人工湿地中新兴污染物情境依赖的去除：一种依赖关系感知的元分析与面向性能包络的可解释机器学习框架

《Journal of Hazardous Materials》：Context-dependent removal of emerging pollutants in constructed wetlands: a dependence-aware meta-analysis and explainable machine-learning framework for performance envelopes

　　

• •
  来自67项研究的849个效应量显示，湿地中新兴污染物（EP）的削减具有明显的场景依赖性。
• •
  微塑料的削减程度最强，主要体现为物理截留。
• •
  在14个连续调节变量中，经BH-FDR校正后无一保留显著性。
• •
  分组检验下CatBoost的R²=0.619；严格的研究级留一交叉验证（LOSO）下R²=0.238。
• •
  性能包络将平均效应与置信区间及预测区间联系起来。

引言

新兴污染物（EPs），包括抗生素（ABs）、内分泌干扰物（EDCs）、持久性有机污染物（POPs）和微塑料（MPs），在全球市政和工业废水中检出的频率和浓度正显著上升[1], [2], [3], [4]。这些污染物对环境和人类健康构成严重威胁，不仅因为它们即使以痕量浓度即可引起生态毒性、内分泌干扰以及抗生素抗性基因（ARGs）扩散的风险[5], [6]，还因为它们在环境中具有持久性、多样化的迁移与转化途径，且通常无法通过常规废水处理工艺完全去除[7]。值得注意的是，近年来全氟和多氟烷基物质（PFASs）——一类极其持久的新兴污染物——因其在水环境中广泛分布与累积，成为全球关注的焦点，进一步加剧了EPs管理的复杂性[8], [9]。

人工湿地（CWs）作为一种基于自然的解决方案（NBS），凭借其低碳、低成本、易维护及生态友好的优势，在EPs高级处理领域备受关注[10], [11]。CWs中对EPs的削减可涉及过滤、重力沉降、吸附、植物吸收、根际辅助转化、微生物降解、植物降解、光降解、水解、挥发以及水力缓冲等作用[12], [13], [14], [15]。这些途径的相对贡献在不同污染物类别间存在差异[16], [17]。微塑料主要通过物理截留和沉降被削减[18]，而抗生素和内分泌干扰物等溶解态有机污染物则更强烈地依赖于吸附亲和力、氧化还原梯度、微生物活性、温度以及废水化学性质[19], [20], [21]。视化合物性质而定，POPs的削减还可能涉及吸附、光解、挥发及生物转化[22], [23], [24], [25]。这四个大类是一级归宿范畴，而非内部完全同质化的分组；ABs、EDCs和POPs内部的化合物特异性性质，以及MPs内部的颗粒特性，均可进一步改变削减过程。

关于人工湿地处理EPs的文献正迅速增长，形成了一个规模庞大但高度异质的证据基础[20], [21], [26]。所报告的削减程度随污染物类别、湿地构型、基质、植被、进水化学性质、水力条件及实验规模而变，范围从净浓度升高到几乎完全出流削减[27]。这种变异限制了单一平均去除率在工程设计中的直接应用，凸显了进行场景解析式综合分析的必要性。

另一个更为关键的统计挑战在于，绝大多数单项研究通常涉及多种污染物、多个采样点、多个湿地单元或多种运行条件，从而产生大量非独立的观测数据[28], [29]。若将这些结果在综述分析中简单地视为独立观测，不仅会人为放大样本量，还会严重低估效应量的真实不确定性并高估估计精度，进而导致误导性结论[30]。尽管近年来已有大量荟萃分析探讨了人工湿地对EPs的去除效率，但多数研究未能充分处理研究内依赖性，也无法有效区分可推广的普遍模式与场景特异性的局部响应[31]。因此，旨在指导工程实践的综合分析必须采用更为先进的统计方法，系统解决数据非独立性问题，并深入探究各因素间的交互作用及其对去除性能的非线性效应。

在这一背景下，核心问题已不再是CWs是否平均削减EP浓度，而已发表证据能否支持可信的、场景特异性的性能预期。本研究的贡献是定量与方法论层面的：我们将依赖感知的荟萃分析与可解释预测相结合，以区分研究间的平均关联与模型特异性的预测结构。我们在两种互补的意义上使用"性能包络"一词。基于证据的包络是指场景特异性的平均对数响应比（lnRR = ln(C_out/C_in)）及其95%置信区间（CI）以及在相同广泛场景下针对新独立研究的95%预测区间（PI）。基于模型的包络则是在经验观测范围内变化某一关键设计变量、同时将其余变量保持在场景特定参考值下所得到的条件预测曲线及研究自助（study-bootstrap）不确定性带。研究目标为：(i) 使用lnRR和研究级稳健不确定性量化成对的进出水变化；(ii) 评估在错误发现率校正后连续设计与运行变量是否表现出稳定的线性关联；(iii) 在研究分组验证下比较线性与非线性预测模型的预测能力；(iv) 示范场景特异性性能包络如何在已观测证据域内支持基于情景的规划。

章节摘要

数据收集

我们遵循PRISMA 2020报告指南及文本S1[32]中预先指定的筛选流程。从Web of Science核心合集和ScienceDirect中收集了2025年8月前发表的同行评审研究。记录导出并去重后，先进行题录与摘要筛选，随后进行全文评估。纳入决策记录于图1a。当无法仅凭摘要判定纳入资格时，则获取全文以

证据基础与总体异质性

最终数据集包含67项符合条件的同行评审研究（表S1），约20,000条浓度记录，以及849组成对的进出水比较。观测数据涵盖跨多种CW构型、废水基质和研究规模的ABs、EDCs、POPs及MPs。证据密度在不同进水来源、地理区域和CW类型之间分布不均（图1b,c；图S2）。生活污水是出现频率最高的真实废水基质，而若干

极端异质性限制了通用去除估计

本综合研究的核心结果并非仅仅CWs会削减EPs，而是削减程度无法由单一的合并去除系数充分表征。在I²接近99%的情况下，全局平均值只是极度分散分布中心的概括。该水平的分散并非统计噪音，而是主要的实质发现。污染物类别、构型、废水基质和研究规模反复将数据重组为更具可解释性的模式，

结论

在67项研究和849组成对比较中，污染物类别、湿地构型、废水基质和实验规模界定了不同的EP削减格局。潜流式系统在溶解态EPs上表现出更强的平均削减，而实验室及合成废水研究给出的估计比现场规模系统更为乐观。在当前以短期证据为主的基础上，MP削减主要反映物理截留；长期质量平衡监测则

CRediT作者贡献声明

白曜辉：写作——审阅与编辑、资金获取。毛杰：写作——审阅与编辑、项目管理、资金获取。余大伟：写作——审阅与编辑、项目管理、方法论。高梦泽：写作——原始草稿、软件、数据管理。李佃通：写作——原始草稿、可视化、方法论、调查研究、数据管理、概念构思。

写作过程中生成式AI与AI辅助技术的声明

在撰写本文时，作者使用了ChatGPT-5.6和deepseek-v4 pro以改善文本的语言与可读性。作者已审阅并编辑了内容，并对此出版物内容承担全部责任。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。

致谢

本研究得到国家自然科学基金（编号：52670248）、中国博士后科学基金（编号：2023M743709）以及国家自然科学基金区域创新发展联合基金重点项目（资助编号：U23A20157）的资金支持。

意义声明

人工湿地越来越多地被用于减轻新兴污染物（EPs），但其在不同研究中报道的处理性能差异很大，这限制了

李佃通|高梦泽|余大伟|毛杰|白曜辉