《Environmental Pollution》：Machine learning–fugacity framework reveals the fate and environmental drivers of per- and polyfluoroalkyl substances in a mountainous river
编辑推荐：
李亚楠|吕文静|任娇|唐建辉|戴家银|何秋生|崔阳|霍丽娟|张珂|潘一涛太原科技大学环境与资源学院，山西省环境质量协同管理与控制重点实验室，中国太原030024摘要山区高原可能成为持久性有机污染物的聚集地；然而，全氟和多氟烷基物质（PFAS）在多种环境介质中的迁移规律以及环境因素
李亚楠|吕文静|任娇|唐建辉|戴家银|何秋生|崔阳|霍丽娟|张珂|潘一涛
太原科技大学环境与资源学院，山西省环境质量协同管理与控制重点实验室，中国太原030024
摘要
山区高原可能成为持久性有机污染物的聚集地；然而，全氟和多氟烷基物质（PFAS）在多种环境介质中的迁移规律以及环境因素对第三极-青藏高原地区的影响仍大多未被探索。本研究全面调查了雅鲁藏布河流域中PFAS的存在和分布情况，并利用气象、水质和人为因素作为输入数据，评估了机器学习（ML）模型在预测污染水平和识别关键驱动因素方面的适用性。建立了一个多介质逸度模型来模拟PFAS的迁移路径和归趋。短链PFBA和PFBS在水中占主导地位（总PFAS浓度：1.05–20.4 ng/L），而6:2氟代烷基磺酸盐和C7HFPO-TrA在沉积物和土壤中占主导地位（总PFAS浓度分别为：n.d.–17.3 ng/g dw和0.03–5.67 ng/g dw）。海拔升高与水和土壤中短链PFAS浓度的增加相关，表明海拔依赖性富集机制主要决定了其组成特征。ML模型表明，气象和空间地理变量能够成功预测水中的PFAS分布，其中降水、年平均温度和太阳辐射被确定为关键因素。逸度模型显示，水与沉积物之间的传输通量是PFAS的主要迁移途径。河流沉积物作为主要汇，拦截了下游26.6%的PFAS流量。随着气候变化导致冰川融水输入增加，山区河流沉积物中的PFAS积累可能会加速。本研究提出了一个结合野外观测、机器学习和逸度建模的混合框架，以阐明极端高海拔条件下PFAS的环境归趋，为追踪和预测数据稀缺生态系统中的微量有机污染物提供了一种可推广的方法。
引言
自20世纪50年代以来，全氟和多氟烷基物质（PFAS）因在商业和工业领域的广泛应用而成为环境中普遍存在的有机化合物。由于其强碳-氟键，PFAS被认为是“永久性化学物质”（Kwiatkowski等人，2020年）。21世纪初，随着其持久性、生物累积性和毒性的证据不断积累，生产商开始自愿逐步淘汰某些PFAS产品的生产。例如，PFOA和PFOS及其盐/酯已被列入持久性有机污染物（POPs）名录（联合国环境规划署，2009年，2019年）。因此，新兴的PFAS如全氟烷基醚羧酸（PFECAs）和氟代烷基磺酸盐（FTSs）在工业和消费领域得到了越来越多的应用（Shi等人，2025a，2025b）。然而，许多研究表明，这些替代品可能比传统PFAS具有更大的生物累积潜力和毒性（Gomis等人，2018年；Li等人，2026年）。此外，它们的长距离传输潜力即使在偏远地区也持续引发关注（Zhang等人，2021年）。高山高原可能通过冷捕获效应成为POPs的聚集地（Blais等人，1998年），这一点从青藏高原（TP）土壤中观察到的PFAS浓度随海拔升高而增加的现象可以得到证实（Zhou等人，2022a）。包括PFAS在内的有机污染物已在TP的环境介质中被检测到（Chen等人，2017年；Ren等人，2017年）。值得注意的是，这个远离直接人为污染源的地区污染水平可能超出预期，引发了生态风险的担忧。
