近日，厦门大学海洋与地球学院蔡明刚教授团队与国内外合作者在国际学术期刊Water Research上发表了题为“Multi-scenario simulation of future marine microplastic distribution under data scarcity: A deep learning approach”的研究论文。本研究创新性地构建了跨域多图注意力网络（CGMAT）模型，精准应对微塑料分布预测中观测数据稀疏与时空动态复杂的双重挑战，为全球海洋微塑料污染预测与治理提供了新思路。

研究背景

微塑料（Microplastics, MPs）作为全球海洋生态系统中的一类关键污染物，其分布因人类活动、气候变化、洋流输运等多重因素影响，呈现出高度的时空异质性。然而，高昂的采样与观测成本导致现有数据存在严重缺口，使传统数值模型难以精确捕捉其动态趋势。为应对这一挑战，本研究团队率先将少样本学习（Few-Shot Learning, FSL）与Transformer架构相结合，构建了CGMAT预测框架，旨在专门解决数据稀缺场景下的精准预测问题。

研究结果

研究团队选取台湾海峡和挪威沿海作为代表性区域，并系统分析了不同海洋环境及社会经济因素对两地微塑料分布的关键驱动机制（图1）。

图1 研究整体概要图

结果表明，CGMAT框架显著提高了预测精度，尤其在捕捉季节性波动和空间分布特征方面优于传统深度学习模型（图2）。CGMAT模型相比基线模型实现了约72%的均方误差平均降低。此外，0.91的EVS进一步强调了CGMAT模型在准确估计MP丰度方面的优越预测能力。

图2 CGMAT模型与直接在多因素数据集上训练的基线模型的对比结果：(a)泛化性能曲线；(b)观测值与生成值的渐近趋势；(c)不同基线模型生成层MP丰度预测的比较分析

为增强模型的可解释性，本研究引入SHAP算法（Shapley Additive Explanations），量化了各驱动因素对微塑料浓度变化的贡献度（图3）。结果表明，海岸线距离、国民总收入（GNI）、海水温度与降水量是关键影响因子，但其作用机制呈现出显著的区域差异。具体而言，在台湾海峡，较高的温度与较强的经济活动水平同微塑料浓度显著正相关；而在挪威沿岸，尽管微塑料绝对浓度较低，其分布却对温度和降水的变化表现出更高的敏感度。此外，海流速度、降水量和塑料废物排放亦被证实是调控微塑料空间格局的重要因子。

图3 挪威海和台湾海峡关键驱动因素分析：SHAP值分析（a-b）

本研究进一步通过模拟多情景模拟，预测了在不同经济活动与环境变化的驱动下，台湾海峡和挪威海岸的微塑料浓度的未来演变趋势（图4）。预测表明，在台湾海峡，密集的经济活动和强劲的洋流输运将产生协同效应，导致该区域的微塑料污染负荷在未来数十年内持续攀升。对于在挪威海岸，情景分析则揭示了一个不同的风险：海冰融化可能触发长期封存的微塑料集中释放，从而引致其浓度，尤其在春夏季节，出现急剧增长。

图4 台湾海峡（a-g）和挪威海域（h-n）重要驱动因素的多场景模拟分析

研究结论强调，海洋微塑料的未来演变是自然因素与人类活动共同作用的结果。模型预测显示，至2030年，台湾海峡的微塑料浓度将攀升至312-376颗粒/m³；相比之下，挪威海岸的增长则较为缓和，预计2032年浓度为15-53颗粒/m³（图5）。然而，值得警惕的是，挪威海岸看似平缓的增长趋势背后潜藏着突变风险，其浓度未来有可能因气候变化和人类活动的加剧而出现急剧跃升。

图5 2028-2032年不同海域海洋MP丰度时空分布：(a)台湾海峡及周边海域，(b)挪威近海 v

本研究构建的CGMAT框架，其适用性超越了特定研究区域，有望作为一种通用范式推广数据稀缺的全球海洋环境中，进行微塑料分布预测。该模型的多尺度特征融合能力与可解释性机制，能够为制定从区域到全球尺度的微塑料污染防治策略，提供坚实的科学依据与先进的技术支撑。

研究团队及资助

该论文第一作者为厦门大学博士生崔博文和博士毕业生祁怀源，通讯作者为蔡明刚教授。合作者包括厦门大学博士毕业生刘萌阳、黄鹏，自然资源部第二海洋研究所黄伟研究员、福建理工大学刘敏毅教授等十余位学者。该研究得到了国家自然科学基金项目（U2005207）、海南省科技专项基金项目（ZDYF2022SHFZ317）及福建省自然科学基金项目（2020J02002，2014J06014）的联合资助。

论文来源

Cui, B., Qi, H., Liu, M., Liu, M., Huang, W., Huang, P., Wang, C., Zheng, X., Ke, H., Cai, M.*, 2025. Multi-scenario simulation of future marine microplastic distribution under data scarcity: A deep learning approach. Water Research, 286, 124233.

论文链接

https://doi.org/10.1016/j.watres.2025.124233

供稿：蔡明刚教授团队

编辑：苏颖

审核：张润 游伟伟