国力东|李子慧|何欢|郭子伟|张燕|黄云|任晓敏|黄斌|潘学军
昆明理工大学环境科学与工程学院，中国昆明650500
**摘要**
内分泌干扰化学物质和抗生素在水生环境中普遍存在，并持续积累，对生态系统构成重大风险，这一问题已成为全球研究的重点。以往关于这些新兴污染物的研究大多局限于短期监测，未将整个流域作为一个整体进行考虑。本研究旨在为洱海流域建立一种“汇-源-拦截”系统框架，利用历史数据探讨该流域内内分泌干扰化学物质和抗生素的来源、归趋、去除过程及其生态风险。结果显示，十年来内分泌干扰化学物质的浓度显著下降，而检测到的抗生素种类与五年前基本一致。这一现象与拦截效率密切相关。污染物浓度主要受畜牧业养殖、城市污水和农业非点源污染的影响。源分析表明，工业废水和生活污水是内分泌干扰化学物质的主要来源，而污水处理厂排放水和农田径流则是抗生素的主要来源。生态风险评估显示，雌激素、磺胺类和喹诺酮类抗生素具有较高的生态风险（风险商数RQ > 1）。这些发现为高原湖泊流域内针对这些新兴污染物的防控提供了科学依据。
**1. 引言**
内分泌干扰化学物质（EDCs）和抗生素作为两类重要的新兴污染物，由于其即使在微量水平下也具有潜在的生态风险，已成为全球水生生态学研究的焦点[1]。这些污染物具有环境持久性、生物累积性和生物毒性，即使在ng/L或μg/L的浓度下也是如此[2]。它们可能对生态系统和人类健康造成威胁[2]。研究表明，EDCs通过模拟或拮抗天然激素受体的结合行为，导致水生生物出现性分化异常、繁殖能力下降和种群结构改变[3]。同时，由于抗生素的滥用，抗生素抗性基因（ARGs）的传播加剧了水生生态系统内微生物群落的不平衡[4][5][6]。近年来，在湖泊水体和沉积物中广泛检测到了双酚A、雌二醇等EDCs以及磺胺类、喹诺酮类和大环内酯类抗生素[7][8]。这些污染物的广泛存在及其显著的生态风险推动了全球范围内相关流域的研究。
已有研究探讨了长江[9]、珠江[10]、多瑙河[11]和密西西比河[12]及其流域中EDCs和抗生素的环境行为和风险。色谱法结合质谱技术和非靶向筛查技术发现了磺胺类、四环素类、双酚A和非诺酚等物质[11][13]。量化了污水处理厂排放水和农业非点源等污染源的贡献[9]。研究通常关注抗生素抗性基因的传播和生态风险评估[14]，但存在局限性，如采样时间点通常仅限于1-2个时刻[15]，难以明确污染水平的季节性和时间变化。以往研究强调将空间和时间变异性纳入水质指数的重要性，但在当前研究中较少考虑这一视角[16]。此外，采样点主要集中在湖泊等局部水体，缺乏对污染源的系统性追踪，难以全面了解这些污染物在流域尺度上的时间动态和累积影响。此外，关于污水处理厂（WWTPs）和湿地去除EDCs和抗生素的效果研究也较少[17]。因此，亟需开展系统性的、覆盖整个流域的EDCs和抗生素研究，尤其是针对生态敏感的高原湖泊流域。
洱海是中国西南部的一个典型高原湖泊。该地区的支柱产业（农业、水产养殖、旅游业）是EDCs和抗生素污染的主要来源[18][19]，对洱海中的水生生物构成潜在生态威胁。近年来，化肥的高强度使用、家禽及其他牲畜粪便的产生、旅游业的快速发展（年游客量超过3000万人次）[20]以及城市化导致的 domestic sewage 增加，加剧了湖泊的富营养化现象和有机污染物的积累[21]。以往研究揭示了洱海中氮、磷等传统污染物的变化趋势[18][22]，但对于EDCs和抗生素等新兴污染物的环境归趋和管理仍存在不足。目前关于洱海流域EDCs和抗生素的研究主要集中在单一时间段[23][24]，缺乏跨时期的分析，难以评估污染控制措施实施前后的变化情况，从而限制了对项目效果的科学评估。此外，污染源的划分仅简单分为农业、工业、生活污水等类别[25]，未建立准确的污染物来源关联。现有的生态风险评估方法主要依赖传统的风险商数（RQ）模型，仅提供静态风险水平，缺乏概率风险分布分析[26]，导致研究人员无法量化浓度波动的影响及不确定性的影响阈值。
