机器学习在微塑料识别、鉴定分析中的应用分散在环境介质中的微塑料需经过无损伤分离并使用特定的技术手段进行识别和鉴定, 以确定微塑料的浓度和聚合物类型等特征.现有研究采用的微塑料识别和鉴定方法主要包括视觉识别和光谱仪器识别等[28, 29].在视觉识别过程中引入机器学习技术, 利用计算机视觉识别图像中的目标微塑料点, 可以减少识别误差并提高图像识别效率；在光谱仪器识别的构建模型或结果分析过程中引入机器学习技术, 可以提高光谱分析的效率与准确率.以下按照机器学习在两类方法中的具体应用（图 1）进行综述.
|
PCA：主成分分析（principal component analysis）, 可用于数据降维；KNN：K-近邻算法（K-nearest neighbors）, 可用于分类和回归；K-Means：聚类算法；DT：决策树（decision tree）, 可用于分类和回归；RF：随机森林（random forest）, 用于机器学习中的分类、回归和其他任务的集成学习方法；SVM：支持向量机（support vector machine）, 可用于分类和回归等任务；CNN：卷积神经网络（convolutional neural network）, 常用于图像和视频识别任务的深度学习架构；PLS：偏最小二乘（partial least squares）, 用于回归分析和数据缩减的统计技术；Bayes：贝叶斯机器学习 图 1 机器学习在微塑料视觉识别与光谱识别领域的应用示意 Fig. 1 Schematic diagram of the application of machine learning in the field of visual identification and spectral identification of microplastics |
视觉识别通过肉眼或图像识别软件分析含微塑料图像中目标点的透明度、颜色和形状等特征, 实现对微塑料的识别和分类, 是表征和识别微塑料最基本和简单的分析方法[12].
依赖肉眼的视觉识别方法无需借助复杂仪器, 依靠试验人员肉眼观察即可识别特定形状特征的微塑料, 但该方法耗时长、依赖观察者经验并受到观察者主观性影响[30].有研究发现, 借助计算机视觉识别洁净视野背景中固定形状的微塑料可以提高效率并取得更好的识别效果.表 1筛选了机器学习算法、视觉识别方法、微塑料特征和分析效果.化妆品塑料微珠属于大小及形状固定且识别难度较低的原生微塑料, Yurtsever等[31]从纯水和废水中分离出化妆品塑料微珠并进行显微拍照后, 将卷积神经网络（convolutional neural networks, CNN）算法应用于显微图像的识别中, 训练后的模型对废水和纯水中微塑料的区分识别准确率分别达到97%和89%, 整体识别效果良好.纯水作为颗粒杂质极少的理想介质, 分离出的微塑料直接暴露在图像视野中, 可以提供相对理想的训练数据, 也能达到优秀识别效果；废水中杂质与微塑料混合, 这对样品纯化、图像前处理、标记准确性和算法匹配性提出了更高要求.实际环境介质中的微塑料形状、颜色和类型复杂, 且杂质较多, 研究通常对含微塑料的图像进行前处理以提高识别准确率.Bertoldi等[32]分离了实际水样中复杂的微塑料, 在黑箱内拍照后借助了Image GUI-MATLAB处理图像, 该研究借助了基于偏最小二乘法（partial least squares, PLS）的多变量校准模型实现了微塑料图像的识别, 但可能受到样品特征过于复杂的特性影响, 最终各颜色微塑料的分类效果表现出了偏差.选择匹配的图像识别算法可以提高识别复杂微塑料的准确率.单点多盒算法（single shot multibox detector, SSD）以VGG16作为基础模型, 网络结构简洁并适用于小目标物体的识别, 用于视觉识别复杂微塑料不仅可以提高识别准确率, 也能提高训练效率[33, 34].
|
表 1 不同机器学习算法用于视觉识别微塑料的效果1） Table 1 Effects of different machine learning algorithms for visual identification of microplastics |
分散在环境介质中的微塑料经过分离和纯化处理后, 仍混杂有部分难去除的杂质.依赖肉眼的视觉识别在分析复杂环境介质（土壤、堆肥、污泥和沉积物等）中的微塑料时, 区分杂质和微塑料的能力较弱, 并且受经验的影响, 识别误差随着微塑料粒径的减小而增大[35].为了增加视觉识别的判断依据并提高识别抗干扰能力, 可以采用荧光染色技术[36]和热处理[37]等辅助方法.荧光染色技术使用亲脂类染料对目标微塑料染色, 经染色后的微塑料在荧光下显色, 通过在白光与荧光照射模式下的图像比对识别视野中的目标微塑料；热处理技术利用微塑料的受热形变原理, 对比热处理前后的图像识别出视野中的目标微塑料[38].PS和ImageJ等图像处理软件可以代替目视观察识别, 处理借助辅助方法后获取的图像, 提高了便捷性和准确性并增加了统计数据量, 但由于图像间的差异, 识别过程需人为调整识别阈值并依赖处理人员经验来判定微塑料, 导致人工投入仍然较大且图像批量处理能力较差.随着对识别自动化需求的提高, 具备人工投入少和批量处理能力强等特性的计算机视觉（如图像识别和目标检测等相关算法）成为更优秀的解决途径.视觉识别过程中, 微塑料表观形貌特征有限且受附着杂质影响较大, 仅将微塑料表观图像作为训练数据会对机器学习的训练及预测过程产生干扰.荧光染色技术通过在荧光模式和普通白光模式下对已染色微塑料样品分别进行显微拍照, 获得数据量增加且利于快速识别和学习微塑料的特征[39], 也有助于提高视觉识别的抗干扰能力.Meyers等[40]在尼罗红荧光染色的方法基础上, 制作了微塑料和非微塑料样品的数据集, 构建的决策树分类模型（decision tree, DT）可以高精度预测微塑料来源及聚合物类型, 对实验室制备样品是否为微塑料的判断准确率达95.5%, 微塑料聚合物类型判断准确率88.1%, 该方法识别实际样品中的微塑料也取得了良好效果, 两项指标准确率分别达到92.7%和80.0%.
目前已有多种算法被应用于微塑料图像识别, 从识别准确率来看, VGG16模型取得相对最优的分类识别效果；从识别功能来看, DT对实验室制备和实际样品中的复杂微塑料均取得了良好的形状分类和鉴别准确率.但是, 目前研究采用的环境介质简单（杂质较少或理想化）, 研究的微塑料形状、类型和大小特征存在局限性, 对复杂介质中更多类型微塑料的图像识别可行性和效果有待研究.微塑料作为微小颗粒且分散在介质中, 可供识别特征有限.未来在借助机器学习技术进行视觉识别时, 需评估环境介质的复杂程度, 探索适用于计算机视觉识别的样品制备或纯化方法, 提高训练数据可靠性, 在此基础上开发辅助识别手段或高效算法, 提升训练效率和识别准确率.
