Bevis för att det snabbt ansamlas plast i Great Pacific Garbage Patch | Scientific Reports

Sampling

Från den 27 juli till den 19 september 2015 genomfördes sammanlagt 652 dragningar med ytnät mellan 25°N-41°N och 129-156°W av 18 deltagande fartyg. I oktober 2016 återbesökte vi vårt undersökningsområde genom att genomföra två flygningar med ett Hercules C-130-flygplan som samlade in flygbilder (n = 7 298 mosaiker med en enda bildruta) för att bättre kunna kvantifiera de större och mer sällsynta >50 cm stora plastföremålen (figur 1).

Fartygen utförde nätdragningar som varade i 0,35-4 timmar, medan de navigerade i en hastighet av 0,7-6,8 knop. Alla trålar var utformade så att de rörde sig bort från fartyget för att undvika kölvatteneffekter på anordningarnas fångsteffektivitet. Alla fartygsbesättningar utbildades med hjälp av online-material och enskilda seminarier som genomfördes före avfärd. Medan trålen bogserades uppskattade den mest erfarna sjömannen ombord på fartyget sjötillståndet (Beaufortskalan) genom att mäta vindhastigheter och observera våghöjder. Dessa uppgifter registrerades i de standardiserade datablad som tillhandahölls, tillsammans med datum, varaktighet samt start- och slutkoordinater för varje dragning. Placeringen och längden av alla nätdrag bekräftades under efterbehandlingsfasen genom att inspektera positionsdata från GPS-spårare som installerats på alla deltagande fartyg. De flesta provtagningsstationer omfattade en enda nätdragning (n = 350 provtagningsstationer) med hjälp av en Manta-trål (0,5 mm kvadratisk maskstorlek, 90 cm × 15 cm mynning), som är en av de standardiserade anordningarna för att kvantifiera nivåerna av plastföroreningar. Med det största deltagande fartyget (RV Ocean Starr) bogserade vi samtidigt två Manta-trålar tillsammans med två stora Neuston-trålar (1,5 cm kvadratisk maskstorlek, 6 m × 1,5 m mynning, varav 0,5 m ovanför vattenlinjen, nedan kallade ”megatrålar”) vid varje provtagningsplats (n = 76 stationer). Efter varje dragning av Manta-nätet sköljdes nätet utvändigt med havsvatten, och dess engångs-kottslut avlägsnades, stängdes med häftklamrar och placerades i en enskild zip-lock-påse. Efter varje dragning med MEGA-trål sköljdes nätet också utifrån med havsvatten och den stora torsken öppnades och lades i en låda fylld med havsvatten. All flytande plast avlägsnades sedan, lindades in i aluminium och placerades i märkta plastpåsar. Hela det innehåll som fångades av Manta-trålarna förvarades, medan de organismer som fångades av Mega-trålarna (mestadels levande) släpptes ut i havet igen. Alla prover förvarades i ett kylskåp eller en frys när de var till sjöss och i en FedEx-kylbox (2-8 °C) eller en kylbox (-2 °C) när de skickades till laboratoriet. Även om vi var försiktiga när vi hanterade proverna kan en del skräp ha gått sönder under transporten, vilket leder till en viss snedvridning i vår storleksfördelning av skräp. Detaljerad information om dessa nätdragningar (dvs. koordinater, metohavförhållanden, provtagningstider och varaktighet) finns i Figshare33.

