摘 要：微塑料(MPs）是全球廣泛關注的新污染物，因其體積小、易遷移、難降解等特性，對生態系統和人類健康構成潛在且嚴重的威脅，MPs污染治理迫在眉睫。人工智能(AI）憑借其強大的數據處理、模式識別和預測能力，在MPs污染治理領域展現出日益重要的作用。本文綜述了近年來AI技術在MPs收集與檢測、污染源追蹤、環境影響預測、治理策略優化等MPs污染治理環節的研究進展。重點對比分析了各環節所用的AI模型及其準確性，并深入探討了當前面臨的挑戰以及未來的發展方向，旨在為推動MPs污染治理的科學化和智能化提供參考借鑒。

關鍵詞：人工智能；深度學習；MPs；模型

  微塑料(MPs）為尺寸≤5毫米的固體塑料顆粒，其由聚合物、功能性添加劑以及其他有意和無意添加的化學物質組成[1]。MPs作為一種全球范圍內備受關注的新污染物，已在海洋、土壤、大氣等多種介質中廣泛檢出[23]。因其微小、易遷移、難降解等特性，對生態系統和人類健康構成潛在且嚴重的威脅，亟需有效治理MPs污染。傳統方法在MPs污染治理領域面臨諸多挑戰：(1)MPs的尺寸微小、種類繁多，在復雜環境基質中難以有效分離、識別和分析[4]。(2）MPs來源復雜，且在環境中的長期累積和遷移使得污染源追蹤難。(3）不同治理策略的效果往往受到多種因素的影響，難以準確評估其長期效益和潛在風險。

  近年來，人工智能(AI）技術迅猛發展，并在環境領域展現出日益廣泛的應用前景。AI技術，尤其是機器學習和計算機視覺，正在顯著提升我們對環境介質中MPs污染的認知水平[57]。這些先進的計算方法，極大地促進了對海量數據集的高效處理，提高了MPs識別的準確性，并能揭示以往難以發現的分布模式。而以“AI”or“artificialintelligence”or“machinelearning”and“microplastics”or“MPs”為檢索詞，在WebofScience數據庫上對近十年環境領域的研究性論文進行檢索，發現隨著AI技術的發展，其應用于MPs方面的發文量增長迅速，由2016年的39篇增長至2024年的1081篇(圖1(a)）。對相關文獻進行文獻計量學分析發現，近年來相關研究熱點，AI技術的應用逐步從MPs污染預測轉向MPs污染治理研究。此外，已有研究表明，AI技術還可用于評估MPs、污染的收集、特征描述、動態建模、環境和健康影響評估以及有效管理等全生命周期，從而為制定更有效的管理策略提供科學依據(圖1(b))[8]?？傊?，AI技術憑借強大的數據處理、模式識別和預測能力，為解決MPs污染治理難題提供了新的思路和方法，相關研究成果不斷涌現。然而，目前仍缺乏對該領域AI應用現狀的系統性綜述。

  鑒于此，本文旨在綜述AI在MPs污染治理方面的最新研究進展，分析當前面臨的挑戰，并展望未來的發展方向，為推動MPs污染治理的科學化和智能化提供參考。

圖1  AI在MPs研究領域的年發文量趨勢圖以及在MPs全生命周期中的應用[8]

1  AI在MPs污染治理領域的應用進展

  目前，AI技術在MPs收集與檢測、污染源追蹤、環境影響預測、治理策略優化等MPs污染治理各個環節均表現出巨大的潛力。

1.1 收集與檢測

  AI技術，尤其是機器學習和計算機視覺，已被廣泛應用于MPs的自動化收集[9,10]。例如，多種智能化設備(如3D打印仿生機器人魚、無人機和智能車）可用于從水體、海灘和海底沉積物中高效收集MPs。這些設備通過數字攝像頭捕捉圖像，并利用深度學習模型(如YOLACT、Mask-RCNN、YOLOX、YOLOv7、YOLOv6、YOLOR、YOLOv4、SSD、MobileNet_V2等）進行檢測和識別，從而準確識別、定位塑料物體，并實現對設備的智能化控制。

