随着新污染物不断发现和监测数据快速积累，数据整合逐渐成为生态环境问题系统研究的一类重要方法。这类方法通常将分散在各文献中的原始数据进行提取、标准化和矩阵化，由此建立能够开展跨区域-跨尺度-跨介质环境研究的数据矩阵。类似于诸多研究领域，数据矩阵在环境研究中犹如一面“照妖镜”，映现环境问题背后的本质规律。然而，现实环境数据往往存在高维、多源和稀疏等特点，仿佛镜面因破损而布满大小不一的斑点，使得数据矩阵变得“模糊不清”。显然，矩阵插补成为环境数据整合的关键技术难题。

水库是具有高健康风险的人工生态系统，其水文动力、垂向分层、季节变化和人类调控等方面复杂多样，是研究新污染物累积、迁移和风险的现实实验室。全氟和多氟烷基化合物（Per and polyfluroalkyl substances，PFAS）是国际公认的永久性化学物质，威胁着水库生态系统的安全。水库PFAS监测数据具有不均衡、多介质和稀疏性等特点，其污染模式识别和健康风险防控缺乏有效的数据支撑。

针对水库PFAS数据“稀疏和分散”的特点，中国科学院城市环境研究所联合剑桥大学等国际多家单位组成的合作研究团队，在前期合作研究的基础上引入链式方程多重插补方法（Multiple Imputation by Chained Equations，MICE），建立了“汇编-插补-统计”环境数据整合技术流程（图1）。相较于深度学习等黑箱插补方法，MICE在中小样本环境数据中具有更强解释性和可靠性。该方法以有效数据的定量关系为基础，可避免“填多和错多”的问题。该整合技术流程、完整矩阵数据及其映现的PFAS污染模式，以Asymmetrical contamination of anionic PFAS across global freshwater reservoirs为题发表在Water Research。

在全球尺度上，各大洲水库水体中 PFAS 总量差异明显，最高与最低浓度相差超过 4 倍。各区域主导化合物类型并不相同，一些地区仍以长链 PFAS 为主，而另一些高收入经济体已由长链向短链替代物转变。这种差异与各地排放历史强度、工业结构和管控进程密切相关，反映了全球水库 PFAS 污染的显著空间不均衡性。为进一步厘清这种差异在不同水库中的具体表现，基于 PFAS 的组成特征和浓度水平，将全球水库归纳为三类典型污染模式（图2）。

第一类污染模式以全氟辛酸（PFOA）为主，多见于生活污水和一般工业排放影响较强的水库。这类水库中水体已有明显污染，但沉积物和鱼类中的累积水平相对较低，整体处于污染发展的早期阶段。若外源输入得不到控制，污染可能在该类水库内进一步累积并向生物介质转移。

第二类污染模式由全氟辛酸（PFOA）和全氟辛烷磺酸（PFOS）共同主导，反映了多种污染源长期叠加输入的结果。这类水库水体中 PFAS 浓度普遍较高，鱼类和沉积物中也已出现明显累积。该类水库在持续接收污染物的情况下，容易成为区域 PFAS 暴露风险的放大节点。

第三类污染模式以短链全氟丁酸（PFBA）为主，主要出现在已实施减排或替代政策的地区。这类水库水体中的 PFAS 总量相对较低，但沉积物和鱼类中的污染水平反而较高，表明短链替代物具有较强的迁移性和长期残留特征。即便在减排背景下，短链 PFAS 仍可能通过大气沉降和水库内部循环持续累积，给这类水库带来新的生态风险。

在单个水库内部，PFAS 在水体、鱼类和沉积物中的分布差异显著。水体中组成变化最为活跃，鱼类次之，沉积物相对稳定，反映出 PFAS 在不同介质间具有明显的选择性迁移特征。同时，PFAS 浓度在蓄水期和泄洪期存在显著差异，并呈现一定的年际上升趋势，表明水库仍是 PFAS 累积和生态暴露风险的重要载体。这表明，单次、单介质的监测难以反映水库中 PFAS 的真实风险水平，水库运行过程和多介质联动应成为污染评估和管控的重点。

论文链接

图1  面向水库PFAS的数据汇编-插补-统计框架

图2  水库PFAS的三种污染模式及其形成机制

相关资料：

1. Guo,Z.F.,Ateia,M.,Borgomeo,E.,Boeing,W.J.,Malnes,D.,He,Y.Q.,Liu,D.,Xu,Y.Y.,2026. Asymmetrical contamination of anionic PFAS across global freshwater reservoirs. Water Research. 289(Part B),124940.