本研究利用了2012至2014年间积累的关于新兴污染物的数据[26]，考虑了流域内建立的污水处理厂和人工湿地等污染拦截系统。选择EDCs和抗生素作为目标污染物，数据涵盖了干湿季节的采样和分析。通过结合历史数据，分析了污染物的时间和空间特征，并评估了污水处理厂和湿地的去除效率。采用正矩阵分解（PMF）模型定量识别污染源及其贡献比例，并结合蒙特卡洛风险商数概率模型定量评估其对水生生态系统的潜在生态风险。同时，通过纳入社会经济指标，探讨了新兴污染物的出现与人类活动之间的内在关系，为流域内这些污染物的精准管理提供了科学依据。
**2. 材料与方法**
2.1. 化学物质和试剂
本研究选定了13种EDCs和35种抗生素作为目标污染物。这些选择基于初步的实验采样和文献报告[25][26][27]。EDCs包括四种酚类（双酚A（BPA）、4-壬基酚（4-NP）、4-辛基酚（4-OP）和4-枯基酚（4-CP）；五种雌激素（雌酮（E1）、17α-雌二醇（17α-E2）、17β-雌二醇（17β-E2）、17α-乙炔雌二醇（EE2）和雌三醇（E3）；三种雄激素（睾酮（TEST）、雄烯二酮（AND）和二氢睾酮（DHT）；以及孕酮（PROG, P4）。抗生素包括四种四环素类（氧四环素（OTC）、四环素（TC）、氯四环素（CTC）和甲氧四环素（MET）；十一种磺胺类（磺胺嘧啶（SD）、磺胺甲噁唑（SMX）、磺胺吡啶（SP）、磺胺甲噁唑（SMD）、磺胺二甲氧嘧啶（SMM）、磺胺噻唑（STZ）、磺胺氯吡啶（SCP）、磺胺苯唑（SPZ）、磺胺二甲氧嘧啶（SDM）和磺胺多辛（SDX）；五种β-内酰胺类（氨苄西林（AMP）、头孢氨苄（CEFA）、头孢克洛（CEFA）、头孢他定（DCT）和头孢吡林钠（CPNS）；六种大环内酯类（阿奇霉素（AZM）、克拉霉素（CLR）、林可霉素（LCM）、克林霉素（CLDM）、罗红霉素（ROX）和红霉素（ERY）；以及九种喹诺酮类（恩诺沙星（ENRO）、诺氟沙星（NOR）、环丙沙星（CIP）、氧氟沙星（OFLO）、氟喹诺酮（FLU）、达诺沙星（DANO）、恩诺沙星（ENOX）和洛美沙星（LOME）。所有标准溶液均购自中国Tanmo质量检测技术有限公司。详细信息见补充信息中的表S1和S3。
2.2. 样品采集与制备
为阐明目标EDCs和抗生素在流域内的时空分布，建立了闭合循环采样网络，采用“汇-源-拦截”和源追踪方法。选定22个国家级和省级湖泊监测点作为汇，以表征入水中的污染物积累和稀释动态，覆盖2012-2014年间建立的全国监测点，确保长期比较监测的空间一致性。选取14条流入洱海的河流作为污染源，采样点优先考虑流量和负荷较大的区域。选取8个污水处理厂和7个人工湿地作为拦截系统，代表流域内的主要外部污染输入源和生态拦截节点。分析进水和出水样本，评估其去除EDCs和抗生素的效果。整体采样布局兼顾空间均匀性、环境代表性及与历史监测点的一致性，确保在流域尺度上的代表性覆盖。具体采样位置见图1。