  圖2展示了MPs通過AI技術采集及分析的操作流程。首先，利用仿生機器人、機器采集船和機器采集車等進行MPs收集。接著，通過機械臂分選進行MPs鑒定。在鑒定和表征環節，設備獲取圖像等數據，并運用機器學習、5G、物聯網和云計算技術進行數據管理和分析，實現MPs的檢測、定位、定量、可視化和預測。數據分析中，對光譜數據預處理后，構建機器學習(如MLP(多層感知機)、SVM(支持向量機)等）和深度學習模型(如CNN(卷積神經網絡)、RNN(循環神經網絡)等），并利用混淆矩陣評價模型效果。實物模型應用操作流程從初始狀態的攝像機開始，傳感器獲取RGB色彩圖像輸入微型信息處理器，經深度學習算法(Faster-RCNN、YOLO）檢測目標對象，發出命令實現狀態更新，抓取目標，最終實現機器學習模型構建實物模型的閉環。整個流程體現了AI技術在MPs研究中從采集到分析再到模型構建及應用的系統性和科學性[11]。Hertog等[12]構建了一個基于地理聚類和動態規劃算法終點值的有效搜索算法，該算法可實時優化海洋中塑料收集船的行駛路徑，在一年的收集實踐中，優化的路線將收集的塑料數量增加了60%以上。

  AI輔助檢測技術能夠自動識別、分類和量化MPs[13]。通過使用標有MPs關鍵特征(如形狀、大小、顏色和紋理）的圖像來訓練深度學習模型(如Faster-RCNN、YOLOv5、Mask-RCNN等），可實現模型對數碼相機和顯微鏡采集的圖像或視頻進行MPs識別。通過對傅里葉變換紅外光譜儀、拉曼光譜儀或高光譜相機獲取的數據進行深度學習訓練，則可實現對PP、PVC、PET、PA和PS等MPs的分類[14-16]。

  常用于MPs分類的機器學習模型包括DT(決策樹）、GNB(高斯樸素貝葉斯）、k-NN(K-近鄰算法）、RF、SVM和MLP等[17-18]。例如，有研究在實驗室條件下，利用高光譜數據構建了DT、SVM和CNN多個土壤MPs定性檢測模型，模型的MPs分類準確率分別達到87.9%、85.6%和92.6%，

應用于實際環境土壤中，CNN模型的MPs總體識別準確率超過80%[19]。

  鑒于現有光譜學方法在樣品制備和儀器復雜性方面存在的不足，影響了MPs的快速檢測效率，有研究開發了一種便攜式高通量液滴微流控系統。該系統集成了負壓驅動的液滴微流控技術、相差成像技術以及優化的YOLOv8模型，能夠對包括去離子水、自來水、河水和海水在內的多種水樣進行MPs的快速檢測，準確率超過85.3%[20].

圖2  AI驅動的MPs收集、處理和特征描述框架及閉環優化系統[11]

1.2 污染源追蹤

  環境中MPs來源復雜，有效溯源對精準治理至關重要。傳統追蹤方法?；诃h境因素評估MPs豐度以推斷來源，但該過程繁瑣易錯，缺乏科學性。例如，賦存特征溯源法、正定矩陣因子分解模型、條件破碎模型等方法，其數據獲取依賴于目檢法(顯微鏡和圖像軟件），易受人工目視分析的主觀偏差和人為誤差影響[21]。復雜環境樣本中的有機/無機物干擾、微塑料形態/粒徑/呈色異質性，以及光學顯微鏡分辨率不足等因素，均加劇了識別難度[2223]。此外，顆粒老化導致的特征演變和前處理流程的低效與污染風險，進一步限制了傳統方法的應用[24-25]。

  AI技術憑借其強大的分析能力，能夠有效地識別MPs污染源的模式和相關性，有助于深入理解其來源、傳播途徑以及潛在生態風險，并顯著提升傳統追蹤方法的效率。例如，Shu等[26]基于BP、RF、SVM、NB和k-NN等多種機器學習算法，構建了一種用于污水溯源的框架，并提出了粒子群優化隨機森林模型(PSO-RF），該模型能夠自動優化模型參數，并成功應用于綜合污水處理廠的廢水源頭追蹤研究。實驗結果表明，PSO-RF在行業類型和制造商識別方面的準確率分別達到96.55%和94.25%.為進一步驗證PSO-RF的應用價值(圖3），研究者使用不同比例的生活污水和工業污水混合廢水進行了測試，結果一致表明PSO-RF能夠有效追蹤制藥廢水來源，并保持85%以上的準確率，展現了良好的應用前景。

圖3  PSO-RF追蹤制藥廢水的溯源機制解析及應用[26]