1.2 用于光谱仪器识别相比于视觉识别方法, 光谱识别方法借助光谱仪器实现对微塑料的识别, 配套成像系统的光谱仪器可以同时检出微塑料的形状信息和聚合物类型, 识别结果更加准确和科学.常用于识别微塑料的光谱方法有：傅里叶变换红外光谱（FTIR）、近红外光谱（NIR）、拉曼光谱（Raman）和直接红外光谱（LDIR）等[42].各类光谱包含信息复杂, 因此具备强大非线性信息处理能力和特征提取能力的机器学习技术被广泛用于各类光谱解析和聚合物类型鉴别.表 2筛选了研究中采用的微塑料光谱识别方法、机器学习算法、微塑料特征和分析效果等信息.
|
|
表 2 不同机器学习算法用于光谱识别微塑料的效果1） Table 2 Effects of different machine learning algorithms for spectral identification of microplastics |
FTIR是最常用的微塑料识别、鉴定方法.通过解析红外光谱图像并进行特征峰比对, 可以判断微塑料聚合物类型, 但测定过程中易受到样品表面的水或杂质干扰导致光谱吸收峰杂乱[43], 解谱过程耗时长且需要化学计量学基础.机器学习技术在数据处理分类及定量回归中的表现优于传统的化学计量技术, 可以对大量红外光谱样本进行解析并提取各类聚合物的特征信息, 快速解析目标微塑料红外光谱并判断聚合物类型[44].利用机器学习技术建模也能在一定程度上消除杂峰干扰, 使红外光谱图像的特征峰比对更加快速和准确, 提高判别微塑料聚合物类型的效率.解析过程常用的机器学习技术包括：支持向量机（support vector machines, SVM）、随机森林（random forest, RF）、PCA和DT等[45].张宇波等[46]构建了基于K近邻（K-nearest neighbor, KNN）、PCA算法的土壤中PP微塑料的红外光谱识别模型, 准确率达89.8%, 但该研究条件较理想化, 供试微塑料类型单一、形状均匀且表面光滑, 无法模拟实际环境中复杂的风化微塑料.RF算法简单且易调整、训练时间短、计算成本低和抗干扰能力强等特点使其在红外光谱分类方面应用广泛[47].在提供的训练参数有限时, RF作为红外光谱识别微塑料的分类模型取得了较高的准确率[48].加装显微系统的FTIR（μ-FTIR）在识别微塑料的同时可以截取视野的显微图像, 统计微塑料形状信息的同时有利于扩充数据集样本量, 进而提高识别准确率并避免人为干扰的过拟合等情况.Hufnagl等[49]采用μ-FTIR截取的显微图像辅助识别, 构建的RF模型对多种介质中常见的22种微塑料识别准确率≥91%.
LDIR通过在成像前扫描样品并仅分析目标样点以减少分析时间, 但由于仪器收集的红外波段较窄（900~1 800 cm-1）并且获取光谱信息有限, 导致在分析实际环境中老化的微塑料时错误率高[50].因此机器学习技术被用于提高LDIR识别复杂微塑料的准确率.Tian等[51]构建了KNN、提升决策树（boosting decision tree, BDT）两种监督学习模型识别微塑料的LDIR光谱特征, 90%以上的微塑料样本可以被模型识别, KNN、BDT模型的识别准确率分别为89.7%和77.1%；同时该研究发现仅使用无监督学习模型无法有效识别微塑料, 而监督学习和无监督学习结合使用可以减少标记的工作量.
相较于FTIR, Raman覆盖波长更广、抗水干扰且具有更高分辨率（1 μm）, 但Raman对微塑料样品表面的杂质去除情况要求更加严苛, 成像时间更长且信号微弱难以解析[52].机器学习技术常用于增强拉曼光谱信号以提高对微塑料的识别效率.Luo等[53]改进了PCA算法并生成模拟拉曼光谱的“PCA光谱”, 从而捕获到更高的信噪比并完成了微米级微塑料的验证分析；杨思节等[54]结合信号增强的处理方法构建了RF识别模型, 对海水中的6种微塑料识别分类准确率 > 93.1%.但基于Raman光谱, 借助机器学习构建识别模型的方法对多种复杂介质中微塑料的识别效果有待深入研究.
作为新世纪新兴技术, NIR广泛应用于各类污染物的化学成分分析和空间分布测定[55].NIR分析样品时不需复杂前处理, 对复杂介质中的污染物可以快速定量和定性, 已经在包括微塑料在内的各类污染物识别分析中有广泛应用[56].近红外光谱包含大量冗余信息, 利用机器学习技术建模可以提取有效特征并快速检出待测介质中微塑料的浓度和聚合物类型[57].Shan等[58]利用vis-NIR采集高光谱图像并建立基于SVM的土壤微塑料快速检测模型, 模型可以成功区分微塑料与环境介质, 对PE微塑料的识别准确率≥76%；Paul等[59]对比了PLS、SVM模型对土壤微塑料的识别效果后发现, SVM模型的准确率和敏感度均高于PLS模型, Zhao等[60]建立的SVM模型也取得了较高准确率（> 0.89）.这表明基于NIR识别微塑料时, SVM模型具备强大分类能力和良好泛化性能.CNN、PLS、BayesB和PCA等算法也应用于NIR识别微塑料的建模中, 并以高准确率识别了土壤、堆肥、沙滩沙土和水体样本中的制备微塑料或自然风化微塑料[61~65].然而, 训练模型时的供训练的数据集有限导致模型迁移性较差, 难以识别供试介质和微塑料样品的区别.因此, 为提高模型在分析不同类型土壤样本的适用性, Zhao等[60]探究了不同土壤类型间迁移的微塑料检测模型, 构建的流形嵌入自适应迁移学习模型（manifold embedded distribution alignment, MEDA）对源土壤与迁移目标土壤中微塑料的识别准确率分别达到98%和80%, 为NIR大规模应用于土壤微塑料识别提供了解决途径.目前, NIR技术成为快速评估土壤中微塑料污染特征的新兴技术, 但有研究发现, NIR对深色的微塑料颗粒识别率偏低, 对不同聚合物类型微塑料的识别效果差别较大（难分辨PET）[61], 也无法精确识别不同类型介质中多类型颗粒共存的样品.因此研究中可采用消解或挑拣等针对性前处理, 纯化或富集样品中的微塑料[66].
