《Journal of Environmental Sciences》：Seasonally resolved prediction reveals winter risk amplification and toxicity-driven priorities of organophosphate esters in Chinese rivers
编辑推荐：
•多输出神经网络解析了中国河流中有机磷酸酯（OPEs）的季节性模式。•水文和气候因素是 OPEs 季节性变异的关键驱动因素。•TCEP 主导了浓度水平，而 TEHP 主导了生态风险。•冬季预测的 OPEs 浓度和风险最高。•季节性风险放大效应强于浓度放大效应。引言由于在各类工
- •
多输出神经网络解析了中国河流中有机磷酸酯（OPEs）的季节性模式。
- •
水文和气候因素是 OPEs 季节性变异的关键驱动因素。
- •
TCEP 主导了浓度水平，而 TEHP 主导了生态风险。
- •
冬季预测的 OPEs 浓度和风险最高。
- •
季节性风险放大效应强于浓度放大效应。
引言
由于在各类工业和消费产品中广泛用作阻燃剂和增塑剂，有机磷酸酯（OPEs）已成为普遍存在的环境污染物（Yan et al., 2023）。与化学结合型添加剂不同，OPEs 主要通过物理混合进入宿主材料，并可能在生产、使用、老化和处置过程中释放到环境中（Qiao et al., 2024）。因此，OPEs 频繁被检测出存在于废水、地表水、地下水、沉积物、空气、灰尘和生物体中（Du et al., 2020; Wang et al., 2026; Zhang et al., 2025）。河流是 OPEs 特别重要的受体和运输途径，因为它们整合了市政排放、工业排放、大气沉降和流域尺度的水文过程（Lian et al., 2022）。
越来越多的证据表明，OPEs 不仅分布广泛，而且具有毒理学相关性（Li et al., 2019a）。几种 OPEs 已被证实与发育毒性、内分泌干扰、神经毒性、氧化应激以及对水生生物的不利影响有关（Li et al., 2019b; Sutha et al., 2022; Yuan et al., 2016）。先前的研究表明，OPEs 的毒性可能对地表水中敏感淡水生物的生存和繁殖构成相当大的威胁（Yan et al., 2021）。例如，据报道，中国上海城市地表水中的总 OPEs 浓度高达 1688.7 ng/L，对多种水生生物相关的生态风险达到中等水平（Li et al., 2022）。鉴于其广泛存在、生物累积潜力和毒性，OPEs——包括如三（2-氯乙基）磷酸酯（TCEP）等传统化合物和如三（2-乙基己基）磷酸酯（TEHP）等新兴化合物——引发了对其环境归宿和生态风险的极大关注。
季节性动态对于理解河流系统中 OPEs 的暴露和生态风险至关重要（Choo and Oh, 2020）。尽管先前的研究报告了特定流域中 OPEs 的季节性变化，但国家尺度上的季节性评估仍然有限（Cao et al., 2025）。我们最近的研究利用文献衍生数据集和随机森林模型绘制了中国地表水中 OPEs 的国家尺度空间分布、影响预测因子和生态风险（Han et al., 2025）。然而，该研究主要表征了整体空间模式，并未解析季节性的暴露和风险动态。这一局限性很重要，因为 OPEs 浓度可能随水文季节性强烈变化，包括径流、流量、稀释能力、温度、光化学转化和微生物衰减的变化（Sun et al., 2025）。对于水文情势在季节间差异明显的中国河流系统，单季观测或年均评估可能会低估枯水期的生态风险。