  除了溯源，AI在解析MPs在不同環境介質中的復雜歸宿和遷移方面也展現出巨大潛力[27-30]。例如，運用SVM和XGBoost(極端梯度提升）模型，將無量綱直徑、相對密度和最佳形狀作為模型輸入參數，來預測形狀參數對MPs終端沉降速度的影響。結果表明，這些機器學習模型在預測不同形狀類別和混合形狀MPs的終端沉降速度時表現更佳(R2 > 0.867），優于基于均方誤差的現有理論模型和回歸模型[31]。類似地，有研究利用BP-ANN(反向傳播人工神經網絡）模型追蹤納米塑料的流體動力學直徑，來揭示納米塑料復雜的聚集和懸浮行為[32]。對比RF、DT、XGBoost和k-NN四種不同的機器學習模型預測水環境中MPs遷移行為，發現RF模型表現最佳，相關系數為0.97，平均絕對百分比誤差為1.8%.此外，有研究以土壤水動力學參數、MPs特性等21個可能影響MPs遷移的特征參數作為輸入參數，分別采用MLR(多元線性回歸）、RF、XGBoost、k-NN、SVM和LightGBM(輕量級梯度提升機算法）六種機器學習模型預測了MPs在土壤中的垂直遷移能力，結果表明，XGBoost模型在預測MPs垂直遷移能力方面表現出最高的準確性和最低的誤差[33]。

  近年來，多項研究試圖利用AI技術來更好地表征MPs熱解過程[34-35]。Enyoh等[34]基于熱重分析數據，分別采用了SVM、DT、RF和ANN等機器學習模型預測了PET熱解過程的質量損失，結果表明，RF模型表現最佳(預測R2為0.999）.Chen等[35]通過使用獨立并行反應(IPR）模型與粒子群優化(PSO）算法探究微塑料熱解動力學，擬合優度均高于95%。

1.3 環境影響預測

  MPs可吸附重金屬、有機污染物和病原微生物等污染物，為系統評估和預測水環境中MPs和有機污染物的吸附特性，有研究從過去10年的文獻中收集了475個數據點，并選擇比表面積、碳含量、氫碳比、氧碳比等4個MPs性質參數和過量摩爾折射率、H鍵酸性、H鍵堿性、摩爾體積、偶極性/極化性等5個有機污染物性質參數作為輸入參數用于模型訓練。對比了ANN、RF、GPR(高斯過程回歸）、XCB(XC綁定）、GA-ANN(遺傳算法-人工神經網絡）、GA-SVM(遺傳算法-支持向量機）、CNN和LSTM(長短記憶網絡）等7個機器學習模型預測MPs與有機污染物間的吸附能力，結果表明，GA-SVM混合模型在訓練集、測試集和驗證集上的R2值分別為0.93、0.89和0.82，顯示出最佳的預測性能[36]。

  在土壤生態系統中，AI技術已被應用于預測和解釋MPs如何影響土壤性質和微生物群落[37]。DT、RF和GBR(梯度提升回歸）是最常用的機器學習模型，并且根據不同的模型選擇和任務，R2在0.592到0.99之間，其中GBR模型在預測和解釋MPs對土壤性質的影響方面表現出最高的R2(0.86-0.99)[38].Zhang等[5]將RF、ANN和SVM模型相結合開發了一種多特征疊加分析增強的機器學習(MFAB-ML）方法(圖4），從全球分布的1354個樣本中分析了34個特征變量，用于評估MPs對真實環境中微生物群落的影響，該方法在預測微生物多樣性方面表現出較高的準確性(R2>0.8）。

圖4 多特征疊加分析提升機器學習(MFAB-ML）方法的工作流程[5]

  此外，AI技術也被用于研究MPs的生態毒性。例如，采用DT模型評估MPs的細胞毒性，準確率可達95%。采用ANN、SVM和RF模型來預測MPs中增塑劑和其他污染物的浸出，其中ANN和SVM模型表現出良好的準確性(R2分別為0.96~0.98和0。93~0.99）.采用UNet-CNN(U型網絡-卷積神經網絡）網絡架構，對暴露于不同MPs濃度中的果蠅幼蟲進行標記和行為軌跡預測，可評估和推斷MPs對昆蟲幼蟲行為的毒性影響[38]。

1.4 治理策略優化

  AI技術在MPs污染治理領域具有廣闊的發展前景[40-43]。例如，有研究通過結合生物物理建模、分子動力學模擬、量子計算和PPO(近端策略優化）強化學習算法來發現能夠與塑料結合的肽，以創建基于生物的工具來對抗MPs污染。有研究采用AI技術優化實驗條件，實現改性介孔磁性二氧化硅納米顆粒對水體中的MPs和有機污染物的高效去除(圖5），并對比了SVM、DF和RF三種模型預測的準確性，發現SVM模型表現最佳(R2為0.88）[44].

