Näytteenotto
27. heinäkuuta ja 19. syyskuuta 2015 välisenä aikana 18 osallistunutta alusta teki yhteensä 652 pintarysäystä 25° N-41° N ja 129-156° W välillä. Lokakuussa 2016 kävimme uudelleen tutkimusalueellamme tekemällä kaksi lentoa Hercules C-130 -lentokoneella, jolla kerättiin ilmakuvia (n = 7 298 yhden kuvan mosaiikkia) suurempien ja harvinaisempien >50 cm:n kokoisten muovikappaleiden kvantifioimiseksi paremmin (kuva 1).
Kenttämonitorointiponnistukset. Alusten (harmaat ja tummansiniset viivat) ja lentokoneiden (vaaleansiniset viivat) reitit ja paikat, joissa kerättiin tietoja kelluvan meren muovipitoisuuksista (ympyrät). Harmaat ympyrät (n = 350) kuvaavat alueita, joista 17 osallistuvaa alusta otti näytteet yhdellä Mantan verkkohinauksella heinäkuun ja syyskuun 2015 välisenä aikana. Tummansiniset ympyrät (n = 76) kuvaavat alueita, joilta otettiin näytteet parittaisilla Manta- ja Mega-verkkopyydyksillä RV Ocean Starr -aluksella heinä-elokuussa 2015. Vaaleansiniset ympyrät (n = 31) kuvaavat C-130 Hercules -lentokoneesta lokakuussa 2016 kerättyjen RGB-georeferoitujen mosaiikkien sijainteja. Kartta on luotu QGIS-ohjelman versiolla 2.18.1 (www.qgis.org).
Alukset suorittivat 0,35-4 tuntia kestäviä verkkohinausvetoja navigoidessaan 0,7-6,8 solmun nopeudella. Kaikki troolit suunniteltiin siten, että ne etääntyivät aluksesta, jotta vältettäisiin aaltovaikutukset laitteiden pyyntitehokkuuteen. Kaikki alusten miehistöt koulutettiin verkkomateriaalin ja ennen lähtöä järjestettyjen henkilökohtaisten työpajojen avulla. Troolia hinattaessa aluksen kokenein merimies arvioi merenkäynnin tilan (Beaufortin asteikko) mittaamalla tuulen nopeutta ja tarkkailemalla aallonkorkeuksia. Nämä tiedot kirjattiin vakiomuotoisiin tietolomakkeisiin sekä kunkin hinauksen päivämäärä, kesto sekä alku- ja loppukoordinaatit. Kaikkien verkkohinausvetojen sijainti ja pituus varmistettiin jälkikäsittelyvaiheessa tarkastelemalla kaikkiin osallistuviin aluksiin asennettujen GPS-seurantalaitteiden sijaintitietoja. Useimmilla näytteenottopaikoilla käytettiin yhtä verkkohinausta (n = 350 näytteenottopaikkaa), jossa käytettiin Manta-troolia (0,5 mm:n neliösilmä, 90 cm × 15 cm:n suuaukko), joka on yksi muovin aiheuttaman pilaantumisen määrän määrittämisen standardilaitteista. Suurimmalla osallistuvalla aluksella (RV Ocean Starr) vedimme samanaikaisesti kahta Manta-troolia sekä kahta suurta Neuston-troolia (1,5 cm:n neliösilmät, 6 m × 1,5 m:n suuaukko, josta 0,5 m vesirajan yläpuolella; jäljempänä ’Mega-troolit’) jokaisella näytteenottopaikalla (n = 76 asemaa). Jokaisen Manta-verkon vedon jälkeen verkko huuhdeltiin ulkopuolelta merivedellä, ja sen kertakäyttöinen troolinpää irrotettiin, suljettiin niiteillä ja laitettiin yksittäiseen vetoketjulliseen pussiin. Kunkin Mega-troolivetokerran jälkeen verkko huuhdeltiin myös ulkopuolelta merivedellä ja sen suuri troolinpää avattiin merivedellä täytettyyn laatikkoon. Kaikki kelluvat muovit poistettiin, käärittiin alumiiniin ja laitettiin merkittyihin muovipusseihin. Manta-trooleilla pyydetty koko sisältö varastoitiin, kun taas Mega-trooleilla pyydetyt eliöt (enimmäkseen eläviä) päästettiin takaisin mereen. Kaikki näytteet säilytettiin jääkaapissa tai pakastimessa, kun ne olivat merellä, ja FedExin kylmälaatikossa (2-8 °C) tai kylmälaivassa (-2 °C), kun ne kuljetettiin laboratorioon. Vaikka käsittelimme näytteitä huolellisesti, jotkin roskat saattoivat rikkoutua kuljetuksen aikana, mikä aiheutti harhaa roskien kokojakaumassa. Näihin verkkopyydyksiin liittyvät yksityiskohtaiset tiedot (esim. koordinaatit, metocean olosuhteet, näytteenottoajat ja -ajat) on esitetty kuvassa Figshare33.
