全球淡水水库中阴离子型全氟和多氟烷基物质（PFAS）的不对称污染

《Water Research》：Asymmetrical contamination of anionic PFAS across global freshwater reservoirs

PFAS污染的淡水水库多尺度分布与污染模式研究通过整合全球74个水库813样本数据，采用MICE方法填补缺失值并构建浓度矩阵，揭示PFOA主导（初期污染）、PFOA与PFOS共主导（持续混合源）及PFBA主导（长期积累）三种污染模式，为全球PFAS监测和管理提供框架。

　　全球范围内，淡水水库正面临由阴离子型全氟和多氟烷基物质（PFAS）污染带来的严峻挑战。这些物质因其对生态系统和人类健康的潜在危害而备受关注。PFAS是一类具有持久性和生物累积性的化学物质，广泛应用于工业和消费品中。其全球年产量超过一百万吨，导致这些物质在整个产品生命周期中广泛传播，从制造到废弃环节均存在环境释放的风险。阴离子型PFAS，尤其是全氟烷基羧酸和磺酸类化合物，在水体、沉积物和水生生物组织中具有较高的检测频率，特别是长链PFAS（≥ C7全氟烷基链）因毒性显著和生物累积能力而成为监管重点。

然而，尽管对PFAS污染的关注日益增加，现有的研究仍然受到数据碎片化和地理分布不均的限制。这些数据通常缺乏一致性，不同研究采用的分析方法和监测框架各异，导致结果难以比较。此外，PFAS成分的多样性使得整合评估变得复杂，形成高维且稀疏的数据集，进一步掩盖了有意义的生态模式。同时，忽视生态系统特有的属性，如生态系统类型或空间梯度，可能导致对污染模式的误解，影响对PFAS行为机制的理解以及相关政策制定的有效性。

水库作为人工湖泊，由水坝拦截水流形成。它们在满足人类多样化需求的同时，也成为了工程系统与自然系统之间的关键界面。水库的建设改变了全球河流网络的连通性，干扰了水文循环，并影响了下游物质的传输。这种改变使得水库成为相对封闭的环境，特别容易积累污染物。同时，水库作为饮用水源和水生生物栖息地，其流域内的人类活动对污染具有高度敏感性。因此，水库不仅是重要的水资源，也是研究污染物行为的理想模型生态系统。它们的结构和功能多样性为探讨污染物在时空和环境维度上的变化提供了独特的机会，包括纵向梯度（如距离水坝的距离）、垂直分层以及跨介质相互作用（如水、沉积物和生物体之间的交换）。

然而，目前对PFAS在水库系统中行为的研究仍然受到数据收集和污染过程空间尺度不匹配的限制。尽管数据科学和环境监测技术的进步提高了水库PFAS数据的可获得性，但有效整合这些数据仍然是一个挑战。数据异质性、缺失值和结构不一致等问题限制了数据的进一步应用。为了解决这些问题，需要一个能够整合不同数据集、减少插补偏差并支持多尺度推断的框架。在这一背景下，结构化的数据整合和有效的数据处理对于数据再利用、信息转换和促进创新至关重要。

鉴于水库PFAS的多组分特性和数据稀疏性，优先关注主导污染物是一种实际可行的解决方案，有助于降低数据维度、缓解数据稀疏问题，并增强后续分析的可靠性。在插补方法中，多重插补法（Multiple Imputation by Chained Equations, MICE）因其稳健性和灵活性而脱颖而出，尤其适用于样本量较小至中等的数据集（n<30,000）。相较于深度学习技术，如生成对抗插值网络（Generative Adversarial Interpolation Networks），MICE在稳定性和准确性方面表现更优。更重要的是，MICE在插补过程中保留了数据的内在统计结构，而不需要强加参数假设，使其在生态学、环境科学和医学等多个领域得到广泛应用。当这种方法应用于一致的空间或方法学框架时，能够确保底层分布的一致性，从而提高跨研究的可比性并增强数据的再利用价值。这种策略对于揭示PFAS的时空异质性以及解析不同空间和时间尺度下隐藏的因果关系至关重要。