圖5  AI輔助優化納米顆粒對MPs和有機污染物的高效去除[43]

  此外，有研究采用LR(邏輯回歸）、SVM、DTR(決策樹回歸）、RF、SVR(支持向量回歸）、ANN等模型來進行生物質、塑料廢料氣化制氫優化，并采用MLP-NN(多層感知器神經網絡）、RBF-NN(徑向基函數神經網絡）、SVM、RF、XGBoost、WFML(網頁特征建模語言）等模型來進行氫氣的儲存優化，表明了AI技術在利用氣化塑料廢料和生物質實現可持續制氫方面的潛力[40,45]。

  結合AI模型檢測MPs的操作流程分析，AI技術在MPs污染治理方面的策略優化可從以下幾方面展開：(1）檢測識別優化[46]。如增強提升圖像識別精度，結合高光譜成像實現種類鑒別，多傳感器融合+邊緣計算實現實時監測等[4648]。(2）溯源預測優化。如基于地理/環境/人文數據的機器學習溯源模型，水動力-AI耦合的遷移擴散預測系統。(3）治理清除優化[49]。包括智能清理設備：開發搭載AI系統的清理機器人，如水面清潔船、水下無人機等。利用目標識別算法引導設備自動定位、抓取MPs。通過強化學習讓機器人在復雜環境中不斷優化清理策略，提高清理效率。以及協同治理調度：利用AI統籌協調不同治理主體和設備。例如，根據不同區域MPs污染程度，智能調度清理船只、環衛車輛等資源，實現高效協同作業。還可通過AI預測設備故障，提前維護，保障治理工作連續性。(4）評估反饋優化[32]。如生態－治理多維度評估體系，基于評估結果的閉環優化機制。

  綜上所述，AI技術在MPs污染治理的各個環節均展現出顯著的潛力。在精準識別方面，AI可通過解析MPs的光譜/形態學等關鍵特征，實現對復雜環境基質中MPs的精確識別，深度學習模型(如CNN、ANN）能夠將識別準確率提升至95%以上，并顯著降低人力成本，迭代優化的算法架構(如YOLO）進一步增強了模型對實際場景的魯棒性。在精準溯源方面，前述PSO-RF模型在行業識別和制造商識別方面的準確率分別達到了96.55%和94.25%.在遷移規律解析方面，AI技術在解析MPs在不同環境介質中的復雜歸宿和遷移方面也展現出潛力，如GBR模型揭示了預測和解釋MPs對土壤性質的影響機制。此外，AI技術在環境影響預測和治理策略優化上也展現出巨大的發展潛力，如預測土壤生態系統中MPs的影響、優化檢測識別、溯源預測、治理清除和評估反饋等各個環節。

2  MPs研究中常見AI模型優缺點對比

  鑒于不同機器學習算法的基本概念和結構差異，它們在執行各類任務時表現出不同的優勢。然而，AI模型的性能在訓練前具有不可預測性，因此通常需要采用多種甚至十余種算法對同一數據集進行訓練，以期獲得最優性能模型。常見的機器學習模型包括DT、RF和SVM等。DT是一種樹形結構的算法，由根節點、內部節點和葉節點構成，分別代表數據集、屬性測試和決策結果。作為較早開發的機器學習模型，DT隨著算法技術的不斷發展，衍生出RF、GBDT(梯度提升決策樹）以及XGBoost等多種先進算法，并在環境科學領域獲得成功應用。SVM理論基礎扎實，具有通用性和魯棒性等優點。然而，SVM在處理大型數據集時存在訓練時間長、效率低等局限性。因此，當多種算法參與模型構建時，難以實現全局優化，且算法性能高度依賴于數據特性與任務目標。

傳統機器學習模型(如SVM、RF）在模型復雜度和可解釋性之間尋求平衡。

  SVM和RF的主要差異表現在以下幾個方面：模型原理(SVM基于間隔最大化理論，RF基于集成學習）、決策機制(SVM通過構建幾何邊界進行分類，RF采用多數投票/均值方法）以及適用場景(SVM更適用于高維小樣本數據集，而RF更適用于特征缺失較多的數據集）。具體而言，SVM的優勢在于能夠有效處理高維數據，對小樣本數據集具有較好的泛化能力，且對異常值較為敏感，同時具備較強的幾何可解釋性，但其計算復雜度較高，難以擴展到大規模數據集。相比之下，RF具有更廣泛的適用性，在大數據場景下訓練速度明顯優于SVM，但其決策邊界不夠精確，且在處理高維稀疏數據時的性能會顯著下降。另一方面，深度學習模型(如CNN、ANN）則通過增加計算資源投入來提升高階特征提取能力。CNN在處理具有空間/時序局部相關性的數據(例如圖像、視頻和語音）方面具有顯著優勢，可以視作ANN在空間數據上的特化版本。ANN更適合于結構化向量數據的輸入，或對任務復雜度要求較低、無需復雜特征提取的場景，理論上能夠擬合任意連續函數(萬能逼近定理），適用于非結構化數據的處理，并且可以通過靈活調整隱藏層數和神經元數量來適應不同復雜度的任務需求。在實際應用中，需通過交叉驗證進行對比驗證，以避免陷入“局部最優”(如K均值模型(K-Means)）或“過擬合”(如DT）等問題。根據數據集是否具有標簽，機器學習可分為無監督學習算法和有監督學習算法兩大類。在此基礎上，針對特定數據結構，衍生出了專為網格結構數據設計的CNN以及適用于非線性數據、使用反向傳播進行降維的MLP等機器學習算法。表1列舉了環境研究中常用的常用機器學習算法的優缺點和性能分析。

