Sampling
Van 27 juli tot 19 september 2015 werden in totaal 652 sleepnetten met oppervlaktenetten uitgevoerd tussen 25°N-41°N en 129-156°WL door 18 deelnemende schepen. In oktober 2016 hebben we ons studiegebied opnieuw bezocht door twee vluchten uit te voeren met een Hercules C-130-vliegtuig dat luchtbeelden verzamelde (n = 7.298 single-frame mozaïeken) om de grotere en zeldzamere >50 cm plastic objecten beter te kwantificeren (Fig. 1).
Veldmonitoringinspanning. Scheeps- (grijze en donkerblauwe lijnen) en vliegtuigsporen (lichtblauwe lijnen) en locaties waar gegevens over de concentraties van drijvend oceaanplastic zijn verzameld (cirkels). Grijze cirkels (n = 350) vertegenwoordigen gebieden die tussen juli en september 2015 zijn bemonsterd met een enkele sleep van een Mantanet door 17 deelnemende vaartuigen. Donkerblauwe cirkels (n = 76) vertegenwoordigen gebieden die zijn bemonsterd met gepaarde Manta en gepaarde Mega netten door RV Ocean Starr, tussen juli en augustus 2015. Lichtblauwe cirkels (n = 31) geven de locaties weer van de RGB-mozaïeken met georeferentie die in oktober 2016 zijn verzameld met een C-130 Hercules-vliegtuig. Deze kaart is gemaakt met QGIS versie 2.18.1 (www.qgis.org).
Vaartuigen voerden netten uit van 0,35-4 uur, terwijl ze voeren met een snelheid van 0,7-6,8 knopen. Alle sleepnetten werden zo ontworpen dat ze van het vaartuig weg bewogen om zogeffecten op de vangstefficiëntie van de netten te voorkomen. Alle bemanningen van de vaartuigen werden opgeleid aan de hand van onlinemateriaal en één-op-één workshops die vóór het vertrek waren gehouden. Tijdens het slepen van de trawl schatte de meest ervaren matroos aan boord van het vaartuig de toestand van de zee (schaal van Beaufort) door de windsnelheden te meten en de golfhoogten waar te nemen. Deze gegevens werden genoteerd op de verstrekte standaardgegevensbladen, samen met de datum, de duur en de begin- en eindcoördinaten van elke trek. De locatie en de lengte van alle sleepnetten werden tijdens de postverwerkingsfase bevestigd door inspectie van de positiegegevens van de GPS-trackers die op alle deelnemende vaartuigen waren geïnstalleerd. De meeste bemonsteringsstations omvatten één enkele netsleep (n = 350 bemonsteringsstations) waarbij gebruik werd gemaakt van een Manta-net (vierkante mazen van 0,5 mm, monding 90 cm × 15 cm), dat een van de standaardinstrumenten is voor het kwantificeren van de mate van plasticverontreiniging. Met het grootste deelnemende vaartuig (RV Ocean Starr), sleepten we tegelijkertijd twee Manta trawls, naast twee grote Neuston trawls (1,5 cm vierkante mazen, 6 m × 1,5 m monding, waarvan 0,5 m boven de waterlijn; hierna “Mega trawls” genoemd) op elke bemonsteringsplaats (n = 76 stations). Na elke trek van een Mantanet werd het net van buitenaf met zeewater gespoeld en werd de kuil voor eenmalig gebruik verwijderd, met krammen gesloten en in een individuele zip-lock zak gedaan. Na elke Mega trawl sleep werd het net ook van buitenaf gespoeld met zeewater en werd de grote kuil geopend in een doos gevuld met zeewater. Alle drijvende kunststoffen werden vervolgens verwijderd, in aluminium gewikkeld en in geëtiketteerde plastic zakken gedaan. De volledige inhoud die door de Manta-trawls was gevangen, werd bewaard, terwijl de organismen die door de Mega-trawls waren gevangen (meestal levend), weer in de oceaan werden vrijgelaten. Alle monsters werden in een koelkast of diepvriezer bewaard terwijl ze op zee waren, en in een FedEx koelbox (2-8 °C) of koelcontainer (-2 °C) terwijl ze naar het laboratorium werden vervoerd. Hoewel we voorzichtig zijn geweest bij het hanteren van de monsters, is het mogelijk dat sommige brokstukken tijdens het vervoer zijn gebroken, waardoor onze verdeling van de brokstukken enigszins is vertekend. Gedetailleerde informatie met betrekking tot deze netten (d.w.z. coördinaten, metocean condities, bemonsteringstijden en -duur) wordt gegeven in Figshare33.