Flygundersökningarna tog prover från ett mycket större område (311,0 km2) än de trålundersökningar som beskrivs ovan (3,9 km2 och 13,6 km2 för Manta- och Mega-nätdragningar), vilket ger en mer tillförlitlig kvantifiering av skräp som är större än 50 cm, vilket är relativt sällsynt. Båda flygningarna startade och avslutades på Moffett Airfield nära Mountain View, Kalifornien. Den första flygundersökningen genomfördes den 2 oktober 2016 med provtagning från 18:56 till 21:14 UTC-tid, vid en konstant latitud på 33,5°N och längder som varierade från 141,4°W till 134,9°W. Den andra undersökningen inleddes den 6 oktober 2016 med provtagning från 22:14 till 0:37 UTC, från 30,1°N, 143,7°W till 32,9°N, 138,1°W. När flygplanet var i undersökningsläge flög det på en höjd av cirka 400 m och med en markhastighet på 140 knop. Provtagningstransekterna var inriktade på områden där havsförhållandena var som lägst, baserat på väderprognosen, inklusive atmosfäriskt tryck på havsytan, molntäcke, vindhastighet på 10 meters höjd över havet och ytskiktshöjd som tillhandahölls av NOAA:s Global Forecasting System, samt data om signifikanta våghöjder och toppar under perioden som distribuerades av NOAA:s WaveWatch3-modell. Även om vi undersökte flytande skräp med hjälp av utbildade observatörer och tre typer av sensorer (Lidar, SWIR-kamera och RGB-kamera), analyserar vi här endast information som kommer från de georefererade mosaiker som produceras av en RGB-kamera (CS-4800i) som i allmänhet tog fotografier varje sekund under undersökningstiden (bildstorlek = ~360 m tvärs över banan, ~240 m längs banan, ~0.1 m upplösning).

Bearbetning av träckprover

Träckprover tvättades separat i ett sågtorn (fem sållar från Glenammer Engineering Ltd, med 0,05 cm, 0,15 cm, 0,5 cm, 1,5 cm och 5 cm fyrkantiga öppningar) som delade upp materialet i följande storleksklasser: 0,05-0,15 cm, 0,15-0,5 cm, 0,5-1,5 cm, 1,5-5 cm och >5 cm. Skräpobjekt >5 cm sorterades sedan manuellt i klasserna 5-10 cm, 10-50 cm och >50 cm genom att mäta föremålslängden (föremålets bredaste dimension) med en linjal. Flytande skräp separerades från biomassa genom att materialet i varje sikt placerades i filtrerat saltvatten (salthalt 3,5 %, temperatur 19-23 °C). Laboratoriepersonalen rörde om i materialet många gånger för att försäkra sig om att flytande partiklar lossnade från biomassamaterialet. Flytande föremål som identifierades som flytande skräp togs manuellt upp från vattenytan med hjälp av en tång, separerades i olika typer och räknades. Flytande skräp klassificerades efter materialtyp (plast, glas, paraffin, tjära, gummi, trä, pimpsten, frö eller okänt), varvid plast delades in i följande kategorier: (1) Typ ”H” – fragment och föremål av hårdplast, plastfolie, (2) Typ ”N” – linor, rep och fiskenät av plast, (3) Typ ”P” – förproducerade plastpellets i form av cylindrar, skivor eller sfärer, och (4) Typ ”F” – fragment eller föremål av skummaterial (t.ex. expanderad polystyren). När bitarna hade räknats och kategoriserats tvättades de med destillerat vatten, överfördes till aluminiumskålar, torkades över natten vid 60 °C och vägdes med hjälp av en OHAUS Explorer EX324M (0,0001 g avläsbarhet) för objekt <5 cm och en OHAUS Explorer EX12001M (0,1 g avläsbarhet) för objekt >5 cm.

För att på bästa sätt kunna karakterisera den havsplast som ackumuleras i GPGP utförde vi ytterligare analyser med det insamlade materialet. För det första valdes 10 stycken inom varje kategori av plaststorlek/typ (n = 220 stycken) ut för analys av polymerkompositionen med Fourier-transform infrarödspektroskopi (FT-IR). Avläsningarna gjordes med en Perkin Elmer Spectrum 100 FT-IR utrustad med ett universellt ATR-tillbehör (intervall = 600-4000 cm-1). Respektive polymertyp bestämdes genom att jämföra provets FT-IR-spektra med kända spektra från en databas (Perkin-Elmer ATR of Polymers Library). För det andra granskade vi allt insamlat plastskräp med avseende på produktionsdatum och eventuella skrivningar som ger information om ursprunget (t.ex. språk och ”made in”-uppgifter). Slutligen klassificerade vi plastföremål av ”H”- och ”L”-typer som samlats in vid 30 RV Ocean Starr-stationer i objekttyper (t.ex. flasklock, påsar, flaskor osv.). Eftersom H-objekt som var större än 50 cm var relativt sällsynta analyserade vi 10 extra RV Ocean Starr-stationer för denna typ/storlekskategori. Om föremålstypen för ett fragment inte kunde bestämmas klassificerade vi bitarna som antingen hårdplastfragment eller filmfragment beroende på deras väggtjocklek och flexibilitet34. Vi använde Manta trålprover för att karaktärisera föremål inom storleksklasserna 0,15-0,5 cm, 0,5-1,5 cm och 1,5-5 cm, och Mega trålprover för att karaktärisera föremål inom storleksklasserna 5-10 cm, 10-50 cm och >50 cm. Plast inom vår minsta storleksklass (0,05-0,15 cm) beaktades inte i denna ”Objekttyp”-analys på grund av svårigheten att hantera och identifiera små fragment.