3 MPs研究中Al模型優化方法

  通常情況下，損失函數是量化機器學習模型訓練過程中預測值與實際值之間差距的關鍵指標。損失函數值越小，說明訓練數據的誤差越小。因此，有研究提出了提高模型性能的策略，包括適當的數據集處理和算法優化，從而提高MPs研究對機器學習模型的理解和應用(圖6）。模型構建完成后，可以利用混淆矩陣來評估模型的性能，提高模型的可信度[50]。

  為優化和評估機器學習模型性能，研究者常采用多種數據預處理、超參數優化和模型評估方法。數據預處理方面，歸一化因其對模型訓練的普遍助益而被廣泛應用于各類機器學習任務，旨在消除各維度數據之間的數量級差異。常用的歸一化策略包括最大最小法和均值方差法(圖6a）。針對MPs頻譜中常見的背景干擾、儀器誤差導致的鋸齒狀小波和基線偏移問題(圖6b,c），基線校正、平滑和小波去噪等方法對原始數據調整至關重要。對于無效特征較多的數據集，主成分分析(PCA）算法可將其轉化為較小的正交主成分集(圖6d），實現降維并保留關鍵特征信息。此外，數據擴增(圖6e）有助于提高模型泛化性能、降低過擬合風險并增強模型魯棒性。在模型訓練階段，超參數優化至關重要。研究人員通常結合交叉驗證(CV）使用網格搜索、隨機搜索和貝葉斯優化等方法(圖6f~h）以尋找最佳超參數值。其中，網格搜索和隨機搜索因其簡單易懂的特性，常被用于超參數優化的初期探索。而貝葉斯優化法在處理復雜高維超參數搜索問題時優勢顯著，隨著模型復雜度的增加，其重要性將日益凸顯。模型評估方面，混淆矩陣(圖6i）作為分類模型的基礎評估工具，因其高使用頻率而被廣泛采用。Roc曲線(圖6j）則主要用于二分類模型評估，通過比較不同模型的性能，其AUC值可量化模型性能。結合多種優化和評估方法的集成策略，能夠取長補短，具有極大的發展潛力。表2為上述優化方法與評估方式的優缺點分析。

圖6機器學習模型的優化和評估[50]

(a）歸一化；(b）平滑化；(c）基線校正；(d)PCA降維；(e）數據過采樣和欠采樣；(f）隨機搜索法；(g）網格搜索法；(h）貝葉斯優化法；(i）混淆矩陣；(j)Roc曲線

4  AI在MPs污染治理領域面臨的挑戰

  AI技術在MPs收集與檢測、污染追蹤、環境影響預測和治理策略優化等方面展現出巨大潛力，但仍面臨諸多挑戰。

  數據稀缺和質量問題。AI模型依賴于大量高質量、良好標記的數據集，然而MPs的數據收集與分析過程費時費力，樣本采集成本高。實驗室數據難以反映真實環境的復雜性，且缺乏標準化的MPs數據庫和統一的數據格式。此外，MPs形態、聚合物類型和老化程度的差異，以及環境介質和儀器差異導致的數據異質性，也加劇了數據挑戰。未來研究應優先考慮自動化和高通量的數據收集，開發標準化協議，擴大樣本來源，同時發展小樣本學習和元學習算法，構建輕量化邊緣計算架構，以及多模態預訓練大模型。

  智能檢測與識別技術的挑戰。智能檢測與識別技術的突破是解決數據稀缺問題的關鍵，也是未來技術發展的重點。當前主要存在的問題與挑戰包括：缺乏端到端的“采樣－預處理－檢測－分類”AI集成系統，限制了數據獲取的效率和自動化程度；缺乏結合微型光譜儀與手機成像的便攜式檢測設備，難以進行快速、便捷的現場檢測；缺乏無人機搭載的廣域MPs分布快速掃描技術等全流程自動化檢測系統，限制了大規模環境監測能力；同時，針對復雜環境樣品和風化MPs的精準識別仍然面臨挑戰，亟須發展融合拉曼光譜、紅外光譜與顯微圖像的跨模態識別算法以及針對風化MPs表面特征的深度學習識別方法。