De luchtsurveys bemonsterden een veel groter gebied (311.0 km2) dan de hierboven beschreven sleepnet surveys (3.9 km2 en 13.6 km2, voor Manta en Mega netten, respectievelijk), waardoor een meer betrouwbare kwantificering van puin groter dan 50 cm, die relatief zeldzaam zijn, mogelijk werd. Beide vluchten begonnen en eindigden op Moffett Airfield nabij Mountain View, Californië. Het eerste luchtonderzoek werd uitgevoerd op 2 oktober 2016 sampling van 18:56 tot 21:14 UTC tijd, op een constante breedtegraad van 33,5 °N, en de lengtegraden variërend van 141,4 °W tot 134,9 °W. Het tweede onderzoek begon op 6 oktober 2016 met bemonstering van 22:14 tot 0:37 UTC, van 30,1°N, 143,7°W tot 32,9°N, 138,1°W. In de survey-modus vloog het vliegtuig op een hoogte van ongeveer 400 m en met een grondsnelheid van 140 knopen. De bemonsteringstranssecten waren gericht op gebieden waar de toestand van de zee het slechtst was, op basis van de weersvoorspelling, met inbegrip van de atmosferische druk aan het zeeoppervlak, de bewolking, de windsnelheid op 10 m boven zeeniveau en de hoogte van de grenslaag, verstrekt door het Global Forecasting System van de NOAA, alsmede gegevens over de significante golfhoogte en de piekperiode, verstrekt door de uitvoer van het WaveWatch3 -model van de NOAA. Hoewel we drijvend afval hebben onderzocht met behulp van getrainde waarnemers en drie soorten sensoren (Lidar, SWIR-imager en RGB-camera), analyseren we hier alleen informatie afkomstig van de mozaïeken met georeferenties die zijn geproduceerd door een RGB-camera (CS-4800i) die over het algemeen elke seconde foto’s nam tijdens de onderzoekstijd (framegrootte = ~360 m over de baan, ~240 m langs de baan, ~0.1 m resolutie).
Sleepnetmonsters verwerking
Sleepnetmonsters werden afzonderlijk gewassen in een zeeftoren (vijf Glenammer Engineering Ltd zeven, met vierkante openingen van 0,05 cm, 0,15 cm, 0,5 cm, 1,5 cm, en 5 cm) die het materiaal in de volgende grootteklassen verdeelde: 0,05-0,15 cm, 0,15-0,5 cm, 0,5-1,5 cm, 1,5-5 cm, en >5 cm. Debris items >5 cm werden vervolgens handmatig gesorteerd in 5-10 cm, 10-50 cm, en >50 cm klassen door het meten van de object lengtes (breedste dimensie van het object) met een liniaal. Drijfvuil werd gescheiden van biomassa door het materiaal in elke zeef in gefilterd zout water te plaatsen (zoutgehalte 3,5%, temperatuur 19-23 °C). Het laboratoriumpersoneel roerde het materiaal vele malen om er zeker van te zijn dat de drijvende deeltjes loskwamen van het biomassamateriaal. Drijvende voorwerpen die werden geïdentificeerd als drijfvuil werden handmatig van het wateroppervlak gehaald met behulp van een tang, gescheiden in soorten, en geteld. Drijvend afval werd ingedeeld naar materiaalsoort (plastic, glas, paraffine, teer, rubber, hout, puimsteen, zaad of onbekend), waarbij plastic verder werd onderverdeeld in de volgende categorieën: (1) “H”-type – fragmenten en voorwerpen gemaakt van hard plastic, plastic folie of film; (2) “N”-type – plastic lijnen, touwen en visnetten; (3) “P”-type – voorgefabriceerde plastic pellets in de vorm van een cilinder, schijf of bol; en (4) “F”-type – fragmenten of voorwerpen gemaakt van geschuimd materiaal (bv. geëxpandeerd polystyreen). Eenmaal geteld en gecategoriseerd, werden de stukken gewassen met gedistilleerd water, overgebracht naar aluminium schaaltjes, een nacht gedroogd bij 60 °C, en gewogen met een OHAUS Explorer EX324M (0,0001 g afleesbaarheid) voor objecten <5 cm, en een OHAUS Explorer EX12001M (0,1 g afleesbaarheid) voor objecten >5 cm.
