基于模糊神经网络在流域尺度上对多种抗生素混合物的综合生态风险评估：以中国雨溪河流域为例

《Journal of Water Process Engineering》：Integrated ecological risk assessment of multi-media antibiotic mixtures at the watershed scale based on a fuzzy neural network: A case study of the Yuxi River Basin, China

　　

• •
  开发了一个基于FNN的框架，用于流域规模的多抗生素风险评估。
• •
  揭示了RQ/SSD在捕捉多污染物相互作用方面的局限性。
• •
  证明了FNN对复杂暴露条件下非线性相互作用的敏感性。
• •
  提供了一个数据驱动的工具，用于流域规模的抗生素风险管理。
• •
  研究了玉溪河流域抗生素风险的空间分布模式。

引言

近年来，作为一类重要的生物活性化合物，抗生素被广泛应用于人类医学、畜牧业和水产养殖领域。由于在生物体内的代谢不完全以及废水处理过程中的去除效率有限，抗生素容易通过尾水排放和地表径流进入多种环境介质，在其中发生介质间的转移和积累[1]。流域规模的抗生素污染已成为一个全球性的环境问题，许多水生生态系统中的可检测抗生素残留量已经达到威胁水生生物和生态安全的水平[2][3]。玉溪河流域位于中国黄土高原典型的半干旱和生态脆弱地区，这里的水动力条件较弱，环境承载能力有限，加上广泛的畜牧业活动，增加了抗生素的输入风险并促进了污染物的局部积累[4]。因此，玉溪河流域是研究生态脆弱河流系统中抗生素污染的典型案例。然而，大多数现有研究主要集中在单一抗生素的污染特性上，尚未充分探索抗生素混合物的综合毒性效应和多维生态风险评估，这导致缺乏针对流域污染控制的定量支持。在这种背景下，迫切需要将研究重点从单一污染物监测转向混合抗生素的协同生态风险评估[5]。

在现有的方法中，风险商数（RQ）方法因其对数据需求低、计算简单且解释清晰而广泛应用于水环境风险评估[3]。该方法适用于跨站点比较、季节性评估以及多种污染物的优先级排序。例如，先前的研究人员利用基于RQ的环境风险评估框架分析了2017年至2021年中国七个主要河流流域的监测数据，成功识别出高风险流域和需要重点控制的抗生素[6][7]。然而，RQ方法仅评估单个污染物的风险，忽略了抗生素混合物的相互作用效应、叠加毒性及不确定因素，因此无法客观反映复合污染情景下的真实生态风险[8]。与RQ不同，物种敏感性分布（SSD）方法通过拟合多物种毒性数据来计算危险浓度，具有更高的生态意义，能更好地指导水生生物群落的保护[9][10]。尽管如此，SSD仍然主要局限于单一污染物的评估，在整合多种污染物和非线性环境驱动因素方面的能力仍然有限[11]。由于人口增长、城市化以及农业和工业活动的加剧，全球各地的河流流域越来越多地受到多种污染物的复合影响，这些污染物之间复杂的介质迁移和转化过程导致显著的时空异质性和非线性生态风险[12][13]。对于存在多种污染物共存、介质间污染物迁移和明显时空异质性的流域，RQ和SSD都无法实现全面的生态风险评估，也无法支持精细的流域风险分类和管理。

随着水环境科学中智能算法的快速发展，人们越来越关注机器学习和模糊逻辑方法在处理污染物复杂相互作用中的应用。例如，Garzon等人回顾了城市水系统的智能替代模型，并强调了机器学习在捕捉非线性环境过程方面的优势，为扩展风险评估方法提供了理论基础[14]。类似地，Akakuru等人应用人工神经网络定量评估了地下水污染及其相关的健康风险，证明了智能模型在多因素耦合分析中的可靠性和稳健性[15]。这些进展推动下，模糊神经网络（FNN）逐渐被认为是一种有效的工具，它结合了模糊逻辑的不确定性表达能力和神经网络的非线性拟合能力，能够更全面地处理多种污染物之间的协同效应和复杂的环境驱动条件，实现更全面的风险建模和预测[14][15]。最近的研究应用机器学习和混合数据驱动模型来预测水环境中的抗生素出现、传输及其相关的生态或抗微生物风险。然而，将多抗生素暴露、非线性相互作用和不确定性整合到统一流域规模生态风险评估框架中的FNN直接应用仍然有限，因此不足以全面描述不同环境介质中多种抗生素的综合生态风险[16]。此外，对流域尺度上多种抗生素的时空变异和交互效应的系统性评估也仍然不足。特别是在中国黄土高原典型的半干旱河流流域，全面的研究仍然十分缺乏[17]。

为了解决这些局限，本研究开发了一个基于FNN的综合生态风险评估框架，以克服传统RQ和SSD方法在表征多抗生素相互作用、毒性叠加、非线性环境驱动因素及相关不确定性方面的局限性。在湿润季节和干燥季节收集了20个代表性地点的地表水和沉积物样本，以确定抗生素浓度并评估生态风险。本研究的主要目标如下：(a) 研究玉溪河流域地表水和沉积物中七种目标抗生素的浓度及其时空分布；(b) 分析这七种抗生素之间的相互作用效应；(c) 使用传统的RQ和SSD方法评估生态风险；(d) 开发一个用于多抗生素综合生态风险评估的FNN模型，并将其性能与RQ和SSD方法进行比较；(e) 建立一个多抗生素综合风险评估的FNN模型，并将其性能与传统方法进行比较。

部分摘要

采样地点和样本收集

玉溪河是中国黄河的主要支流，流经黄土高原的一个多功能区域，使其成为区域水环境管理的代表性区域[18]。现场采样工作分别于2023年8月（湿润季节）和2023年11月（干燥季节）进行。从玉溪河流域的主流和主要支流沿线的20个代表性地点收集了地表水和地表沉积物样本，

地表水中抗生素的出现和空间分布

在所有分析的目标抗生素中，有六种在地表水中被检测到，而TC在两个季节均未检测到。主要的描述性结果汇总在表1中，而不仅仅以文本中的孤立数值形式呈现。ERY、OTC和NOR是主要的抗生素，这六种检测到的化合物的平均浓度在干燥季节为30.50 ng/g，在湿润季节为17.90 ng/g。ERY表现出明显的季节性变化，并且在

结论

本研究评估了玉溪河流域在湿润季节和干燥季节的抗生素污染的时空分布和生态风险。检测到了六种抗生素，其中ERY、OTC和NOR是主要污染物，而TC在所有样本中均未检测到。RQ分析表明，ERY在干燥季节的S14和S18站点构成了最高的生态风险，而NOR和CIP通常与低至中等风险相关

CRediT作者贡献声明

刘哲：撰写——审阅与编辑、资金获取、正式分析、数据管理、概念构思。王一杰：撰写——审阅与编辑、撰写初稿、验证、软件开发。孙丽：撰写——审阅与编辑。雷杰：撰写——审阅与编辑。王嘉轩：撰写——审阅与编辑。刘永军：撰写——审阅与编辑。

利益冲突声明

无。

致谢

作者感谢以下机构的财政支持：国家自然科学基金（52570051、52170051、51808432和51808442）、陕西省自然科学基础研究计划（2023-YBSF-301和2024JC-YBMS-432）、陕西省青年科技新星计划（2021KJXX-106和2023KJXX-134）、陕西省科协青年人才基金（20200421和20230456）以及

Zhe Liu|Yijie Wang|Li Sun|Jie Lei|Jiaxuan Wang|Yongjun Liu