2. Guo,Z.F.,Boeing,W.J.,Xu,Y.Y.,Borgomeo,E.,Liu,D.,Zhu,Y.G.,2023. Data-driven discoveries on widespread contamination of freshwater reservoirs by dominant antibiotic resistance genes. Water Research. 229,119466.

3. Evich,M.G.,Davis,M.J.B.,McCord,J.P.,Acrey,B.,Awkerman,J.A.,Knappe,D.R.U.,Lindstrom,A.B.,Speth,T.F.,Tebes-Stevens,C.,Strynar,M.J.,Wang,Z.,Weber,E.J.,Henderson,W.M.,Washington,J.W.,2022. Per- and polyfluoroalkyl substances in the environment. Science. 375(6580),eabg9065.

4. Ateia,M.,Scheringer,M.,2024. From “forever chemicals” to fluorine-free alternatives. Science. 385(6706),256-258.

5. Tokranov,A.K.,Ransom,K.M.,Bexfield,L.M.,Lindsey,B.D.,Watson,E.,Dupuy,D.I.,Stackelberg,P.E.,Fram,M.S.,Voss,S.A.,Kingsbury,J.A.,Jurgens,B.C.,Smalling,K.L.,Bradley,P.M.,2024. Predictions of groundwater PFAS occurrence at drinking water supply depths in the United States. Science. 386(6723),748-755.

6. Grunfeld,D.A.,Gilbert,D.,Hou,J.,Jones,A.M.,Lee,M.J.,Kibbey,T.C.G.,O’Carroll,D.M.,2024. Underestimated burden of per- and polyfluoroalkyl substances in global surface waters and groundwaters. Nature Geoscience. 17(4),340-346.

7. Hansen,S.F.,Bunde,C.T.H.,Roy,M.A.,Tickner,J.A.,Baun,A.,2024. Late lessons from early warnings on PFAS. Nature Water. 2(12),1157-1165.

8. Ateia,M.,Sigmund,G.,Bentel,M.J.,Washington,J.W.,Lai,A.,Merrill,N.H.,Wang,Z.Y.,2023. Integrated data-driven cross-disciplinary framework to prevent chemical water pollution. One Earth. 6(8),952-963.

9. Nakagawa,S.,Freckleton,R.P.,2008. Missing inaction: The dangers of ignoring missing data. Trends in Ecology and Evolution. 23(11),592-596.

10. Murray,J.S.,2018. Multiple imputation: A review of practical and theoretical findings. Statistical Science. 33(2),142–159.

11. Chang,C.,Deng,Y.,Jiang,X.Q.,Long,Q.,2020. Multiple imputation for analysis of incomplete data in distributed health data networks. Nature Communications. 11(1),5467.

12. Spake,R.,Mori,A.S.,Beckmann,M.,Martin,P.A.,Christie,A.P.,Duguid,M.C.,Doncaster,C.P.,2021. Implications of scale dependence for cross-study syntheses of biodiversity differences. Ecology Letter. 24(2),374-390.

13.  Cooley,S.W.,Ryan,J.C.,Smith,L.C.,2021. Human alteration of global surface water storage variability. Nature. 591(7848),78-81.

14.  Lehner,B.,Liermann,C.R.,Revenga,C.,Vörösmarty,C.,Fekete,B.,Crouzet,P.,Döll,P.,Endejan,M.,Frenken,K.,Magome,J.,Nilsson,C.,Robertson,J.C.,Rödel,R.,Sindorf,N.,Wisser,D.,2011. High‐resolution mapping of the world's reservoirs and dams for sustainable river‐flow management. Frontiersin Ecology and the Environment. 9(9),494-502.

15. Maavara,T.,Chen,Q.W.,Van Meter,K.,Brown,L.E.,Zhang,J.Y.,Ni,J.R.,Zarfl,C.,2020. River dam impacts on biogeochemical cycling. Nature Reviews Earth & Environment. 1(2),103-116.