Om het oceaanplastic dat zich ophoopt in het GPGP zo goed mogelijk te karakteriseren, hebben we extra analyses uitgevoerd met het verzamelde materiaal. Ten eerste werden 10 stukken binnen elke plastic maat/type categorie (n = 220 stukken) geselecteerd voor analyse van de polymeer samenstelling door Fourier-transform infrarood spectroscopie (FT-IR). De metingen werden verricht met een Perkin Elmer Spectrum 100 FT-IR, uitgerust met een universele ATR-accessoire (bereik = 600-4000 cm-1). Het polymeertype werd bepaald door de FT-IR-spectra van de monsters te vergelijken met bekende spectra uit een database (Perkin-Elmer ATR of Polymers Library). Ten tweede hebben we alle verzamelde plastic afval gescreend op productiedata, alsook op eventuele geschriften die informatie geven over de herkomst (d.w.z. taal en ‘made in’-vermeldingen). Ten slotte hebben we plastic voorwerpen van ‘H’- en ‘L’-types, verzameld bij 30 RV Ocean Starr stations, ingedeeld in objecttypes (bijv. flessendeksels, zakken, flessen, enz.). Aangezien H-voorwerpen groter dan 50 cm relatief zeldzaam waren, analyseerden we 10 extra RV Ocean Starr-stations voor deze type/grootte-categorie. Als het objecttype van een fragment niet kon worden bepaald, hebben we het stuk geclassificeerd als fragment van hard plastic of fragment van folie, afhankelijk van de wanddikte en de flexibiliteit34. We hebben Manta-trawlmonsters gebruikt om objecten te karakteriseren binnen de grootteklassen 0,15-0,5 cm, 0,5-1,5 cm, en 1,5-5 cm, en Mega-trawlmonsters om objecten te karakteriseren binnen de grootteklassen 5-10 cm, 10-50 cm, en >50 cm. Kunststoffen binnen onze kleinste grootteklasse (0,05-0,15 cm) werden niet in aanmerking genomen in deze ‘objecttype’-analyse vanwege de moeilijkheid om kleine fragmenten te hanteren en te identificeren.
De numerieke/massa-concentraties van drijvende kunststof voorwerpen (aantal/kg kunststof per km2 zeeoppervlak) gemeten door elke nettenleep werden berekend voor alle categorieën kunststofgrootte/type afzonderlijk. Daartoe deelden wij het aantal en het gewicht van de plastic voorwerpen binnen elke categorie door het gesleepte gebied van de steekproef. Het gesleepte gebied is berekend door de breedte van de netmonden (90 cm voor de Manta-trawl, 6 m voor de Mega-trawl) te vermenigvuldigen met de sleeplengte (bepaald op basis van de GPS-positiegegevens). De gemiddelde door Manta-sleepnetten bestreken oppervlakte bedroeg 0,008 km2 (SD = 0,004, min-max: 0,001-0,018 km2), terwijl de gemiddelde door Mega-sleepnetten bestreken oppervlakte 0,090 km2 bedroeg, (SD = 0,013, min-max: 0,046-0,125 km2). Aangezien drijvende kunststoffen door oppervlaktetrawls kunnen worden gemist als gevolg van door de wind veroorzaakte vermenging, hebben wij vervolgens de “dieptegeïntegreerde” massa en de numerieke kunststoffenconcentraties (Ci) voor alle type/grootte-categorieën op elk van de trawlbemonsteringsplaatsen geschat aan de hand van de vergelijkingen beschreven in ref.35. In aanvullende methode 1 wordt in detail beschreven hoe Ci is berekend als functie van de snelheid waarmee de eindstijging van het oceaanplastic plaatsvindt (Wb), de diepte waarop het sleepnet bemonsterd wordt en de toestand van de zee. Het beschrijft ook hoe we Wb hebben gemeten voor elk van de type/grootte categorieën van deze studie. Na een vergelijking van de resultaten van de plasticconcentratie verkregen door gepaarde sleepnetten van Manta en Mega (n = 76 locaties), hebben we besloten om de Manta en Mega sleepnetmonsters te gebruiken voor het kwantificeren van afval van respectievelijk 0,05-5 cm en 5-50 cm groot. De vergelijkingsresultaten en de redenering achter deze beslissing worden gegeven in Aanvullende Methoden 2.