由于机器学习技术的建模在NIR识别微塑料研究中不可替代性强, 因此目前研究在NIR方面应用了多种机器学习算法并评估了多种复杂场景下微塑料的识别效果；而借助LDIR光谱识别微塑料的过程相对容易, 这可能导致了机器学习技术在LDIR识别方向应用的匮乏.借助机器学习技术使用FTIR、Raman、LDIR或NIR识别微塑料时, 多种算法结合的方法在训练效率和分析全面性等方面表现出色.未来的研究应当考虑将各类光谱法混合选用, 以做到结果相互验证并打破使用单一光谱法识别的局限性；此外, 多种算法结合应用的可行性也有待研究.由于各类光谱数据集的数量和质量决定了建模的优劣, 进而影响着识别的效率, 因此在发表相关文章时应鼓励上传开源的训练数据集, 以促进该领域的研究深入发展[67].
2 机器学习在微塑料污染溯源研究中的应用进入环境的塑料和微塑料在机械作用和光热老化作用下进一步降解为粒径更小的微塑料[68, 69].环境中的微塑料来源复杂, 例如存在于农田土壤微塑料的可能来源有地膜覆盖、堆肥、大气沉降、灌溉水和污泥施用等[70].确定微塑料来源对微塑料污染防治和生态风险预测有重要意义.研究中通常根据对可能的影响因素与微塑料污染丰度进行相关性分析[71], 依靠微塑料的可能来源和检出微塑料表征对比进行化学分析, 以推测出微塑料的大致来源比例[72, 73], 该流程操作步骤复杂、误差较大且依赖于经验推测.目前研究采用的微塑料溯源方法缺乏科学性和可靠性.机器学习可以通过输入的数据构建模型, 根据有限数据预测污染来源, 提高污染物的可追溯性的同时也缩减了传统溯源方法的实施成本[74].目前, 机器学习技术已广泛应用于环境中的包括微塑料在内的污染物溯源和预测[75~78].
RF模型通常用基尼指数（Gini index）衡量各变量对结果的影响程度并通过分析重要性排序预测污染来源, 是微塑料溯源和预测研究中最常用的机器学习算法.研究者可以直观地根据基尼指数高低排列变量, 并根据排序了解影响微塑料赋存的主要因素并推测微塑料来源.朱宇恩等[79]选取了工业总产值、工业废水排放量、农膜使用量、人口数量、地区生产总值、生活污水排放量、工业废水化学需氧量浓度、玉米播种面积、棉花播种面积、粉砂粒占比和黏粒占比作为预测变量, 微塑料丰度作为目标值, 构建RF模型评估了各预测变量对汾河沿岸土壤采样点中微塑料丰度的影响程度, 全流域分析结果显示, 农用塑料薄膜使用是造成汾河沿岸农田土壤微塑料赋存现状的主要影响因素.除了分析试验数据中微塑料的来源外, RF也可用于文献中的微塑料溯源推测.Li等[80]选取人为因素（人口、国内生产总值、土地利用和牧场）和自然因素（温度和降水量、蒸腾作用、高程和平均坡度以及土壤组成）作为预测变量, 构建RF模型评估了各预测变量对淡水环境中微塑料丰度和赋存特征的影响, 全球分析结果发现, GDP、人口和农业用地等人类活动重要性分别占15.76%、15.64%和14.74%, 各大洲的分析结果发现, 影响微塑料丰度及赋存的主要因素有明显差别.以上研究选取的预测变量数据来源于统计年鉴等公开数据, 为使预测变量更加符合实际样点情况, Zhang等[81]采取问卷调查方式调查了样点的作物类型、年降水量、种植模式、灌溉方式、土壤质地、覆盖时间和地膜量, 并将调查问卷结果作为预测变量, 构建RF模型并评估, 发现地膜用量、年降水量和种植方式是影响微塑料丰度的主要因素.RF的影响因素排序为微塑料溯源或分析影响微塑料赋存因素提供了方法支撑, 减少了传统调查或化学计量方法的工作量, 但目前的方法仍无法得出微塑料的确切来源与比例.微塑料溯源需要借助新的思路或算法.
目前, 人工神经网络（artificial neural network, ANN）、概率神经网络（PNN）和SVM等更多算法广泛应用于污染物的溯源研究中.Grbčić等[78]构建了基于ANN和RF算法的预测模型, 在追溯污染物来源的同时也能预测污染的开始和结束时间以及污染物浓度变化；Vesselinov等[82]基于非负矩阵分解算法（non-negative matrix factorization, NMK）和K均值聚类算法（K-means）建立了地下水污染源识别模型, 该模型也具备土壤或大气污染物溯源应用适用性.然而, 受到预测变量少、整体数据量小和微塑料污染特征复杂等客观条件的限制, 微塑料溯源研究缺乏多种算法的应用.未来需探索更多可用于微塑料溯源的算法并对微塑料来源进行更深入研究.
3 机器学习在微塑料环境效应评估中的应用现有多数的污染物环境效应评估的模型局限于经验回归模型或有限的机制模型[83], 以上模型是对污染过程进行简化后得出, 往往受到污染物浓度和类型等有限变量的限制, 无法解释复杂的污染行为[84].机器学习可以在不依赖于假设机制的前提下, 通过学习输入的大量数据并从中总结输入特征和预测目标之间的复杂关系[85], 从而在底层机制不清或未参数化时产生准确的预测.传统模型与新兴的机器学习结合的集成模型成为分析污染物环境效应的有效途径[84, 86].微塑料作为一种新型污染物, 可以与环境介质间产生复杂的物理化学反应, 并且其毒理学效应、食物链传递过程、复合污染机制及影响因素等仍存在诸多疑问[87~89].
应用机器学习技术将有助于分析微塑料在环境中发生的复杂老化和降解行为.Mehmood等[90]采集微塑料用红外光谱并基于Johnsen指数, 构建了优于传统计算方法的PLS模型来预测老化过程中微塑料（PE、PP、PVC和PET）的羰基和羟基指数, 为快速评估微塑料老化程度和环境风险提供了支撑.
微塑料的环境效应或毒性可能与其本身特性和吸附污染物的联合效应相关, 因此可以通过将定量构效关系（QASR）模型等传统模型与机器学习模型结合的方法探究微塑料的环境效应或毒性[91].Astray等[92]通过构建RF、SVM和ANN这3种机器学习模型预测不同的微塑料/水分配系数（lg Kd）, 评估了各种特定水环境中的PE、PP和PS微塑料对有机污染物的吸附能力, 并确认了机器学习模型在该方向研究的可行性（相关系数均≥0.92）.Sun等[27]应用PCA算法分析了微塑料对土壤功能产生的影响, 明确了微塑料浓度、形状和聚合物类型对土壤细菌的影响机制, 并应用RF算法建模发现了响应微塑料浓度的关键细菌, RF算法也可被用于探究微塑料表面微生物多样性和群落组成的驱动因素[93]；Li等[80]应用RF模型揭示：微塑料的存在降低了河流碳代谢能力, 并且微塑料与热浪的共同作用可以增加碳释放量从而加剧全球变暖.RF模型对数据集规范性要求低且可处理高维数据, 因此在评价微塑料环境效应的Meta文献分析中也取得了良好效果[94]：Gao等[95]借助RF模型分析了微塑料对作物生长变量和土壤健康变化的影响并评估了产生影响的主要微塑料因素；Arciga等[96]分析了微塑料对海洋无脊椎生物生长的影响并明确了微塑料粒径是主要影响因素.
