学术前沿 |【ESE】新污染物为何在河流中迁移或累积？跨尺度研究揭示三类污染物的不同分配机制

前沿视野，学术共享

本期为您转载自卓越期刊Environmental Science and Ecotechnology（ESE）的研究成果。该刊是由中国环境科学学会、哈尔滨工业大学、中国环境科学研究院联合主办，Elsevier 出版的开放获取国际学术期刊，位列中科院一区，最新影响因子14.3，重点刊发全球环境热点与生态技术创新。以下为精选全文，供行业参考。

论文的视频解读由NotebookLM AI智能生成，内容仅供参考，具体研究请查阅原文。

基于中国七大流域5085组沉积物–水配对记录，中山大学研究团队结合跨尺度机器学习与分子动力学模拟，揭示全氟和多氟烷基物质（PFASs）、抗生素（ABs）和内分泌干扰物（EDCs）的类别特异性分配机制，并进一步将分子尺度机制解析与流域尺度高沉积累积区、高水相迁移区识别相衔接。

「READING」

河流并不只是污染物由陆地输送至海洋的通道。

进入河流的新污染物，一部分会继续停留在水体中，随水流向下游迁移；另一部分则可能向沉积物转移并长期滞留，在水动力扰动或环境条件改变后再次释放。新污染物更倾向于留在沉积物，还是保持在水相中，直接影响其环境持久性、扩散范围以及后续的监测和管理方式。

然而，不同类型的新污染物，并不一定遵循同一套规则。

中山大学研究团队整合中国七大主要流域的大规模观测数据，并结合机器学习与分子动力学模拟发现，三类受到广泛关注的新污染物——全氟和多氟烷基物质（per- and polyfluoroalkyl substances, PFASs）、抗生素（antibiotics, ABs）和内分泌干扰物（endocrine-disrupting chemicals, EDCs）——具有明显不同的沉积物–水分配机制。

其中，抗生素更多受到分子自身性质控制；PFASs的分配显著受到离子介导界面过程调节；EDCs则表现出分子属性、沉积物–水环境与流域尺度因素共同作用的特征。

河流中的“沉”与“移”

研究关注的核心指标，是沉积物–水分配系数（distribution coefficient, Kd）。

Kd由污染物在沉积物中的浓度与水相浓度之比计算得到。一般而言，Kd较高，意味着污染物相对更倾向于进入或滞留于沉积物；Kd较低，则意味着其更容易保持在水相中，具有更强的迁移潜力。研究采用其以10为底的对数值log Kd进行分析。

但在天然河流中，污染物通常难以达到理想实验条件下的热力学平衡。因此，现场测得的Kd并不是一个脱离环境背景的固定常数，而会受到水化学条件、沉积物性质、水文过程以及流域环境的共同影响。

这也是研究面临的关键问题：当新污染物类别不同，决定其“沉”或“移”的因素是否也会改变？

为回答这一问题，研究团队汇集了5085组沉积物–水配对浓度记录，覆盖中国七大主要河流流域的1093个采样点。其中包括1687组PFASs记录、1268组抗生素记录和2130组EDCs记录。经过数据完整性等筛选后，2377组完整记录被用于后续机器学习模型开发。

大尺度数据首先显示出明显的空间和季节差异。

PFASs和EDCs的跨流域差异更加突出，说明它们对流域环境异质性较为敏感；相比之下，抗生素在不同流域之间的分配行为相对稳定。

季节差异同样清晰。三类污染物在湿季的平均log Kd均低于干季，差异达到高度显著水平（p＜0.0001）。抗生素的季节变化约为6%，PFASs约为13%，EDCs则达到约27%。研究认为，丰水期更强的稀释、悬浮颗粒输运和水动力扰动，可能共同增强污染物在水相中的迁移。

图1三类新污染物在中国主要流域和干湿季中的沉积物–水分配系数差异。PFASs和EDCs表现出更明显的跨流域和季节变化，而抗生素相对稳定；湿季三类新污染物的平均log Kd均低于干季。

把分子、介质与流域放进同一框架

仅凭某一个分子性质或环境变量，很难解释真实河流中的分配差异。

研究团队因此构建了多分支多头注意力模型（multi-branch multi-head attention, MB-MHA），将影响沉积物–水分配的因素按照尺度分别处理：微观尺度描述污染物自身的分子结构；中观尺度涵盖温度、pH、水质和沉积物介质特征；宏观尺度则包括径流、降水、污水排放和土地利用等流域属性。