Verwerking van luchtfoto’s
Alle RGB-beelden die tijdens onze surveyvluchten werden genomen (n = 7.298) werden gegeorefereerd met behulp van nauwkeurige positie- en hoogtegegevens van het vliegtuig die tijdens de surveys werden verzameld. Ze werden vervolgens geïnspecteerd door twee getrainde waarnemers en een detectiealgoritme. De waarnemers hebben alle beelden op volledig scherm geïnspecteerd op een Samsung HD-monitor (LU28E590DS/XY) en de single-frame mozaïeken die brokstukken bevatten, werden geüpload in QGIS-software (versie 2.18.3-Las Palmas) om hun positie en kenmerken te registreren. We vertrouwen erop dat we een zeer klein aantal valse positieven en een hoog aantal valse negatieven hadden. Dit komt doordat de waarnemers een conservatieve aanpak hebben gehanteerd: zij hebben kenmerken alleen als puin gelogd wanneer zij zeer zeker waren van de identificatie ervan. Veel objecten die als afval konden worden aangemerkt, maar op andere natuurlijke elementen leken, zoals zonnestralen en brekende golven, werden niet opgenomen in onze dataset van oceaanplastic. Zodra dit werk was voltooid, hebben we een experimenteel algoritme uitgevoerd dat in staat is om mogelijk afval te detecteren in al onze RGB-mozaïeken als een kwaliteitscontrolestap. Om vals-positieve waarnemingen te voorkomen, werden alle door het algoritme gedetecteerde kenmerken ook visueel geïnspecteerd door een waarnemer en alleen de visueel als puin geïdentificeerde kenmerken werden gelogd in onze QGIS-database. Voor elke waarneming hebben we de positie (breedtegraad, lengtegraad), lengte (breedste afmeting van het object), breedte en objecttype genoteerd: (1) ‘gebundeld net’ – een groep dicht bij elkaar gebundelde visnetten; ze zijn gewoonlijk kleurrijk en hebben een afgeronde vorm; (2) ‘los net’ – een enkel visnet; ze waren over het algemeen vrij doorschijnend en rechthoekig van vorm; (3) ‘container’ – rechthoekige en heldere objecten, zoals viskratten en vaten; (4) ’touw’ – lange cilindrische objecten van ongeveer 15 cm dik; (5) ‘boei/deksel’, afgeronde heldere voorwerpen die zowel een groot deksel als een boei kunnen zijn; (6) ‘onbekend’ – voorwerpen die duidelijk puin zijn maar waarvan het objecttype niet werd geïdentificeerd, het waren meestal onregelmatig gevormde voorwerpen die op plastic fragmenten leken; en (7) ‘overig’ – slechts één voorwerp werd met succes geïdentificeerd maar behoorde tot geen enkele van de bovenstaande categorieën: een reddingsring. Wij registreerden 1.595 brokstukken (403 en 1.192 in respectievelijk vlucht 1 en 2); 626 waren 10-50 cm lang en 969 waren >50 cm lang. De meeste werden geclassificeerd als ‘onbekend’ (78% voor 10-50 cm, 32% voor >50 cm), gevolgd door ‘boei of deksel’ (20%) en ‘gebundeld net’ (1%) voor 10-50 cm afval, en door ‘gebundeld net’ (29%), ‘container’ (18%), ‘boei of deksel’ (9%), ’touw’ (6%), en ‘los net’ (4%) voor >50 cm afval. Om de concentraties oceaanplastic te berekenen, hebben we de beelden met georeferenties gegroepeerd in 31 mozaïeken van ~10 km2. Voor numerieke concentraties deelden we simpelweg het aantal brokstukken van 10-50 cm en >50 cm binnen elk mozaïek door het bestreken gebied. Om de massaconcentraties te schatten, moesten we eerst de massa van elk gespot object schatten, daarna sommeerden we afzonderlijk de massa van 10-50 cm en >50 cm brokstukken binnen elk mozaïek door de bestreken oppervlakte. Meer informatie over hoe we de massa van elk gespot object hebben geschat wordt gegeven in Aanvullende Methoden 3.
