下载:
-
近地面高浓度臭氧（O3）会增强大气氧化性, 加重城市环境空气污染, 长期处于高浓度臭氧环境下会诱发心血管和呼吸系统疾病[1-2]. 准确预测臭氧浓度能够为臭氧防控治理提供重要支持, 及时污染预警可为居民出行决策提供建议, 降低健康影响. 臭氧浓度与前体物排放、气象、地形等因素密切相关, 具有高度复杂性和非线性变化特征[3], 存在着显著的时空关联特征[4]. 如何有效学习臭氧浓度分布的时空关联特征, 并用于臭氧浓度预测已成为关注的焦点.
目前大气臭氧浓度预测的方法主要有如下3种方法：（1）基于物理化学反应机制的空气质量模式[5-7], 该模式基于污染源排放清单、气象条件和大气边界条件, 模拟污染物在大气环境中的物理化学变化过程获得预测结果, 但该方法计算量大, 特征提取困难且运行成本高[8]. （2）基于统计学理论的预测模型[9-12], 该类统计方法对时间序列数据特征提取能力有限[13], 导致预测精度偏低且仅能实现较短步长预测. （3）基于机器学习算法的数值预测方法, 目前支持向量机算法及其改进算法被广泛应用于大气污染物浓度预测中[14-17]. 随机森林算法可以处理高维度数据并且可以得到变量重要性[18-20], 在大气污染物浓度预测领域取得了一定的成果. 深度学习算法[21-26]是机器学习领域最新的发展成果, 可深层次提取数据特征, 较好捕捉数据间的非线性关系. 深度学习中, 长短期记忆神经网络（long short-term memory neural network, LSTM） [27]能够提取时间序列数据的变化特征, 不受传统循环神经网络（recurrent neural network, RNN）梯度消失的影响[28], 同时具有序列到序列的多步预测能力. 有研究[29-31]使用LSTM模型预测臭氧浓度, 但LSTM模型无法考虑站点的空间关联影响, 导致模型预测准确度不高. 将 LSTM与卷积神经网络（convolutional neural network, CNN）[32-33], 耦合可处理空间信息, 从而更准确预测臭氧浓度.CNN适用于处理欧式空间数据, 在处理臭氧浓度分布这类非欧式空间数据时表现较差;而图卷积神经网络（graph convolutional neural network, GCN）[34]基于图傅里叶变换及拉普拉斯矩阵, 能够更好提取臭氧浓度分布这类非欧式空间数据特征. 因此, 将LSTM与GCN耦合能够捕获臭氧浓度的时空依赖关系, 相较于单独使用一种模型, 耦合模型预测准确性更高.
本研究建立了LSTM与GCN耦合的臭氧小时浓度预测模型, 并应用该模型预测北京市未来72 h臭氧浓度, 为臭氧预测预报提供了一种新的方法.
-
图卷积神经网络的基本思想是将臭氧浓度分布这类非欧式空间数据投影到欧氏空间, 进行卷积之后, 将结果返回至非欧氏空间. 其运算基于图傅立叶变换和拉普拉斯矩阵, 能够较好提取臭氧浓度空间分布特征.
由于受浓度差和气象条件影响, 城市内部存在污染物空间传输作用. 最大信息系数（maximal information coefficient, MIC）[35], 是通过计算变量间联合分布概率来衡量变量的相似程度, 能较好检验出各种非线性关系. 通过计算城市空气质量站点臭氧监测浓度的最大信息系数, 可表征站点间的空间相关性. 根据北京市各空气质量站点臭氧监测浓度最大信息系数计算结果得图1. 各站点与其他站点最大信息系数均值均高于0.45, 标准偏差最大为0.09, 表明各站点臭氧监测浓度变化关联性较强.
t时刻N个空气质量监测站点的污染物浓度数据的空间分布可定义为一张非欧氏空间环境图G=（N, E, W）, 如图2. 其中, N代表节点, 即空气质量监测站点; E代表节点间的连边, 即站点间的污染物传输关系;W代表节点间的邻接矩阵, 即监测站间距离的倒数;N个站点在时刻t的污染物浓度数据作为t时刻节点的特征矩阵. 连续多个时刻的污染物数据构成图序列, 将图序列输入至图卷积神经网络中, 利用其表示学习能力, 将各站点的空间关联关系建模.
本文建立的基于臭氧浓度数据的图结构中, 图中节点即空气质量监测站点, 其污染物浓度会受到其相邻站点污染物浓度状态的影响. 图卷积神经网络的计算过程可概括为三步：聚合、更新和循环. 其中, 聚合是指图卷积神经网络将相邻站点污染物浓度信息进行聚合, 提取污染物浓度空间传输特征; 更新是指完成聚合操作之后更新当前站点的污染物浓度状态; 循环是指将上述过程不断重复, 将观测时段内所有时刻站点的污染物浓度状态进行更新.
-
空气质量监测站点污染物浓度数据是典型的时间序列数据, 且某一站点当前时刻浓度与其上一时刻浓度存在相关性, 可依据时间依赖性对序列数据建模并提取历史数据特征. 与传统的RNN结构相比, LSTM能够有效避免梯度消失和爆炸的问题, 可更好提取长时间序列数据变化特征. LSTM通过引入门控机制选择性的通过信息, 使其具有添加和删除单元格信息的能力, 其单元结构如图3. 1个LSTM单元包括3个门, 分别是遗忘门（
ft ）, 记忆门（it ）和输出门（ot ）, 如公式（1）—（6）所示.式中，
Wf ,Wi ,Wc ,Wo 表示在当前时刻LSTM单元的对污染物浓度信息的权重矩阵,bf 、bi 、bc 、bo 表示在当前时刻LSTM单元的对污染物浓度信息的偏置矩阵,xt 代表当前时刻的污染物浓度,Ct 和Ct−1 分别为当前时刻和上一时刻的污染物浓度变化信息,ht 和ht−1 分别为当前时刻和上一时刻的污染物浓度信息，sigmoid，tanh为非线性激活函数. -
基于臭氧历史浓度数据和空气质量监测站点的空间关联图结构, 本文提出由GCN和LSTM网络联结而成的GCN-LSTM模型. 由于城市内部环境空气质量监测站点污染物浓度受周边站点污染物传输影响, 可利用图卷积神经网络提取历史时段各时刻的臭氧浓度空间传输特征, 实现空间和时间的耦合. 气象条件对污染物浓度变化具有重要影响[36], 本研究将气象数据作为独立的辅助变量, 与臭氧空间传输特征一同组成时间序列作为LSTM网络的输入. 模型整体架构如图4, 基于深度学习平台Tensorflow完成开发.
图4中T代表历史时间序列中所有时刻, 其中t代表当前时刻, t’代表未来时间序列中所有时刻. 模型具体运行步骤如下:（1）将各站点之间距离和t时刻各站点臭氧观测浓度输入图卷积神经网络, 提取站点间空间关系, 得到空间信息特征张量. （2）将t时刻气象数据M作为单独变量拼接到空间信息特征张量中, 得到张量H1. 此时, 张量H1既包含t时刻各站点之间的空间信息、臭氧观测浓度信息, 也含有气象信息. （3）在历史时间序列中每个时间步长重复上述操作, 最后将处理好的时空张量输入至LSTM模型进行训练, 可得到未来t’个时刻臭氧浓度. （4）为提高模型泛化能力, 在模型中添加随机失活层, 随机关闭一部分神经元.
-
模型构建过程中, 评价指标为均方根误差（root mean square error, RMSE）、准确率（accuracy rate, ACC）和平均绝对误差（mean absolute error, MAE）. 使用平均相对偏差（mean relative bias, MRB）和均方根误差评价模型预测误差水平, 其定义如式（7）—（8）. 其中,
n 代表样本数量,oi 代表臭氧观测浓度,pi 代表臭氧预测浓度, RMSE、MAE、MRB值越小, ACC值越大, 模型预测准确度越高. -
模型参数主要包括学习率、迭代次数、神经元随机失活比例、网络层数、学习时间步长、数据训练批次和神经元个数. 学习时间步长、数据训练批次、网络层数和神经元个数是GCN-LSTM模型中的重要参数, 不同的参数设置会较大影响预测精度. 在训练开始前, 手动将学习率设置为0.001, 迭代次数为1000次, 神经元随机失活比例为0.5, 通过设置对比实验确定参数最优值.
学习时间步长决定了模型在每个训练批次中所学习数据特征的数量, 如图5（a）所示, 当学习时间步长为36时, 模型预测误差最低, 准确率最高. 数据训练批次的大小决定了模型训练速度以及模型预测准确度, 如图5（b）所示, 当数据训练批次设置为32时, 模型RMSE, MAE以及ACC值相对最优.
模型所拟合数据的复杂程度决定了网络层数, 如图5（c）所示, 当网络层数设置为2时, 模型预测误差较小, 对数据拟合程度较好. 神经元个数设置过少将导致模型欠拟合, 无法学习数据变化规律; 神经元个数设置过多将导致模型过拟合, 模型的复杂度和计算难度会大大增加, 如图5（d）所示, 随着神经元个数的增加模型预测误差先降低后提高, 当神经元个数为32时, 模型预测效果最好.
本研究最终设定模型学习率为0.001, 神经元随机关闭比例为0.5, 迭代次数为1000次, 数据训练批次为32, 学习时间步长为36, 预测时间步长为12, 网络层数为2, 神经元个数为32.
