基于机器学习模型揭示太湖沉积物中全氟化合物分布规律及驱动机制

《Environmental Pollution》：Insights into the prediction and driving factors of perfluorinated and polyfluoroalkyl substances in sediments from Taihu Lake of China using machine learning models

本研究创新性地将时序预测（Attention-CL模型）与可解释机器学习（IML）相结合，系统解析了太湖沉积物中全氟和多氟烷基物质（PFAS）的垂直分布特征，首次发现pH（阈值6.5）、氧化还原电位（ORP，阈值200 mV）和总有机碳（TOC，阈值3.0-3.5 mg/g）等环境参数对PFOA/PFOS分布存在非线性驱动效应，为浅水湖泊PFAS污染防控提供了关键阈值依据。

　　

研究亮点

通过可解释机器学习模型揭示了沉积物中全氟和多氟烷基物质（PFAS）分布的关键环境驱动因子，发现pH、总有机碳（TOC）和氧化还原电位（ORP）对PFAS迁移转化具有非线性阈值效应。

垂直分布特征

三类沉积物岩芯的PFAS浓度均呈现从表层向深层递减的趋势（图3），表明随着深度增加，PFAS的来源或沉积作用减弱。北部、中部和东部区域检测到的全氟辛酸（PFOA）浓度范围分别为0.015–0.133 ng/g、0.005–0.555 ng/g和0.005–0.686 ng/g；全氟辛烷磺酸（PFOS）浓度范围分别为0.005–0.555 ng/g、0.005–0.686 ng/g和0.015–0.133 ng/g。

结论

作为环境中PFAS的主要汇和归宿，沉积物对理解PFAS的环境行为具有重要意义。PFAS浓度随深度增加呈现递减趋势，表层沉积物（0–4 cm）的生态风险商数表明其处于中等生态风险水平。不同采样点的沉积物岩芯中PFAS种类和浓度存在空间变异，沿湖泊水流方向呈现递增趋势。