2024年1月（干季）和9月（湿季）采集了水和沉积物样本，以补充先前发布的数据。具体而言，使用有机玻璃采样器在湖泊和河流中采集了0.5米深度的水样（6升），并分装到1升棕色玻璃瓶中保存。湖泊沉积物样本使用抓斗式采样器采集，深度约为10厘米。此外，在三个时间点（上午9:00–10:00、下午14:00–15:00和晚上17:00）采集了3升污水处理厂出水样本。样品充分混合后分装到1升棕色玻璃瓶中，每份样品中加入80毫克硫代硫酸钠（Na2S2O3）。采集后，水样在4°C下储存，并在48小时内进行固相萃取（SPE）预处理；沉积物样本在-40°C下冷冻，一周后冷冻干燥。
2.3. 样品提取与分析
水和沉积物中EDCs的预处理和检测步骤如下：
- **水样**：向1升水样中加入内标物，通过0.45 μm玻璃纤维膜过滤，调整pH至4.5 ± 0.1，使用C18固相萃取柱富集，用氮气吹脱浓缩，再溶解于乙酸乙酯至1毫升。使用岛津LC-MS/MS-8050液相色谱仪和质谱仪（岛津，日本）进行检测。
- **沉积物样本**：采用加速溶剂萃取（ASE）进行预处理，随后进行与水样相同的处理和检测步骤。详细方法见支持材料中的Text S1。
- **抗生素**：向100毫升水样中加入内标物（四环素-d6、磺胺甲噁唑-d4、诺氟沙星-d5、环丙沙星-d8、罗红霉素-d7和阿奇霉素-d3），通过0.22 μm玻璃纤维膜过滤。加入0.05克Na2EDTA，调整pH至2.0–3.0。5毫升处理后的水样使用亲水-疏水平衡（HLB）柱（聚苯乙烯-二乙烯基苯，内径2.1 × 12.5毫米，15微米）进行在线SPE富集，然后使用高效液相色谱仪结合四极杆质谱仪（Agilent，美国）进行检测。沉积物预处理同样采用ASE，后续处理和检测步骤与水样相同。详细实验步骤见支持材料中的Text S3。
2.4. 质量控制
为确保样本的代表性及数据的可靠性，整个监测过程中实施了质量控制措施[28]，包括采样前准备、采样、运输、预处理和实验室分析。所有水和沉积物样本均重复采集三次（n = 3），同时设置现场空白和运输空白样本以确保数据准确性和可靠性；干湿季节在每个站点独立采样。所有分析物、回收标准和内标物均进行了分析，并建立了校准曲线以确保准确量化。所有校准曲线的相关系数（R2）均超过0.998（表S1和S3）。EDCs的检测限为0.06–1.35 ng/L，抗生素的检测限为0.1–0.8 ng/L。EDCs和抗生素的定量限范围分别为0.18–4.51 ng/L和0.4–3.2 ng/L。相应的回收率分别为54.11%–110.62%和69.45%–103.57%。这些QA/QC结果证实了所建立的分析方法具有令人满意的灵敏度、稳定性和可靠性，完全适用于在基质中定量检测EDCs和抗生素。
2.5. 来源分配模型
使用美国环境保护署（https://www.epa.gov/air-research/positive-matrix-factorization-model-environmental-data-analyses）提供的PMF模型来确定EDCs和抗生素的来源。采用了非负约束，并利用原始数据的不确定性来确保结果的真实性[29]，[30]。该模型已广泛应用于分配多媒体环境中EDCs和抗生素等污染物的来源[31]，[32]，[33]。应用该模型的原理和操作程序详细记录在文本S4中。每个模型至少评估了二十次，直到达到收敛，选择出的结果显示观测值和预测值之间的决定系数（R2）不低于0.9。随后，排除了未检测到的EDCs和抗生素的预测值，然后对来源分配比例进行了归一化，确定了每个站点检测到的EDCs和抗生素的来源。
2.6. 生态风险评估
