过去二十年来，关于塑料和微塑料（MP）污染的研究指出，城市水道是将陆源废物输送到海洋的主要通道（Thompson等人，2024年）。特别值得关注的是，近年来微塑料污染持续增加，由于塑料生产过程中添加的成分以及这些化合物的亲脂性，微塑料现在被视为持久性污染物（Andrady，2017年；Rodrigues等人，2018年）。随着时间的推移，微塑料成为内分泌干扰化合物（EDCs）的载体，其在环境中的表面积增加进一步放大了这种载体效应，从而提高了相关环境风险（Bang等人，2024年；Wang等人，2024a）。例如，微塑料有助于内分泌干扰化合物在环境中的迁移，这些化合物可能被生物体在摄食过程中摄入，从而增强其在食物链中的生物累积（Albarico等人，2025年；Martin-Pozo等人，2024年；Wang等人，2024b）。最近的研究表明，小尺寸的微塑料和纳米塑料可以穿透人体组织和器官，导致长期暴露（Marfella等人，2024年）。越来越多的证据表明，接触微塑料会带来多种健康风险，包括心血管疾病（Krause等人，2024年）。鉴于人类活动与微塑料及其相关内分泌干扰化合物排放之间的直接关系，这些污染物在人口密集地区的特征和空间分布已成为环境政策制定者和管理者的关注焦点。对于沿海大城市而言，城市河流网络中微塑料和内分泌干扰化合物的释放对邻近的海洋生态系统构成了直接且重大的压力。
在沿海城市，流域中的持久性污染物主要通过雨水排放和非点源地表径流进入城市河流网络（Beni等人，2023年；Imbulana等人，2024年）。地表径流中微塑料的平均浓度为168.7件/升，沉积率为1823.6件·米^-2·天^-1（Cho等人，2023年；Parameswarappa Jayalakshmamma等人，2023年）。理解这种从陆地到海洋的转移过程是全球海洋污染评估的关键组成部分，因为沿海大城市作为复杂的污染处理系统，其污染物的输出效率受到区域土地利用模式的显著影响。最近的研究强调了使用标准化建模框架来监测这些动态界面的必要性（Cayabo等人，2024年；Chen等人，2024a）。我们之前的研究发现，澳大利亚大墨尔本地区不同流域的微塑料污染浓度存在显著差异。与工业活动密切相关的雅拉河流域和沿海地区的微塑料浓度明显高于周边流域（Su等人，2020b）。此外，微塑料污染物的物理特性（如大小和形状）也与污染较少的地区存在显著差异。除了发达国家及地区外，在越南和中国东部的一些以农业为主的地区也观察到了类似的污染模式，这些地区的微塑料浓度随着距离污染源的增加而降低（Lahens等人，2018年；Nhon等人，2024年）。这些发现表明，确定污染物是由不透水的城市基础设施还是农业渗漏造成的至关重要，以便将当地的水质目标与国际海洋管理努力相一致。虽然当污染源孤立时简单的扩散模型可能足够使用，但在多瑙河等流域中，生活污水和工业排放的共存带来了复杂性，传统数学模型往往无法准确预测这些情况（Dubovina等人，2018年）。在多种外部因素和共存因素的影响下，之前的分析数学模型往往无法准确描述和预测污染物的分布。
此外，微塑料及其相关的内分泌干扰化合物具有完全不同的溶解度和扩散特性。作为不溶性颗粒，微塑料的扩散机制可能在一定程度上类似于悬浮颗粒物。一些研究使用改进的沉积物传输模型来模拟微塑料在水生环境中的传输和沉降，并成功应用于估算河口地区的微塑料通量（Okutan等人，2022年；Zhang等人，2020年）。然而，这些基于颗粒的模型（通常是球形模型）不适用于流量较小且水流不规则的河流。在这些条件下，这些模型常常无法有效解释沉积物中高浓度纤维状微塑料的来源。在某些情况下，河流沉积物中的纤维比例可接近100%，与自然沉降过程相比，其丰度通常更直接来源于附近的生活污水排放或地表径流（Hernandez等人，2017年）。对于内分泌干扰化合物而言，不同污染源的贡献同样显著（Liao等人，2024年）。例如，在法国的小流域进行的监测发现，上游地区医疗废水的处理不当显著增加了下游地区的污染物浓度（Creusot等人，2014年）。此外，土地利用模式的变化也会显著影响内分泌干扰化合物的浓度，这突显了特定区域污染源的贡献（Wakim等人，2024年）。微塑料和内分泌干扰化合物不同的物理化学性质不仅决定了它们在河流网络中的传输和命运，还影响了它们进入海洋生态系统的潜在生物可利用性。因此，量化不同陆源的贡献对于预测它们进入沿海海域的通量至关重要。
与分析数学模型相比，人工神经网络（ANNs）的可解释性较低，但在处理多个相互作用因素的结果时具有优势（Zhong等人，2021年；Zhu等人，2022年）。通过分类和回归算法，先前的研究能够区分复杂污染源对区域污染物浓度的不同贡献（Borlaza-Lacoste等人，2024年）。在实际应用中，与污染物浓度相关的外部参数是解释分类和回归结果的关键参考。水质参数、社会经济参数和土地利用水平通常被纳入作为外部因素来预测微塑料和内分泌干扰化合物的浓度（Ji等人，2024年；Tran等人，2023年）。通过自然划分流域或使用数字高程模型，可以完全量化小流域内不同土地利用类型的面积比例。在此基础上，土地利用类别及其强度可以作为标签纳入到污染特征的ANN训练中。通过比较不同网络的结构，我们还可以了解不同流域间污染特征的差异。先前的研究已经成功地利用网络结构区分了影响复杂流域中污染物分布和浓度的主要因素（Bhagat等人，2020年）。这些特征使我们能够利用ANN深入探讨多种外部因素对污染物浓度的影响。此外，建立的网络还可以用于预测污染物水平的变化，为环境管理提供有价值的参考。
目前，微塑料与其相关的内分泌干扰化合物之间的相互作用主要通过“矢量效应”来理解，实验室和现场实验表明微塑料表面可以促进疏水性有机污染物的集中传输和后续释放（Liu等人，2019年；Martin-Pozo等人，2024年）。尽管有这一机制基础，但关于这些相互作用在空间复杂且人为压力较大的主要沿海流域中的具体表现仍存在显著的研究空白。大多数现有文献依赖于受控条件，这些条件未能考虑到土地利用的高度异质性和城市河流网络特有的多样化传输路径。在本研究中，通过分析微塑料与某些内分泌干扰化合物的空间共现和共享的人为足迹，推断出微塑料作为这些化合物载体的潜在作用。尽管没有实验评估具体的吸附动力学，但微塑料与某些内分泌干扰化合物亚类之间的显著空间重叠表明它们在河流网络传输过程中的复杂相互作用路径。这一空白此前阻碍了在流域尺度上管理和预测这些物理性质不同的污染物的能力。
因此，本研究旨在将土地利用作为外部变量纳入流域分析，利用机器学习模型更好地探索微塑料和内分泌干扰化合物在淡水水体中的污染特征和分布模式。本研究的主要创新之处在于实施了一种将机器学习算法与空间形状分析相结合的综合方法框架。这种方法允许在复杂的城乡交界处区分颗粒态和溶解态污染物的机制。研究结果将有助于更好地理解复杂流域背景下颗粒态和溶解态污染物的扩散和传输特性。此外，我们还寻求开发新的方法和工具来管理流域污染物。