De numeriska/massakoncentrationer av flytande plastföremål (antal/kg plast per km2 havsyta) som uppmättes vid varje nätdrag beräknades separat för alla kategorier av plaststorlek/typ. För att göra detta delade vi räkningen och vikten av plastföremål inom varje kategori med provets bogserade yta. Vi beräknade den bogserade arean genom att multiplicera nätmynningens bredd (90 cm för Manta-trålen, 6 m för Mega-trålen) med bogseringslängden (bestämd från GPS-positionsdata). Den genomsnittliga ytan som täcktes av Manta-nätet var 0,008 km2 (SD = 0,004, min-max: 0,001-0,018 km2), medan den genomsnittliga ytan som täcktes av Mega-nätet var 0,090 km2, (SD = 0,013, min-max: 0,046-0,125 km2). Eftersom flytande plast kan missas av yttrålar på grund av vinddriven uppblandning, uppskattade vi sedan den ”djupintegrerade” massan och de numeriska plastkoncentrationerna (Ci) för alla typer/storlekskategorier vid varje provtagningsplats med trål med hjälp av de ekvationer som beskrivs i ref.35. I tilläggsmetod 1 finns närmare uppgifter om hur Ci beräknades som en funktion av den stigande hastigheten (Wb) för plast i havets ändpunkt, trålens provtagningsdjup och sjötillståndet. Där beskrivs också hur vi mätte Wb för varje typ/storlekskategori i denna studie. Efter att ha jämfört resultaten av plastkoncentrationen från parvisa drag med Manta- och Mega-nät (n = 76 platser) beslutade vi att använda Manta- och Mega-trålprover för att kvantifiera skräp med en storlek på 0,05-5 cm respektive 5-50 cm. Jämförelseresultaten och resonemanget bakom detta beslut finns i kompletterande metoder 2.

Bearbetning av flygbilder

Alla RGB-bilder som togs under våra undersökningsflygningar (n = 7 298) georefererades med hjälp av exakta uppgifter om flygplanets position och höjd som samlades in under undersökningarna. De inspekterades sedan av två utbildade observatörer och en detektionsalgoritm. Observatörerna inspekterade alla bilder i fullskärmsläge på en Samsung HD-skärm (LU28E590DS/XY) och de mosaiker med en enda bild som innehöll skräp laddades upp till QGIS-programvaran (version 2.18.3-Las Palmas) för att registrera deras position och egenskaper. Vi litar på att vi hade ett mycket litet antal falskt positiva och ett stort antal falskt negativa resultat. Detta beror på att observatörerna använde ett konservativt tillvägagångssätt: de loggade endast objekt som skräp när de var mycket säkra på att de kunde identifieras. Många element som kunde vara skräp men som liknade andra naturliga element, t.ex. solsken och brytande vågor, loggades därför inte in i vårt dataset för havsplast. När detta arbete var slutfört körde vi en experimentell algoritm som kunde upptäcka potentiellt skräp i alla våra RGB-mosaiker som ett steg i kvalitetskontrollen. För att undvika falska positiva resultat inspekterades alla element som upptäcktes av algoritmen också visuellt av en observatör, och endast de som visuellt identifierades som skräp loggades i vår QGIS-databas. För varje observation registrerade vi position (latitud, longitud), längd (objektets bredaste dimension), bredd och objekttyp: (De är vanligen färgglada och har en rundad form. 2) ”Löst nät” – ett enskilt fiskenät; de var vanligen ganska genomskinliga och rektangulära till formen. 3) ”Behållare” – rektangulära och ljusa föremål, t.ex. fiskelådor och trummor. 4) ”Rep” – långa cylindriska föremål med en tjocklek på cirka 15 cm; (5) ”boj/lock” – runda ljusa föremål som kan vara antingen ett stort lock eller en boj. (6) ”okänd” – föremål som tydligt är skräp men vars objekttyp inte kunde identifieras, de var mestadels oregelbundet formade föremål som liknade plastfragment. (7) Annat – endast ett föremål lyckades identifieras, men det tillhörde inte någon av kategorierna ovan: en livring. Vi registrerade 1 595 skräpobjekt (403 och 1 192 i flygning 1 och 2). 626 var 10-50 cm långa och 969 var >50 cm långa. De flesta klassificerades som ”okända” (78 % för 10-50 cm, 32 % för >50 cm), följt av ”boj eller lock” (20 %) och ”buntnät” (1 %) för 10-50 cm skräp, och av ”buntnät” (29 %), ”behållare” (18 %), ”boj eller lock” (9 %), ”rep” (6 %) och ”förlorat nät” (4 %) för >50 cm skräp. För att beräkna plastkoncentrationer i havet grupperade vi de georefererade bilderna i 31 mosaiker på ~10 km2. För numeriska koncentrationer delade vi helt enkelt antalet skräpbitar 10-50 cm och >50 cm inom varje mosaik med den täckta ytan. För att uppskatta masskoncentrationer var vi tvungna att först uppskatta massan av varje objekt som upptäcktes, sedan summerade vi separat massan av 10-50 cm och >50 cm skräp inom varje mosaik med det täckta området. Mer information om hur vi uppskattade massan av varje upptäckt objekt finns i Supplementary Methods 3.

