《Nature》文章：湖泊和水库中的塑料碎片

科研人员从分布在两个半球23个国家的38个不同类型的湖泊和水库进行收集采样（北半球密度较高）。样品在250微米的网格上进行筛选。然后，在60°C下用15%的H2O2处理样品24小时。接着将样品过滤到0.45微米的玻璃超细纤维过滤器上，这些过滤器被储存在干净的玻璃培养皿中。在解剖显微镜（40×，Heerbrugg WILD M3Z）下检查过滤器，并将识别为塑料的颗粒转移到玻璃载玻片上进行随后的光谱分析。使用软件ImageJ测量了所有粒子，并测量了其Feret的直径。我们发现的最大的塑料有一个Feret的直径等于8.6厘米。根据其尺寸，塑料被分配到三个不同的尺寸类别：微塑料（250微米至5毫米），中塑料（5至10毫米）和大型塑料（>10毫米）。此外，塑料颗粒根据颜色（即红色、橙色、黄色、绿色、蓝色、紫色、黑色、白色、透明或多色）按照RAL标准色标进行分类。

科学家利用拉曼微光谱识别每个样本中的塑料总数的可靠数据，因为仅视觉分类不足以确定微塑料。视觉分类结果不确定的粒子经过拉曼分析，以决定是否包括或排除它们。然后，为了估计收集的不同塑料聚合物的发生率，对视觉识别的微塑料颗粒的随机子样本进行了拉曼微光谱检查。不仅如此塑料丰度数据的质量控制以及流域和湖泊的属性也被考虑其中。

首先，为了根据不同塑料特征（形状、颜色和聚合物组合位置）的发生百分比来识别连贯的湖泊组，科学家进行了K-均值聚类。然后，科学家通过Pearson积时刻相关测试评估了16个解释变量之间的关联，并从后续分析中删除了高度相关的变量（r > 0.85，P < 0.001），以避免共线性。此外，科学家使用方差通胀因子技术来删除其他高度相关的变量。接着，为了确定哪些候选解释变量与塑料浓度的变化相关联，他们使用了单变量回归树。最后还进行了冗余分析，将响应变量（纤维、碎片、薄膜等）明确建模为解释变量的函数。

图3可以清晰直观的看到科研人员的实验成果。尤其是颗粒物颜色的图表，虽然仅根据颗粒物颜色无法确定来源，但记录颜色有助于确定广泛的趋势，以便未来从大趋势入手，整顿水环境中的塑料垃圾。

同时在图中，如回归树分析所强调的，湖泊的种群密度和表面积是塑料特征的重要预测因素，由此我们可以根据不同湖泊的类型推断出不同塑料垃圾，进而采取针对性的环保策略。这篇文章对水生环境和水生生态的保护有重大意义。

来源：Nature