青藏高原位于中国西部，是世界上最高最大的高原，平均海拔超过4000米。尽管历史上由于人口稀少而被视为原始区域，但近年来旅游业和人类活动迅速增加（Yang等人，2013年；Miner等人，2021年）。该高原被人口密集和工业化的地区所环绕，受到南亚季风带来的污染物影响，突显了长距离大气传输（LRAT）作为高海拔地区污染物输入途径的重要性（Wang等人，2014年）。已在TP的大气（65–223 pg/m3）和冰芯（3.9 ng/L）中检测到PFAS（Wang等人，2018年）。此外，纳木错冰川雪中的总PFAS浓度达到4.24 ng/L（Wang等人，2014年），对TP脆弱的生态系统构成了威胁。尽管有这些发现，但影响TP中PFAS分布模式及其多介质归趋的因素仍知之甚少。在偏远地区持续检测到PFAS，促使人们研究控制其存在的因素，从而提出了关于源排放和环境过程对PFAS污染相对贡献的问题。
最近，机器学习（ML）模型在解决复杂环境问题方面显示出巨大潜力（Liu等人，2022年；Zhong等人，2021年）。这些模型直接从数据中揭示模式，无需依赖假设的机制，擅长捕捉输入特征与预测目标之间的非线性关系（Gao等人，2022年）。在TP，由于距离直接排放源较远以及大气传输的主导作用，气象因素对模型输出的影响大于人为变量（Chen等人，2023年）。环境指标被用作模型输入，以开发用于评估PFAS水平的预测模型。作为这些数据驱动方法的补充，逸度模型基于热力学平衡和质量平衡原理量化了PFAS在环境介质中的分布（Mackay等人，2014年），从而为理解污染物的分配和归趋提供了机制基础。本研究的目标是：（i）调查大规模冰冻河流系统中PFAS的存在和空间分布，并模拟其多介质归趋；（ii）识别PFAS分布模式的主要驱动因素及其潜在来源；（iii）确定最合适的ML方法以提高预测准确性。
章节摘录
样品采集
2023年8月在雅鲁藏布河进行了采样（68个水样、56个沉积物样和35个土壤样），2022年8月COVID-19疫情期间也进行了采样（22个水样、14个沉积物样和12个土壤样）。两次采样部分地点重叠，便于进行年际比较。研究区域如图1和S1以及表S1所示，覆盖了广泛的经度（87–95°E）和海拔范围（2912至4561米），海拔差为1649米。
水和沉积物
雅鲁藏布河中检测到的PFAS的浓度和分布情况如图2和图3所示（表S10）。C4–C12PFCAs、PFBS、PFOS和6:2 FTS的检出频率很高（75%–100%），证实了PFAS在雅鲁藏布河中的广泛存在。对重叠采样点的统计分析表明，COVID-19期间的总PFAS浓度（3.37–13.19 ng/L；平均值：7.63 ng/L；表S11）显著低于
结论
本研究采用了一种结合野外调查、机器学习和逸度建模的综合方法，研究了雅鲁藏布河中PFAS的空间异质性和污染机制。水和土壤中的短链PFAS浓度随海拔升高而增加，表明山地环境增强了PFAS的积累，这主要影响了其组成特征。地理加权回归（GWR）模型显示，土地利用模式影响了土壤中PFAS的空间异质性。
CRediT作者贡献声明
李亚楠：撰写——审稿与编辑，撰写——初稿，概念构思。吕文静：数据整理。潘一涛：可视化，监督。崔阳：资源协调。霍丽娟：正式分析。任娇：调查，资金获取。唐建辉：撰写——审稿与编辑。戴家银：撰写——审稿与编辑。何秋生：调查
Ahrens等人，2023年；Wen等人，2024年；Zhou等人，2022b年。
利益冲突声明
? 作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：任娇报告称获得了中华人民共和国科技部的财政支持。李亚楠、唐建辉和潘一涛报告获得了国家自然科学基金的财政支持。鉴于戴家银教授担任《环境污染》杂志的编辑，他未参与本研究的同行评审工作。
致谢
本研究得到了第二次青藏高原科学考察与研究计划（STEP）[项目编号2019QZKK0605]、国家自然科学基金（U22A20607、42307328和2232260）、山西省基础研究计划（202303021222173）、山西省杰出博士人才引进研究启动基金（20232046）、山西省科技创新团队专项基金（202304051001016）以及中央指导的支持。