-
本研究使用2020年1月—2021年8月北京市35个环境空气质量站点臭氧小时浓度观测数据、同期气象数据（温度、气压、风速、风向、降水、相对湿度和净日照辐射）和监测站点空间信息组成的数据集开展模型实际应用. 其中, 臭氧浓度观测数据来源于北京市生态环境监测中心（http://zx.bjmemc.com.cn）, 气象数据来源于国家气象科学数据中心（http://data.cma.cn/）.
经检验, 臭氧小时浓度观测数据缺失率为3.52%, 利用拉格朗日插值法填充缺失值. 将数据集归一化至[0, 1]并随机选取80%连续数据为训练集, 剩余20%数据为验证集.
-
利用模型对北京市2021年9月4日—9月7日35个站点臭氧浓度进行预测, 将实际观测浓度与模型预测浓度输入至地理信息系统（ArcGIS）, 利用反距离权重插值法进行插值分析, 得到臭氧观测浓度值与预测浓度值分布, 如图6. 从观测结果来看, 观测时段内北京市臭氧浓度在时间分布上有先上升后下降的趋势, 且空间分布存在一定差异. 从预测结果来看, 模型较好地预测出臭氧浓度的时间变化及空间分布趋势.
图7为模型臭氧预测浓度值与观测浓度值散点图. 预测值与观测值决定系数R2为0.86, 模型整体预测效果较好. 模型训练集与验证集中的决定系数R2分别为0.76和0.73, 从决定系数可以判断模型未出现过拟合或欠拟合现象, 表明该模型可较好用于城市大气臭氧小时浓度预测.
应用多元线性回归（MLR）、随机森林（RF）、决策树（DT）、前馈神经网络（FNN）、长短期记忆神经网络（LSTM）和图卷积-长短期记忆神经网络（GCN-LSTM）6种模型, 对北京市2021年9月4日—9月7日臭氧浓度进行预测（图8）. 结果显示, GCN-LSTM预测24、48、72 h的MRB值分别为18.2%, 19.2%和22.9%, RMSE值分别为17.3, 23.7、25.4 μg·m−3, 可以看出GCN-LSTM模型预测效果最好. 相较于其他机器学习模型, 本研究提出的GCN-LSTM模型捕捉臭氧浓度时空关联特征的能力更强. GCN-LSTM模型利用图卷积神经网络和LSTM神经网络较好的刻画和捕捉了臭氧浓度时空关联特征及各因素对臭氧浓度的影响, 使模型对48—72 h污染物浓度预测准确度更高.
-
将测试集臭氧观测浓度分区间进一步对比发现, 当臭氧浓度介于0—80 μg·m−3、80—160 μg·m−3、160—200 μg·m−3和200—500 μg·m−3时, 模型预测浓度与观测浓度的平均相对偏差分别为20.1%, 6.9%, 16.4%和54.8%, 4个区间数据量分别占总数据量的48.9%、38.3%、9.1%和3.7%（如图9）. 除臭氧观测浓度处于极大值情况外, 应用该模型对未来72 h臭氧浓度均可进行较好预测. 进一步分析预测臭氧浓度极大值时误差较大的可能原因, 一是图卷积神经网络对输入信号进行卷积操作时对突变信号进行了平滑处理, 导致模型较难捕捉浓度突变特征; 二是当预测浓度位于观测浓度最值之间时, 可使模型训练损失函数值最小, 符合模型优化隐藏层参数原则. 因此, 下一步研究中可在模型中增加拐点预测模块[37], 并输入更多相关变量, 通过筛选臭氧浓度突变数据及对应相关变量数据训练拐点预测模块, 对模型最终输出结果进行调整, 以减小预测误差.
-
北京市共有35个空气质量监测站点, 包括23个城市环境评价点、1个城市清洁对照点、5个交通污染监控点和6个区域背景传输点, 分别用于评估城市不同功能区的空气质量状况与变化规律. 在四类站点中, 分别选取一个站点对比浓度预测值与观测值. 从图10可知, 模型对城市环境评价点及城市清洁对照点模型预测浓度值与观测浓度值拟合程度较好, 对区域背景传输点及交通污染监控点拟合程度相对较差.
进一步计算GCN-LSTM模型预测各类型站点不同时段臭氧浓度的误差, 如图11. 随着预测时长增加, 各类型站点预测误差均有所增加. 城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点预测平均MRB值分别为7.9%、13.2%、24.4%和29.3%, RMSE值分别为10.8、14.9、20.1、31.4 μg·m−3. 相较于其他类型站点, 道路交通污染源所造成的臭氧前体物排放在时空上具有一定的不确定性, 交通污染监控点臭氧浓度变化规律更为复杂, 可能是导致交通污染监控点预测误差较大的原因之一. 利用主成分分析法（principal component analysis, PCA）对4种监测站点的六项大气污染物数据进行分析, 发现城市清洁对照点代表PM2.5、CO、NO2、PM10和SO2的因子得分均在0.75以上, 交通污染监控点、城市环境评价点和区域背景传输点各项因子得分差距较大, 表明这三类站点污染来源相对复杂, 导致模型未能准确提取数据特征, 致使这三类站点预测误差较大.
-
（1）图卷积神经网络（GCN）可捕捉城市大气臭氧浓度的空间传输特征, 将气象因子与臭氧空间传输特征输入长短期记忆神经网络（LSTM）, 进一步捕捉时间依赖特征, 建立了基于深度学习的臭氧小时浓度预测模型GCN-LSTM.
（2）利用模型对北京市未来72 h臭氧浓度进行预测, 预测值与观测值决定系数R2为0.86, 模型可较好地预测出臭氧浓度的时间及空间分布特征. GCN-LSTM模型预测24、48、72 h臭氧浓度时, 平均相对偏差分别为18.2%、19.2%和22.9%, RMSE值为17.3、23.7、25.4 μg·m−3, 对于48 —72 h的长时浓度预测准确度优于已有机器学习模型.
（3）当臭氧观测浓度介于0—80 μg·m−3、80—160 μg·m−3和160—200 μg·m−3（共占总数据量的96.3%）时, 预测平均相对偏差分别为20.1%, 6.9%和16.4%;当臭氧浓度大于200 μg·m−3时, 模型预测平均相对偏差较大, 未来可增加拐点预测模块来减小预测误差.
（4）不同类型站点浓度预测时发现, 城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点预测的平均相对偏差分别为7.9%、13.2%、24.4%和29.3%, RMSE值分别为10.8、14.9、20.1、31.4 μg·m−3, 模型对城市清洁对照点和城市环境评价点的预测准确度较高, 对区域背景传输点和交通污染监控点位预测时需考虑更多局域因素.
（5）使用本模型可较好预测城市大气臭氧小时浓度.
基于深度学习的城市臭氧小时浓度预测模型
Prediction model of urban ozone hourly concentration based on deep learning
-
摘要: 近地面高浓度臭氧(O3)对城市环境空气质量、植物生长和人体健康等均有较大影响. 因此，精准预报臭氧浓度对城市环境管理部门臭氧污染防治、居民出行决策建议、降低健康影响等具有重要意义. 深度学习模型对于非线性关系具有较强捕捉和学习能力，因此本研究提出一种基于深度学习算法的混合模型，利用图卷积神经网络(GCN)及长短期记忆神经网络(LSTM)分别捕捉臭氧浓度空间和时间变化特征，耦合气象因子，构建基于时空关联的臭氧小时浓度预测模型GCN-LSTM，并以北京市为例开展应用研究. 结果显示，GCN-LSTM模型可较好预测北京市未来72 h臭氧浓度，预测值与观测值决定系数为0.86；预测未来24、48、72 h臭氧浓度平均相对偏差分别为18.2%、19.2%和22.9%，RMSE值分别为17.3、23.7、25.4 μg·m−3，对于48 —72 h的长时预测准确度优于已有机器学习模型；当臭氧观测浓度介于0—80 μg·m−3、80—160 μg·m−3和160—200 μg·m−3时（共占总数据量的96.3%），预测平均相对偏差分别为20.1%、6.9%和16.4%；预测不同类型站点浓度时发现，城市清洁对照点、城市环境评价点、区域背景传输点和交通污染监控点的平均相对偏差分别为7.9%、13.2%、24.4%和29.3%，RMSE值分别为10.8、14.9、20.1、31.4 μg·m−3，模型对城市清洁对照点和城市环境评价点的预测准确度较高. 使用本模型对城市大气臭氧小时浓度预测，将较好助力城市大气臭氧污染防治工作.
-
关键词:
- O3 /
- 小时浓度预测 /
- 深度学习 /
- 图卷积神经网络 /
- 长短期记忆神经网络.