以上研究往往采用单一或几种模型或算法, 难以达到最优预测性能；模型或算法的应用涉及到特征工程、模型及算法选择和超参数调优等方面, 难以被快速设计和泛化应用.自动化机器学习技术（automated machine learning, AutoML）可以自动执行模型选择和参数调优操作, 设计和构建出优化机器学习模型, 使编程经验有限的研究人员也能快速调用合适算法并应用于微塑料的相关研究[97, 98].Xu等[99]通过使用AutoML框架并调用多种算法, 首次揭示了厌氧消化过程中微塑料的类型、尺寸和浓度特征对甲烷产生的影响, 并预测出改善甲烷产量的消化时间、微塑料特征和基质特性等消化条件.
目前, 传统模型和假设机制仍是探究微塑料环境效应的主要方法, 应用于微塑料环境效应研究领域的机器学习算法种类有限且针对性差.RF准确率高、抗噪声能力强且数据集无需规范化也能处理高维数据, 是微塑料环境效应领域应用最广泛的模型.AutoML技术已经开始部分应用于环境领域的相关研究, 该技术的出现也为机器学习在微塑料环境效应研究领域的广泛应用提供了可能.
4 展望（1）规范和统一的微塑料检测方法可以提高各研究取得检测数据的可比性、可靠性和科学性, 为机器学习技术在微塑料识别领域的应用提供大量可靠训练数据, 加速识别方法进一步升级和优化.目前已有大量研究应用机器学习技术提高识别微塑料的自动化程度和效率, 但前处理、分离、纯化和识别等方法仍未有标准化规程.微塑料检测方法的规范性与统一性还有待进一步研究.
（2）微塑料可以在复杂的人为或环境因素（气候和地理等）影响下长途迁移和再分布[100], 形成各生态系统中微塑料的循环[101~103].使用传统模型或假设探究微塑料迁移过程时, 往往忽略部分环境因素或微塑料特征并将其简化, 难以准确预测微塑料的大规模迁移行为.机器学习在部分颗粒污染物（PM2.5[104]、火山灰[105]和气溶胶[106]等）迁移预测中已经有广泛应用, 并用于构建污染物的迁移、分布预测模型和风险预警模型[107].但机器学习应用于微塑料迁移相关的研究比较有限.具备强大数据处理能力和建模预测能力的机器学习模型, 可以为微塑料迁移提供数据驱动的预测模型, 也有望与传统模型结合探究微塑料迁移的底层机制, 成为探究全球微塑料迁移、循环和分布规律的有效技术途径.
（3）在发表微塑料相关的研究论文时, 应鼓励作者上传初始的研究数据并建立相关的微塑料研究数据库, 为更多算法的应用与探索提供更丰富的数据集；在此基础上, 建立全球范围的微塑料污染数据库, 开发针对性的机器学习算法构建微塑料区域性污染预测模型, 为微塑料污染控制和环境风险评估提供数据支撑.
（4）应考虑借鉴机器学习在其他类似污染物中的成熟应用, 开发针对微塑料研究的相关机器学习算法, 推进微塑料识别、污染特征、迁移行为和环境效应等方面深入研究与应用.
5 结论（1）微塑料鉴定识别领域中：计算机视觉广泛应用于微塑料的视觉识别并优于传统的人工目视识别, 但针对性和最新的计算机视觉算法成果应用相对匮乏；机器学习算法广泛应用于处理微塑料的各类光谱, 解决了复杂光谱分析和比对困难等问题, 多种算法和光谱的结合使用可进一步提高识别效率.机器学习技术的应用扩展了微塑料识别手段, 使微塑料识别迈向自动化, 可以进一步加速微塑料识别方法的发展和规范.
（2）机器学习技术为微塑料污染溯源研究提供方法支撑, 提高了微塑料的可追溯性, 也缩减了传统溯源方法的实施成本.RF模型对数据集的适应性强、训练速度快且实现简单, 但仍无法评估微塑料的确切来源与比例.受限于检测方法不成熟、预测变量少、数据量小和微塑料的复杂特性等因素, 微塑料溯源领域应用机器学习算法较少且效果存在局限.
（3）在微塑料污染的环境效应底层机制不清时, 机器学习技术可以从高维度（微塑料性质与环境因素等）探索微塑料的迁移、分布与环境效应机制, 这是加速和深化微塑料环境效应领域研究的必要技术手段.RF准确率高、抗噪声能力强、数据集无需规范化也能处理高维数据, 是微塑料环境效应领域应用最广泛的模型.目前, 应用于微塑料环境效应研究领域的机器学习算法种类有限且针对性差, 仍局限于传统模型和传统方法分析.