  數據管理挑戰。AI技術在處理MPs數據時，需要解決數據質量、標準化和隱私保護問題。由于缺乏AI模型性能評估的統一標準和監管機構的認可，AI模型在MPs領域乃至其他領域的應用都面臨標準與認證缺失的問題。同時，需要建立明確的政策和法規來指導數據所有權、共享和使用。

  模型可解釋性、透明度和可重復性問題。實驗室環境中的AI模型在實際應用效果有待驗證。深度學習模型常因缺乏可解釋性而難以獲得對結論推理過程的洞察，影響結果的驗證和科學理解。某些稀有MPs類別樣本量不足，以及新型塑料添加劑的出現導致模型泛化能力下降，遷移學習面臨源域與目標域分布差異大的問題，使得模型技術遇到了小樣本學習問題的挑戰。此外，如何有效地整合光譜數據、圖像數據和化學分析數據，解決時空異質性導致環境行為預測模型精度受限，都是AI技術在多模態數據融合上的難題。未來研究應關注模型數據的適用性，強化實驗驗證，提高模型的解釋性。

  當前階段，AI技術在MPs治理中的應用，正處于從實驗室研究向實際應用轉化的關鍵階段。應對這些挑戰，亟需環境、材料、計算機等多學科的深度合作，以及政府、企業和研究機構的共同投入。

5 總結與展望

  AI技術深度融合機器視覺、集成學習與物理建模，正系統性重塑MPs污染治理范式。在檢測識別層面，YOLOv8、CNN等模型可實現MPs精準定位，多模態分析顯著提升實驗室識別準確率，便攜式微流控-YOLO集成裝置突破水樣檢測效率瓶頸，克服了傳統目視分析的局限。污染源追蹤領域，PSO-RF模型可高精度解析污水來源，XGBoost模型則在預測MPs垂直遷移方面表現突出。環境影響預測方面，AI技術不僅用于構建MPs-污染物吸附模型，更通過MFAB-ML評估MPs對微生物群落的擾動，而UNet-CNN對生物行為軌跡的量化則開辟了毒性機制研究新路徑。治理策略優化呈現閉環智能特征，XGBoost指導的塑料氣化制氫與SVM優化的納米材料設計推動資源化利用。當前技術突破指向自動化系統、邊緣計算裝備及可解釋AI模型，亟待跨學科協作攻克小樣本學習、多模態融合等瓶頸，構建多尺度智能治理體系?？傮w而言，AI技術在精準檢測識別、污染源追蹤、遷移規律解析、環境影響預測及治理策略優化等方面取得了顯著進展，有效提升了傳統方法的效率和準確性。

  盡管AI技術在微塑料(MPs）研究中展現出潛力，但其應用仍存在分散、缺乏系統性的問題，這限制了其整體效能。未來，AI技術在MPs研究領域將集中于智能檢測與識別、環境行為與風險預測、治理技術與材料研發的智能化、數據共享與知識發現體系構建以及標準化與政策支持體系等方面。為提升其應用價值，需加強跨學科協作，攻克小樣本學習、多模態融合等技術瓶頸，構建多尺度智能化治理體系，并持續改進算法、完善數據管理、加強技術驗證和完善監管制度，以實現對環境行為和生態風險的深入預測與評估，最終將AI技術打造為解決MPs污染問題的關鍵工具。

參考文獻：

[1] Hartmann N B, Hu ffer T, Thompson R C, et al. Are we speaking the same language? Recommendations for a definition and categorization framework for plastic debris [J]. Environmental Science & Technology, 2019,53:1039-1047. 

[2] Qiu Y, Zhou S, Zhang C, et al. Identification of potentially contaminated areas of soil microplastic based on machine learning: A case study in Taihu Lake region, China [J]. Science of the Total Environment, 2023,877:162891. 

[3] Li Y, Hou Y, Hou Q, et al. Soil microbial community parameters affected by microplastics and other plastic residues [J]. Frontiers in Microbiology, 2023,14:1258606. 

[4] Fazil A, Gomes P I, Sandamal K R. Applicability of machine learning techniques to analyze microplastic transportation in open channels with different hydro-environmental factors [J]. Environmental Pollution, 2024,357:124389. 

[5] Zhang J, Yu F B, Hu X G, et al. Multifeature superposition analysis of the effects of microplastics on microbial communities in realistic environments [J]. Environment International, 2022,162:107172. 