与传统人工神经网络将不同来源的信息直接合并不同，MB-MHA先分别学习不同尺度的特征，再通过注意力机制捕捉尺度之间的联系。

这种设计的关键不在于“加入更多变量”，而在于按照环境过程本身和尺度差异的分层级组织信息。

在独立测试集中，MB-MHA对PFASs、抗生素和EDCs的预测R2分别达到0.76、0.92和0.89，均高于传统人工神经网络的0.71、0.83和0.81。

更重要的是，模型能够进一步拆解：究竟是分子性质、水体和沉积物环境，还是流域尺度因素，对不同类别污染物的分配影响更大。

答案并不相同。

三类污染物，并非同一种规则

• 抗生素：分子结构留下最强信号

在三类新污染物中，抗生素表现出最明确的“分子主导”特征。

消融分析显示，微观尺度分子描述符对抗生素模型预测性能的贡献约为72.1%。其中，最大分子投影直径（Dmax）和分子量是较为重要的特征。

模型显示，当Dmax低于约7.1 Å时，预测log Kd变化较小；超过这一范围后，log Kd明显升高。研究认为，这可能反映了分子尺寸、沉积物吸附位点可及性以及非共价相互作用之间的关系。

分子量与log Kd之间也并非简单线性关系，而是在约370 Da附近出现峰值，提示分子迁移能力、吸附位点匹配与溶剂化效应之间可能存在权衡。

需注意的是，这些数值来自当前数据集和模型中的统计关系，并不能被简单视为适用于所有抗生素的普遍物理阈值。

• PFASs：界面化学改变环境归趋

PFASs呈现出不同的机制图景。

模型中，辛醇–水分配系数log Kow与log Kd总体呈正相关，说明疏水作用仍然是理解PFASs分配的重要基础。但温度、pH等环境参数也表现出较强影响，提示PFASs并不是简单依靠疏水作用进入沉积物。

分子动力学模拟进一步显示，代表性PFASs的羧酸根头基可以通过Na+与矿物表面形成桥联作用，而含氟碳链则与邻近有机相发生疏水缔合。

换言之，PFASs的沉积物–水分配具有明显的界面化学特征：疏水作用构成基础，离子形态、表面电荷以及Na+桥联等过程进一步改变其环境归趋。

• EDCs：没有一个尺度可以单独解释

EDCs的控制因素最为分散。

消融分析中，微观、中观和宏观尺度因素对模型预测性能的贡献分别为45.4%、26.1%和28.5%。与抗生素不同，EDCs没有表现出某一个尺度的绝对主导。

在分子尺度上，可旋转键数量所反映的分子柔性与log Kd呈正相关，说明构象适应能力可能影响分子与非均一吸附位点的匹配；在中观尺度上，水体化学需氧量（COD）表现出较强影响，提示有机质相关过程的重要性；在宏观尺度上，不透水地表面积与log Kd呈正相关，反映出城市化背景与污染物分配之间的联系。

图2不同尺度因素对三类新污染物分配的贡献。抗生素明显表现出分子尺度主导特征，EDCs受到微观、中观和宏观因素共同影响；PFASs则同时体现分子属性与环境界面过程的作用。

模型指出关键因素，模拟解释界面机制

机器学习能够告诉研究者“哪些因素重要”，但变量重要，并不意味着背后的作用机制已经得到解释。为进一步追踪这些统计关系对应的微观界面分配过程，研究团队引入分子动力学（molecular dynamics, MD）模拟。

模拟分别选取PFOA和PFBA、四环素（TC）和氧氟沙星（OFX）、双酚A（BPA）和4-壬基酚（4-NP）作为PFASs、抗生素和EDCs的代表性新污染物。

结果显示，不同类别新污染物在沉积物界面上的作用方式确有差别。

PFOA和PFBA均表现出Na+介导的界面作用。由于PFOA具有更长的含氟链，其疏水缔合作用更强，而PFBA表现出相对更高的水相迁移能力。

四环素和氧氟沙星则主要在蒙脱石层间形成自由聚集体。其中，具有较大Dmax的四环素与沉积物表面的联系更紧密；两种抗生素对腐殖质的亲和作用也强于模拟中的PFASs和EDCs，与MB-MHA解释性分析结果所显示的分子尺度主导特征相呼应。

对于BPA和4-NP，在缺少有机质时，两者相对分散；引入有机相后，分子聚集和界面缔合增强，进一步说明介质条件在EDCs分配过程中发挥重要作用。

图3选取PFOA、四环素和BPA，展示了三类代表性新污染物与腐殖酸及模型沉积物表面相互作用的典型差异。

图3分子动力学模拟揭示代表性新污染物与腐殖酸和沉积物界面的不同作用方式。模拟结果为机器学习识别出的类别差异提供了分子尺度解释，使大尺度统计关联与微观界面过程形成相互补充的证据链。