| [1] | Thompson R C, Olsen Y, Mitchell R P, et al. Lost at sea: where is all the plastic?[J]. Science, 2004, 304(5672): 838-838. DOI:10.1126/science.1094559 |
| [2] | Rillig M C. Microplastic in terrestrial ecosystems and the soil?[J]. Environmental Science & Technology, 2012, 46(12): 6453-6454. |
| [3] | Sarker A, Deepo D M, Nandi R, et al. A review of microplastics pollution in the soil and terrestrial ecosystems: a global and Bangladesh perspective[J]. Science of the Total Environment, 2020, 733. DOI:10.1016/j.scitotenv.2020.139296 |
| [4] | Li C R, Busquets R, Campos L C. Assessment of microplastics in freshwater systems: a review[J]. Science of the Total Environment, 2020, 707. DOI:10.1016/j.scitotenv.2019.135578 |
| [5] | Zhou Y J, Wang J X, Zou M M, et al. Microplastics in soils: a review of methods, occurrence, fate, transport, ecological and environmental risks[J]. Science of the Total Environment, 2020, 748. DOI:10.1016/j.scitotenv.2020.141368 |
| [6] | Shao L Y, Li Y W, Jones T, et al. Airborne microplastics: a review of current perspectives and environmental implications[J]. Journal of Cleaner Production, 2022, 347. DOI:10.1016/j.jclepro.2022.131048 |
| [7] | Zhao S L, Zhang Z Q, Chen L, et al. Review on migration, transformation and ecological impacts of microplastics in soil[J]. Applied Soil Ecology, 2022, 176. DOI:10.1016/j.apsoil.2022.104486 |
| [8] | Anderson J C, Park B J, Palace V P. Microplastics in aquatic environments: implications for Canadian ecosystems[J]. Environmental Pollution, 2016, 218: 269-280. DOI:10.1016/j.envpol.2016.06.074 |
| [9] | Ladewig S M, Coco G, Hope J A, et al. Real-world impacts of microplastic pollution on seafloor ecosystem function[J]. Science of the Total Environment, 2023, 858. DOI:10.1016/j.scitotenv.2022.160114 |
| [10] | Yao Y, Wang L L, Pan S F, et al. Can microplastics mediate soil properties, plant growth and carbon/nitrogen turnover in the terrestrial ecosystem?[J]. Ecosystem Health and Sustainability, 2022, 8(1). DOI:10.1080/20964129.2022.2133638 |
| [11] | Zhang J R, Ren S Y, Xu W, et al. Effects of plastic residues and microplastics on soil ecosystems: a global meta-analysis[J]. Journal of Hazardous Materials, 2022, 435. DOI:10.1016/j.jhazmat.2022.129065 |
| [12] | Lee H, Shim W J, Kwon J H. Sorption capacity of plastic debris for hydrophobic organic chemicals[J]. Science of the Total Environment, 2014, 470⁃471: 1545-1552. |
| [13] | Vignieri S. Microplastic's triple threat[J]. Science, 2016, 352(6290): 1185. DOI:10.1126/science.2016.352.6290.twis |
| [14] | Gong J, Xie P. Research progress in sources, analytical methods, eco-environmental effects, and control measures of microplastics[J]. Chemosphere, 2020, 254. DOI:10.1016/j.chemosphere.2020.126790 |
| [15] | Huang Z K, Hu B, Wang H. Analytical methods for microplastics in the environment: a review[J]. Environmental Chemistry Letters, 2023, 21(1): 383-401. DOI:10.1007/s10311-022-01525-7 |
| [16] | Pérez-Guevara F, Kutralam-Muniasamy G, Shruti V C. Critical review on microplastics in fecal matter: research progress, analytical methods and future outlook[J]. Science of the Total Environment, 2021, 778. DOI:10.1016/j.scitotenv.2021.146395 |
| [17] |
朱晏民, 徐爱兰, 孙强. 基于深度学习的空气质量预报方法新进展[J]. 中国环境监测, 2020, 36(3): 10-18. Zhu Y M, Xu A L, Sun Q. New progress for air quality forecasting methods based on deep learning[J]. Environmental Monitoring in China, 2020, 36(3): 10-18. |
| [18] |
庞蕊蕊, 邵博群, 李烨, 等. 机器学习在抗生素的鉴定识别、微生物作用机制以及去除效果评估中的应用研究进展[J]. 环境化学, 2022, 41(6): 1947-1956. Pang R R, Shao B Q, Li Y, et al. Research progress in the application of machine learning in the identification of antibiotics, microbial mechanism of action and evaluation of removal effect[J]. Environmental Chemistry, 2022, 41(6): 1947-1956. |
| [19] |
金昭, 吕建树. 基于机器学习模型的区域土壤重金属空间预测精度比较研究[J]. 地理研究, 2022, 41(6): 1731-1747. Jin Z, Lv J S. Comparison of the accuracy of spatial prediction for heavy metals in regional soils based on machine learning models[J]. Geographical Research, 2022, 41(6): 1731-1747. |
| [20] | Xu Y C, Zhang L F, Du B, et al. Hyperspectral anomaly detection based on machine learning: an overview[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 3351-3364. DOI:10.1109/JSTARS.2022.3167830 |
| [21] | Meza Ramirez C A, Greenop M, Ashton L, et al. Applications of machine learning in spectroscopy[J]. Applied Spectroscopy Reviews, 2021, 56(8-10): 733-763. DOI:10.1080/05704928.2020.1859525 |
| [22] | Ai W J, Liu S L, Liao H P, et al. Application of hyperspectral imaging technology in the rapid identification of microplastics in farmland soil[J]. Science of the Total Environment, 2022, 807. DOI:10.1016/j.scitotenv.2021.151030 |
| [23] | Lin J Y, Liu H T, Zhang J. Recent advances in the application of machine learning methods to improve identification of the microplastics in environment[J]. Chemosphere, 2022, 307. DOI:10.1016/j.chemosphere.2022.136092 |
| [24] | Huang R X, Ma C X, Ma J, et al. Machine learning in natural and engineered water systems[J]. Water Research, 2021, 205. DOI:10.1016/j.watres.2021.117666 |
| [25] | Zhang W T, Huang W G, Tan J, et al. Modeling, optimization and understanding of adsorption process for pollutant removal via machine learning: recent progress and future perspectives[J]. Chemosphere, 2023, 311. DOI:10.1016/j.chemosphere.2022.137044 |
| [26] | Taoufik N, Boumya W, Achak M, et al. The state of art on the prediction of efficiency and modeling of the processes of pollutants removal based on machine learning[J]. Science of the Total Environment, 2022, 807. DOI:10.1016/j.scitotenv.2021.150554 |
| [27] | Sun Y Z, Duan C X, Cao N, et al. Effects of microplastics on soil microbiome: the impacts of polymer type, shape, and concentration[J]. Science of the Total Environment, 2022, 806. DOI:10.1016/j.scitotenv.2021.150516 |
| [28] | Zhang S L, Wang J Q, Liu X, et al. Microplastics in the environment: a review of analytical methods, distribution, and biological effects[J]. TrAC Trends in Analytical Chemistry, 2019, 111: 62-72. DOI:10.1016/j.trac.2018.12.002 |