Lentokartoituksissa otettiin näytteitä paljon suuremmalta alueelta (311,0 km2 ) kuin edellä kuvatuissa troolilla tehdyissä kartoituksissa (Manta- ja Mega-verkkopyydysten osalta 3,9 km2 ja 13,6 km2 ), jolloin saatiin luotettavampi kvantitatiivinen määrällinen selvitys 50 cm:n pituisista yli 50 cm:n kokoisista jäännöksen palasista, jotka ovat kuitenkin suhteellisen harvinaisia. Molemmat lennot alkoivat ja päättyivät Moffettin lentokentälle Mountain View’n lähellä Kaliforniassa. Ensimmäinen lentotutkimus suoritettiin 2. lokakuuta 2016 näytteenottona kello 18:56-21:14 UTC-aikaa, jolloin leveyspiiri oli vakiona 33,5° pohjoista leveyttä ja pituusasteet vaihtelivat 141,4° läntistä pituutta ja 134,9° läntistä pituutta. Toinen tutkimus aloitettiin 6. lokakuuta 2016 näytteenotolla kello 22:14-0:37 UTC-aikavälillä 30,1° pohjoista leveyttä, 143,7° läntistä pituutta ja 32,9° pohjoista leveyttä, 138,1° läntistä pituutta. Tutkimustilassa ollessaan ilma-alus lensi noin 400 metrin korkeudessa ja 140 solmun maanopeudella. Näytteenottoleikkaukset kohdistuivat alueille, joilla meritilan olosuhteet olivat sääennusteiden perusteella alhaisimmat, mukaan luettuina NOAA:n maailmanlaajuisen ennustejärjestelmän (Global Forecasting System) antama merenpinnan ilmanpaine, pilvipeite, tuulen nopeus 10 metrin korkeudella merenpinnasta ja pintakerroksen rajakorkeus sekä NOAA:n WaveWatch3 -mallin tuotosten jakamat merkitsevän aallonkorkeuden ja aallonhuippujakson tiedot. Vaikka kartoitimme kelluvia roskia käyttäen koulutettuja havainnoitsijoita ja kolmenlaista anturia (Lidar, SWIR-kuvauslaite ja RGB-kamera), tässä analysoimme vain tietoja, jotka ovat peräisin RGB-kameran (CS-4800i) tuottamista maantieteellisesti referoiduista mosaiikeista, sillä kamera otti valokuvia yleensä sekunnin välein kartoitusaikana (kuvakoko = ~360 m radan poikki, ~240 m radan varrella, ~0.1 m resoluutio).
Ryömintänäytteiden käsittely
Ryömintänäytteet pestiin erikseen seulatorniin (viisi Glenammer Engineering Ltd:n seulaa, joissa oli 0,05 cm:n, 0,15 cm:n, 0,5 cm:n, 1,5 cm:n ja 5 cm:n neliönmuotoiset aukot), joka jakoi materiaalin seuraaviin kokoluokkiin: 0,05-0,15 cm, 0,15-0,5 cm, 0,5-1,5 cm, 1,5-5 cm ja >5 cm. Tämän jälkeen >5 cm:n roskat lajiteltiin manuaalisesti 5-10 cm:n, 10-50 cm:n ja >50 cm:n luokkiin mittaamalla kohteiden pituudet (kohteen levein ulottuvuus) viivoittimella. Kelluvat roskat erotettiin biomassasta sijoittamalla kunkin seulan sisällä oleva materiaali suodatettuun suolaveteen (suolapitoisuus 3,5 %, lämpötila 19-23 °C). Laboratoriohenkilöstö sekoitti materiaalia useita kertoja varmistaakseen, että kelluvat hiukkaset irtoavat biomassamateriaalista. Kelluvaksi jätteeksi tunnistetut kelluvat kappaleet irrotettiin veden pinnasta käsin pihdeillä, erotettiin tyyppeihin ja laskettiin. Kelluvat roskat luokiteltiin materiaalityypin mukaan (muovi, lasi, parafiini, terva, kumi, puu, hohkakivi, siemenet tai tuntematon), ja muovit jaettiin edelleen seuraaviin luokkiin: (1) H-tyyppi – kovasta muovista, muovilevystä tai -kalvosta valmistetut kappaleet ja esineet; 2) N-tyyppi – muoviset siimat, köydet ja kalaverkot; 3) P-tyyppi – sylinterin, levyn tai pallon muotoiset esivalmistetut muovipelletit; ja 4) F-tyyppi – vaahdotetusta materiaalista (esim. paisutetusta polystyreenistä) valmistetut kappaleet tai esineet. Kun kappaleet oli laskettu ja luokiteltu, ne pestiin tislatulla vedellä, siirrettiin alumiiniastioihin, kuivattiin yön yli 60 °C:ssa ja punnittiin OHAUS Explorer EX324M -mittarilla (0,0001 g:n luettavuus) kohteille, joiden pituus oli <5 cm, ja OHAUS Explorer EX12001M -mittarilla (0,1 g:n luettavuus) kohteille, joiden pituus oli >5 cm.