[6] Kong F, Jin H, Xu Y, et al. Behavioral toxicological tracking analysisof drosophila larvae exposed to polystyrene microplastics based on 

machine learning [J]. Journal of Environmental Management, 2024, 359:120975. 

[7] 王星程,王好雨,潘欣語,等.機器學習在環境微塑料領域的應用:分類識別、定量分析和吸附性能預測 [J/OL]. 中國環境科學, 1-15 [2025-06-08].https://doi.org/10.19674/j.cnki.issn1000-6923.20250507.002. 

[8] Zhao B, Richardson R E, You F. Advancing microplastic analysis in the era of artificial intelligence: From current applications to the promise of generative AI [J]. Nexus, 2024,1(4):100043. 

[9] Herb F, Boley M, Fong W K. Machine learning outperforms ‘humans in microplastic characterization and reveals human labelling errors in FTIR data [J]. Journal of Hazardous Materials, 2025,487:136989. 

[10] Astorayme M A, Vazquez-Rowe I, Kahhat R. The use of artificial intelligence algorithms to detect macroplastics in aquatic environments: A critical review [J]. Science of the Total Environment, 2024,945: 

173843. 

[11] Guo P, Wang Y, Moghaddamfard P, et al. Artificial intelligenceempowered collection and characterization of microplastics: A review [J]. Journal of Hazardous Materials, 2024,471:134405. 

[12] Hertog D, Pauphilet J, Pham Y, et al. Optimizing the path towards plastic-free oceans [J]. Operations Research, 2025,73(3):1165-1183. 

[13] Hu B, Dai Y, Zhou H, et al. Using artificial intelligence to rapidly identify microplastics pollution and predict microplastics environmental behaviors [J]. Journal of Hazardous Materials, 2024, 474:134865. 

[14] Liu Y, Yao W, Qin F, et al. Spectral classification of large-scale blended (micro)plastics using FT-IR raw spectra and image-based machine learning [J]. Environmental Science & Technology, 2023,57 (16):6656–6663. 

[15] 楊 穎，吳玉暄，潘 巍，等。氣氣相色譜/質譜和紅外光譜測定魚體內微 塑 料 [J/OL]. 中 國 環 境 科 學 , 1-11[2025-06-08]. https: //doi.org/10.19674/j.cnki.issn1000-6923.20250109.004. 

[16] Li F, Liu D, Guo X, et al. Identification and visualization of environmental microplastics by Raman imaging based on hyperspectral unmixing coupled machine learning [J]. Journal of Hazardous Materials, 2024,465:133336. 

[17] Chen B, Zhang Z, Wang T, et al. Global distribution of marine microplastics and potential for biodegradation [J]. Journal of Hazardous Materials, 2023,451:131198. 

[18] Liu Z, Wang W, Geng Y, et al. Integrating automated machine learning and metabolic reprogramming for the identification of microplastic in soil: A case study on soybean [J]. Journal of Hazardous Materials, 2024,478:135555.

[19] Ai W, Chen G, Yue X, et al. Application of hyperspectral and deep learning in farmland soil microplastic detection [J]. Journal of Hazardous Materials, 2023,445:130568. 

[20] Jeon J, Choi J K, Shin Y et al. Machine learning-integrated droplet microfluidic system for accurate quantification and classification of microplastics [J]. Water research, 2025,274:123161.

[21] 馬雪純,張佳佳,趙 萌,等.不同環境介質中微塑料溯源方法研究進展 [J/OL]. 環境科學, 1-19[2025-08-10]. https://doi.org/10.13227/ j.hjkx.202504049. 

[22] 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(Pt 3):136449. 

[23] Cowger W, Gray A B, Christiansen S, et al. Critical review of processing and classification techniques for images and spectra in microplastic research [J]. Applied spectroscopy. 2020,74(9):989-1010. 

[24] Adhikari S, Kelkar V, Kumar R, et al. Methods and challenges in the detection of microplastics and nanoplastics: a mini review [J]. ‐Polymer International, 2022,71:543-551. 

[25] Ruggero F, Gori R, Lubello C. Methodologies for microplastics recovery and identification in heterogeneous solid matrices: A review 

[J]. Journal of Polymers and the Environment, 2020,28:739-748. 

[26] Shu Y, Kong F, He Y, et al. Machine learning-assisted source tracing in domestic-industrial wastewater: A fluorescence information-based approach [J]. Water Research, 2025,268(Pt A):122618. 

[27] Zhang J, Yu F, Hu X, et al. Multifeature superposition analysis of the effects of microplastics on microbial communities in realistic 

environments [J]. Environment International, 2022,162:107172. 