| [29] | Li J Y, Liu H H, Chen J P. Microplastics in freshwater systems: a review on occurrence, environmental effects, and methods for microplastics detection[J]. Water Research, 2018, 137: 362-374. DOI:10.1016/j.watres.2017.12.056 |
| [30] | Xu J L, Thomas K V, Luo Z S, et al. FTIR and Raman imaging for microplastics analysis: state of the art, challenges and prospects[J]. TrAC Trends in Analytical Chemistry, 2019, 119. DOI:10.1016/j.trac.2019.115629 |
| [31] | Yurtsever M, Yurtsever U. Use of a convolutional neural network for the classification of microbeads in urban wastewater[J]. Chemosphere, 2019, 216: 271-280. DOI:10.1016/j.chemosphere.2018.10.084 |
| [32] | Bertoldi C, Lara L Z, Gomes A A, et al. Microplastic abundance quantification via a computer-vision-based chemometrics-assisted approach[J]. Microchemical Journal, 2021, 160. DOI:10.1016/j.microc.2020.105690 |
| [33] | Shi B, Patel M, Yu D, et al. Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning[J]. Science of the Total Environment, 2022, 825. DOI:10.1016/j.scitotenv.2022.153903 |
| [34] |
潘斌辉, 张翔, 杨金鸽. 基于计算机视觉的微塑料颗粒物识别与检测[J]. 塑料科技, 2020, 48(8): 88-91. Pan B H, Zhang X, Yang J G. Recognition and detection of microplastic particles based on computer vision[J]. Plastics Science and Technology, 2020, 48(8): 88-91. |
| [35] | Kotar S, McNeish R, Murphy-Hagan C, et al. Quantitative assessment of visual microscopy as a tool for microplastic research: recommendations for improving methods and reporting[J]. Chemosphere, 2022, 308. DOI:10.1016/j.chemosphere.2022.136449 |
| [36] | Corradini F, Casado F, Leiva V, et al. Microplastics occurrence and frequency in soils under different land uses on a regional scale[J]. Science of the Total Environment, 2021, 752. DOI:10.1016/j.scitotenv.2020.141917 |
| [37] | van Schothorst B, Beriot N, Huerta Lwanga E, et al. Sources of light density microplastic related to two agricultural practices: the use of compost and plastic mulch[J]. Environments, 2021, 8(4). DOI:10.3390/environments8040036 |
| [38] |
白润昊, 崔吉晓, 范瑞琪, 等. 农田土壤地膜源微塑料分离检测方法优化[J]. 中国环境科学, 2023, 43(5): 2404-2412. Bai R H, Cui J X, Fan R Q, et al. Temporal and spatial variations of sedimentary nitrogen forms in the Lancang River and Nu River[J]. China Environmental Science, 2023, 43(5): 2404-2412. DOI:10.3969/j.issn.1000-6923.2023.05.032 |
| [39] | Giardino M, Balestra V, Janner D, et al. Automated method for routine microplastic detection and quantification[J]. Science of the Total Environment, 2023, 859. DOI:10.1016/j.scitotenv.2022.160036 |
| [40] | Meyers N, Catarino A I, Declercq A M, et al. Microplastic detection and identification by Nile red staining: towards a semi-automated, cost- and time-effective technique[J]. Science of the Total Environment, 2022, 823. DOI:10.1016/j.scitotenv.2022.153441 |
| [41] | Massarelli C, Campanale C, Uricchio V F. A handy open-source application based on computer vision and machine learning algorithms to count and classify microplastics[J]. Water, 2021, 13(15). DOI:10.3390/w13152104 |
| [42] | Guo X, Lin H, Xu S P, et al. Recent advances in spectroscopic techniques for the analysis of microplastics in food[J]. Journal of Agricultural and Food Chemistry, 2022, 70(5): 1410-1422. DOI:10.1021/acs.jafc.1c06085 |
| [43] | Veerasingam S, Ranjani M, Venkatachalapathy R, et al. Contributions of Fourier transform infrared spectroscopy in microplastic pollution research: a review[J]. Critical Reviews in Environmental Science and Technology, 2021, 51(22): 2681-2743. DOI:10.1080/10643389.2020.1807450 |
| [44] | Haas J, Mizaikoff B. Advances in mid-infrared spectroscopy for chemical analysis[J]. Annual Review of Analytical Chemistry, 2016, 9: 45-68. DOI:10.1146/annurev-anchem-071015-041507 |
| [45] |
鞠薇, 鲁昌华, 张玉钧, 等. 集成学习结合波长选取的有机物红外光谱定量回归方法研究[J]. 光谱学与光谱分析, 2023, 43(1): 239-247. Ju W, Lu C H, Zhang Y J, et al. Research on quantitative regression method of IR spectra of organic compounds based on ensemble learning with wavelength selection[J]. Spectroscopy and Spectral Analysis, 2023, 43(1): 239-247. |
| [46] |
张宇波, 成丽君. 基于红外光谱成像技术的环境微塑料检测研究[J]. 塑料科技, 2020, 48(8): 53-55. Zhang Y B, Cheng L J. Study on microplastic detection with infrared spectral imaging system[J]. Plastics Science and Technology, 2020, 48(8): 53-55. |
| [47] | de Freitas A G M, Minho L A C, de Magalhães B E A, et al. Infrared spectroscopy combined with random forest to determine tylosin residues in powdered milk[J]. Food Chemistry, 2021, 365. DOI:10.1016/j.foodchem.2021.130477 |
| [48] | Hufnagl B, Steiner D, Renner E, et al. A methodology for the fast identification and monitoring of microplastics in environmental samples using random decision forest classifiers[J]. Analytical Methods, 2019, 11(17): 2277-2285. DOI:10.1039/C9AY00252A |
| [49] | Hufnagl B, Stibi M, Martirosyan H, et al. Computer-assisted analysis of microplastics in environmental samples based on μFTIR imaging in combination with machine learning[J]. Environmental Science & Technology Letters, 2022, 9(1): 90-95. |
| [50] | Primpke S, Godejohann M, Gerdts G. Rapid identification and quantification of microplastics in the environment by quantum cascade laser-based hyperspectral infrared chemical imaging[J]. Environmental Science & Technology, 2020, 54(24): 15893-15903. |
| [51] | Tian X, Beén F, Bäuerlein P S. Quantum cascade laser imaging (LDIR) and machine learning for the identification of environmentally exposed microplastics and polymers[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113569 |
| [52] | Cabernard L, Roscher L, Lorenz C, et al. Comparison of Raman and Fourier transform infrared spectroscopy for the quantification of microplastics in the aquatic environment[J]. Environmental Science & Technology, 2018, 52(22): 13279-13288. |
| [53] | Luo Y L, Gibson C T, Chuah C, et al. Applying Raman imaging to capture and identify microplastics and nanoplastics in the garden[J]. Journal of Hazardous Materials, 2022, 426. DOI:10.1016/j.jhazmat.2021.127788 |
| [54] |