Abstract: High near-surface ozone concentrations (O3) have a significant impact on urban ambient air quality, plant growth and human health. Therefore, accurate forecasting of ozone concentrations is important for urban environmental management departments to prevent and control ozone pollution, advise residents on travel decisions, and reduce health impacts. Deep learning models have strong capturing and learning ability for nonlinear relationships. Therefore, this study proposes a hybrid model based on deep learning algorithm, using graph convolutional neural network (GCN) and long short-term memory neural network (LSTM) to capture the spatial and temporal variation of O3 concentration features respectively, coupled with meteorological factors, to build a GCN-LSTM based on spatio-temporal correlation of O3 hourly concentration prediction model, and to conduct an application study in Beijing. The results show that GCN-LSTM model can predict the future O3 concentration in Beijing for 72 hours with a correlation coefficient of 0.86 between the predicted and observed values; the mean relative bias (MRB) of the predicted future O3 concentrations for 24, 48 and 72 hours are 18.2%, 19.2% and 22.9%, with root mean square error (RMSE) values of 17.3, 23.7 and 25.4 μg·m−3 respectively; the prediction accuracy was better than that of the existing machine learning models for the long time of 48—72 h; when the observed O3 concentrations ranged from 0—80 μg·m−3, 80—160 μg·m−3 and 160—200 μg·m−3 (a total of 96.3% of the total data volume), the MRB were 20.1%, 6.9% and 16.4%, the RMSE were 10.8, 14.9, 20.1, 31.4 μg·m−3 respectively. The MRB of the predicted concentrations at different types of sites were found to be 7.9%, 13.2%, 24.4% and 29.3% for the urban clean control site, urban environmental assessment site, regional background transmission site and traffic pollution monitoring site, respectively, and model predicts urban clean control points and urban environmental assessment points with high accuracy. Using this model to predict the hourly O3 concentration in urban air will better help to prevent and control O3 pollution in urban air. -
塑料的商业生产始于20世纪50年代[1]，现广泛应用于包装、医疗、农业等行业，仅2019年全球塑料产量就高达3.68亿吨[2]。塑料在光照辐射、机械磨损、风化侵蚀、动物和微生物的作用下，可逐渐分解成粒径更小的塑料颗粒[3]。微塑料(microplastics, MPs)的概念最早出现在2004年Science发表的一篇文章[4]，定义为粒径小于5 mm的塑料颗粒[5]，粒径小于100 nm的被称为“纳米塑料”(nanoplastics, NPs)[6]。MPs通过大气、洋流等作用在全球范围内长距离运输[7]，并在环境中持续存在和积累。水体[8]、沉积物[9]、土壤[10]、大气[11]甚至深海和极地都能检测到MPs[7]。尽管多项研究回顾了MPs在水环境中的发生、分布、生态风险及水体MPs与其他污染物的环境地球化学行为[8, 12-13]，但关于陆地MPs的综述论文却很少[14-15]。陆地MPs是海洋MPs的主要来源，其MPs污染程度可能是海洋的4—23倍[16]。土壤作为陆地系统中MPs的汇[17]，对MPs的储存和转移起着至关重要的作用[18]。因此，充分认识MPs在土壤环境中的丰度、来源、迁移和生态毒性对于科学评估和源头控制土壤MPs污染十分关键。
在Web of Science核心数据库中以“microplastics”和“soil”为关键词进行了搜索(截至2021年8月21日)，产生了608篇文献。通过共现网络分析(图1)，发现土壤环境MPs的研究始于2016年，相关研究主要包括：1)土壤类型，全球学者普遍注重农田土壤MPs的研究；2)MPs的来源，包括未合理处置的塑料垃圾、污泥堆肥、有机肥料的施用、污水灌溉和地膜覆盖等；3)MPs的分析方法，包括采样、分离(筛分、密度分离、消解等)、鉴定(目检法、光谱法、热解质谱分析法等)；4)土壤MPs的丰度、类型(如聚丙烯(PP)、聚乙烯(PE)、聚苯乙烯(PS))、形状(如纤维、薄膜、碎片、颗粒等)；5)MPs的生物效应，包括对植物、动物和微生物的影响。由此可见，MPs的来源、种类、分布、检测方法及生态健康风险是当前土壤MPs污染研究的热点方向。已发表的文献中，Praveena等[19]、陈雅兰等[20]较为全面的综述了土壤中MPs的提取与鉴定方法，郝爱红等[14]、Zhao等[15]从土壤中MPs的来源、迁移、分析方法、污染特征和生态风险等方面入手，揭示了土壤MPs的归宿和生态风险，但有关土壤MPs与多种有害污染物共同暴露的生物毒性、土壤中老化或降解MPs的生态风险鲜有报道。有学者对全球土壤MPs污染做了简单的总结[17, 21]，但所收集的数据不够全面。因此，本文在总结最新国内外研究进展的基础上，从土壤环境中MPs的来源、丰度、迁移及其生态健康风险方面进行了综述，并提出了相关领域未来的研究重点。相比先前的研究，本文更加全面的总结了土壤中MPs的丰度，通过绘制分布图以更加直观的形式展现了全球土壤MPs污染，并将土壤老化/降解MPs的生态风险以及MPs的复合污染毒性和潜在生态风险展开了系统地回顾和展望，填补该领域综述论文的空白。本文将为评估土壤MPs潜在的生态健康风险提供有价值的参考。
图 1 已发表论文中以“微塑料”、“土壤”为关键词的共现网络分析图[22]。Figure 1. Co-occurrence network analysis of published research papers with “microplastics” and “soil” as keywords每个节点(关键词)大小与其出现频次成正比，连线颜色表示论文发表年份，数据截至2021年8月21日1. 土壤MPs的来源、丰度和迁移 (Source, abundance and migration of soil MPs)
1.1 土壤MPs的来源
土壤中MPs的来源十分广泛(图2)，人们日常生活(如未合理处置的塑料垃圾)和农业活动(如污泥堆肥、有机肥施用、地膜覆盖及农田灌溉等)产生的MPs会直接进入土壤[23-26]，或通过地表径流[27]和大气沉降[28]间接输送到土壤环境。
图 2 土壤中MPs的来源与迁移Figure 2. Origin and migration of MPs in soil(红色和黑色箭头/文字分别表示MPs的来源和迁移路径)1.1.1 未合理处置的塑料垃圾
土壤中存在着与水环境类似、种类繁多的MPs碎片[29]，它们与塑料污染密不可分。根据目前的塑料废弃物管理趋势预测，2050年全球产生的塑料垃圾中将有120万吨进入垃圾填埋场或自然环境[30]，必然会对生态环境造成影响。日常生活使用的一次性塑料袋/瓶、口罩/手套、衣服等均含有塑料，如使用后被随意丢弃在路边或非法倾倒地点[31]，会造成附近土壤塑料污染。作为塑料垃圾的重要组成部分，塑料袋全球每年的消费量约为5000—10000亿个，其中900多亿个塑料袋不可回收[32]，可在环境中老化降解生成MPs。自2020年新冠疫情爆发以来，大量一次性口罩排放到环境中。据估计，2020年全球生产的一次性口罩约520亿个[33]。每片新口罩中可释放（183.0±78.4）个MPs，而使用过的口罩因附着了空气中的MPs会释放更多的MPs(每片（1246.6±403.5) 个) [34]。由此，未合理处置的一次性口罩引起的土壤塑料和MPs污染不容忽视。