Numerisk modellformulering

Oceanernas plastbanor kan representeras av Lagrangska partikelbanor31. I vårt ramverk advekterades partiklarna av följande miljöfaktorer: havsyteströmmar, våginducerad Stokesdrift och vindar. Med utgångspunkt i identiska partikelutsläpp tog vi fram en rad drivningsscenarier för att representera mångfalden i form och sammansättning av plast i havet. Vi började med att endast använda havsyteströmmar och lade successivt till forcerande termer som representerar atmosfärisk dragkraft och vindvågor på flytande skräp. Vindens inverkan simulerades genom att beakta partiklarnas förflyttning som en bråkdel av vindhastigheten på 10 meters höjd över havet. Detta kallas ”vindkraftskoefficienten”. Vi utvärderade olika scenarier för vindkoefficienten, bl.a. 0 %, 0,1 %, 0,5 %, 1 %, 2 % och 3 %. Vi hämtade globala havsyteströmmar (1993-2012) från HYCOM + NCODA:s globala 1/12°-reanalys (experiment 19.0 och 19.136,37,38) och uppgifter om vindhastighet och vindriktning (10 m över havet) (1993-2012) från NCEP/NCAR:s globala reanalys39. Den våginducerade Stokesdriftsamplituden beräknades med hjälp av vågspektrums bulkkoefficienter (signifikant våghöjd, högsta vågperiod och riktning) från Wavewatch3-modellens resultat40.

För varje forceringsscenario släpptes partiklar identiskt och kontinuerligt ut i tiden från 1993 till 2012 enligt de rumsliga fördelningarna och amplituderna av betydande plastkällor i havet på land (befolkningsområden vid kusten23 och större floder24) och till havs (fiske26,41, vattenbruk42 och sjöfartsindustri43). Källscenarier kombinerades med hjälp av det relativa källbidraget och den geografiska fördelningen som presenteras i tilläggsmetod 4. Vi advekterade globala partiklar i tid med hjälp av de drivningsscenarier som beskrivs ovan och lyckades reproducera bildandet av skräpfläckar i havet, där formen och gradienten för partikelkoncentrationerna i dessa områden skiljer sig åt mellan drivningsscenarierna. Vi beräknade dagliga partikelbesök över rutnät med en upplösning på 0,2° som motsvarar vårt observationsområde och som sträcker sig från 160°V till 120°V i längdgrad och från 20°N till 45°N i latitud. Antalet dagliga partikelbesök likställdes med det totala antalet partiklar som fanns i den globala modellen vid en viss tidpunkt. Den modellberäknade icke-dimensionella koncentrationen δ i för cell i beräknades enligt följande:

$$${\delta }_{i}=\sum _{s}{\alpha }_{s}{\delta }_{i,s}$$$

(1)

där αs är den icke-dimensionella vikten i förhållande till bidraget från källa s och δi,s är procentandelen globala partiklar från källa s i cell i. δi,s beräknas med antalet partiklar ni,s från källa s i cell i i förhållande till det totala antalet globala partiklar Σ i n s från källa s:

$$${\delta }_{i,s}=\frac{{{n}_{i,s}}{{\sum }_{i}{n}_{s}}}$$

(2)