杨思节, 冯巍巍, 蔡宗岐, 等. 基于拉曼光谱技术的海水微塑料快速识别技术研究[J]. 光谱学与光谱分析, 2021, 41(8): 2469-2473. Yang S J, Feng W W, Cai Z Q, et al. Study on rapid recognition of marine microplastics based on Raman spectroscopy[J]. Spectroscopy and Spectral Analysis, 2021, 41(8): 2469-2473. |
| [55] |
褚小立, 陆婉珍. 近五年我国近红外光谱分析技术研究与应用进展[J]. 光谱学与光谱分析, 2014, 34(10): 2595-2605. Chu X L, Lu W Z. Research and application progress of near infrared spectroscopy analytical technology in China in the past five years[J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2595-2605. |
| [56] |
褚小立, 史云颖, 陈瀑, 等. 近五年我国近红外光谱分析技术研究与应用进展[J]. 分析测试学报, 2019, 38(5): 603-611. Chu X L, Shi Y Y, Chen P, et al. Research and application progresses of near infrared spectroscopy analytical technique in China in past five years[J]. Journal of Instrumental Analysis, 2019, 38(5): 603-611. |
| [57] | Zhang W W, Kasun L C, Wang Q J, et al. A review of machine learning for near-infrared spectroscopy[J]. Sensors, 2022, 22(24). DOI:10.3390/s22249764 |
| [58] | Shan J J, Zhao J B, Liu L F, et al. A novel way to rapidly monitor microplastics in soil by hyperspectral imaging technology and chemometrics[J]. Environmental Pollution, 2018, 238: 121-129. DOI:10.1016/j.envpol.2018.03.026 |
| [59] | Paul A, Wander L, Becker R, et al. High-throughput NIR spectroscopic (NIRS) detection of microplastics in soil[J]. Environmental Science and Pollution Research, 2019, 26(8): 7364-7374. DOI:10.1007/s11356-018-2180-2 |
| [60] | Zhao S T, Qiu Z J, He Y. Transfer learning strategy for plastic pollution detection in soil: calibration transfer from high-throughput HSI system to NIR sensor[J]. Chemosphere, 2021, 272. DOI:10.1016/j.chemosphere.2021.129908 |
| [61] | Ng W, Minasny B, McBratney A. Convolutional neural network for soil microplastic contamination screening using infrared spectroscopy[J]. Science of the Total Environment, 2020, 702. DOI:10.1016/j.scitotenv.2019.134723 |
| [62] | Wander L, Lommel L, Meyer K, et al. Development of a low-cost method for quantifying microplastics in soils and compost using near-infrared spectroscopy[J]. Measurement Science and Technology, 2022, 33(7). DOI:10.1088/1361-6501/ac5e5f |
| [63] | Corradini F, Bartholomeus H, Huerta Lwanga E, et al. Predicting soil microplastic concentration using vis-NIR spectroscopy[J]. Science of the Total Environment, 2018, 650: 922-932. |
| [64] | Vidal C, Pasquini C. A comprehensive and fast microplastics identification based on near-infrared hyperspectral imaging (HSI-NIR) and chemometrics[J]. Environmental Pollution, 2021, 285. DOI:10.1016/j.envpol.2021.117251 |
| [65] | Kitahashi T, Nakajima R, Nomaki H, et al. Development of robust models for rapid classification of microplastic polymer types based on near infrared hyperspectral images[J]. Analytical Methods, 2021, 13(19): 2215-2222. DOI:10.1039/D1AY00110H |
| [66] |
陈雅兰, 孙可, 韩兰芳, 等. 土壤中微塑料的分离及检测方法研究进展[J]. 土壤学报, 2022, 59(2): 364-380. Chen Y L, Sun K, Han L F, et al. Separation, identification, and quantification methods in soil microplastics analysis: a review[J]. Acta Pedologica Sinica, 2022, 59(2): 364-380. |
| [67] | Neo E R K, Yeo Z, Low J S C, et al. A review on chemometric techniques with infrared, Raman and laser-induced breakdown spectroscopy for sorting plastic waste in the recycling industry[J]. Resources, Conservation and Recycling, 2022, 180. DOI:10.1016/j.resconrec.2022.106217 |
| [68] | Yang Y, Li Z, Yan C R, et al. Kinetics of microplastic generation from different types of mulch films in agricultural soil[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.152572 |
| [69] | Viljoen S J, Brailsford F L, Murphy D V, et al. Leaching of phthalate acid esters from plastic mulch films and their degradation in response to UV irradiation and contrasting soil conditions[J]. Journal of Hazardous Materials, 2023, 443. DOI:10.1016/j.jhazmat.2022.130256 |
| [70] | Yang L, Zhang Y L, Kang S C, et al. Microplastics in soil: a review on methods, occurrence, sources, and potential risk[J]. Science of the Total Environment, 2021, 780. DOI:10.1016/j.scitotenv.2021.146546 |
| [71] | Naik R A, Rowles III L S, Hossain A I, et al. Microplastic particle versus fiber generation during photo-transformation in simulated seawater[J]. Science of the Total Environment, 2020, 736. DOI:10.1016/j.scitotenv.2020.139690 |
| [72] | Siegfried M, Koelmans A A, Besseling E, et al. Export of microplastics from land to sea. A modelling approach[J]. Water Research, 2017, 127: 249-257. DOI:10.1016/j.watres.2017.10.011 |
| [73] | Liu K, Wu T N, Wang X H, et al. Consistent transport of terrestrial microplastics to the ocean through atmosphere[J]. Environmental Science & Technology, 2019, 53(18): 10612-10619. |
| [74] | Sun M, You X Y. Method of traceability of pollution source by machine learning[J]. IOP Conference Series: Earth and Environmental Science, 2019, 310(5). DOI:10.1088/1755-1315/310/5/052082 |
| [75] | Guo Z H, Zhang Y X, Xu R, et al. Contamination vertical distribution and key factors identification of metal(loid)s in site soil from an abandoned Pb/Zn smelter using machine learning[J]. Science of the Total Environment, 2023, 856. DOI:10.1016/j.scitotenv.2022.159264 |
| [76] | Lu X, Liu Y Z, Zhang Q H, et al. Online detection and source tracing of VOCs in the air[J]. Optics & Laser Technology, 2022, 149. DOI:10.1016/j.optlastec.2021.107826 |
| [77] | Hu Y R, Du W J, Yang C, et al. Source identification and prediction of nitrogen and phosphorus pollution of Lake Taihu by an ensemble machine learning technique[J]. Frontiers of Environmental Science & Engineering, 2023, 17(5). DOI:10.1007/s11783-023-1655-7 |
| [78] | Grbčić L, Lučin I, Kranjčević L, et al. A machine learning-based algorithm for water network contamination source localization[J]. Sensors, 2020, 20(9). DOI:10.3390/s20092613 |
| [79] |
朱宇恩, 文瀚萱, 李唐慧娴, 等. 汾河沿岸农田土壤微塑料分布特征及成因解析[J]. 环境科学, 2021, 42(8): 3894-3903. Zhu Y E, Wen H X, Li T H X, et al. Distribution and sources of microplastics in farmland soil along the Fenhe River[J]. Environmental Science, 2021, 42(8): 3894-3903. |
