《Journal of Hand Therapy》：Empowering precision source apportionment and risk management of microplastics with an optimized fingerprint-receptor model and smart platform
编辑推荐：
任星年|刘青燕|宋建浩|杨成|陈子伟|王胤|田晓刚|王春|杨如鑫|张涵|陈梦丽西南交通大学环境科学与工程学院，中国成都，611756摘要准确划分沉积物中微塑料（MPs）的来源对于有效的生态风险管理至关重要。然而，由于输入变量的多样性有限，传统的受体模型往往会产生较高的不确定性。为
任星年|刘青燕|宋建浩|杨成|陈子伟|王胤|田晓刚|王春|杨如鑫|张涵|陈梦丽
西南交通大学环境科学与工程学院，中国成都，611756
摘要
准确划分沉积物中微塑料（MPs）的来源对于有效的生态风险管理至关重要。然而，由于输入变量的多样性有限，传统的受体模型往往会产生较高的不确定性。为了解决这个问题，我们基于在13个城市河流站点进行的四次采样活动，开发了一个时空复合指纹数据库来优化正矩阵分解（PMF）模型。沉积物中的微塑料平均含量为548.99个/千克，主要尺寸在100–500微米之间（39.4%），呈颗粒状（31%），颜色为黑色（38.5%），主要由PET（29%）和PP（22.1%）组成。我们改进的方法以颗粒形状作为主要定量变量，并结合尺寸、颜色和聚合物组成作为诊断指纹，以最小化来源重叠。与传统单特征PMF模型相比，优化后的模型将来源数量从三个模糊的因素增加到四个清晰可解释的来源：生活污水（30.81%）、农业活动（27.96%）、管理不善的塑料废物（24.39%）和工业来源（16.84%）。为了将来源与生态影响联系起来，我们应用了一个多特征相对潜在生态风险指数（MPERI），该指数揭示了来源风险之间的显著差异：工业来源仅贡献了16.84%的微塑料数量，但却占了30.58%的相对潜在生态风险。随后的机器学习分析确定聚合物类型是MPERI的主要驱动因素。此外，这些工作流程被整合到一个开放访问的分布-来源-风险（DSR）智能平台中，为微塑料数据分析和环境管理提供了端到端的解决方案。这些发现为优先考虑缓解措施和推进可持续环境政策提供了坚实的科学基础。
引言
微塑料（MPs）由于其持久性和潜在的生物毒性，已成为全球关注的新兴污染物[1]，[2]。微塑料的广泛分布凸显了塑料材料生命周期管理中的系统性缺陷[3]。随着城市化的加速，城市河流作为关键的“动脉”，积累了来自生活、工业和农业活动的复杂人为污染物[4]。河流沉积物是主要的汇，这些沉积物中的微塑料形成了一个污染库，严重威胁着底栖生态系统的长期健康[5]，[6]。虽然识别微塑料来源对于确定管理优先级至关重要[7]，[8]，但城市沉积物中形态和化学特征的重叠使得准确来源分析变得复杂[9]，[10]。因此，开发更高分辨率的来源划分工具已成为当务之急。
目前，微塑料来源追踪仍处于早期阶段。大多数研究依赖于微塑料数量与环境因素之间的简单相关性，导致的是定性推断而非准确的量化[11]，[12]。正矩阵分解（PMF）作为一种首选的定量受体模型出现，因为它可以在不需要预先了解来源特征的情况下将复杂的数据集分解为来源轮廓和贡献[13]。尽管之前的研究已经将PMF应用于城市环境[14]，但解决具有高不确定性的混合来源特征仍然是一个挑战。一个关键的限制是依赖于单一维度特征（例如，聚合物类型或形状），这通常缺乏区分具有共同特征的来源的细节[15]。例如，纤维既可能来自家庭洗衣，也可能来自工业纺织品，而碎片通常与农业土壤、建筑废物和垃圾有关[16]，[17]。尽管多维指纹（形态和化学）被认为很有价值，但现有研究往往将它们作为描述性指标，而不是将其结构化地整合到受体模型中[18]。因此，如何将多维指纹操作化以系统地改进PMF来源分析仍不清楚。