Kalibrering av den numeriska modellen

Vi samlade in mätningar till havs 2015 och 2016, men i vår numeriska modell används reanalyser av havscirkulationen som täcker perioden från 1993 till 2012. Modellerade data om havscirkulationen efter 2012 finns tillgängliga från HYCOM, dock inte som en reanalysprodukt. Vi beslutade därför att inte använda dem i den här studien. Eftersom de första modellpartiklarna som släpptes ut 1993 börjar ackumuleras i området efter cirka 7 år, har vi beräknat medelvärdet av de dagliga enhetliga partikelbesöken under 12 år, från 2000 till 2012. Vi grupperade observerade skräpstorleksklasser i fyra kategorier: mikroplaster (0,05-0,5 cm), mesoplaster (0,5-5 cm), makroplaster (5-50 cm) och megaplaster (>50 cm). Vi jämförde modellens förutsägelser med djupintegrerade mikroplastkoncentrationer eftersom detta dataset som samlades in av Manta-trålar hade den största rumsliga täckningen. Masskoncentrationer som härrörde från trålmätningar grupperades i celler med en upplösning på 0,2 grader och jämfördes med den modellberäknade icke-dimensionella koncentrationen δ för de fem olika forceringsscenarierna. Den bästa modellanpassningen hittades för det scenario med enbart havsyteströmmar (R2 = 0,52, n = 277 celler). Regressionskoefficienten minskade när vi ökade termen för atmosfäriskt motstånd (R2 = 0,39 till 0,21 beroende på vindkraftskoefficienten).

När vi analyserade ackumulationen av modellpartiklar i GPGP-regionen noterade vi betydande säsongsmässiga och mellanårsvisa variationer av GPGP-positionen. De modellerade GPGP-dimensionerna var relativt konsekventa under våra 12 analysår, men den relativa positionen för denna ackumulationszon varierade med åren och årstiderna. Vi beslutade först att testa vår modell för säsongsvariation genom att jämföra våra mikroplastkoncentrationer (uppmätta i juli-september 2015) med modellerade koncentrationsgenomsnitt för perioderna juli-september 2000-2012. Denna jämförelse gav sämre resultat (R2 = 0,46 till 0,21, beroende på forceringsscenario) än med den genomsnittliga lösningen för 12 år (R2 = 0,52) eftersom GPGP-positionen för juli-september varierade avsevärt mellan åren.

Sambandet mellan ackumulationen av marint skräp i norra Stilla havet och klimathändelser som El Niño Southern Oscillation (ENSO) och Pacific Decadal Oscillation (PDO) har tidigare diskuterats18. För att ta hänsyn till mellanårsvariationer jämförde vi därför GPGP:s latitudinella och longitudinella position med dessa två klimatindex: ENSO och PDO. Vi fann att 2002 och 2004 liknade de förhållanden som rådde under vår expedition med flera fartyg. Därför jämförde vi våra mätningar med partikelbesöksgenomsnitt för juli-september för 2002 och 2004 tillsammans. Detta andra försök gav bättre resultat (R2 = 0,58 till 0,41, beroende på forceringsscenario), vilket tyder på att klimathändelser som ENSO eller PDO påverkar GPGP:s genomsnittliga position. Därför bestämde vi oss för att använda juli-september-genomsnittet för 2002 och 2004, vilket ger en bättre redovisning av de mellanårsvisa variationerna i GPGP-positionen. Mer information om valet av år för kalibrering av modellen mot data från trål- och flygundersökningar finns i tilläggsmetod 5. Den bästa överensstämmelsen mellan modellens förutsägelser och mikroplastobservationer hittades återigen för forceringsscenariot med enbart havsyteströmmar (R2 = 0,58, n = 277). Den bästa regressionsanpassningen mellan uppmätta och modellerade mikroplastkoncentrationer hade a = -8,3068 och b = 0.6770 i den parametriska formuleringen:

$$\,{c}_{mod}=\,{10}^{\frac{{{\mathrm{log}}}_{10}\delta -a}{b}}$$

(3)