1.1.2 污泥堆肥的长期积累
污泥堆肥可能导致土壤MPs的增加[24]。生活废水经污水处理厂，可大大减少MPs(去除率约99%)向水环境直接排放[24]，但未被处理的MPs通常积聚在污泥中[35]，由于污泥含有丰富的N、P、K等营养元素[36]，许多地区将污泥用作农田肥料[24]，MPs便由此进入土壤。不同国家污泥中MPs的含量与经济发展水平、人口密度和废物处置等因素有关[37]。对于经济发达、人口密度高的国家，因使用药品、个人护理品(PPCPs)及洗衣产生的污水量大[38]，污泥中MPs的含量相应较高。在欧洲和北美地区，每年通过污泥堆肥进入农田的MPs分别有约6.3×104—4.3×105和4.4×104—3.0×105吨[39]。土壤MPs的丰度随污泥施用量的增加而增加[24]。研究发现，在农田中仅施用一次污泥，15年后该区域土壤中仍可检测出塑料纤维[40]，表明MPs在土壤中难以降解，会产生持久性污染。
1.1.3 有机肥料的施用
有机肥料的重复施用除了会引起重金属和抗生素等污染残留[41]，还会导致土壤MPs污染，而后者常常被人们忽视[42]。研究发现，有机肥中普遍含有的MPs可能来自运输饲料的塑料管道、储存消毒剂或抗生素的塑料瓶[43]。江西鹰潭，猪粪中MPs的平均年丰度约为（1250±640）个·kg−1(干重)，施用了猪粪的农田中MPs的年均累积量约为（1.25±0.61）个·kg−1[42]；施用猪粪22年后的农田中MPs丰度（(43.8±16.2)个·kg−1)明显高于未施用猪粪的农田（(16.4±2.7)个·kg−1)[42]。德国是全球对肥料质量要求最严格的国家之一，但每年通过施用有机肥进入农田的MPs高达3.5×1010—2.2×1012个[26]。我国作为有机肥生产和使用大国，据估计，我国每年通过有机肥进入农田土壤中的MPs可达52.4—26400吨[3]。但该数据仅仅基于德国波恩、斯洛文尼亚等地区关于有机肥中塑料污染的报道[23, 26, 44]，并结合我国有机肥每年实际施用量(2200万吨左右)来进行估算的，该估算忽略了粒径小于0.5 mm的MPs，且缺乏我国有机肥中关于MPs丰度的报道，因此，未来的研究中还应多关注我国有机肥中MPs的污染情况，以便全面评估我国通过有机肥进入土壤的MPs量。
1.1.4 农业灌溉和地表径流
农业灌溉是MPs进入土壤的又一重要途径。据统计，全球每年生活污水产生量超过356 km3，处理后的出水中有23.8 km3主要用于农业灌溉[45]。生活污水中含有大量源于PPCPs和衣物的MPs。虽然常规的处理工艺可有效去除污水中绝大部分MPs，但出水中仍有残留的MPs通过农业灌溉进入土壤环境[15]。在部分水资源匮乏的国家，未经处理的污水也会被用于灌溉农田[23]。据报道，全球约有3.6×105 km2的农田是使用未处理或者部分处理的生活污水进行灌溉的[46]，必然会向土壤中输入更多的MPs。此外，天然水体中也存在MPs，例如：我国长江水中MPs高达6.6×103个·m−3[47]，珠江水中MPs的丰度介于397—7924个·m−3之间[48]，即使在偏远的内陆湖泊沿岸也有大量MPs存在，如青藏高原湖泊中MPs丰度可达（625±411）个·m−3[49]。这些水环境中的MPs也可通过灌溉或随地表径流进入土壤环境中。随着研究的深入，人们开始对生态环境敏感区(如青藏高原[49]、沙漠[50]、黄土高原[51])MPs污染进行研究，作为东南亚多条河流重要发源地的青藏高原，无处不在的MPs可能使其污染范围不断扩大到其他水系，或通过地表径流进入土壤环境，而该地区生态环境脆弱，存在调查难度大、恢复年限长等问题，未来的研究应该更加注重生态环境敏感区MPs污染及其健康风险评价。
1.1.5 地膜的广泛应用
地膜是农田土壤MPs污染的重要来源[23, 25]。2016年全球农用塑料薄膜市场交易量为400万吨，预计到2030年将以每年5.6%的速度增长[25]。全球约有1.29×105 km2的农田覆盖有地膜[52]，我国地膜使用量最大，占全世界地膜覆盖面积的90%[17]。从田地中去除地膜费时费力，大量被残留的地膜在阳光辐射等作用下逐步破碎裂解，形成MPs[29]。农田土壤中MPs的含量随覆盖时间的延长逐渐增加[17]。在我国石河子市，随着地膜连续覆盖时间从5年增加至30年，MPs丰度从10.10 mg·kg−1增加到了61.05 mg·kg−1[53]。目前，大力研制与推广的环保型可降解地膜是解决塑料污染最有效的途径，但研究表明，MPs对污染物(如抗生素、农药等)的吸附能力大小排序为：老化可降解MPs>可降解MPs>非可降解MPs，且老化程度越高对污染物的吸附量越大[54-55]，在这种情况下可降解地膜的使用，特别是地膜在环境中不可避免的老化行为，可能会给环境带来更大的生态危害，在未来的农业发展中应该重视这一问题。
1.1.6 大气沉降输入
土壤MPs也有部分来自大气中悬浮的塑料颗粒。多项研究表明，大气中存在MPs，如南海西北部大气中MPs的丰度为（0.035±0.015）n·m−3[56]。大气中的MPs主要来源于建筑材料、纺织品磨损、灰尘、道路油漆、轮胎和制动器磨损[57]。轮胎磨损产生的MPs主要来自各种车辆，全球车辆轮胎磨损的MPs排放量为人均0.81 kg·a−1[58]，飞机轮胎磨损释放的MPs相对较少，约占荷兰轮胎磨损MPs排放总量的2%[58]。空气中密度小的大塑料颗粒和MPs可通过大气沉降和风力传输沉积在城市或乡村陆地表面[59]，还可传输到偏远、人烟稀少的地区[28]。据报道，我国烟台市大气MPs沉降通量达1.5×105个·(m2 a)−1[60]；法国巴黎大气MPs沉降通量达2—355个·(m2 d)−1，且该地区每年有3—10吨的纤维被大气沉降物沉积[59]。由此可见，大气沉降是MPs沉积到陆地的重要途径。值得思考的是，粒径小于50 μm的MPs可以重新悬浮到大气中[61]，增加人体吸入MPs的风险，而多数国家并没有将大气中的MPs作为空气污染的一部分进行监测，为了明晰MPs对人类健康构成的潜在风险，将MPs纳入空气污染的监测范围迫在眉睫，尤其是在MPs污染严重的大城市。
总体来看，国内外大量关于土壤中MPs的来源研究仅停留在对来源的简单陈述，只有少部分做了MPs的溯源追踪方法。目前，环境中MPs的溯源方法主要集中于水体和沉积物，通过非仪器分析法(目视分析法、密度分析法、灼烧分析法等)从MPs的颜色、形状、密度等特性初步判识MPs的外观及用途[62]，或通过仪器检测(光谱分析法、显微分析法、色谱质谱分析法等)判识MPs的化学成分及结构[63]，两者相结合可追溯环境中MPs的来源。从已有研究成果来看，土壤MPs的溯源依旧没有可靠且简单易行的检测方法。值得注意的是，进入到环境的塑料碎片和MPs，由于各种物理化学作用，最终会破碎形成NPs，更小的粒径以及颜色、形状等特性不够显著增加了对MPs来源追溯的难度，因此亟需建立适合更小粒径的NPs的检测方法和理化指标。
1.2 土壤MPs的迁移行为
MPs在土壤中可发生水平和垂直迁移[64]，其迁移行为受土壤和MPs理化性质的影响[21, 65]。土壤的理化性质(包括孔隙度、土壤质地、矿物和腐殖质含量等)对MPs的迁移有重要影响。土壤的孔隙大小由其质地决定，可直接影响MPs的迁移[30]，砂土表面的MPs在渗透作用下可垂直迁移至距地表1.5—7.5 cm的土壤中[66]。由于土壤裂缝，干燥气候可能会加速MPs向下移动[66]。土壤矿物和腐殖酸共存时会增加MPs的垂直传输距离(9—10 cm)[67]。Wu等[68]发现, PS微球的迁移能力随土壤矿物(Fe/Al氧化物)含量的增高而降低，这是由于带负电的MPs与带正电的Fe/Al氧化物发生静电吸引所致。此外，MPs的特性(包括粒径、形状、电荷和表面化学等)也会影响其在土壤中的迁移。当MPs的粒径小于土壤孔隙尺寸时，MPs能通过土壤孔隙和裂缝向下移动，粒径小的MPs也容易被土壤动物摄食而转移到更深层的土壤中[69-70]。由于MPs与土壤团聚体的相互作用不同，不同形状的MPs可能对土壤中MPs的迁移产生阻塞作用影响其迁移行为[65]。如：塑料微球和微粒比微纤维更易下移到土壤深层，因为微纤维与土壤颗粒缠结形成土块后无法迁移[71]。高密度的MPs(如PET(聚对苯二甲酸乙二醇酯))可能会因重力作用而促进其在土壤中的迁移[72]。表面含有羧基、磺酸基、低密度氨基官能团的PS微球，比含有高密度氨基官能团的PS微球更易在海沙中迁移，这是由于带正电的高密度氨基MPs与带负电的沙粒之间存在静电吸引，从而阻碍MPs的迁移行为[73]。
除了在土壤内部迁移外，土壤中的MPs也会在风力、气流、地表径流等作用下迁移到空气和水等环境介质中[64, 66]。土壤表面的MPs尤其是微纤维等轻质塑料颗粒，可以被风和气流抬升到空气中，最终长距离传播到其他陆地或地表水中[59]。此外，地表径流可促使MPs进入深层土壤甚至含水层。据报道，澳大利亚维多利亚州地下水中MPs的平均丰度为38个·L−1[74]，向地下水迁移的MPs可能带来新的环境问题，但目前仍缺乏对地下水MPs污染的环境风险预测、评估和防控研究。
1.3 全球土壤环境中MPs的丰度
我们收集了全球不同地区土壤环境中检出的MPs的理化性质和丰度，绘制了图3。目前，虽然只有少量研究报道了土壤环境中MPs的丰度情况，但可看出MPs广泛存在于多种土壤中(如农业土壤、公园土壤、湿地土壤、沙漠土壤等)，其丰度从几个·kg−1到数万个·kg−1不等，多数地区土壤MPs丰度在0—5×103个·kg−1之间，粒径大多小于1 mm[75-77]；MPs形状有纤维、薄膜、碎片、颗粒等，PP、PE、PS是土壤中最主要的聚合物类型。土壤环境中MPs的丰度普遍高于水和沉积物中的[8]，说明土壤环境是MPs重要的汇。在全球范围内，亚洲、欧洲、北美、大洋洲的土壤环境中都发现了MPs，且不同地区丰度差异较大。从图3中可看出，智利梅利皮利亚县田地因长期施用污泥导致土壤MPs丰度高达18000—41000个·kg−1，明显高于其他地区[24]；西班牙东南部穆尔西亚蔬菜农田土壤和墨西哥坎佩切家庭花园土壤中也检测到了数量较高的MPs，丰度分别为（2116±1024）个·kg−1和（870±1900）个·kg−1[78-79]；但德国石勒苏益格-荷尔斯泰因州农田表层土壤中MPs仅有（5.8±8）个·kg−1[80]，且该国弗兰科尼亚中部农田中MPs的丰度最低，仅为（0.34±0.36）个·kg−1[81]。