Kerätyllä aineistolla suoritettiin lisäanalyysejä, jotta voitaisiin parhaiten luonnehtia merimuovia, joka on kertynyt gPGP:hen. Ensinnäkin 10 kappaletta kustakin muovin koko-/tyyppiluokasta (n = 220 kappaletta) valittiin polymeerikoostumusanalyysiä varten Fourier-transformaatioinfrapunaspektroskopialla (FT-IR). Lukemat tehtiin Perkin Elmer Spectrum 100 FT-IR -laitteella, joka oli varustettu yleisellä ATR-lisälaitteella (alue = 600-4000 cm-1). Vastaava polymeerityyppi määritettiin vertaamalla näytteiden FT-IR-spektrejä tietokannasta (Perkin-Elmer ATR of Polymers Library) saatuihin tunnettuihin spektreihin. Toiseksi kaikista kerätyistä muovijätteistä etsittiin tuotantopäivämäärät sekä mahdolliset merkinnät, jotka antoivat tietoa niiden alkuperästä (esim. kieli ja ”made in” -merkinnät). Lopuksi luokittelimme 30 RV Ocean Starr -asemalla kerätyt H- ja L-tyyppiset muoviesineet esinetyyppeihin (esim. pullonkannet, pussit, pullot jne.). Koska yli 50 cm:n pituiset ”H”-esineet olivat suhteellisen harvinaisia, analysoimme 10 ylimääräistä RV Ocean Starr -asemaa tämän tyypin/kokoluokan osalta. Jos fragmentin esinetyyppiä ei voitu määrittää, luokittelimme kappaleen joko kovamuovin fragmentiksi tai kalvon fragmentiksi sen seinämän paksuuden ja joustavuuden perusteella34. Käytimme Manta-troolinäytteitä luonnehtimaan esineitä kokoluokissa 0,15-0,5 cm, 0,5-1,5 cm ja 1,5-5 cm ja Mega-troolinäytteitä luonnehtimaan esineitä kokoluokissa 5-10 cm, 10-50 cm ja >50 cm. Pienimpään kokoluokkaan (0,05-0,15 cm) kuuluvia muoveja ei otettu huomioon tässä ”objektityyppianalyysissä” pienten fragmenttien käsittelyn ja tunnistamisen vaikeuden vuoksi.
Kustakin verkkohinasta mitatut kelluvien muoviesineiden numeeriset/massakonsentraatiot (laskettu määrä/kg muovia neliökilometriä kohti meren pintaa kohti) laskettiin kaikille muovin koko-/tyyppiluokille erikseen. Tätä varten jaoimme kunkin luokan muoviesineiden lukumäärän ja painon näytteen hinatulla pinta-alalla. Laskimme hinatun pinta-alan kertomalla verkon suuaukon leveyden (90 cm Manta-troolissa, 6 m Mega-troolissa) hinauksen pituudella (määritetty GPS-paikkatiedoista). Manta-verkon vetojen keskimääräinen pinta-ala oli 0,008 km2 (SD = 0,004, min-max: 0,001-0,018 km2), kun taas Mega-verkon vetojen keskimääräinen pinta-ala oli 0,090 km2 (SD = 0,013, min-max: 0,046-0,125 km2). Koska tuulen aiheuttaman sekoittumisen vuoksi pintatrooleista voi jäädä pois kelluvia muoveja, arvioimme sen jälkeen kaikkien tyyppi- ja kokoluokkien massan ja numeeristen muovipitoisuuksien (Ci) ”syvyysintegroidut” arvot kussakin troolinäytteenottopaikassa 35. kappaleessa kuvattujen yhtälöiden avulla. Täydentävissä menetelmissä 1 esitetään yksityiskohtaiset tiedot siitä, miten Ci laskettiin merimuovin päätepisteen nousunopeuden (Wb), troolin näytteenottosyvyyden ja meren tilan funktiona. Siinä kuvataan myös, miten mittasimme Wb:n kullekin tämän tutkimuksen tyyppi-/kokoluokalle. Vertailtuamme Manta- ja Mega-verkkopyydyksistä (n = 76 paikkaa) saatuja muovipitoisuustuloksia päätimme käyttää Manta- ja Mega-troolinäytteitä 0,05-5 cm:n ja 5-50 cm:n kokoisen roskan kvantifioimiseksi. Vertailutulokset ja perustelut tälle päätökselle esitetään täydentävissä menetelmissä 2.