使用生态RQ方法对生态风险进行了量化。风险水平根据测量的环境浓度（MEC）与预测的无效应浓度（PNEC）的比率进行分类，RQ = MEC/PNEC [34]，[35]。PNEC值是根据淡水中最敏感物种（藻类、鱼类和无脊椎动物）的长期毒性数据得出的。相关数据集提供在表S10和S11中。使用Oracle Crystal Ball软件开发了蒙特卡洛模拟，并通过10,000次随机模拟分析了风险概率分布。结合贝叶斯迭代优化进行参数校准，这种方法减轻了不确定性对RQ累积评估的影响，从而提高了预测的可靠性。
3. 结果与讨论
3.1. 湖海流域中EDCs和抗生素的存在
3.1.1. 湖中EDCs和抗生素的时间变化
青海湖是一个高原湖泊，是来自多个来源的EDCs和抗生素的关键汇。了解它们的存在为生态风险评估提供了关键基础。图S1展示了干湿季节湖水中EDCs的分布情况。在二十二个监测点共检测到七类EDCs，其浓度在干季从无法检测到71.71 ng/L不等，在湿季从无法检测到46.10 ng/L不等。
与2012-2014年进行的研究[26]收集的数据相比，EDCs的种类数量和总浓度均显著下降（表1和图2a）。这种减少可能是政策和工程措施共同作用的结果。在政策方面，实施了有效的措施来拦截外部EDCs输入。一些措施旨在减少农业非点源污染。城市污水处理现在更加全面。并且现在对工业园区企业进行了集中监管。整个湖泊流域的区域联防联控也更加有效[36]。在工程措施方面，通过改进沟渠拦截和升级污水处理厂（WWTPs）进一步加强了外部来源的拦截[37]。通过沉积物疏浚和原位修复减少了EDCs的存量。与其他中国的湖泊[3]，[38]，[39]相比，青海湖水中的EDCs总体水平仍然较低。
表1. 不同时期青海湖水中EDCs的浓度
| EDCs | 最小值（ng/L） | 最大值（ng/L） | 平均值（ng/L） | 调查时期 | 参考文献 |
| --- | --- | --- | --- | --- | --- |
| ∑ EDCs | ND | 10 | 1.07 | 9.13 | 2012–2014[25] | ND |
| ∑ 酚类 | ND | 2.04 | 10 | 1.07 | 18.87 | 2012–2014[25] | ND |
| ∑ 雌激素 | ND | 27.62 | 4.56 | 2012–2014[25] | ND | 2.43 | 0.33 | 2023–2024 | 本研究 |
| ∑ 孕酮和雄激素 | ND | 25.68 | 3.91 | 2012–2014[25] | ND | 3.79 | 0.36 | 2023–2024 | 本研究 |
注：ND表示未检测到，ND值在计算时设为1/2 LOD。
下载：下载高分辨率图像（913KB）
下载：下载全尺寸图像
图2. (a)-(b) 各年份湖水和沉积物中的EDCs，(c)-(d) 湖水和沉积物中的抗生素，(e)-(f) 流入河流中的EDCs和抗生素。
湿地植被有助于稳定沉积物-水界面，这有助于减少沉积物中的EDCs重新进入水柱。沉积物检测结果显示只有六类EDCs的浓度显著（图2b）。其中，酚类的出现及其浓度比前几年观察到的有所下降[26]。然而，雌激素、雄激素和孕酮的浓度略有增加。这可能是由于检测灵敏度提高，也可能是由于沉积物疏浚引发的释放。
图2c展示了干湿季节湖水中抗生素的分布。共检测到十四种抗生素，包括QN类、ML类、SA类、TC类和β-LC类。在干季，它们的浓度从无法检测到13.64 ng/L不等，SMX、AZM、LCM、CLDM、OXA和FLU在所有二十二个采样点都被检测到。