[28] Zhen Y, Wang L, Sun H, et al. Prediction of microplastic abundance in surface water of the ocean and influencing factors based on ensemble learning [J]. Environmental Pollution, 2023,268(Pt 2):121834. 

[29] Sukkuea A, Inpun J, Cherdsukjai P, et al. Automatic microplastic classification using dual-modality spectral and image data for 

enhanced accuracy [J]. Marine Pollution Bulletin, 2025,213:117665. 

[30] 李煜瑄,竇 明,李桂秋,等.水體中微塑料遷移行為的水力學實驗與數值模擬 [J]. 中國環境科學, 2025,45(3):1765-1776. 

[31] Qian S, Qiao X, Zhang W, et al. Machine learning-based prediction for settling velocity of microplastics with various shapes [J]. Water 

Research, 2024,249:121001. 

[32] Li X, Tian Z, Kong Y, et al. The suspension stability of nanoplastics in aquatic environments revealed using meta-analysis and machine 

learning [J]. Journal of Hazardous Materials, 2024,471:134426. 

[33] Qiu Y, Niu J, Zhang C, et al. Interpretable machine learning reveals transport of aged microplastics in porous media: Multiple factors 

co-effect [J]. Water Research, 2025,274:123129. 

[34] Enyoh C E, Ovuoraye P E, Rabin M H, et al. Thermal degradationevaluation of polyethylene terephthalate microplastics: Insights from kinetics and machine learning algorithms using non-isoconversional TGA data [J]. Journal of Environmental Chemical Engineering, 2024, 12(2):111909. 

[35] Chen W H, Sun S C, Ocreto J B, et al. Thermodegradation characterization of microplastics: Dispersion effect and pyrolysis kinetics by artificial intelligence [J]. Chemical Engineering Journal, 2023,457:141285. 

[36] Qiu Y, Li Z, Zhang T, et al. Predicting aqueous sorption of organic pollutants on microplastics with machine learning [J]. Water Research, 2023,244:120503-120503. 

[37] Zhang L, Wang F, Wang W, et al. Using machine learning to reveal drivers of soil microplastics and assess their stock: A national-scale 

study [J]. Journal of Hazardous Materials, 2024,478:135466. [38] Withana P A, Li J, Senadheera S S, et al. Machine learning prediction and interpretation of the impact of microplastics on soil properties [J]. Environmental Pollution, 2024,341:122833. 

[39] Xie L, Ma M, Ge Q, et al. Machine learning advancements and strategies in microplastic and nanoplastic detection [J]. Environmental Science & Technology, 2025,59(18):8885-8899. 

[40] Bin Abu Sofian A D A, Lim H R, Chew K W, et al. Hydrogen production and pollution mitigation: Enhanced gasification of plastic 

waste and biomass with machine learning & storage for a sustainable future [J]. Environmental Pollution, 2024,342:123024. 

[41] Zhou G, Chen G, Tang P, et al. Revealing the removal behavior of five neglected microplastics in coagulation-ultrafiltration processes: 

Insights from experiments and predictive modeling [J]. Journal of Hazardous Materials, 2025,491:137857. 

[42] Gao Z, Ren Z, Cui T, et al. Machine learning-based analysis of microplastic-induced changes in anaerobic digestion parameters influencing methane yield [J]. Journal of Environmental Management, 2025,377:124627. 

[43] Zhu T, Tao C, Cheng H, et al. Versatile in silico modelling of microplastics adsorption capacity in aqueous environment based on 

molecular descriptor and machine learning [J]. Science of the Total Environment, 2022,864:157455. 

[44] Rushdi I W, Hardian R, Rusidi R S, et al. Microplastic and organic pollutant removal using imine-functionalized mesoporous magnetic silica nanoparticles enhanced by machine learning [J]. Chemical Engineering Journal, 2025,510:161595. 

[45] Li S, Gao H, You F. AI for science in electrochemical energy storage: A multiscale systems perspective on transportation electrification [J]. Nexus, 2024,1(3):100026. 

[46] 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, 2022,823:153441. 

[47] Zhang J, Choi C E. Towards A universal settling model for microplastics with diverse shapes: Machine learning breaking morphological barriers [J]. Water Research, 2025,272:122961. 

[48] Yu F, Hu X. Machine learning may accelerate the recognition and control of microplastic pollution: Future prospects [J]. Journal of 

Hazardous Materials, 2022,432:128730. 

[49] Gao H, Liu Q, Yan C, et al. Macro-and/or microplastics as an emerging threat effect crop growth and soil health [J]. Resources, Conservation and Recycling, 2022,186:106549. 

[50] Su J, Zhang F, Yu C, et al. Machine learning: Next promising trend for microplastics study [J]. Journal of Environmental Management, 2023, 344:118756.