Lentokuvien käsittely
Kaikki RGB-kuvat, jotka otettiin tutkimuslentojemme aikana (n = 7 298), georeferoitiin käyttämällä tarkkoja lentokoneen sijainti- ja korkeustietoja, jotka kerättiin tutkimusten aikana. Sen jälkeen kaksi koulutettua havainnoijaa ja havaitsemisalgoritmi tarkastivat ne. Tarkkailijat tarkastivat kaikki kuvat koko ruudun kokoisena Samsungin HD-monitorilla (LU28E590DS/XY), ja roskia sisältävät yhden kuvan mosaiikit ladattiin QGIS-ohjelmistoon (versio 2.18.3-Las Palmas) niiden sijainnin ja ominaisuuksien tallentamiseksi. Luotamme siihen, että meillä oli hyvin pieni määrä vääriä positiivisia ja suuri määrä vääriä negatiivisia tuloksia. Tämä johtuu siitä, että havainnoitsijat käyttivät konservatiivista lähestymistapaa: he kirjasivat piirteet roskiksi vain silloin, kun he olivat hyvin varmoja niiden tunnistamisesta. Näin ollen monia piirteitä, jotka saattoivat olla roskia, mutta muistuttivat muita luonnollisia piirteitä, kuten auringon välkettä ja aallonmurrosta, ei kirjattu merimuovitietokantaan. Kun tämä työ oli saatu valmiiksi, suoritimme laadunvalvontavaiheena kokeellisen algoritmin, jolla pystyttiin havaitsemaan mahdolliset roskat kaikissa RGB-mosaiikeissamme. Väärien positiivisten tulosten välttämiseksi havainnoitsija tarkasti kaikki algoritmin havaitsemat piirteet myös silmämääräisesti, ja vain visuaalisesti roskiksi tunnistetut piirteet kirjattiin QGIS-tietokantaan. Jokaisesta havainnosta kirjattiin sijainti (leveys- ja pituusasteet), pituus (kohteen levein ulottuvuus), leveys ja kohteen tyyppi: (1) ”niputettu verkko” – ryhmä tiiviisti yhteen niputettuja kalaverkkoja; ne ovat yleensä värikkäitä ja pyöreän muotoisia; 2) ”irrallinen verkko” – yksittäinen kalaverkko; ne olivat yleensä melko läpikuultavia ja suorakaiteen muotoisia; 3) ”säiliö” – suorakaiteen muotoisia ja kirkkaita esineitä, kuten kalalaatikoita ja tynnyreitä; 4) ”köysi” – pitkiä sylinterinmuotoisia esineitä, joiden paksuus on noin 15 cm; (5) ”poiju/kansi” – pyöreitä kirkkaita esineitä, jotka saattoivat olla joko suuri kansi tai poiju; (6) ”tuntematon” – esineitä, jotka ovat selvästi roskia, mutta joiden esinetyyppiä ei tunnistettu; ne olivat enimmäkseen epäsäännöllisen muotoisia esineitä, jotka muistuttivat muovinpalasia; ja (7) ”muu” – vain yksi esine onnistuttiin tunnistamaan, mutta se ei kuulunut mihinkään edellä mainittuun luokkaan: pelastusrengas. Tallensimme 1 595 roskakohdetta (403 ja 1 192 lennoilla 1 ja 2); 626 oli 10-50 cm:n pituisia ja 969 >50 cm:n pituisia. Suurin osa niistä luokiteltiin ”tuntemattomaksi” (78 % 10-50 cm:n ja 32 % >50 cm:n roskista), ja 10-50 cm:n roskista luokiteltiin ”poiju tai kansi” (20 %) ja ”niputettu verkko” (1 %) ja >50 cm:n roskista luokiteltiin ”niputettu verkko” (29 %), ”kontti” (18 %), ”poiju tai kansi” (9 %), ”köysi” (6 %) ja ”irronnut verkko” (4 %). Meren muovipitoisuuksien laskemiseksi ryhmittelimme georeferoidut kuvat 31:ksi ~10 km2 kokoiseksi mosaiikiksi. Numeerisia pitoisuuksia varten jaoimme yksinkertaisesti 10-50 cm:n ja >50 cm:n roskien määrän kussakin mosaiikissa peitetyllä pinta-alalla. Massakonsentraatioiden arvioimiseksi meidän oli ensin arvioitava kunkin havaitun kohteen massa, minkä jälkeen laskimme erikseen yhteen 10-50 cm:n ja >50 cm:n roskien massat kussakin mosaiikissa katetulla alueella. Lisätietoja siitä, miten arvioimme kunkin havaitun kohteen massan, on Supplementary Methods 3:ssa.