Numerieke modelformulering
Ocean plastic pathways kunnen worden voorgesteld door Lagrangiaanse deeltjes trajecten31. In ons model werden de deeltjes door de volgende omgevingsfactoren voortbewogen: stromingen aan het zeeoppervlak, door golven geïnduceerde Stokesdrift en winden. Uitgaande van identieke losgelaten deeltjes, produceerden we een reeks forcering scenario’s om de diversiteit in vorm en samenstelling van oceaanplastics weer te geven. Beginnend met alleen zeestromingen, hebben we geleidelijk termen toegevoegd die de invloed van atmosferische weerstand en windgolven op drijvend afval weergeven. De invloed van de wind werd gesimuleerd door de verplaatsing van deeltjes te beschouwen als een fractie van de windsnelheid op 10 m boven zeeniveau. Dit wordt de “windagecoëfficiënt” genoemd. We hebben verschillende scenario’s voor de windcoëfficiënt onderzocht, waaronder 0%, 0,1%, 0,5%, 1%, 2% en 3%. We hebben de mondiale stromingen aan het zeeoppervlak (1993 tot 2012) ontleend aan de HYCOM + NCODA mondiale 1/12° analyse (experiment 19.0 en 19.136,37,38), en de windgegevens (10 m boven zeeniveau) voor snelheid en richting (1993 tot 2012) aan de mondiale analyse van NCEP/NCAR39. Golf geïnduceerde Stokes drift amplitude werd berekend met behulp van golf spectrum bulk coëfficiënten (significante golfhoogte, piek golf periode en richting) van Wavewatch3 model outputs40.
Voor elk forcering scenario, werden deeltjes identiek en continu vrijgelaten in de tijd van 1993 tot 2012 volgens ruimtelijke distributies en amplitudes van belangrijke oceaan plastic bronnen op het land (kustbevolking hotspots23 en grote rivieren24) en op zee (visserij26,41, aquacultuur42 en scheepvaartindustrieën43). Bronscenario’s werden gecombineerd met behulp van de relatieve bronbijdrage en de geografische spreiding, zoals beschreven in de aanvullende methoden 4. We advecteerden wereldwijde deeltjes in de tijd met behulp van de hierboven beschreven forcerende scenario’s en reproduceerden met succes de vorming van oceanische vuilnisvlekken, waarbij de vorm en gradiënt van deeltjesconcentraties in deze gebieden verschilden tussen de forcerende scenario’s. We berekenden dagelijkse deeltjesbezoeken over roosters met een resolutie van 0,2°, die overeenkwamen met ons waarnemingsdomein en zich uitstrekten van 160°W tot 120°W in lengtegraad en 20°N tot 45°N in breedtegraad. Het aantal dagelijkse deeltjesbezoeken werd geüniformeerd over het totale aantal deeltjes dat op een bepaald moment in het globale model aanwezig was. De door het model voorspelde niet-dimensionale concentratie δ i van cel i, werd als volgt berekend:
waarbij αs het niet-dimensionale gewicht ten opzichte van de bijdrage van bron s is en δi,s het percentage globale deeltjes van bron s in cel i is. δi,s wordt berekend met het aantal deeltjes ni,s van bron s in cel i over het totale aantal globale deeltjes Σ i n s van bron s:
Numerieke modelkalibratie
We hebben in 2015 en 2016 metingen op zee verzameld, maar ons numerieke model maakt gebruik van heranalyses van de oceaancirculatie die de periode van 1993 tot 2012 bestrijkt. Gemodelleerde oceaancirculatiegegevens van na 2012 zijn beschikbaar bij HYCOM, maar niet als een heranalyseproduct. Daarom hebben we besloten ze in deze studie niet te gebruiken. Aangezien de eerste modelpartikels die in 1993 vrijkwamen, zich na ongeveer 7 jaar in het gebied beginnen op te hopen, hebben we het gemiddelde berekend van geüniformeerde dagelijkse deeltjesbezoeken over 12 jaar, van 2000 tot 2012. We groepeerden waargenomen debris grootteklassen in vier categorieën: microplastics (0,05-0,5 cm), mesoplastics (0,5-5 cm), macroplastics (5-50 cm) en megaplastics (>50 cm). We hebben de modelvoorspellingen vergeleken met de diepte-geïntegreerde microplastic concentraties, omdat deze dataset, verzameld door Manta sleepnetten, de grootste ruimtelijke dekking had. De massaconcentraties afkomstig van de sleepnetmetingen werden gegroepeerd in cellen met een resolutie van 0,2 graad en vergeleken met de modelvoorspelde niet-dimensionale concentratie δ voor de vijf verschillende forceringsscenario’s. De beste model fit werd gevonden voor het forcering scenario met alleen zeebloemstroming (R2 = 0.52, n = 277 cellen). De regressiecoëfficiënt nam af naarmate we de atmosferische weerstandsterm verhoogden (R2 = 0,39 tot 0,21, afhankelijk van de windingcoëfficiënt).