图 3 文献报道的全球部分地区土壤环境MPs污染情况Figure 3. MPs pollution of soil environment in some regions of the world reported in the literatures(数据更新于2021年10月，没有标记的区域不代表没有MPs污染)(Updated in October 2021, unmarked areas do not represent no MPs contamination)作为最大的塑料生产国和消费国[82]，我国土壤MPs污染引起了越来越多的关注。在我国大多数受人为活动影响较少的土壤中MPs含量较低，如山东东营黄河三角洲湿地无植物覆盖的土壤和长江沿岸休耕的土壤中MPs丰度仅为60个·kg−1[83]和（28.4±22.0）个·kg−1[84]；但农业土壤中MPs的含量通常较高，如:云南滇池柴河流域土壤MPs丰度为7100—42960个·kg−1[85]；湖北武汉、山东寿光的农田土壤中也含有较高丰度的MPs(4.3×104—6.2×105、275—4165个·kg−1)[76-77]，这可能是塑料地膜老化降解、污泥施用和污水灌溉所致。而少数地区如黄土高原[51]、上海菜地[75]等农田土壤中MPs丰度较小。在工业活动频繁的地区，也可能会引入较高丰度的MPs，广东贵屿电子废物拆解区土壤中MPs的丰度达34100个·kg−1[86]。沿海地区可通过海水养殖、旅游和港口建设等活动引入大量MPs[87]。一些偏远地区也存在少量MPs，可能是通过游客活动、卡车轮胎磨损和农用地膜引入的[88]，或与大气传输有关。
土壤中MPs的垂直分布没有明显的规律[76]。例如我国上海郊区[75]、山东寿光[76]和德国石勒苏益格-荷尔斯泰因州[80]农田中表层土壤MPs丰度高于深层土壤MPs丰度，黄土高原[51]、山东胶州湾菜地和果园土壤[89]、毛里求斯农业土壤[90]中深层土壤含有更多的MPs，而我国云南滇池柴河流域农田[85]和墨西哥家庭花园[79]的表层和深层土壤MPs含量无显著差异。不同地区土壤MPs垂直分布可能会受到土壤翻耕、地表径流等因素的影响[51]，动物的摄食和排泄行为也可能影响MPs在表层和深层土壤之间的垂直转移[58, 64]。此外，少数研究还报道了土壤质地、植被覆盖、栽培时间、恢复年限等与MPs丰度的关系[50, 76, 85]。例如: 我国山东寿光的农业土壤和砂质壤土中MPs丰度显著高于粉质壤土[76]，毛乌素沙漠土壤MPs丰度高于草地和林地[50]；设施栽培时间>25与<10年的农田土壤中MPs丰度差异不显著，表明早期的设施栽培措施导致土壤中MPs的累积数量不高[85]。由此可见，土壤中MPs无处不在，不同地区土壤MPs污染水平之间的差异是人类农业活动、工业生产等因素共同作用的结果。值得注意的是，已有研究采用的分离、计数MPs的方法不一，在单位上也有区别，可能会低估或高估了土壤中MPs的真实污染水平。因此，未来的研究亟需建立土壤MPs分离和检测标准。在深层土壤中，MPs受阳光辐照的影响减小，且可降解塑料的微生物种群较少[91]，这意味着土壤深处MPs的老化降解可能减慢，其持久性可能会更长。那么，除了表层土壤，检测深层土壤中MPs的含量才能全面评估土壤中MPs的污染状况。
2. 土壤MPs污染的生态健康风险（Ecological health risks of soil MPs pollution）
土壤MPs可通过多种途径对生态系统构成潜在威胁(图4)。MPs的存在可直接影响土壤动植物、微生物的生长[92-94]，后经食物链的积累和传递可能对人体健康构成潜在威胁[79]。土壤MPs在土壤环境中能够吸附多种污染物质(如重金属、抗生素、农药等)[58, 95]，或与自身释放的添加剂(如增塑剂、抗氧化剂、阻燃剂等)形成复合污染[96]，这会给土壤动植物的生长带来极大的危害，而土壤环境中的MPs大多处于老化/降解状态，较原生MPs对污染物表现为更高的吸附能力[97]，可能会对土壤生态系统构成更大的威胁。
2.1 MPs对陆生植物的影响
MPs进入农业土壤会对植物产生暴露，阻塞种子孔隙、限制根吸收水和养分[92]，影响植物的芽高、生物量和发芽率等[98-100]。Bosker 等[101]发现，绿色荧光塑料颗粒(50、500、4800 nm, 107个·mL−1)因堵塞种子的荚膜孔道会限制水芹种子发芽。而含PP、高密度聚乙烯(HDPE)、低密度聚乙烯(LDPE)和PET的土壤MPs能促进番茄植株的生长，但会延迟结果和降低果实产量[102]。MPs还可通过改变土壤结构、容重、持水能力和营养成分[103-104]，间接影响植物根系性状、生长状态和养分吸收[99, 105]。de Souza Machado等[100]发现，MPs污染使得土壤容重降低，通气增加，有助于植物根系渗透到土壤中。然而，MPs(如微纤维)也会缠住幼根，阻碍幼苗的生长[92]。
MPs对植物生长的影响与其类型、暴露浓度、粒径等因素有关。de Souza Machado等[105]发现，PA、PE、HDPE、PP(均为2.0%)均会改变大葱的生物量、元素组成和根系性状，其影响程度因聚合物类型而异。Boots等[98]对比研究了生物降解的聚乳酸(PLA, 65.6 μm, 0.1% W/W)和难降解合成纤维((丙烯酸(AA)和尼龙混合物), 0.001% W/W)对黑麦草发芽的影响，发现两种MPs均会降低发芽率，PLA还会降低芽高。Qi等[99]也报道了类似的结果，即1%的淀粉基生物降解塑料和PE均抑制了小麦生长，且前者比后者的抑制作用更强。由此，生物降解材料来源的MPs对植物可能产生更强的毒性效应，值得进一步研究。一些研究表明粒径大小不同的MPs对植物的影响也不同，与5 μm PS(10、50、100 mg·L−1)相比，100 nm PS对蚕豆的生长抑制作用、遗传毒性和氧化损伤更强[106]。但目前，对于MPs在植物中的积累和转运以及对植物的毒性作用和机制等的认识仍不清楚。
2.2 MPs对陆生动物的影响
MPs被动物摄入后会影响其摄食行为、生长和繁殖[107]。与水生动物相比，MPs对陆生动物影响的生态毒理学研究非常有限，且主要集中在无脊椎动物(如蚯蚓)[93]。已有研究证实MPs暴露对蚯蚓的毒性作用主要包括抑制生长、体重减轻、肠道损伤、免疫响应、肠道微生物群落的改变，以及死亡率增加[70, 108-109]。少数研究报道了土壤MPs也会影响蜗牛[110]、土壤线虫[111]、小鼠[112]等的健康。MPs对动物的影响存在剂量-效应关系。Huerta Lwanga等[107]发现，0.2%的PE(<150 μm)对蚯蚓(Lumbricidae)的生长和存活没有影响，但较高的添加量(1.2%)有抑制作用。Cao等[108]同样发现，低剂量(≤0.5%)的PS(58 μm)对蚯蚓生长的影响不明显，但高剂量(1%、2%)的MPs显著抑制了蚯蚓的生长，死亡率达40%。PS(0.05—0.1 μm)在高暴露量(10%)下可观察到蚯蚓肠道微生物群的明显变化[113]。虽然低浓度MPs暴露不会明显影响动物的生长和引起动物死亡，但会诱使动物组织病理损伤和免疫响应[70]。在评估MPs对动物健康的影响时，粒径是除暴露剂量之外的重要影响因素，Lei等[111]研究了不同粒径的PS(0.1、0.5、1.0、2.0、5.0 μm)对土壤线虫(Caenorhabditis elegans)的影响，发现相同质量浓度(1 mg·L−1)下1.0 μm PS暴露后土壤线虫的存活率最低。然而，对于MPs对陆生动物的潜在影响，如MPs在动物组织中的积累和运输、MPs对动物的毒性作用和机制等方面的认识仍存在空白。
2.3 MPs对土壤微生物的影响
MPs内含或吸附的有机物可为微生物提供碳源[21]，微生物在MPs表面定殖后形成生物膜[114]，继而构成具有特殊微生物群落组成和功能的“塑料圈”[115]。研究发现，电子拆解厂区域的MPs(如PP、聚碳酸酯(PC)和ABS)及其周围环境的细菌群落存在显著差异，这可能是因为MPs为微生物提供了新的生态位[116]，或通过改变土壤理化性质(如破坏土壤结构、降低土壤密度、改变土壤持水能力等)影响了微生物的群落结构和功能[65, 117]。添加MPs后土壤微生物群落多样性的影响研究还处于起步阶段，Huang、Judy等[118-119]认为，HDPE(<2 mm, 0.1%、0.25%、0.5%、1% W/W)、PVC(<2 mm, 0.01%、0.1%、0.25%、0.5%、1% W/W)、PET(<2 mm, 0.1%、0.25%、0.5%、1% W/W)和LDPE(2 mm×2 mm, 0.076 g·kg−1)的存在并没有显著改变土壤微生物群落的丰度和多样性。但也有研究发现土壤中添加低或高浓度(1%、5%)的LDPE(678 μm)和高浓度(5%)的PVC(18 μm)均显著增加了β变形杆菌目(Betaproteobacteriales)和假单胞菌目(Pseudomonadales)的相对丰度，而高浓度的PVC(18 μm, 5%)显著降低了鞘脂单胞菌科(Sphingomonadaceae)的丰度[120]。这些研究结果之间的差异可能与MPs的类型、浓度、以及土壤的理化性质有关。不同类型的MPs对微生物活性影响不同，PP颗粒(<180 μm, 7%、28%)对土壤微生物活性有积极影响[103]，然而，Lozano等[94]发现PP碎片(<5 mm, 20%)会降低土壤微生物活性，PS颗粒(32.6 nm±11.9 nm, 1000 ng·g−1)、LDPE(643 μm, 17%)也对土壤微生物活性显示出负面影响[65, 121]，de Souza Machado等[105]的研究也报道了类似的结果，但在这些研究中，MPs粒径、形状、大小和浓度各不相同，因此很难得出MPs对微生物毒性的一般性结论。