本研究开发了一种以数据驱动为核心的DIM（数据整合–插补–多尺度分析）工作流程，旨在整合碎片化的PFAS数据集，并揭示全球淡水水库中污染模式的特征。我们收集了来自五大洲74个水库的813个样本数据，涵盖水体、沉积物和鱼类组织等多个介质，并利用MICE方法构建了一个全面的PFAS浓度矩阵。通过多尺度统计分析，我们回答了三个关键问题：（i）从全球到水库内部尺度，PFAS污染的空间分布情况如何？（ii）哪些PFAS污染模式占据主导地位，它们的潜在污染源是什么？（iii）当前研究中仍存在哪些知识空白，未来研究如何改进监测和治理策略？为了评估我们数据集的全球代表性，我们将其与HydroLAKES全球水库数据库中的水库特征进行了对比。尽管研究水库的地理分布存在不均衡，但它们在流域面积、表面积、蓄水能力和平均深度等方面呈现出广泛的梯度变化（见图S1），从而涵盖了全球水库系统的广泛变异性。因此，DIM框架为整合异质性污染物数据提供了可扩展的策略，并为全球PFAS监测和管理行动奠定了基础。

PFAS在全球淡水水库中的分布呈现出显著的空间异质性。通过对74个水库中30种检测到的PFAS化合物在水体、沉积物和鱼类组织中的分析，我们发现这些物质在不同空间尺度和环境介质中的出现频率和组成存在明显差异（见图2和表S1）。这种“不对称污染”现象反映了不同污染源在空间尺度上的差异。例如，PFOA（全氟辛酸）主导的污染模式通常与早期的排放活动有关，这些活动主要源于家庭和工业废水的排放。PFOA和PFOS（全氟辛烷磺酸）共同主导的污染模式则表明污染仍在持续积累，且可能来源于多种混合污染源。而PFBA（全氟丁酸）主导的污染模式则显示出长期积累的趋势，特别是在部分污染控制措施实施后，仍然存在干沉降、工业输入和内部循环等多重污染机制的共同作用。

这些污染模式揭示了全球水库中PFAS污染的显著不对称性，这种不对称性不仅受到污染源主导因素的影响，还与污染的历史演变密切相关。PFOA主导的污染模式通常出现在污染早期阶段，其污染源主要来自工业和家庭排放，而PFOS则由于其持久性和生物累积性，在污染持续积累的过程中占据重要地位。PFBA主导的污染模式则显示出在部分污染控制措施实施后，仍然存在长期积累的趋势，这可能与干沉降、工业输入和内部循环等污染机制共同作用有关。这些污染模式的识别有助于理解PFAS在不同环境条件下的行为特征，并为制定针对性的污染治理策略提供依据。

此外，本研究还揭示了当前研究中存在的知识空白。尽管已有大量关于PFAS污染的研究，但对污染过程的多尺度理解仍然不足。特别是在数据收集和污染过程空间尺度不匹配的情况下，现有的研究难以全面揭示PFAS污染的复杂性。因此，未来的研究需要在数据收集和分析方法上进行改进，以提高对污染模式和潜在污染源的识别能力。这包括加强对不同生态系统类型和空间梯度的调查，以及采用更加灵活和稳健的数据整合和分析方法。通过这些改进，可以更准确地评估PFAS污染的风险，并制定更加有效的监测和治理策略。

在实际应用中，DIM工作流程的建立不仅有助于整合现有的PFAS数据，还为未来的污染监测和治理提供了新的思路。该流程通过数据整合、插补和多尺度分析，确保了数据的可靠性和一致性，为跨研究和跨区域的比较提供了可能。同时，该流程还能够适应不同数据集的特点，提高数据再利用的效率。在水库管理方面，DIM工作流程可以为制定针对性的污染控制措施提供科学依据，帮助管理者更好地理解和应对PFAS污染问题。

总的来说，本研究通过开发DIM工作流程，整合了全球范围内的PFAS数据，揭示了不同污染模式的特征及其潜在污染源。这一工作流程不仅提高了数据整合的效率和可靠性，还为全球PFAS污染的监测和治理提供了新的方法和思路。通过识别PFOA、PFOS和PFBA主导的污染模式，我们能够更全面地理解PFAS在不同环境条件下的行为特征，并为制定科学合理的污染治理策略提供支持。未来的研究可以在此基础上进一步优化数据整合和分析方法，以提高对PFAS污染的识别和评估能力，推动全球范围内的污染治理行动。