Toen we de accumulatie van modeldeeltjes in het GPGP-gebied analyseerden, stelden we aanzienlijke seizoens- en interjaarlijkse variaties van de GPGP-positie vast. De gemodelleerde GPGP-dimensies waren relatief consistent gedurende onze 12 jaar analyse, maar de relatieve positie van deze accumulatiezone varieerde met de jaren en seizoenen. We besloten eerst ons model te testen op seizoensvariatie door onze microplasticconcentraties (gemeten in juli-september 2015) te vergelijken met gemiddelden van de gemodelleerde concentraties voor de juli-septemberperiodes van 2000 tot 2012. Deze vergelijking leverde slechtere resultaten op (R2 = 0,46 tot 0,21, afhankelijk van het forcingscenario) dan met de gemiddelde oplossing voor 12 jaar (R2 = 0,52), aangezien de juli-september GPGP-positie aanzienlijk varieerde tussen de jaren.
De relatie tussen de accumulatie van marien afval in het noordelijke deel van de Stille Oceaan en klimaatgebeurtenissen zoals El Niño Southern Oscillation (ENSO) en de Pacific Decadal Oscillation (PDO) is al eerder besproken18. Om rekening te houden met de interjaarlijkse variatie hebben wij de breedte- en lengtepositie van de GPGP vergeleken met deze twee klimaatindexen: ENSO en PDO. Wij stelden vast dat 2002 en 2004 vergelijkbaar waren met de omstandigheden tijdens onze expeditie met meerdere schepen. Daarom hebben wij onze metingen vergeleken met de deeltjesbezoekgemiddelden voor juli-september van 2002 en 2004 samen. Deze tweede poging leverde betere resultaten op (R2 = 0,58 tot 0,41, afhankelijk van het forceringsscenario), wat suggereert dat klimatologische gebeurtenissen zoals ENSO of PDO de gemiddelde positie van de GPGP beïnvloeden. Daarom hebben wij besloten het juli-septembergemiddelde voor 2002 en 2004 te gebruiken, dat beter de interjaarlijkse variaties in de positie van de GPGP weergeeft. Meer informatie over de keuze van de jaren voor de ijking van het model aan de hand van de gegevens van het sleepnet en de luchtkartering is te vinden in methode 5 van de aanvullende gegevens. De beste match tussen modelvoorspellingen en microplastic waarnemingen werd wederom gevonden voor het forcering scenario met alleen zeeoppervlak stroming (R2 = 0.58, n = 277). De beste regressie fit tussen gemeten en gemodelleerde microplastic concentraties had a = -8.3068 en b = 0.6770 in de parametrische formulering:
Uit deze formulering hebben we de gemodelleerde massaconcentratie van microplastics in ons domein berekend en contourniveaus per orde van grootte geëxtraheerd, van 0.01 g km-2 tot 10 kg km-2. Het GPGP zoals gedefinieerd in deze studie komt overeen met het 1 kg km-2 microplastic massaconcentratie niveau dat een gebied van 1,6 miljoen km2 bestrijkt en als een vette lijn in Fig. 2a is weergegeven. Ter validatie hebben we microplastics metingen binnen en buiten de 1 kg km-2 contourlijn gecategoriseerd (Fig. 2b). Voor stations binnen de model-voorspelde GPGP, was de mediaan van de gemeten microplastic concentratie 1.8 kg km-2 (25e-75e percentielen = 3.5-0.9 kg km-2), terwijl voor stations erbuiten, de mediaan 0.3 kg km-2 was (25e-75e percentielen = 0.2-0.7 kg km-2). Met behulp van onze gekalibreerde microplasticsverdeling hebben we de massa en de numerieke concentratie voor individuele grootteklassen berekend door de gemodelleerde concentraties te schalen met de verhouding tussen de gemiddelde gemodelleerde microplasticsverdeling binnen het GPGP en de gemiddelde gemeten concentraties per grootteklasse van de stations binnen het vak. Een vergelijking tussen gemeten en gemodelleerde massa/numerieke concentraties voor alle grootteklassen van oceaanplastic wordt gegeven in Fig. 2c en d.
