净水技术 | 解码中国淡水中的微塑料污染情况

导 语

这项研究把全国846个采样点、11年的淡水微塑料数据整理成“按塑料种类”的数据库，再训练一个能同时看懂5种塑料的AI模型。结果发现，中国淡水微塑料主要由聚乙烯（PE）、聚丙烯（PP）、聚对苯二甲酸乙二醇酯（PET）、聚氯乙烯（PVC）、聚苯乙烯（PS）五种塑料组成；最需要警惕的是PVC释放的增塑剂DEHP—在极端释放情况下，北京、天津、台湾等地的河流会达到中等风险。

01

先认识三个关键词

• 微塑料（MPs）：直径约20微米到5毫米的小塑料颗粒，主要来自塑料垃圾在环境中破碎、老化后形成的碎屑。

• 增塑剂（PAEs）：为了让塑料更软、更耐用而添加的化学物，最常见的是DEHP、DBP等。它们不是长在塑料里，而会随着塑料老化慢慢释放到水中，有毒性。

• DEHP：本文评估中唯一构成明显生态风险的增塑剂，长期接触可能对水生生物造成伤害。

图1 用机器学习解读淡水微塑料的分布与增塑剂风险

02

研究者是怎么做的（四步）

1. 建数据库：从630篇文献中筛选出56篇高质量研究，汇总成846个采样点（523条河流+323个湖泊，覆盖29个省级区域，2014—2024年），并把粒径统一到20—5000微米。

2. 训练AI模型：用三种机器学习模型（随机森林RF、XGBoost、多层感知机MLP）同时预测5种主要塑料。MLP的平均R²（0.61）虽然略低于RF（0.69）和XGBoost（0.68），但它共享参数的结构能保留不同塑料之间的共现关系，因此最终选用MLP。

3. 找出影响因素：用可解释性方法，找出降水、气温、人类发展指数（HDI）、城市化、地表径流等因素对不同塑料分布的影响。

4. 评估风险：把预测出的塑料浓度，乘以每种塑料的增塑剂释放系数，再用风险商（RQ）评估7种增塑剂的生态风险。

03

主要发现

微塑料在中国河湖里的分布与组成

河流里的微塑料平均为6847个/立方米，湖泊为4754个/立方米，河流普遍比湖泊更高。从组成看，占比最高的是聚乙烯PE（河流24.5%、湖泊17.4%），其次是聚丙烯PP和聚酯PET。值得注意的是，湖泊里其它塑料的比例（36.4%）远高于河流（14.1%），说明湖泊中的塑料种类更加多样。

图2 中国淡水中的微塑料分布与组成：(a) 全国河湖采样点分布；(b) 河流（蓝）与湖泊（红）丰度对比；(c) 河湖中各类塑料占比。

什么因素影响不同塑料的分布

AI模型告诉我们，不同塑料的幕后推手不一样，而且河流和湖泊差别很大。河流里，人类发展指数（HDI）主要影响PE和PP；降水主要影响PVC和PET；气温主要影响PS。湖泊里，气温主要影响PE和PP；地表径流主要影响PVC；城市化主要影响PET；牧场比例主要影响PS。

04

为什么会这样：

河流像“传送带”，湖泊像“蓄水池”

河流的水流快，像一条传送带。雨水会把城市里的塑料垃圾（尤其是PET饮料瓶、PVC包装等）冲进河里；经济越发达（HDI高）的地区，塑料袋和包装（PE、PP）也越多。湖泊的水流慢、停留时间长，更像一个蓄水池，塑料容易沉降并累积。因此湖泊里城市化的影响（PET纺织品、电子废物）、地表径流（PVC）和泡沫塑料（PS）的作用更突出。

05

对治理塑料污染有什么启发

这项研究给出的核心建议是：不要一刀切，要分区、分水体、分塑料种类精准治理。

• 优先盯住高风险区：北京—天津—台湾以及东南沿海的河流，应优先加强监测和干预，重点治理城市污水和雨水径流带来的塑料。

• 按水体对症下药：河流重点拦截高流量期的塑料传输、管控工业点源；湖泊重点治理流域面源、农膜和地表径流。

• 按塑料种类精准施策：东南沿海PP多，应强化饮料瓶回收和生产责任延伸制度；中部湖泊PET多，应加强电子废物和纺织品的分类回收处理。

扫码阅读文章全文

引用信息

Wan, X.; Guo, Q.; Han, Z.; Jiang, T.; Chai, G.; Tong, Y.; Cui, H.; Cui, X. Decoding microplastic pollution in China freshwater: interpretable machine learning insights into composition-specific distribution and associated phthalate ester leaching risk. Water Research 2026, 307, 126663.

DOI:10.1016/j.watres.2026.126663

来源：本文内容改编自《Water Research》论文《Decoding microplastic pollution in China freshwater: interpretable machine learning insights into composition-specific distribution and associated phthalate ester leaching risk》，作者万希哲、童银栋、崔洪洋、崔晓宇（天津大学、南开大学、西藏大学）

编辑：黄智恒

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作