Numeerisen mallin muotoilu
Ocean muovin kulkureitit voidaan esittää Lagrangen hiukkasratojen avulla31. Meidän kehyksessämme hiukkasia kuljettivat seuraavat ympäristötekijät: merenpintavirtaukset, aaltojen aiheuttama Stokesin ajelehtiminen ja tuulet. Lähtökohtana olivat identtiset hiukkaspäästöt, ja tuotimme joukon pakotusskenaarioita, jotka edustavat valtamerimuovien muodon ja koostumuksen monimuotoisuutta. Aluksi käytimme vain merenpintavirtauksia, ja vähitellen lisäsimme niihin pakottavia termejä, jotka kuvaavat ilmakehän vetovoiman ja tuulen aaltojen vaikutusta kelluviin roskiin. Tuulen vaikutusta simuloitiin tarkastelemalla hiukkasten siirtymistä murto-osana tuulen nopeudesta 10 metrin korkeudella merenpinnasta. Tätä kutsutaan ”tuulikertoimeksi”. Arvioimme erilaisia tuulikertoimen skenaarioita, kuten 0 %, 0,1 %, 0,5 %, 1 %, 2 % ja 3 %. Hankimme globaalit merenpinnan virtaukset (1993-2012) HYCOM + NCODA:n globaalista 1/12° reanalyysistä (kokeilu 19.0 ja 19.136,37,38) ja tuulen (10 m merenpinnan yläpuolella) nopeutta ja suuntaa koskevat tiedot (1993-2012) NCEP/NCAR:n globaalista reanalyysistä39. Aaltojen aiheuttama Stokesin ajelehtimisamplitudi laskettiin käyttämällä aaltospektrin bulkkikertoimia (merkitsevä aallonkorkeus, aallon huippujakso ja suunta) Wavewatch3-mallin tuotoksista40.
Jokaista pakotusskenaariota varten hiukkasia vapautettiin identtisesti ja jatkuvasti ajassa 1993-2012 merkittävien valtamerten muovilähteiden alueellisten jakaumien ja niiden amplitudien mukaisesti maalla (rannikkoväestön kriisipesäkkeet23 ja suurimmat jokialueet24) sekä merellä (kalastus26,41 , vesiviljely42 ja merenkulkuteollisuus43). Lähdeskenaariot yhdistettiin käyttämällä lähteiden suhteellista osuutta ja maantieteellistä jakautumista, jotka on esitetty täydentävissä menetelmissä 4. Siirsimme globaaleja hiukkasia ajassa käyttäen edellä kuvattuja pakotusskenaarioita ja toistimme onnistuneesti valtamerten roskalaikkujen muodostumisen siten, että hiukkaspitoisuuksien muoto ja gradientti näillä alueilla vaihtelivat pakotusskenaarioiden välillä. Laskimme päivittäiset hiukkasvierailut 0,2°:n resoluutioverkoissa, jotka vastaavat havaintoaluettamme ja ulottuvat 160° läntistä pituutta ja 120° läntistä pituutta sekä 20° pohjoista leveyttä ja 45° pohjoista leveyttä välille. Päivittäisten hiukkasvierailujen määrä tasoitettiin globaalissa mallissa tiettynä ajankohtana olevien hiukkasten kokonaismäärään. Mallin ennustama solun i ei-ulotteinen pitoisuus δ i laskettiin seuraavasti:
joissa αs on ei-ulotteinen painotus suhteessa lähteen s kontribuutioon ja δi,s on lähteen s globaalien hiukkasten prosentuaalinen osuus lähteestä s solussa i. δi,s lasketaan lähteen s hiukkasten ni,s määrällä solussa i suhteessa lähteen s globaalien hiukkasten Σ i n s kokonaismäärään:
Numeerisen mallin kalibrointi
Keräsimme mittaustuloksia merellä vuosina 2015 ja 2016, mutta numeerisessa mallissamme käytämme valtameren kiertokulun uusinta-analyysejä, jotka kattavat ajanjakson 1993-2012. Vuoden 2012 jälkeiset mallinnetut valtamerenkierron tiedot ovat saatavilla HYCOMista, mutta eivät reanalyysituotteena. Siksi päätimme olla käyttämättä niitä tässä tutkimuksessa. Koska vuonna 1993 vapautuneet alkuperäisen mallin hiukkaset alkavat kerääntyä alueelle merkittävästi noin 7 vuoden kuluttua, keskiarvoistimme yhtenäistetyt päivittäiset hiukkasvierailut 12 vuoden ajalta, vuodesta 2000 vuoteen 2012. Ryhmittelimme havaitut roskien kokoluokat neljään luokkaan: mikromuovit (0,05-0,5 cm), mesomuovit (0,5-5 cm), makromuovit (5-50 cm) ja megamuovit (>50 cm). Vertailimme malliennusteita syvyysintegroitujen mikromuovipitoisuuksien kanssa, koska tämä Manta-trooleilla kerätty aineisto kattoi laajimman alueellisen kattavuuden. Troolimittauksista saadut massapitoisuudet ryhmiteltiin 0,2 asteen resoluution soluihin ja niitä verrattiin mallin ennustamiin ei-ulotteisiin pitoisuuksiin δ viidelle eri pakotusskenaariolle. Paras mallia vastaava tulos saatiin skenaariolle, jossa oli vain merenpintavirtauksia (R2 = 0,52, n = 277 solua). Regressiokerroin pieneni, kun lisäsimme ilmakehän vetovoimatermiä (R2 = 0,39-0,21 tuulikertoimesta riippuen).