Numerieke modelkalibratie. (a) De GPGP-grens (blauwe lijn) wordt geschat door de metingen van microplasticconcentraties (cirkels) te vergelijken met de gemiddelden van het modelbezoek aan deeltjes, waarbij rekening is gehouden met seizoensgebonden en interjaarlijkse variaties. Deze kaart is gemaakt met QGIS versie 2.18.1 (www.qgis.org). (b) Modelvalidatie met de mediane gemeten massaconcentratie voor microplastics van stations buiten en binnen onze voorspelde 1 kg km-2 GPGP-grens. De balken lopen van het 25e tot het 75e percentiel, terwijl de schijven doorlopen tot het minimum en maximum van de niet-uitschieters. Uitschieters worden weergegeven als kruisjes. (c) Gemeten massaconcentraties versus gemodelleerde massaconcentraties voor microplastics, mesoplastics, macroplastics en megaplastics. (d) Idem als (c), maar met numerieke concentraties.
Onze betrouwbaarheidsintervallen werden zo geformuleerd dat rekening werd gehouden met onzekerheden in zowel de bemonstering als de modellering. Voor de trawlverzameling (d.w.z. micro-, meso- en macroplastics) hebben wij rekening gehouden met onzekerheden in verband met de verticale-mengselcorrecties die zijn toegepast op de oppervlakteconcentraties aan de hand van de gerapporteerde toestand van de zee en de stijgsnelheden van de plastics (zie Aanvullende Methoden 1). Voor de luchtmozaïeken hebben wij rekening gehouden met onzekerheden in verband met de raming van de massa van waargenomen objecten op basis van correlaties tussen top-view oppervlakte en drooggewicht van in de sleepnetten verzamelde objecten (zie Aanvullende Methoden 3). Ten slotte hebben we, om rekening te houden met modelonzekerheden, de standaardfout van de gemeten concentratie opgeteld bij (respectievelijk afgetrokken van) de gemiddelde boven- (respectievelijk onder-) massaconcentratie bij het schalen van de microplasticverdeling naar individuele grootteklassen.
Karakterisering naar typen, bronnen en forcering scenario’s
De totale geschatte massabelasting van oceaanplastic in de GPGP naar grootteklassen werd verder opgesplitst naar typen. We berekenden de gemiddelde massafractie van afzonderlijke oceaanplasticsoorten per bemonsteringsevenement voor stations binnen de patch (aanvullende tabel 1) en leidden daaruit de bijdrage van de soorten H, N, F en P af. Aangezien we voornamelijk puin uit mariene bronnen hebben waargenomen, hebben we ook de door ons gekalibreerde model voorspelde bronbijdrage onderzocht. Voor individuele modelcellen berekenden we het percentage van Lagrangiaanse deeltjesbezoeken van individuele bronnen. Aangezien de initiële deeltjes werden gewogen overeenkomstig de geschatte globale input, vertegenwoordigden modeldeeltjes afkomstig van mariene bronnen oorspronkelijk 28,1% van de totale hoeveelheid materiaal, met visserij (17,9%), aquacultuur (1,3%) en scheepvaart (8,9%). Wij berekenden voor elke modelcel het verschil met deze aanvankelijke procentuele waarde en vermeldden dit bij de voorspelde totale massaconcentratie. Daarbij definieerden wij “anomalieën” in de mariene bronbijdrage in het noordelijk deel van de Stille Oceaan en drukten deze uit in eenheid van massa per oppervlakte. Tenslotte hebben wij, hoewel ons gekalibreerd model alleen rekening hield met de stroming van het zeeoppervlak, de predominantie van de forceringsscenario’s vergeleken door het respectieve aantal bezoeken van deeltjes voor elke modelcel te evalueren. We berekenden contouren rond de GPGP voor individuele forcingscenario’s op een manier dat het materiaal binnen elke contour gelijk is aan ons initiële forcingscenario (d.w.z. alleen zeewateroppervlaktestroming).