| [80] | Li W X, Li X, Tong J, et al. Effects of environmental and anthropogenic factors on the distribution and abundance of microplastics in freshwater ecosystems[J]. Science of the Total Environment, 2023, 856. DOI:10.1016/j.scitotenv.2022.159030 |
| [81] | Zhang H R, Jin T, Geng M J, et al. Occurrence of microplastics from plastic fragments in cultivated soil of Sichuan province: the key controls[J]. Water, 2022, 14(9). DOI:10.3390/w14091417 |
| [82] | Vesselinov V V, Alexandrov B S, O'Malley D. Contaminant source identification using semi-supervised machine learning[J]. Journal of Contaminant Hydrology, 2018, 212: 134-142. DOI:10.1016/j.jconhyd.2017.11.002 |
| [83] | Gao F, Shen Y K, Brett Sallach J, et al. Predicting crop root concentration factors of organic contaminants with machine learning models[J]. Journal of Hazardous Materials, 2022, 424. DOI:10.1016/j.jhazmat.2021.127437 |
| [84] | Sigurnjak Bureš M, Cvetnić M, Miloloža M, et al. Modeling the toxicity of pollutants mixtures for risk assessment: a review[J]. Environmental Chemistry Letters, 2021, 19(2): 1629-1655. DOI:10.1007/s10311-020-01107-5 |
| [85] | Ahmad M B, Soomro U, Muqeet M, et al. Adsorption of Indigo Carmine dye onto the surface-modified adsorbent prepared from municipal waste and simulation using deep neural network[J]. Journal of Hazardous Materials, 2021, 408. DOI:10.1016/j.jhazmat.2020.124433 |
| [86] | Chatterjee M, Roy K. Recent advances on modelling the toxicity of environmental pollutants for risk assessment: from single pollutants to mixtures[J]. Current Pollution Reports, 2022, 8(2): 81-97. DOI:10.1007/s40726-022-00219-6 |
| [87] |
赵伟高, 田一梅, 赵鹏, 等. 淡水环境中微塑料与重金属的"木马效应"研究进展[J]. 环境科学, 2023, 44(3): 1244-1257. Zhao W G, Tian Y M, Zhao P, et al. Research progress on Trojan-horse effect of microplastics and heavy metals in freshwater environment[J]. Environmental Science, 2023, 44(3): 1244-1257. |
| [88] |
杨婧婧, 徐笠, 陆安祥, 等. 环境中微(纳米)塑料的来源及毒理学研究进展[J]. 环境化学, 2018, 37(3): 383-396. Yang J J, Xu L, Lu A X, et al. Research progress on the sources and toxicology of micro (Nano) plastics in environment[J]. Environmental Chemistry, 2018, 37(3): 383-396. |
| [89] |
任欣伟, 唐景春, 于宸, 等. 土壤微塑料污染及生态效应研究进展[J]. 农业环境科学学报, 2018, 37(6): 1045-1058. Ren X W, Tang J C, Yu C, et al. Advances in research on the ecological effects of microplastic pollution on soil ecosystems[J]. Journal of Agro-Environment Science, 2018, 37(6): 1045-1058. |
| [90] | Mehmood T, Tahir M, Zhi C. The aging behavior of microplastics manufactured from diverse polymers is predicted by the Johnsen index with regularized PLS[J]. Chemical Papers, 2022, 76(7): 4041-4047. DOI:10.1007/s11696-022-02141-z |
| [91] | Kim J, Kim S, Schaumann G E. Reliable predictive computational toxicology methods for mixture toxicity: toward the development of innovative integrated models for environmental risk assessment[J]. Reviews in Environmental Science and Bio/Technology, 2013, 12(3): 235-256. DOI:10.1007/s11157-012-9286-7 |
| [92] | Astray G, Soria-Lopez A, Barreiro E, et al. Machine learning to predict the adsorption capacity of microplastics[J]. Nanomaterials, 2023, 13(6). DOI:10.3390/nano13061061 |
| [93] |
杜少娟. 人为扰动环境下湖泊PLA/PBAT可降解微塑料降解特征及其生物膜群落结构和功能[D]. 济南: 山东大学, 2022. Du S J. Degradation characteristics of PLA/PBAT degradable microplastics and their biofilm community structure and function under anthropogenic environment[D]. Ji'nan: Shandong University, 2022. |
| [94] | Zhang H Z, Zimmerman J, Nettleton D, et al. Random forest prediction intervals[J]. The American Statistician, 2020, 74(4): 392-406. DOI:10.1080/00031305.2019.1585288 |
| [95] | Gao H H, Liu Q, Yan C R, et al. Macro-and/or microplastics as an emerging threat effect crop growth and soil health[J]. Resources, Conservation and Recycling, 2022, 186. DOI:10.1016/j.resconrec.2022.106549 |
| [96] | Arciga S M B, Soliman V S. Microplastics reduce the growth of exposed marine invertebrates: a meta-analysis[J]. Journal of Fisheries and Environment, 2020, 44(2): 53-61. |
| [97] | Celik B, Singh P, Vanschoren J. Online AutoML: an adaptive AutoML framework for online learning[J]. Machine Learning, 2022. DOI:10.1007/s10994-022-06262-0 |
| [98] | Jin H F, Chollet F, Song Q Q, et al. AutoKeras: an AutoML library for deep learning[J]. Journal of Machine Learning Research, 2023, 24(6): 1-6. |
| [99] | Xu R Z, Cao J S, Ye T, et al. Automated machine learning-based prediction of microplastics induced impacts on methane production in anaerobic digestion[J]. Water Research, 2022, 223. DOI:10.1016/j.watres.2022.118975 |
| [100] | Wang C H, Zhao J, Xing B S. Environmental source, fate, and toxicity of microplastics[J]. Journal of Hazardous Materials, 2021, 407. DOI:10.1016/j.jhazmat.2020.124357 |
| [101] | Wright S L, Ulke J, Font A, et al. Atmospheric microplastic deposition in an urban environment and an evaluation of transport[J]. Environment International, 2020, 136. DOI:10.1016/j.envint.2019.105411 |
| [102] | Abbasi S, Rezaei M, Ahmadi F, et al. Atmospheric transport of microplastics during a dust storm[J]. Chemosphere, 2022, 292. DOI:10.1016/j.chemosphere.2021.133456 |
| [103] | Rochman C M, Hoellein T. The global odyssey of plastic pollution[J]. Science, 2020, 368(6496): 1184-1185. DOI:10.1126/science.abc4428 |
| [104] | Zhang Z C, Xu B, Xu W M, et al. Machine learning combined with the PMF model reveal the synergistic effects of sources and meteorological factors on PM2.5 pollution[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113322 |
| [105] | Bolton M S M, Jensen B J L, Wallace K, et al. Machine learning classifiers for attributing tephra to source volcanoes: an evaluation of methods for Alaska tephras[J]. Journal of Quaternary Science, 2020, 35(1-2): 81-92. |
| [106] | Hughes M, Kodros J, Pierce J, et al. Machine learning to predict the global distribution of aerosol mixing state metrics[J]. Atmosphere, 2018, 9(1). DOI:10.3390/atmos9010015 |
| [107] | Celis N, Casallas A, López-Barrera E A, et al. Design of an early alert system for PM2.5 through a stochastic method and machine learning models[J]. Environmental Science & Policy, 2022, 127: 241-252. |