通过柱状实验研究表明，分子特性和土壤性质对土壤中全氟和多氟烷基物质（PFAS）迁移的综合影响

《Science of The Total Environment》：Integrated impacts of molecule and soil properties on the transport of PFAS in soils indicated by column experiments

PFAS在土壤中的吸附系数Kd受分子和土壤性质共同影响，基于13种PFAS在10种土壤的柱实验数据，结合机器学习模型分析显示分子量<8的PFAS呈对称穿透曲线，而>8的则不对称，且不同PFAS在同一土壤中的Kd差异可达5个数量级。

　　

黄硕|卢月书|廖张久|冯晓轩|阿里·阿马尔|张彦峰|朱玲燕

教育部污染过程与环境标准重点实验室，天津南开大学环境科学与工程学院环境修复与污染控制重点实验室，天津，300350，中国

摘要

柱实验已被广泛用于研究土壤中全氟和多氟烷基物质（PFAS）的迁移行为，并确定土壤-水吸附系数（K_d）。然而，分子性质和土壤性质对K_d的影响，尤其是它们的综合效应，仍然未知。因此，使用混溶置换柱实验测量了10种土壤中13种PFAS的K_d值，并利用机器学习（ML）技术（包括多元线性回归（MLR）、随机森林回归（RFR）和支持向量回归（SVR）研究了K_d与分子性质和土壤性质之间的定量关系。结果表明，8种C原子数小于8的PFAS通常呈现对称的突破曲线，而8种C原子数大于8的PFAS通常表现出不对称的突破曲线。不同土壤中同一种PFAS的K_d值在2到3个数量级范围内变化，而同一土壤中不同PFAS的K_d值可相差5个数量级。特定化合物的MLR分析表明，土壤中矿物含量较高显著增加了8种C原子数小于8的PFAS的K_d值，而有机物主要增强了8种C原子数大于8的PFAS的K_d值。对分子性质和土壤性质综合效应的ML分析表明，分子的体积和偶极矩与土壤中的矿物和有机物一起对K_d具有重要影响。ML技术能够很好地描述PFAS在土壤中的非线性迁移行为，并为准确预测提供了有力工具。

引言

由于全氟和多氟烷基物质（PFAS）具有特殊的疏水性和疏油性，它们被广泛应用于工业产品和生活用品中。尽管全氟辛酸（PFOA）和全氟辛烷磺酸（PFOS）分别于2019年和2009年被列入《斯德哥尔摩公约》，但此前PFAS的广泛使用导致其在环境中普遍存在（Wang等人，2019；Brusseau等人，2020；Johnson等人，2022；van der Veen等人，2023）。土壤是污染物的主要储存库，全球范围内检测到了多种PFAS。受污染地区的PFAS浓度通常比背景水平高几个数量级，最高报告浓度高达数百毫克/千克（Brusseau等人，2020）。PFAS在土壤中的迁移及其向空气、水和生物体等其他环境介质的迁移可能对生态系统和人类健康构成巨大风险（Gebbink和van Leeuwen，2020；Feng等人，2023；Chen等人，2024）。特别是，由于PFAS从表层土壤迁移到下层可饮用水含水层，地下水也可能受到污染（Sharifan等人，2021；Zhou等人，2021；Johnson等人，2022；Liu等人，2022；Wang等人，2022a）。因此，PFAS在土壤中的迁移行为已成为全球关注的问题。

批量实验和柱实验是量化土壤中污染物吸附并确定土壤-水吸附系数（K_d）的两种方法。迄今为止，大多数关于PFAS吸附的研究都是通过批量实验进行的，只有少数研究采用了柱实验方法。尽管批量实验是测试吸附和解吸的标准方法（OECD，2000），但在没有显著实验限制的情况下，柱实验被认为能更真实地反映土壤中污染物的迁移行为（Brusseau等人，2019；Guelfo等人，2020；Van Glubt等人，2021；Umeh等人，2024）。

许多批量实验表明，PFAS的K_d值受土壤性质显著影响。通常，PFAS的吸附行为和K_d值不能仅用单一土壤性质来解释（Li等人，2018；Fu等人，2025）。一般来说，土壤有机碳和C链长度与吸附呈正相关，矿物组成也通过静电和疏水相互作用显著影响吸附（Loganathan和Wilson，2022；Wanzek等人，2023；Evich等人，2025）。此外，pH值和可交换阳离子也被认为与PFAS吸附有关（Oliver等人，2019；Cai等人，2022；Wang等人，2022b）。然而，关于土壤性质对柱实验中测得的K_d影响的信息有限。