在湿季，水中的抗生素浓度从无法检测到3.59 ng/L不等。它们通常比干季高。在沉积物中鉴定出九类抗生素（图2d），浓度从无法检测到1.59 ng/g不等。TC类、SA类、QN类、ML类和β-LC类在水和沉积物中都被检测到。这一发现与之前在青海湖周边畜牧场使用的抗生素类型一致（表2）。这些检测到的抗生素类别也与之前在青海湖发现的抗生素抗性基因类别基本一致[40]。与其他中国的湖泊相比，青海湖水和沉积物中的抗生素浓度相对较低[17]，[41]。
表2. 青海湖水中抗生素的浓度及与典型污染源的定性比较
| 抗生素 | 最小值（ng/L） | 最大值（ng/L） | 平均值（ng/L） | 采样点 | 参考文献 |
| --- | --- | --- | --- | --- | --- |
| TC类 | ND | 2.50×10^7 | 5.03×10^6 | 动物废水[24] | ND |
| QN类 | ND | 1.26×10^6 | 7.69×10^4 | 动物废水[24] | ND |
| SA类 | ND | 4.98×10^4 | 4.10×10^3 | 动物废水[24] | ND |
| ML类 | ND | 0.10 (mg/kg) | 0.01 (mg/kg) | 动物粪便[24] | ND |
| β-LC类 | ND | 3.15×10^6 | 4.92×10^5 | 动物废水[24] | ND |
| FLU | ND | 5.68 | 0.49 | 湖泊[24] | ND |
注：ND表示未检测到。
3.1.2. 河流中EDCs和抗生素的存在
为了明确湖中发现的EDCs和抗生素的来源，研究人员在流入湖泊的十四条水道中进行了检测。共检测到十一种EDCs和十五种抗生素（图2e和2f）。EDCs的浓度在干季从无法检测到80.50 ng/L不等，在湿季降至最大32.12 ng/L。干季较高的浓度主要是由于湿季流量增加导致的稀释作用[42]。相比之下，抗生素的浓度在干季从无法检测到，而在湿季从无法检测到3.26 ng/L不等，这突显了脉冲式雨水径流对陆地来源抗生素的影响[43]。
值得注意的是，在所研究的EDCs中，BPA和TEST在所有河流样本中都被检测到，最大浓度分别为80.50 ng/L和2.30 ng/L。此外，SMX在80%的样本中被检测到，最大浓度为34.55 ng/L。这些污染物虽然剂量低但频率高，共同在汇端——青海湖形成了持续且不可忽视的基线负荷。
3.1.3. 污水处理厂和湿地中EDCs和抗生素的去除
为了系统评估污水处理厂（WWTPs）和周围湿地中污染物的减少情况，检测了它们进水和出水中的EDCs和抗生素浓度。图3a和3b的结果表明，在WWTPs中检测到十一种EDCs和二十五种抗生素。进水中EDCs的总浓度在湿季高达4919.45 ng/L，但处理后出水中的浓度降至344.08 ng/L（图3c），相当于负荷减少了49.87 g/d，去除效率为93.57%。相比之下，抗生素的总浓度从6603.49 ng/L降至4055.05 ng/L（图3d），负荷减少了587.74 g/d，去除效率仅为43.53%。
下载：下载高分辨率图像（1001KB）
下载：下载全尺寸图像
图3. WWTPs进水和出水中的EDCs（a, c）和抗生素（b, d）以及湿地进水和出水中的EDCs（e, g）和抗生素（f, h）的浓度。