Analysoidessamme mallin hiukkasten kertymistä GPGP-alueelle havaitsimme merkittäviä kausittaisia ja vuosien välisiä vaihteluita GPGP-asemassa. Mallinnettu GPGP-mitta oli suhteellisen johdonmukainen koko 12 analyysivuoden ajan, mutta tämän kasautumisalueen suhteellinen sijainti vaihteli vuosien ja vuodenaikojen mukaan. Päätimme ensin testata mallimme kausivaihtelua vertaamalla mikromuovipitoisuuksia (mitattu heinä-syyskuussa 2015) mallinnettuihin pitoisuuksien keskiarvoihin heinä-syyskuussa vuosina 2000-2012. Tämä vertailu antoi huonommat tulokset (R2 = 0,46-0,21, pakotusskenaariosta riippuen) kuin 12 vuoden keskimääräisellä ratkaisulla (R2 = 0,52), koska heinä-syyskuun GPGP-sijainti vaihteli huomattavasti vuosien välillä.
Meriroskien kertymisen yhteyttä Pohjois-Tyynellämerellä ja ilmastotapahtumien, kuten eteläisen El Niño -oskillaation (El Niño Southern Oscillation, ENSO) ja Tyynenmeren kymmenvuotisoskillaation (Pacific Decadal Oscillation, PDO), välillä on käsitelty aiemmin18. Vuosien välisen vaihtelun huomioon ottamiseksi vertasimme GPGP:n leveys- ja pituussuuntaista sijaintia näihin kahteen ilmastoindeksiin: ENSO ja PDO. Havaitsimme, että vuosina 2002 ja 2004 vallitsivat samanlaiset olosuhteet kuin monialusretkemme aikana. Niinpä vertasimme mittauksiamme vuosien 2002 ja 2004 heinä-syyskuun hiukkasvierailujen keskiarvoihin. Tällä toisella yrityksellä saatiin parempia tuloksia (R2 = 0,58-0,41, riippuen pakotusskenaariosta), mikä viittaa siihen, että ENSO:n tai PDO:n kaltaiset ilmastotapahtumat vaikuttavat GPGP:n keskimääräiseen sijaintiin. Siksi päätimme käyttää vuosien 2002 ja 2004 heinä-syyskuun keskiarvoa, joka ottaa paremmin huomioon GPGP:n sijainnin vuosittaiset vaihtelut. Lisätietoa vuosien valinnasta mallin kalibrointiin trooli- ja ilmatutkimustietojen perusteella annetaan täydentävissä menetelmissä 5. Mallin ennusteiden ja mikromuovihavaintojen välinen paras yhteensopivuus havaittiin jälleen kerran skenaariossa, jossa käytetään vain merenpintavirtausta (R2 = 0,58, n = 277). Mitattujen ja mallinnettujen mikromuovipitoisuuksien välinen paras regressiosovitus oli a = -8,3068 ja b = 0,0.6770 parametrisessa muotoilussa:01 g km-2 ja 10 kg km-2 välillä. Tässä tutkimuksessa määritelty GPGP vastaa 1 kg km-2 mikromuovin massakonsentraatiotasoa, joka kattaa 1,6 miljoonan km2 :n suuruisen alueen ja joka on esitetty lihavoituna viivana kuvassa 2a. Validoimiseksi luokittelimme mikromuovimittaukset 1 kg km-2 -rajaviivan sisä- ja ulkopuolella (kuva 2b). Mallin ennustaman GPGP:n sisäpuolella olevien asemien mitattujen mikromuovipitoisuuksien mediaani oli 1,8 kg km-2 (25.-75. persentiilit = 3,5-0,9 kg km-2), kun taas sen ulkopuolella olevien asemien mediaani oli 0,3 kg km-2 (25.-75. persentiilit = 0,2-0,7 kg km-2). Käyttämällä kalibroitua mikromuovijakaumaa laskimme yksittäisten kokoluokkien massan ja numeeriset pitoisuudet skaalaamalla mallinnetut pitoisuudet GPGP:n sisäpuolella olevan keskimääräisen mallinnetun mikromuovijakauman ja laikun sisäpuolella olevien asemien mitattujen kokoluokkakohtaisten pitoisuuksien keskiarvon suhteella. Mitattujen ja mallinnettujen massa/numeeristen pitoisuuksien vertailu kaikkien valtamerimuovin kokoluokkien osalta on esitetty kuvissa 2c ja d.