除了土壤性质外，分子性质也对PFAS的K_d有显著影响。已经建立了分子链长度（或C原子数）与K_d值之间的关系（Nguyen等人，2022；Lyu等人，2023；Loganathan等人，2025）。针对一种水成膜泡沫（AFFF）和34种主要PFAS，生成了一个多参数定量结构-性质关系（QSPR），表明分子的摩尔质量、氟的质量和氮原子数是预测其在土壤中质量保留的相关性质（Wanzek等人，2023）。Jiang等人（2022）基于62个分子描述符开发了一个有机碳归一化吸附系数（K_oc）的QSPR模型，并确定了4个与疏水性、极性和静电性质相关的描述符作为影响对数K_oc的关键变量。总体而言，除了化合物的链长度外，很少有定量关系被建立起来描述K_d与PFAS分子性质之间的关系。考虑到PFAS是含有各种官能团的不同类别的分子，仅凭链长度可能无法完美预测K_d。

最近，机器学习（ML）作为一种强大的技术，被用于建模大型多维数据集中的复杂非线性关系。Xie等人（2024）使用优化的随机森林模型更好地理解了PFAS的土壤-水分配行为，强调了ML模型在预测PFASK_d值方面的显著作用。此外，还开发了一种基于K最近邻（KNN）插补模型的新型在线ML工具，结合了PFAS分子性质和土壤特征，显示出在准确性和范围上优于许多工具的预测性能（Fabregat-Palau等人，2025）。最近，基于土壤性质和PFAS分子描述符的五种常见ML算法被评估用于创建预测PFAS在土壤中吸附能力的最佳模型，为环境决策提供了有用的预测模型（Fu等人，2025）。鉴于所有这些研究都是使用批量实验得到的K_d值来构建ML模型的，因此必须将柱实验中获得的K_d数据用于ML分析，以研究分子性质和土壤性质的综合影响。

总之，没有单一的土壤或分子性质能够完全预测PFAS在土壤中的迁移行为。在这项研究中，我们结合使用柱实验和ML技术，研究了土壤和分子性质对PFAS在土壤中K_d值的可能综合影响。研究目的是探究土壤和分子性质的联合效应，找出其中的主导因素，并预测PFAS在土壤中的迁移行为。

部分摘录

化学物质和土壤

研究了13种常规和新型PFAS作为目标污染物，这些污染物在中国受污染地点中经常被检测到（Meng等人，2021；Feng等人，2023）。它们包括7种全氟羧酸（PFCA），分别是全氟丁酸（PFBA）、全氟戊酸（PFPeA）、全氟己酸（PFHxA）、全氟庚酸（PFHpA）、全氟辛酸（PFOA）、全氟壬酸（PFNA）和全氟癸酸（PFDA），以及3种全氟磺酸

突破曲线

测量了每种土壤柱中NRT的迁移行为，结果显示突破迅速且突破曲线对称。结果表明，土壤柱填充良好，水流均匀，没有明显的优先流动区域或无流动区域。在对含NRT的土壤柱进行可行性评估后，应用该柱进行了突破实验，以测量PFAS在土壤中的迁移情况。

10种土壤中13种PFAS的所有突破曲线

结论

通过柱实验和机器学习研究了10种土壤中13种PFAS的迁移行为，以探究分子性质和土壤性质对K_d的综合影响。8种C原子数小于8的PFAS通常呈现对称的突破曲线，表明吸附是可逆的，而8种C原子数大于8的PFAS通常表现出不对称的突破曲线，显示出不可逆的吸附特性。不同土壤中同一种PFAS的K_d值在2到3个数量级范围内变化

CRediT作者贡献声明

黄硕：撰写——原始草稿、方法论、研究。卢月书：方法论、研究。廖张久：研究。冯晓轩：研究。阿里·阿马尔：研究。张彦峰：撰写——审稿与编辑、方法论、概念化。朱玲燕：撰写——审稿与编辑、资金获取、概念化。

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：作为副主编，朱玲燕未参与本文的同行评审，也无权访问与其同行评审相关的信息。本文的编辑过程完全由另一位期刊编辑负责。如果还有其他作者，他们声明没有已知的利益冲突

致谢

我们感谢国家关键研发计划（2022YFC3703202、2024YFC3713203）和国家自然科学基金（NSFC U23A2057）的财政支持。