有效的管理还需要精确的潜在生态风险评估，但当前的框架面临重大限制。首先，大多数风险评估框架主要依赖于微塑料数量和聚合物危害指数，往往忽略了物理特征（如颗粒大小、形状和颜色）的协同影响[19]，[20]。最近的研究清楚地表明，较小的颗粒尺寸会显著增加生物可利用性，特定的形状和颜色可能会诱导水生生物的选择性摄入，从而放大整体生态风险[21]，[22]。此外，现有工作流程中来源划分与风险评估之间存在脱节。尽管受体模型提供了微塑料污染来源的初步估计，但仍然难以确定哪个具体来源构成了最大的生态威胁[7]。因此，未来的风险评估框架必须整合全面的微塑料特征，并建立污染来源与其特定风险轮廓之间的直接联系。这样的方法将促进更有针对性的管理策略，将重点从基于数量的干预转向基于风险的干预。
尽管最近的研究已经认识到在风险评估中考虑多种物理特征的重要性，并探索了各种来源划分方法，但一个能够综合这些见解的集成框架仍然缺失[23]，[24]。这一差距的持续存在阻碍了对复杂数据的整体分析，并削弱了不同微塑料污染研究结果之间的可比性。然而，数据科学和云平台技术的最新进展为克服这些分析和系统性限制提供了强大的潜力[25]，使得更复杂的数据整合、处理和决策支持成为可能。因此，迫切需要一种新的集成方法，将多样化信息转化为有效的微塑料污染控制分析框架。
为了解决这些问题，我们提出了一个基于微塑料复合指纹的优化建模框架，旨在准确量化微塑料来源及其相应的生态风险。本研究的具体目标是：（1）构建一个高分辨率的时空复合指纹数据库，用于城市河流沉积物；（2）通过结合复合指纹来增强PMF模型，以更好地分辨之前混合的来源；（3）建立多特征潜在生态风险指数（MPERI），将污染来源与相对风险联系起来；（4）部署一个开放访问的分布-来源-风险（DSR）智能平台。这种综合的方法论框架有助于在复杂的城市水环境中进行准确的来源划分和风险管理，最终推进微塑料污染的系统性治理。
章节片段
研究区域和样本收集
研究区域位于中国四川省成都市（图1a），这是一个人口密集且经济发达的内陆大城市（图1b）。核心河流系统包括岷江及其主要支流，上游地区的年平均流量为483立方米/秒。在河流沿线共设立了13个代表性采样点，涵盖农村（S1、S5、S9）、郊区（S2、S3、S4、S6、S10、S13）和核心城区（S7、S8、S11、S12）（图1c）。
微塑料数量的时空分布
如图2a-d所示，沉积物中的微塑料数量范围从40到1,500个/千克，平均为548.99个/千克。四次采样事件中的平均微塑料数量分别为494.87、495.38、710.26和495.48个/千克（图2e）。值得注意的是，第三次采样事件中的微塑料数量显著高于其他三次事件（p < 0.05）。2024年11月，成都的降雨量仅为9.7毫米，远低于同期的多年平均值（表S3）。
结论
本研究利用时空复合指纹数据库提高了微塑料来源划分和风险评估的准确性。虽然传统的单特征PMF仅识别出三个模糊的来源，但优化的复合指纹约束模型区分了四个不同的来源：生活污水（30.81%）、农业活动（27.96%）、管理不善的塑料废物（24.39%）和工业来源（16.84%）。通过使用MPERI，我们识别了潜在的风险
环境影响
本研究通过引入一个优化的指纹约束受体模型和一个智能平台，用于精确的来源划分和风险评估，推进了微塑料（MP）管理。通过将模糊因素分解为四个不同的来源类别，该框架揭示了来源与风险之间的关键不匹配，表明工业来源的微塑料可能带来不成比例的相对潜在生态风险。这些发现强调了迫切需要改变缓解策略
CRediT作者贡献声明
宋建浩：研究。田晓刚：资源。王胤：资源。陈子伟：可视化。杨成：研究。陈梦丽：写作——审稿与编辑、监督、资源、方法论、资金获取。张涵：写作——审稿与编辑、资金获取。杨如鑫：研究。王春：资源。刘青燕：数据管理。任星年：写作——初稿、可视化、软件、方法论、概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金（项目编号42407008、项目编号52370102、项目编号52170104）和中国博士后科学基金（项目编号2024M752664）的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