污染物在哪里更容易累积？

明确分配机制之后，研究进一步追问：这些差异在真实流域中会形成怎样的空间格局？

研究团队以粤港澳大湾区为示范区域，将预测得到的水质、气象、污水排放和土地利用等信息输入MB-MHA模型，对2026年1月、4月、7月和10月的代表性污染物log Kd进行空间预测，形成约50 m空间分辨率的分配倾向图。

不同污染物呈现出不同的时空响应。

抗生素的月份间波动相对有限，与其主要受到分子属性控制的结果一致；PFASs和EDCs则表现出更明显的季节变化，说明环境条件变化会更显著地改变其沉积物—水分配。

空间上，PFASs全年在河口和沿海区域表现出较高的预测log Kd，而EDCs在河口区域的分配倾向相对降低。珠江三角洲中部部分区域持续呈现较高log Kd，提示这些区域具有更高的沉积累积和长期滞留潜力；相反，低log Kd区域意味着污染物更容易保持在水相中，并可能具有更强的下游输运能力。

这里有一个容易被误读的关键点。

高log Kd并不意味着污染物浓度一定更高，也不直接等同于生态风险更大。它首先表示污染物相对更倾向于进入沉积物。低log Kd同样不意味着风险较低，而可能对应更强的水相迁移能力。

因此，与其笼统寻找一种“高风险热点”，更准确的做法是区分两类环境过程：一类区域更需要关注污染物在沉积物中的累积、长期滞留及再释放；另一类区域则更需要关注污染物沿水体迁移和向下游输运。

图4粤港澳大湾区代表性污染物沉积物–水分配的季节预测。图中展示PFOA、四环素和BPA在2026年1月、4月、7月和10月的预测log Kd，非污染物实测浓度。

分类理解，比寻找一个统一答案更重要

这项研究的价值，并不只体现在模型预测精度的提高。

更重要的是，它表明沉积物–水分配不能被简单理解为一个脱离环境背景的固定参数，不同类别的新污染物也不宜套用完全相同的解释和判断框架。

抗生素提供了一个相对“分子结构主导”的例子；PFASs显示出界面离子过程的重要性；EDCs则提醒研究者，在复杂天然环境中，分子、介质与流域背景可能需要被同时考虑。

这种差异也改变了流域监测问题的提问方式。除了询问“污染物浓度有多高”，还需进一步判断：它更可能在哪里滞留，又更可能沿什么环境路径迁移？

当然，这一框架仍有边界。论文指出，未来还需要进一步纳入污染物混合效应（mixture effects）和动态污染物转化过程（dynamic contaminant-transformation processes），以提高其对更加复杂水环境的适用能力。

从七大流域5085组环境监测数据收集，到跨尺度机器学习识别关键驱动因素，再到分子动力学解释界面机制，并最终延伸到区域尺度的分配倾向预测，这项研究建立了一条相互衔接的证据链。

决定新污染物环境命运的，不仅是“它是什么”，还包括它所处的水体、沉积物以及流域环境；而不同类别新污染物，对这些因素的敏感程度并不相同。

理解这种差异，是更准确判断新污染物在哪里累积、向哪里迁移，以及如何开展分类监测与管理的重要基础。

作者简介

通讯作者｜祝新哲，中山大学环境科学与工程学院副教授、博士生导师，主要从事污染物环境界面迁移机制与环境过程智能解析研究，聚焦污染物在关键环境界面上的状态形成、演化及迁移调控，融合AI、机理模型与多尺度模拟方法，解析污染物跨尺度迁移过程及其环境效应，并推动相关研究成果在流域污染控制与城市水系统智慧化管理中的应用。主持国家自然科学基金、国家重点研发计划子课题、广东省自然科学基金等科研项目7项，发表SCI论文37篇，论文累计被引用3100余次，授权发明专利15项、软件著作权13项。

第一作者｜吴泰武，中山大学环境科学与工程学院在读硕士研究生，研究方向为水环境污染预测。

引用信息

Wu, T., Tang, Z., Zheng, S., Huang, H., & Zhu, X. (2026). Emerging contaminants follow class-specific mechanistic regimes in sediment–water partitioning. Environmental Science and Ecotechnology 33: 100751.

doi: 10.1016/j.ese.2026.100751

本文来自：ESE期刊，仅供分享交流不作商业用途，版权归原作者和原文出处。

排版：李滨妤

审核：孙丽华

由于微信修改了推送规则，没有经常点“推荐”的，会慢慢收不到推送。如果你还想看到我们发布的权威信息，请将“净水技术”加为星标，每次看完后不忘点下“推荐”和“赞”。

欢迎广大水务企业加盟合作