此外，MPs作为致病菌和耐药菌的载体[122]，可能影响土壤中ARGs的分布和迁移。MPs与ARGs在环境中广泛共存，由于ARGs对人类健康的潜在不利影响，其传播越来越受到关注。水生环境中，多项研究表明MPs(如PVC、聚乙烯醇(PVA))可影响ARGs的分布和传播[123]。在土壤中，PS(0.08—0.10 mm, 0.1%)的存在已被证实会增加抗生素和ARGs的保留时间[124]，Lu等[125]也得出了类似的结果，MPs可促进土壤中ARGs丰度和数量，但还需要更多的证据来证实MPs污染是否促进ARGs在土壤环境中传播的结论。此外，Zhu等[126]发现土壤温度和湿度的升高均显著提高了MPs上ARGs的丰度，因此，在全球气候变化的情况下，土壤MPs对ARGs影响需引起更多的关注。
2.4 MPs对人类健康的潜在影响
MPs可通过改变土壤理化性质、降低土壤肥力，影响土壤的生态功能和粮食生产[127]，对人类的生存和发展产生潜在影响。MPs也可经陆生食物链传递进入人体。MPs及其吸附的污染物可在动植物体内积累[79]，食用植物可以从土壤中吸收和积累微型(0.2 μm)荧光PS珠[128]，100 nm PS可以在蚕豆、生菜根中积累，然后运输到茎叶[106]。一些重要的家禽(如鸡)也可食用MPs[79]，而当人们食用被污染的家禽或蔬菜时，MPs可能在人体内大量积累。据估计，在墨西哥每人每年通过食用鸡肉就可摄入840个塑料颗粒[79]，MPs一旦进入人体，可能引起炎症与应激反应、产生生殖与发育毒性，或改变肠道微生物的组成和功能[129]。MPs(＜150 μm)可能会从肠腔转移到淋巴和循环系统，进而导致全身暴露[129]。Schirinzi等[130]证明了MPs(PS, 10 μm)和NPs(PS, 40、250 nm)可诱导人体细胞发生氧化应激，并在细胞水平上引起细胞毒性。MPs和NPs与免疫系统作用还可能会导致免疫毒性，进而引发不良反应(即免疫抑制、免疫激活和异常炎症反应)[131]。Prata[132]还发现，由于摄入MPs引起的慢性炎症和刺激可能会因DNA损伤而导致癌症。此外，常见的塑料添加剂，如邻苯二甲酸盐、阻燃剂、双酚A等，与生殖和发育障碍有关，可能引发乳腺癌、血液感染、青春期过早和生殖器缺陷[133]。目前开展的土壤MPs由食物链传递被吸食进入人体的研究还比较少，但已经在人类食物[129]和粪便[134]中检测到了MPs，甚至在人类胎盘、婴儿粪便、婴儿内脏中也发现了MPs的存在[135]，虽然没有证据表明这些MPs是来源于土壤环境，但该结果应该足以引起人们对土壤MPs的重视。此外，大气MPs或许能通过反射阳光辐射对气候有冷却效果[136]，而土壤中的MPs通过扬尘进入大气环境是否也有同样的效应，进而引起一系列的生态健康问题，如气候变化、水文调节及粮食安全等[137]。
2.5 MPs与其他污染物的复合污染毒性及生态风险
MPs因疏水性强、比表面积大[138]，可以吸附多种有机和无机污染物，如多环芳烃(PAHs)、多氯联苯(PCBs)、重金属等[58, 95]，或与自身释放的添加剂(如增塑剂、抗氧化剂、阻燃剂等)形成复合污染[96]，从而影响土壤动植物的生长。对植物来说，Gao等[96]发现当加入邻苯二甲酸二丁酯(DBP)时，PS (100—1000 nm、>10000 nm)加重了DBP诱导的植物毒性，增强了对生菜(Lactuca sativa L. var . ramosa Hort)的负面影响，且小粒径PS（100—1000 nm）对生菜的不利影响略大。Liu等[139]发现土壤中PE(200—250 μm，0.5%、1%、2%、5%、8% W/W)和菲(100 mg·kg−1)共同污染比单一处理对小麦幼苗(Triticum aestivum L. cv. NAU 9918)的毒性更强，PE的单一污染破坏了小麦叶片的光合系统，而PE和菲复合污染则加剧了这种破坏。MPs与土壤中重金属等无机污染物的复合污染也引起了人们的关注。Dong等[140]研究发现，在As(Ⅲ)存在下，大尺寸的PS(5 µm)可以迁移到胡萝卜的叶和根部，这是由于As(Ⅲ)增加了PS表面的负电荷，同时As(Ⅲ)也会导致细胞壁扭曲和变形，并导致更多的MPs进入胡萝卜，降低其质量。另一项研究表明，PET(<2 mm)还可以作为载体将重金属运输到小麦根际区域[141]。而Zong等[142]的研究表明，与单一重金属处理相比，PS(0.5 µm, 100 mg·L−1)与Cu2+、Cd2+的结合增加了小麦中叶绿素含量，增强了光合作用，减少了活性氧(ROS)的积累，表明PS(0.5 µm, 100 mg·L−1)对Cu2+、Cd2+的生物利用度和毒性具有缓解作用。对动物来说，Zhou等[143]发现PP(<150 μm, 0.03%、0.3%、0.6%、0.9%)与重金属(Cd, 8 mg·kg−1)二者联合暴露会对蚯蚓(Eisenia foetida)产生更强的负面影响，降低蚯蚓的生长速度并增加其死亡率。而另一项研究却发现，PVC可能通过吸附/结合As(Ⅴ)，降低As(Ⅴ)的生物利用度来缓解As(Ⅴ)对肠道菌群的影响，从而防止As(Ⅴ)的减少和总砷在肠道中的积累，降低对蚯蚓(Metaphire californica)的毒性[144]。然而，Sun等[145]发现，MPs(40—50 μm, 10 mg·kg−1、300 mg·kg−1)可显著增加毒氟磷杀虫剂在蚯蚓体(Eisenia fetida)内的生物蓄积性，加重对蚯蚓的氧化损伤和干扰代谢。Boughattas等[146]将MPs(100 µg·kg−1)和除草剂2,4-二氯苯氧乙酸(2-4-D)(7 mg·kg−1)共同暴露于土壤中，结果表明，MPs增加了蚯蚓中的2,4-D生物积累，破坏了溶酶体膜的稳定性和氧化状态，并增加了抗氧化基因的表达。
目前，不管是对MPs的单一毒性研究还是与其他污染物的复合毒性研究，都存在受试动植物类别有限、土壤类型单一、研究周期短等问题，且MPs的种类、大小和浓度与实际土壤环境有一定的差异，如实验室研究中所用MPs浓度往往会高于实际土壤环境中MPs的最大浓度（6.7%）[147]，未来的研究应在环境相关浓度条件下评估生态效应。更重要的是，没有充分考虑自然环境因素，真实土壤环境中MPs更多是处于老化或被生物膜定殖的状态，这无疑增加了MPs上的吸附位点，可能使得MPs上吸附的污染物更多，对陆地生态系统构成更严重的威胁。此外，粒径较小的MPs，特别是NPs，可能对陆地生态系统的健康风险更大[21]，应作为重点评估的对象。
2.6 MPs的老化/降解及其潜在生态风险
MPs在土壤中的长期积累可以进一步老化或降解[21]。除光照辐射、机械磨损、风化侵蚀外，土壤环境中动物群和微生物(如细菌和真菌)也可以降解MPs[21, 107, 148]。从土壤中分离得到的假单胞菌属细菌AKS2对LDPE的降解率在45 d内达到4%—6%[149]，在地膜中分离得到的红球菌C208对PE塑料薄膜的降解率在30 d内达8%[150]。但目前从土壤中分离出能降解MPs的菌株种类较少，因此探究用于降解土壤MPs的微生物可能是进一步研究的方向之一。而生物体可以通过咬、咀嚼或消化碎片来物理降解MPs[151-152]。蜡螟(Waxworms)、印度谷螟(Indian Mealmoths)已被证实能吞食PE并在其肠道微生物的帮助下降解塑料聚合物[153]。此外，大麦虫(Zophobas Morio)、黄粉虫(Tenebrio molitor)、蚯蚓等均具有降解MPs的能力[154-156]。老化/降解会改变MPs的表面结构、疏水性、结晶度和比表面积，并增加MPs表面C—O、C=O、—OH等含氧官能团的数量[8, 97]，导致老化或降解MPs具有更高的吸附能力，使其可以吸附其他污染物质，对土壤生态系统构成更大的威胁。
目前，关于土壤MPs的老化或降解对陆地生态系统的危害研究并不多，主要是以下几个方面。首先，长期风化会使MPs分解成为NPs，许多研究已证明粒径较小的NPs可能较MPs具有更大的环境流动性和毒性[111]。Muhammad等[157]发现家蚕(Bombyx mori)暴露于PS MPs(5—5.9 μm, 10 μg·mL−1)的个体在感染后存活得更好，而暴露于PS NPs(50—100 nm, 10 μg·mL−1)的个体则表现出更高的死亡率。Liu等[158]也得出了类似的结果，相较于100 nm PS NPs，20 nm PS NPs(0.1—100 μg·L−1)对线虫(Caenorhabditis elegans)表现出更强的毒性。其次，老化MPs对污染物表现为更强的吸附能力，且老化的可降解MPs更强[51, 159]。Zhang等[159]研究发现，搁浅的PS泡沫对土霉素的吸附能力高于原始PS泡沫的吸附能力，Fan等[55]的研究也发现通过紫外线的老化过程，PLA、PVC对四环素、环丙沙星的吸附能力增加，且可降解PLA表现出更好的吸附能力，这些研究表明更多的有机污染物可以吸附并浓缩到老化的MPs上，形成的复合污染可能对生物体造成更严重的危害。最后，一些研究还探究了在超纯水和模拟肠液中，抗生素在原生/老化MPs上的解吸行为，发现与原生MPs相比，抗生素在老化MPs上解吸量更大，且模拟肠液中的抗生素解吸量比超纯水中大，这可能会对生物体造成更严重的危害[55]。除了老化MPs对生物体的危害外，也可能会带来其他的环境问题，如老化后形成的NPs由于粒径太小，如何从土壤环境中检测丰度及去除也是一大难题。综上，老化MPs的生态毒性问题及其带来的环境污染问题值得高度关注。
3. 结论与展望（Conclusion and perspective）
（1）土壤MPs的来源途径很多，包括未合理处置的塑料垃圾、污泥堆肥、有机肥的施用、农业灌溉、地膜覆盖等，但当前的研究仅停留在对土壤MPs来源的描述上，很少聚焦MPs的溯源研究，现有的技术条件无法将MPs从环境中根除，因此从源头管控就显得尤为重要。但如今土壤MPs溯源几乎处于空白状态，建议加强这方面的研究，为土壤中MPs的源头控制提供关键支撑。