Numeerisen mallin kalibrointi. (a) GPGP:n raja (sininen viiva) on arvioitu vertaamalla mikromuovipitoisuusmittauksia (ympyrät) mallin hiukkasvierailujen keskiarvoihin, joissa on otettu huomioon kausittaiset ja vuosien väliset vaihtelut. Tämä kartta on luotu QGIS-ohjelman versiolla 2.18.1 (www.qgis.org). (b) Mallin validointi, joka osoittaa mikromuovien mitattujen massapitoisuuksien mediaanin asemilla ennustetun 1 kg km-2 GPGP-rajan ulkopuolella ja sisällä. Palkit ulottuvat 25.-75. prosenttipisteestä ja viikset ulottuvat pienimpään ja suurimpaan poikkeamaan. Poikkeavat arvot on esitetty risteinä. (c) Mitatut massapitoisuudet verrattuna mallinnettuihin massapitoisuuksiin mikromuovin, mesomuovin, makromuovin ja megamuovin osalta. (d) Sama kuin (c), mutta numeeriset pitoisuudet.
Varmuusvälimme muotoiltiin siten, että niissä otettiin huomioon sekä näytteenottoon että mallintamiseen liittyvät epävarmuudet. Troolikeräyksen (eli mikro-, meso- ja makromuovin) osalta otimme huomioon epävarmuustekijät, jotka liittyivät pintakonsentraatioihin sovellettuihin vertikaaliseen sekoittumiskorjauksiin, joissa käytettiin raportoitua meritilaa ja muovin nousunopeuksia (ks. täydentävät menetelmät 1). Ilmakuvamosaiikkien osalta otimme huomioon epävarmuustekijät, jotka liittyvät havaittujen kohteiden massan arviointiin trooleista kerättyjen kohteiden pinta-alan ja kuivapainon välisen korrelaation perusteella (ks. täydentävät menetelmät 3). Mallintamiseen liittyvien epävarmuustekijöiden huomioon ottamiseksi lisäsimme (tai vähensimme) mitatun pitoisuuden standardivirheen keskimääräiseen ylempään (tai alempaan) massapitoisuuteen, kun mikromuovijakaumaa skaalattiin yksittäisiin kokoluokkiin.
Tyyppien, lähteiden ja pakotusskenaarioiden mukainen karakterisointi
Meressä olevan merimuovin arvioidun massakuormituksen kokonaiskuormitus yleisessä yleisessä maantieteellisessä painetussa maantieteellisessä painetussa maantieteellisessä painetussa painetussa painetussa painetussa meressä jaettiin edelleen tyyppien mukaan kokoluokittain. Laskimme yksittäisten valtamerimuovityyppien keskimääräisen massaosuuden näytteenottotapahtumaa kohti laikun sisällä olevilla asemilla (lisätaulukko 1) ja johdimme tyyppien ”H”, ”N”, ”F” ja ”P” osuuden. Koska havaintojemme mukaan roskat olivat pääosin peräisin merellisistä lähteistä, tutkimme myös kalibroidun mallinnetun jakauman ennustamaa lähteiden osuutta. Yksittäisten mallin solujen osalta laskimme yksittäisistä lähteistä peräisin olevien Lagrangen hiukkasvierailujen prosenttiosuuden. Koska alkuperäiset hiukkaset painotettiin arvioitujen globaalien panosten mukaisesti, merilähteistä peräisin olevat mallihiukkaset edustivat alun perin 28,1 prosenttia materiaalin kokonaismäärästä kalastuksen (17,9 %), vesiviljelyn (1,3 %) ja merenkulun (8,9 %) kanssa. Laskimme eron tähän alkuperäiseen prosenttiarvoon kullekin mallin solulle ja ilmoitimme sen ennustettuun kokonaismassapitoisuuteen. Näin tehdessämme määrittelimme ”poikkeamat” merellisten lähteiden osuudessa Pohjois-Tyynellämerellä ja ilmaisimme ne yksikkönä massaa pinta-alaa kohti. Lopuksi, vaikka kalibroimassamme mallissa otettiin huomioon vain merenpintavirtaukset, vertailimme pakotusskenaarioiden hallitsevuutta arvioimalla hiukkasvierailujen lukumäärää kussakin mallin solussa. Laskimme ääriviivat GPGP:n ympärille yksittäisille pakotusskenaarioille siten, että kunkin ääriviivan sisällä oleva materiaali vastaa alkuperäistä pakotusskenaariotamme (eli pelkkää merenpintavirtausta).