Med utgångspunkt i denna formulering beräknade vi den modellerade massakoncentrationen av mikroplast i vårt domänområde och extraherade konturnivåer i storleksordning, från 0..01 g km-2 till 10 kg km-2. GPGP enligt definitionen i denna studie motsvarar nivån 1 kg km-2 mikroplastmassakoncentration som täcker ett område på 1,6 miljoner km2 och som visas som en fet linje i figur 2a. Som en validering kategoriserade vi mätningar av mikroplaster inom och utanför konturlinjen på 1 kg km-2 (fig. 2b). För stationer inom den modellberäknade GPGP-linjen var medianen av den uppmätta mikroplastkoncentrationen 1,8 kg km-2 (25-75:e percentilen = 3,5-0,9 kg km-2), medan medianen för stationer utanför var 0,3 kg km-2 (25-75:e percentilen = 0,2-0,7 kg km-2). Med hjälp av vår kalibrerade mikroplastfördelning beräknade vi massan och den numeriska koncentrationen för enskilda storleksklasser genom att skala de modellerade koncentrationerna med förhållandet mellan den genomsnittliga modellerade mikroplastfördelningen inom GPGP och de genomsnittliga uppmätta koncentrationerna per storleksklass vid stationerna inom området. En jämförelse mellan uppmätta och modellerade massa/numeriska koncentrationer för alla storleksklasser av havsplast visas i figur 2c och d.

Våra konfidensintervall formulerades för att ta hänsyn till osäkerheter i både provtagning och modellering. För trålinsamlingen (dvs. mikro-, meso- och makroplaster) tog vi hänsyn till osäkerheter som hänger samman med de vertikala blandningskorrigeringar som tillämpas på ytkoncentrationer med hjälp av rapporterat sjötillstånd och plastens stigande hastigheter (se kompletterande metoder 1). För mosaikbilderna från luften tog vi hänsyn till osäkerheter i samband med uppskattningen av massan av observerade föremål baserat på korrelationer mellan ytan på ytan och torrvikten av föremål som samlats in i trålarna (se kompletterande metoder 3). Slutligen, för att redovisa osäkerheter i modelleringen lade vi till (respektive subtraherade) standardfelet för den uppmätta koncentrationen till (respektive från) den genomsnittliga övre (respektive lägre) masskoncentrationen när vi skalade mikroplastfördelningen till enskilda storleksklasser.

Karaktärisering efter typer, källor och forceringsscenarier

Den totala uppskattade massbelastningen av havsplast i GPGP efter storleksklasser delades vidare upp efter typer. Vi beräknade den genomsnittliga massfraktionen av enskilda typer av havsplast per provtagningstillfälle för stationer i flaskan (kompletterande tabell 1) och härledde bidraget från typerna ”H”, ”N”, ”F” och ”P”. Eftersom vi huvudsakligen observerade skräp som kom från marina källor undersökte vi dessutom det bidrag från källan som förutses av vår kalibrerade modellfördelning. För enskilda modellceller beräknade vi den procentuella andelen Lagrangian-partikelbesök från enskilda källor. Eftersom de ursprungliga partiklarna viktades i enlighet med den uppskattade globala tillförseln, utgjorde modellpartiklar från marina källor ursprungligen 28,1 % av den totala mängden material med fiske (17,9 %), vattenbruk (1,3 %) och sjöfart (8,9 %). Vi beräknade skillnaden från detta ursprungliga procentuella värde för varje modellcell och rapporterade den till den förutspådda totala masskoncentrationen. Därmed definierade vi ”anomalier” i det marina källbidraget i norra Stilla havet och uttryckte dessa i enheten massa per yta. Slutligen, även om vår kalibrerade modell endast tog hänsyn till havsyteströmmen, jämförde vi övervägandet av forceringsscenarier genom att utvärdera det respektive antalet partikelbesök för varje modellcell. Vi beräknade konturer runt GPGP för enskilda forceringsscenarier på ett sådant sätt att det material som finns inom varje kontur är lika med vårt ursprungliga forceringsscenario (dvs. endast havsyteström).