（2）MPs污染在全球土壤环境中普遍存在，应加大力度调查土壤MPs丰度。不同地点、土地类型、不同深度土壤中MPs污染水平和特征存在较大差异，频繁的农业活动导致农田土壤MPs污染较为严重，PE、PP、PS是土壤中最常见的MPs类型。通过大气传输、植物积累、动物摄食、翻耕等多种途径，MPs最终可迁移到深层土壤甚至含水层，因此检测深层土壤中MPs的含量才能全面评估土壤MPs的污染状况。迁移到地下水中的MPs可能带来新的环境问题，但相关的环境风险预测、评估和防控仍缺乏。
（3）土壤MPs的存在会对动植物的生长产生不同影响，关于这方面的研究存在暴露时间短、受试动植物类别有限、土壤类型单一以及MPs种类、粒径大小和浓度与实际土壤环境有一定差异等问题，未来应结合实际土壤环境状况加强这方面的研究。土壤MPs经陆生食物链的传递和积累，可能对人类健康构成严重威胁，但关于环境相关浓度土壤MPs对不同类型动植物的阈值毒性水平及其在食物链中转移的研究还不足，这些问题在后续研究中需重点考虑，以全面揭示陆地生态系统中MPs带来的生态风险。
（4）MPs因疏水性强、比表面积大，可以吸附多种有机和无机污染物，从而影响土壤生物的生长，MPs还可与自身释放的添加剂等形成复合污染，使得MPs的环境行为更加复杂。但目前关于土壤MPs与其携带的污染物结合和释放的机理尚不清楚，与多种有害污染物共同暴露对陆生生物的毒性效应和人体健康的风险亟待研究。未来的研究重点应关注MPs进入到土壤中如何参与其他元素(如重金属)和污染物的环境地球化学行为及生物效应。
（5）土壤MPs的存在可改变微生物的群落结构和功能，反过来，在微生物、土壤动物、光照辐射等作用下MPs可进一步老化或降解，可能对土壤生态系统构成更大的威胁。但MPs影响土壤微生物的机制和途径暂不明晰，未来探究MPs对微生物群落结构、微生物活性的影响，MPs对全球生态系统和生物地球化学循环及对ARGs的影响是研究的重点方向之一。此外，还应寻找绿色、高效且环保的控制措施，以减少生物体对MPs的吸收，并降低其在土壤生态系统中的迁移。
-
图 1 各站点间臭氧浓度最大信息系数均值与标准偏差
Figure 1. Mean and standard deviation of maximum information coefficient of O3 concentration among stations
图 6 未来不同时刻的臭氧观测浓度值与预测浓度值比较
Figure 6. Comparison between observed and predicted O3 concentration values at different time in the future
图 7 未来72 h模型预测浓度值与观测浓度值对比
Figure 7. Comparison of predicted and observed concentrations in the model for the next 72 hours
图 8 不同模型预测臭氧小时浓度的平均相对偏差MRB分布（a）和均方根误差RMSE分布（b）
Figure 8. The MRB and RMSE distribution of O3 hourly concentration predicted by different models
图 9 模型分浓度区间预测误差对比
Figure 9. Comparison of model prediction errors by concentration interval
图 10 不同类型站点未来72 h模型预测浓度值与观测浓度值对比
Figure 10. Comparison of model predicted and observed concentrations for the next 72 hours at different types of stations
-
[1] WANG M Y, YIM S H L, DONG G H, et al. Mapping ozone source-receptor relationship and apportioning the health impact in the Pearl River Delta region using adjoint sensitivity analysis [J]. Atmospheric Environment, 2020, 222: 117026. doi: 10.1016/j.atmosenv.2019.117026 [2] GUAN Y, XIAO Y, WANG F Y, et al. Health impacts attributable to ambient PM2.5 and ozone pollution in major Chinese cities at seasonal-level [J]. Journal of Cleaner Production, 2021, 311: 127510. doi: 10.1016/j.jclepro.2021.127510 [3] 董红召, 王乐恒, 唐伟, 等. 融合时空特征的PCA-PSO-SVM臭氧(O3)预测方法研究 [J]. 中国环境科学, 2021, 41(2): 596-605. DONG H Z, WANG L H, TANG W, et al. Research on PCA-PSO-SVM ozone prediction considering spatial-temporal features [J]. China Environmental Science, 2021, 41(2): 596-605(in Chinese).
[4] 李子凌. 基于时空数据的臭氧特征分析及其预测算法研究[D]. 北京: 北京交通大学, 2020. LI Z L. Research on ozone feature analysis and prediction algorithm based on spatio-temporal data[D]. Beijing: Beijing Jiaotong University, 2020(in Chinese).
[5] 肖德林, 邓仕槐, 邓小函, 等. 达州市城区环境空气质量变化趋势及CMAQ模型预报分析 [J]. 中国环境监测, 2021, 37(4): 92-103. XIAO D L, DENG S H, DENG X H, et al. Analysis of ambient air quality variation trend and CMAQ model forecast system in urban areas of Dazhou City [J]. Environmental Monitoring in China, 2021, 37(4): 92-103(in Chinese).
[6] RYU Y H, HODZIC A, DESCOMBES G, et al. Toward a better regional ozone forecast over CONUS using rapid data assimilation of clouds and meteorology in WRF-chem [J]. Journal of Geophysical Research:Atmospheres, 2019, 124(23): 13576-13592. doi: 10.1029/2019JD031232 [7] 周广强, 瞿元昊, 余钟奇. 长江三角洲城市臭氧数值预报与释用 [J]. 中国环境科学, 2021, 41(1): 28-36. ZHOU G Q, QU Y H, YU Z Q. Numerical forecast and improvement of ozone over YRD cities [J]. China Environmental Science, 2021, 41(1): 28-36(in Chinese).
[8] 邹国建. 基于时空特征学习的区域空气污染物扩散趋势预测研究[D]. 上海: 上海师范大学, 2020. ZOU G J. Study on prediction of regional air pollutant diffusion trend based on spatiotemporal feature learning[D]. Shanghai: Shanghai Normal University, 2020(in Chinese).
[9] 丁愫, 陈报章, 王瑾, 等. 基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究 [J]. 环境科学学报, 2018, 38(8): 3229-3242. DING S, CHEN B Z, WANG J, et al. An applied research of decision-tree based statistical model in forecasting the spatial-temporal distribution of O3 [J]. Acta Scientiae Circumstantiae, 2018, 38(8): 3229-3242(in Chinese).
[10] 梁炜, 李雅箐, 黄喜寿, 等. 基于ARMA-GARCH模型的南宁市O3浓度预测研究 [J]. 广西科学, 2020, 27(1): 91-97. LIANG W, LI Y Q, HUANG X S, et al. Research on atmospheric ozone concentration prediction based on ARMA-GARCH model in Nanning [J]. Guangxi Sciences, 2020, 27(1): 91-97(in Chinese).