此外，还存在一些方法论挑战。首先，国家尺度上 OPEs 的季节性动态仍然知之甚少，这使得难以区分空间异质性和时间变异性（Chen et al., 2025）。其次，传统的单化合物模型无法充分利用共存污染物之间的共享环境信息，并且在分别预测多种 OPEs 时可能效率低下。第三，大多数现有的生态风险评估主要依赖确定性的风险商（RQ）方法，虽然这提供了有用的筛查级别信息，但无法量化暴露浓度超过毒性阈值的可能性（Qiao et al., 2024）。多输出神经网络可以通过利用共存化合物之间的共享信息来同时预测多种 OPEs，同时保留化合物特有的响应模式（Mokhtari and Nikzad, 2026）。可解释工具，如 Shapley 加法解释（SHAP）和部分依赖图（PDPs），可以进一步减少机器学习的“黑箱”局限性，并识别与季节性变异相关的预测因子。此外，联合概率曲线（JPC）分析可以通过估计季节性暴露超过淡水生物毒性阈值的可能性来提供概率性风险视角。
在本研究中，我们基于生态相关性、工业和商业用途、毒性担忧和监测数据可用性，选择了四种代表性 OPEs——TCEP、三苯基磷酸酯（TPhP）、三丁基磷酸酯（TnBP）和 TEHP。本工作建立在之前关于中国地表水中 OPEs 的国家尺度评估基础之上，但与其有所不同，之前的研究主要利用文献衍生的监测数据和随机森林模型表征了整体空间分布、影响预测因子和生态风险。本研究通过引入四个主要新要素扩展了之前的工作：来自已发表监测记录的阶段性信息协调、按月解析的环境预测因子、用于同时预测多种 OPEs 的多输出神经网络模型，以及在传统 RQ 分析之外基于 JPC 的概率性生态风险评估。本研究的目的是：(i) 表征四种目标 OPEs 在中国代表性河流中的季节性发生模式；(ii) 开发多输出神经网络模型以预测国家尺度上季节性解析的 OPEs 浓度；(iii) 利用 SHAP 和 PDP 分析识别与 OPEs 季节性变异相关的关键环境和人为预测因子；(iv) 使用 RQ 和 JPC 方法评估季节性生态风险。通过解析季节性暴露和风险动态，该框架提供了超越静态国家尺度空间评估的新见解，并有助于识别高风险时期和毒性驱动的优先化合物，用于有针对性的 OPEs 监测和管理。
章节摘要
数据汇编与预处理
本研究使用的基础浓度数据集源自我们之前关于中国地表水中 OPEs 的国家尺度评估（Han et al., 2025）。简而言之，该数据集汇编自 Web of Science 和其他公开数据库，包含了来自中国河流系统 355 个采样点的 OPEs 浓度记录。文献检索、资格评估和基本数据提取是根据我们先前建立的数据汇编工作流程进行的
OPEs 浓度的季节性模式
在本研究中，从文献中汇编了来自 355 个采样点的数据，覆盖中国 14 个省的 17 个代表性流域（图 1a）。这些地点广泛覆盖了主要工业化和人口稠密地区，包括中国北部、中国东北和中国东南。相比之下，中国西北和青藏高原的监测数据仍然有限，这可能反映了地区研究可获得性和科学关注的差异。为了进一步解析
结论
本研究开发了一个季节性解析框架，以同时预测中国河流系统中四种代表性 OPEs 的浓度和生态风险。在之前的国家尺度空间评估基础上，本工作进一步纳入了季节性信息、按月解析的环境预测因子、多输出神经网络模型和 JPC 分析，以表征时间暴露和风险动态。该框架有助于克服有限的时间和
CRediT 作者声明
韩振飞：调查，正式分析，撰写 - 初稿，可视化。何金泽：方法论，验证，正式分析。杨阳：正式分析，软件；刘一宁：可视化；周春霜：撰写 - 审阅与编辑；崔晓雨：概念化，监督，验证，撰写 - 审阅与编辑；崔洪阳：资金获取，监督，验证，撰写 - 审阅与编辑。
CRediT 作者贡献声明
韩振飞：撰写 - 初稿，可视化，调查，正式分析。何金泽：验证，方法论，正式分析。杨阳：软件，正式分析。刘一宁：可视化。周春霜：撰写 - 审阅与编辑。崔晓雨：撰写 - 审阅与编辑，验证，监督，概念化。崔洪阳：撰写 - 审阅与编辑，验证，监督，资金获取。
利益冲突声明
作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。
致谢
这项工作得到了中国国家自然科学基金（编号：22676225 和 42507629）、西藏自治区科技计划项目（编号：XZ202502ZY0019, XZ202501ZY0015, 和 XZ2024032Y0031）以及教育部青藏高原生物多样性与环境重点实验室开放基金（编号：KLBE2025012）的支持。
韩振飞|何金泽|杨阳|刘一宁|周春霜|崔晓雨|崔洪阳