Det beroende av partikelbanan på vindkoefficienten som förutses av vår modell stämmer väl överens med observationer och modellering av skräp som härstammar från 2011 års Tohoku tsunami i Japan44,45. De första identifierade japanska spillrorna som anlände efter 10 till 12 månader till de nordamerikanska kusterna var objekt med hög vindhastighet, t.ex. bojar, båtar och flytbryggor. Skräp anlände också till Hawaiiöarna 18 månader efter olyckan. Tidpunkten för ankomsten hängde nära samman med föremålstyperna, med början under det första året med stora bojar från ostronodlingar och andra flytetyg, containrar och burkar. Under det andra året anlände fler bojar, tippade båtar, kylskåp och lastpallar, följt senare av timmerbalkar och träskrot. Vår modell förutspådde att endast föremål med en vindkraftskoefficient på över 3 % kunde anlända till Hawaii under det andra året efter tsunamin 2011. Föremål med en vindkraftskoefficient på mellan 1 och 2 % skulle nå Hawaii under det tredje året, medan föremål utan vindkraftskoefficient mestadels skulle ackumuleras i GPGP, nordost om skärgården.

Långsiktig analys

Definitionen av en dynamisk GPGP-gräns som tar hänsyn till säsongsmässiga och mellanårsvariationer gjorde det möjligt för oss att uppskatta vilka datapunkter för trålning på havsytan från litteraturen som befinner sig inom eller utanför GPGP-området. Därför använde vi vår kalibrerade modell för att bedöma dekadensutvecklingen av mikroplastmassakoncentrationer (kg km-2) inom och runt GPGP. Koncentrationsdata från litteraturen (kompletterande tabell 2) hämtades från publicerade dataset eller digitaliserades från figurer när de inte fanns tillgängliga digitalt17,46,47. När data rapporterades i enheten massa per vattenvolym48 använde vi nettotråldjupet för att beräkna koncentrationen per ytenhet. När endast numerisk koncentration rapporterades22,48 uppskattade vi masskoncentrationen genom att använda den genomsnittliga havsplastmassan från nätdragningar där både mass- och numeriska koncentrationer rapporterades (m = 3,53 mg, SE: 0,10 mg, n = 872).

Vi jämförde den modellberäknade GPGP-gränsen med platserna för prover som samlades in mellan 1999 och 201221,22,48,49. Prover som samlats in före 199917,46,47,48 jämfördes med den GPGP-position som uppskattats för de provtagna månaderna och åren under perioden 1999-2012 som hade liknande ENSO- och PDO-värden (se kompletterande metoder 6). Med vår dynamiska GPGP-modellgräns som referens klassificerade vi varje nätbogsering i tre kategorier: (1) provtagning inom GPGP-gränsen, (2) provtagning utanför GPGP-gränsen, men över 20°N och under 45°N och (3) provtagning i resten av norra Stilla havet. Vi använde endast nätdragningar från de två första kategorierna ovan, så att koncentrationsstatistiken för området utanför inte snedvrids av mätningar i ekvatoriala och polära vatten, där koncentrationerna var mycket låga. Vi grupperade sedan dessa observationer av mikroplastkoncentrationer från trålar med planktonnät efter årtionden och tog uppgifter som registrerats mellan 1965-1974 (n = 20 innanför och n = 58 utanför17,48), 1975-1984 (n = 0 innanför och n = 19 utanför46), 1985-1994 (n = 4 inuti och n = 2 utanför47), 1995-2004 (n = 2 inuti och n = 252 utanför22,49), 2005-2014 (n = 195 inuti och n = 861 utanför21,22,48) och slutligen 2015 (n = 288 inuti och n = 213 utanför); denna studie). Vi beräknade medelvärdet (± standardfelet) av uppmätta mikroplastmassakoncentrationer per decennier för inom och runt GPGP-gränsen. Slutligen extraherade vi dekadiska trender genom att anpassa en exponentialfunktion (R2 = 0,94) med antagande om nollkoncentrationer i början av 1900-talet. Den exponentiella anpassningen gav bättre resultat än linjära, kvadratiska eller kubiska funktioner (R2 = 0,71, R2 = 0,86 respektive R2 = 0,91).