[11] 蔡旺华. 运用机器学习方法预测空气中臭氧浓度 [J]. 中国环境管理, 2018, 10(2): 78-84. CAI W H. Using machine learning method for predicting the concentration of ozone in the air [J]. Chinese Journal of Environmental Management, 2018, 10(2): 78-84(in Chinese).
[12] 彭岩, 冯婷婷, 王洁. 基于集成学习的O3的质量浓度预测模型 [J]. 山东大学学报(工学版), 2020, 50(4): 1-7. PENG Y, FENG T T, WANG J. An integrated learning approach for O3 mass concentration prediction model [J]. Journal of Shandong University (Engineering Science), 2020, 50(4): 1-7(in Chinese).
[13] 王舒扬, 姜金荣, 迟学斌, 等. 模式预报数据的深度学习PM2.5浓度预测模型[J]. 数值计算与计算机应用, 2022, 43（2）: 142-153. WANG S Y, JIANG J R, CHI X B, et al. A deep learning model for forecasting PM2.5 combined with numerical model Data[J/OL]. Journal on Numerical Methods and Computer Application, 2022, 43（2）: 142-153（in Chinese）.
[14] SUN W, SUN J Y. Daily PM2.5 concentration prediction based on principal component analysis and LSSVM optimized by cuckoo search algorithm [J]. Journal of Environmental Management, 2017, 188: 144-152. [15] 宋国君, 国潇丹, 杨啸, 等. 沈阳市PM2.5浓度ARIMA-SVM组合预测研究 [J]. 中国环境科学, 2018, 38(11): 4031-4039. doi: 10.3969/j.issn.1000-6923.2018.11.005 SONG G J, GUO X D, YANG X, et al. ARIMA-SVM combination prediction of PM2.5 concentration in Shenyang [J]. China Environmental Science, 2018, 38(11): 4031-4039(in Chinese). doi: 10.3969/j.issn.1000-6923.2018.11.005
[16] 李建新, 刘小生, 刘静, 等. 基于MRMR-HK-SVM模型的PM2.5浓度预测 [J]. 中国环境科学, 2019, 39(6): 2304-2310. doi: 10.3969/j.issn.1000-6923.2019.06.009 LI J X, LIU X S, LIU J, et al. Prediction of PM2.5 concentration based on MRMR-HK-SVM model [J]. China Environmental Science, 2019, 39(6): 2304-2310(in Chinese). doi: 10.3969/j.issn.1000-6923.2019.06.009
[17] 康俊锋, 黄烈星, 张春艳, 等. 多机器学习模型下逐小时PM2.5预测及对比分析 [J]. 中国环境科学, 2020, 40(5): 1895-1905. doi: 10.3969/j.issn.1000-6923.2020.05.005 KANG J F, HUANG L X, ZHANG C Y, et al. Hourly PM2.5 prediction and its comparative analysis under multi-machine learning model [J]. China Environmental Science, 2020, 40(5): 1895-1905(in Chinese). doi: 10.3969/j.issn.1000-6923.2020.05.005
[18] ZENG Z L, WANG Z M, GUI K, et al. Daily global solar radiation in China estimated from high-density meteorological observations: A random forest model framework [J]. Earth and Space Science, 2020, 7(2): e2019EA001058. [19] 侯俊雄, 李琦, 朱亚杰, 等. 基于随机森林的PM2.5实时预报系统 [J]. 测绘科学, 2017, 42(1): 1-6. HOU J X, LI Q, ZHU Y J, et al. Real-time forecasting system of PM2.5 concentration based on spark framework and random forest model [J]. Science of Surveying and Mapping, 2017, 42(1): 1-6(in Chinese).
[20] HUANG K Y, XIAO Q Y, MENG X, et al. Predicting monthly high-resolution PM2.5 concentrations with random forest model in the North China Plain [J]. Environmental Pollution, 2018, 242: 675-683. doi: 10.1016/j.envpol.2018.07.016 [21] KAPADIA D, JARIWALA N. Prediction of tropospheric ozone using artificial neural network (ANN) and feature selection techniques [J]. Modeling Earth Systems and Environment, 2022, 8(2): 2183-2192. doi: 10.1007/s40808-021-01220-6 [22] KUMAR N, MIDDEY A, RAO P S. Prediction and examination of seasonal variation of ozone with meteorological parameter through artificial neural network at NEERI, Nagpur, India [J]. Urban Climate, 2017, 20: 148-167. doi: 10.1016/j.uclim.2017.04.003 [23] SAYEED A, CHOI Y, ESLAMI E, et al. Using a deep convolutional neural network to predict 2017 ozone concentrations, 24 hours in advance [J]. Neural Networks, 2020, 121: 396-408. doi: 10.1016/j.neunet.2019.09.033 [24] WANG H W, LI X B, WANG D S, et al. Regional prediction of ground-level ozone using a hybrid sequence-to-sequence deep learning approach [J]. Journal of Cleaner Production, 2020, 253: 119841. doi: 10.1016/j.jclepro.2019.119841 [25] 贾鹏程. 基于深度学习的长三角地区臭氧临近预报技术研究[D]. 南京: 南京信息工程大学, 2021. JIA P C. Deep learning based ozone prediction technique in Yangtze River Delta region[D]. Nanjing: Nanjing University of Information Science & Technology, 2021(in Chinese).
[26] 万显烈, 杨凤林, 王慧卿. 利用人工神经网络对空气中O3浓度进行预测 [J]. 中国环境科学, 2003, 23(1): 110-112. doi: 10.3321/j.issn:1000-6923.2003.01.025 WAN X L, YANG F L, WANG H Q. The approach of artificial neural network applied in ambient ozone forecast [J]. China Environmental Science, 2003, 23(1): 110-112(in Chinese). doi: 10.3321/j.issn:1000-6923.2003.01.025
[27] HOCHREITER S, SCHMIDHUBER J. Long short-term memory [J]. Neural Computation, 1997, 9(8): 1735-1780. doi: 10.1162/neco.1997.9.8.1735 [28] 周永生. 基于LSTM神经网络的PM2.5预测[D]. 长沙∶湖南大学, 2018. ZHOU Y S. PM2.5 Prediction based on LSTM neural network [D]. Changsha: Hunan University, 2018(in Chinese).
[29] AL-JANABI S, MOHAMMAD M, AL-SULTAN A. A new method for prediction of air pollution based on intelligent computation [J]. Soft Computing, 2020, 24(1): 661-680. doi: 10.1007/s00500-019-04495-1 [30] FREEMAN B S, TAYLOR G, GHARABAGHI B, et al. Forecasting air quality time series using deep learning [J]. Journal of the Air & Waste Management Association, 2018, 68(8): 866-886. [31] JIA P C, CAO N W, YANG S B. Real-time hourly ozone prediction system for Yangtze River Delta area using attention based on a sequence to sequence model [J]. Atmospheric Environment, 2021, 244: 117917. doi: 10.1016/j.atmosenv.2020.117917 [32] PAK U, KIM C, RYU U, et al. A hybrid model based on convolutional neural networks and long short-term memory for ozone concentration prediction [J]. Air Quality, Atmosphere & Health, 2018, 11(8): 883-895. [33] 方韬. 基于神经网络的近地面臭氧估算和预测研究[D]. 上海: 上海师范大学, 2020. FANG T. Study on estimation and prediction of near-surface ozone based on neural network[D]. Shanghai: Shanghai Normal University, 2020(in Chinese).
[34] ZHOU J, CUI G Q, HU S D, et al. Graph neural networks: A review of methods and applications [J]. AI Open, 2020, 1: 57-81. doi: 10.1016/j.aiopen.2021.01.001 [35] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large data sets [J]. Science, 2011, 334(6062): 1518-1524. doi: 10.1126/science.1205438 [36] 高婵娟, 赵啟超, 丁若男, 等. 2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析 [J]. 环境工程, 2021, 39(5): 71-79. GAO C J, ZHAO Q C, DING R N, et al. Variations of atmospheric pollutants concentrations and their correlation with meteorological factor in Jilin City in 2018 [J]. Environmental Engineering, 2021, 39(5): 71-79(in Chinese).
[37] ZHENG Y, YI X W, LI M, et al. Forecasting fine-grained air quality based on big data[C]//Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Sydney NSW Australia. New York, NY, USA: ACM, 2015: 2267-2276. 期刊类型引用(4)
1. 杨莹攀，尹娟，朱银浩，李升. 水氮调控对宁夏中部旱区马铃薯产量与土壤质量的影响. 农业机械学报. 2024(09): 358-370+458 . 
百度学术
2. 郝胜杰，霍嘉兴，李玉叶，杜雨欣，李金跃，康俊宇. 干旱胁迫下硅和丛枝菌根对甘草根的影响. 北方园艺. 2024(20): 99-109 . 百度学术
3. 高国宏，阮梦颖，郝英豪，吴访，周新河，刘荣灿，李媛. 矿区深层地下水微生物群落特征. 煤炭工程. 2024(S1): 163-170 . 百度学术
4. 陈维峰，王思凡，马林，袁宗胜，刘芳. 微生物菌剂组合施用对艾草生长的影响. 亚热带农业研究. 2023(04): 273-281 . 百度学术
其他类型引用(2)
-
点击查看大图
计量
- 文章访问数: 3711
- HTML全文浏览数: 3711
- PDF下载数: 229
- 施引文献: 6