De afhankelijkheid van de deeltjesbaan van de door ons model voorspelde windcoëfficiënt is in goede overeenstemming met waarnemingen en modellering van puin afkomstig van de 2011 Tohoku tsunami in Japan44,45. De eerste geïdentificeerde Japanse brokstukken die na 10 tot 12 maanden op de Noord-Amerikaanse kusten aankwamen, waren objecten met een hoge windsterkte, zoals boeien, boten en drijvende dokken. Puin arriveerde ook op de Hawaiiaanse eilanden 18 maanden na het incident. Het tijdstip van aankomst hing nauw samen met de soorten objecten, te beginnen in het eerste jaar met grote boeien van oesterkwekerijen en andere drijvers, containers en vaten. In het tweede jaar kwamen meer boeien, gekantelde boten, koelkasten en pallets aan, later gevolgd door houten balken en houten puin. Ons model voorspelde dat alleen objecten met een windingscoëfficiënt van meer dan 3% in het tweede jaar na de tsunami van 2011 op Hawaii zouden kunnen aankomen. Objecten met een windingscoëfficiënt tussen 1 en 2% zouden Hawaï in het derde jaar bereiken, terwijl objecten zonder winding zich vooral zouden ophopen in het GPGP, ten noordoosten van de archipel.
Lange termijn analyse
De definitie van een dynamische GPGP-grens die rekening houdt met seizoensgebonden en inter-jaarlijkse variabiliteiten stelde ons in staat om in te schatten welke punten van de zee-oppervlakte sleepnetgegevens uit de literatuur zich binnen of buiten het GPGP-gebied bevinden. Daarom hebben we ons gekalibreerde model gebruikt om de decadale ontwikkeling van microplastic massaconcentraties (kg km-2) binnen en rond het GPGP te beoordelen. Concentratiegegevens uit de literatuur (supplementaire tabel 2) werden verkregen uit gepubliceerde datasets of gedigitaliseerd uit figuren wanneer deze niet digitaal beschikbaar waren17,46,47. Wanneer gegevens werden gerapporteerd in eenheid van massa per volume water48 , hebben wij de nettosleepdiepte gebruikt om de concentratie per oppervlakte-eenheid te berekenen. Wanneer alleen de numerieke concentratie werd gerapporteerd22,48, hebben we de massaconcentratie geschat door gebruik te maken van de gemiddelde oceaanplasticmassa van sleepnetten waarbij zowel massa als numerieke concentraties werden gerapporteerd (m = 3,53 mg, SE: 0,10 mg, n = 872).
We hebben de model-voorspelde GPGP-grens vergeleken met de locaties van monsters die tussen 1999 en 2012 zijn verzameld21,22,48,49. Monsters verzameld vóór 199917,46,47,48 werden vergeleken met de GPGP-positie geschat voor de bemonsterde maanden en jaren in de periode 1999-2012 die vergelijkbare ENSO- en PDO-waarden hadden (zie Aanvullende Methoden 6). Met onze dynamische GPGP-modelgrens als referentie hebben we elke netsleep in 3 categorieën ingedeeld: (1) bemonsterd binnen de GPGP-grenzen, (2) bemonsterd buiten de GPGP-grenzen, maar boven 20°NB en onder 45°NB en (3) bemonsterd in de rest van de Noordelijke Stille Oceaan. We hebben alleen netten uit de eerste twee categorieën gebruikt, zodat de concentratiestatistieken voor buiten het gebied niet werden vertekend door metingen in equatoriale en polaire wateren, waar de concentraties zeer laag waren. Vervolgens hebben we deze waarnemingen van microplasticconcentraties van planktonnettrawls gegroepeerd per decennium, waarbij we gegevens hebben genomen van 1965-1974 (n = 20 binnen en n = 58 buiten17,48), 1975-1984 (n = 0 binnen en n = 19 buiten46), 1985-1994 (n = 4 binnen en n = 2 buiten47), 1995-2004 (n = 2 binnen en n = 252 buiten22,49), 2005-2014 (n = 195 binnen en n = 861 buiten21,22,48) en ten slotte 2015 (n = 288 binnen en n = 213 buiten; deze studie). We berekenden het gemiddelde (± standaardfout) van de gemeten microplastic massaconcentratie per decennium voor binnen en rond de GPGP grens. Tenslotte hebben we decadale trends bepaald door een exponentiële functie (R2 = 0.94) te passen, uitgaande van nulconcentraties aan het begin van de 20e eeuw. De exponentiële functie leverde betere resultaten op dan lineaire, kwadratische of kubische functies (respectievelijk R2 = 0,71, R2 = 0,86 en R2 = 0,91).