Mallimme ennustama hiukkasten lentoradan riippuvuus tuulikertoimesta on hyvässä yhteisymmärryksessä Japanissa vuonna 2011 tapahtuneessa Tohokun tsunamissa syntyneiden roskien näköhavainnoista ja mallintamisesta saatujen tietojen kanssa44,45. Ensimmäiset havaitut japanilaiset roskat, jotka saapuivat Pohjois-Amerikan rannikoille 10-12 kuukauden kuluttua, olivat kohteita, joilla oli suuri tuulisuus, kuten poijuja, veneitä ja kelluvia laitureita. Romua saapui myös Havaijin saarille 18 kuukautta tapahtuman jälkeen. Saapumisajankohta oli läheisessä yhteydessä esinetyyppeihin, ja se alkoi ensimmäisenä vuonna suurilla osterikasvatuspoijuilla ja muilla kelluvilla esineillä, säiliöillä ja kanistereilla. Toisena vuonna saapui lisää poijuja, kaatuneita veneitä, jääkaappeja ja kuormalavoja ja myöhemmin puupalkkeja ja puujätteitä. Mallimme ennusti, että vuoden 2011 tsunamin jälkeisenä toisena vuonna Havaijille saattoi saapua vain esineitä, joiden tuulikerroin oli yli 3 prosenttia. Esineet, joiden tuulikerroin oli 1-2 %, saavuttaisivat Havaijin kolmannen vuoden aikana, kun taas esineet, joilla ei ole tuulikerrointa, kerääntyisivät enimmäkseen GPGP-alueelle, saariston koillispuolelle.
Pitkän aikavälin analyysi
Dynaamisen GPGP-rajan määrittelyn avulla, jossa otetaan huomioon vuodenaikojen ja vuosien väliset vaihtelut, pystyimme arvioimaan, mitkä kirjallisuudessa esitetyt meren pintatroolaustietopisteet ovat GPGP-alueen sisä- tai ulkopuolella. Näin ollen käytimme kalibroitua malliamme arvioidaksemme mikromuovin massapitoisuuksien (kg km-2 ) vuosikymmenien kehitystä GPGP-alueella ja sen ympäristössä. Kirjallisuudesta saadut pitoisuustiedot (lisätaulukko 2) saatiin julkaistuista tietokokonaisuuksista tai digitoitiin kuvista, jos niitä ei ollut saatavilla digitaalisesti17,46,47. Kun tiedot ilmoitettiin yksikkönä massaa vesitilavuutta kohti48 , käytimme nettohinaussyvyyttä laskeaksemme pitoisuuden pinta-alayksikköä kohti. Kun raportoitiin vain numeerinen pitoisuus22,48, arvioimme massapitoisuuden käyttämällä keskimääräistä valtamerimuovin massaa verkko-vetokalastuksissa, joissa raportoitiin sekä massa- että numeeriset pitoisuudet (m = 3,53 mg, SE: 0,10 mg, n = 872).
Varasimme mallin ennustamaa GPGP:n rajaa vuosina 1999-2012 kerättyjen näytteiden sijainteihin21,22,48,49. Ennen vuotta 1999 kerättyjä näytteitä17,46,47,48 verrattiin GPGP:n sijaintiin, joka arvioitiin näytteenottokuukausille ja -vuosille jaksolla 1999-2012, joilla oli samanlaiset ENSO- ja PDO-arvot (ks. täydentävät menetelmät 6). Käyttämällä dynaamisen GPGP-mallimme rajaa vertailukohtana luokittelimme jokaisen verkkohinauksen kolmeen luokkaan: (1) näytteet otettiin GPGP:n rajan sisäpuolelta, (2) näytteet otettiin GPGP:n rajan ulkopuolelta, mutta yli 20° pohjoista leveyttä ja alle 45° pohjoista leveyttä, ja (3) näytteet otettiin muualta Pohjois-Tyynenmeren alueelta. Käytimme vain kahteen ensimmäiseen luokkaan kuuluvia verkkopyydyksiä, jotta pitoisuustilastoja eivät vääristäisi päiväntasaajan ja napa-alueiden vesillä tehdyt mittaukset, joissa pitoisuudet olivat hyvin alhaisia. Ryhmittelimme sitten nämä planktonverkkotroolauksista saadut mikromuovipitoisuushavainnot vuosikymmenten mukaan siten, että otimme vuosien 1965-1974 (n = 20 sisäpuolella ja n = 58 ulkopuolella17,48), 1975-1984 (n = 0 sisäpuolella ja n = 19 ulkopuolella46) aikana tallennetut tiedot, 1985-1994 (n = 4 sisäpuolella ja n = 2 ulkopuolella47), 1995-2004 (n = 2 sisäpuolella ja n = 252 ulkopuolella22,49), 2005-2014 (n = 195 sisäpuolella ja n = 861 ulkopuolella21,22,48) ja lopulta 2015 (n = 288 sisäpuolella ja n = 213 ulkopuolella); tämä tutkimus). Laskimme mitattujen mikromuovin massapitoisuuksien keskiarvon (± keskivirhe) vuosikymmenittäin GPGP:n rajan sisäpuolella ja sen ympärillä. Lopuksi poimimme vuosikymmenten kehityssuunnat sovittamalla eksponenttifunktion (R2 = 0,94), jossa oletettiin nollapitoisuudet 1900-luvun alussa. Eksponentiaalinen sovitus antoi paremmat tulokset kuin lineaarinen, kvadraattinen tai kuutiollinen funktio (R2 = 0,71, R2 = 0,86 ja R2 = 0,91).