所有WWTPs都采用了A2O或CASS工艺，表明活性污泥处理能有效去除EDCs[44]，但不能去除抗生素。EDCs的有效去除归因于它们的中等疏水性（log Kow 2.0–4.0）和良好的生物降解性，使得通过A2O/CASS工艺中的好氧生物降解和污泥吸附实现协同去除。相反，极性磺胺类药物（log Kow < 1.5）在中性pH下呈阴离子状态，被带负电荷的污泥胞外聚合物（EPS）强烈排斥，导致几乎不发生吸附。它们的降解依赖于氨氧化细菌（AOB）介导的共代谢，而这受到典型A2O/CASS操作的限制。此外，结合代谢物可以重新转化为母体化合物，导致去除效率波动较大。
研究的七个湿地也发现能够减少污染物。在它们的进水和出水中分别检测到八种EDCs和十种抗生素。总进水中EDCs负荷为621.00 ng/L，抗生素负荷为143.21 ng/L（图3e和3f）。湿地处理可能涉及植物和微生物的协同作用[45]。湿地出水中EDCs的总浓度为327.24 ng/L，抗生素为61.46 ng/L（图3g和3h）。相应的负荷减少分别为160.38 g/d（47.30%）和44.63 g/d（57.07%）。与水平流湿地（HSFWs/VSFWs）相比，青海湖流域内的表面流湿地（SFWs）的污染物去除性能相对较低。地下流系统的优越净化能力取决于多孔基质的渗透性。对于强疏水性ECs（如壬基酚），此类系统的去除效率超过80%。此外，基质吸附和微生物生物降解之间的协同作用在14-24天的水力停留时间内得到加强[46]。
相反，SFWs具有结构简单、运营和维护成本低以及适合在湖岸区域大规模建设的优势。结果证实，SFWs可以作为污染物保留的稳定终端屏障，可以有效缓解由雨水径流引起的脉冲式污染负荷。此外，通过在污染严重的湖泊入口处结合使用SFWs和垂直流湿地，可以实现强疏水性ECs的更高去除效率。这种综合生态策略为青海湖流域新兴污染物的系统预防和控制提供了可靠的技术基础。
3.1.4. 空间分布
青海湖流域中EDCs和抗生素的空间分布总结在图4、S2和S3中。输入位置（WWTPs、湿地和流入河流）附近的浓度较高，但在湖泊内部有显著的自我净化和稀释作用。人类活动的影响在北部和南部地区更为明显。北部是农业和畜牧业密集的区域。南部的大理下关城区产生生活污水。因此，这些地区的EDCs和抗生素浓度通常高于湖泊的西部和东部地区，这突显了人类活动在塑造污染物空间分布中的主导作用。总体而言，由于拦截工程、稀释、光降解和生物降解的作用，湖泊本身的平均浓度低于1 ng/L[47]。
下载：下载高分辨率图像（732KB）
下载：下载全尺寸图像
图4. 青海湖水中EDCs（a, b）和抗生素（c, d）的时空分布。
3.2. EDCs和抗生素来源的分配
3.2.1. EDCs
评估了PMF模型，以系统研究青海湖流域中污染物的来源和EDCs及抗生素的具体贡献途径。确定了六个因素来分配EDCs的来源（图5a和5b）。在干季，因素1主要由DHT（81.33%）主导；而在湿季，因素2主要由4-OP（97.68%）主导。作为内源性雄激素，DHT来源于人类和动物的新陈代谢。4-OP主要来自广泛用于化工生产和家用洗涤剂配方的表面活性剂。值得注意的是，这些污染物未被传统的废水处理工艺有效去除[50]，这与青海湖流域WWTPs的污染物排放情况一致。在旱季，因子2主要由E1（73.73%）和17-α-E2（51.53%）组成，而在雨季，E1的比例上升至80.14%。作为人类性激素的典型代谢物，E1主要来源于日常排泄物和含有雌激素的个人护理产品[46]。同样，17-α-E2也是由内源性生理代谢产生的，所有相关的排泄残留物最终都会排入家庭污水系统。因此，它们与家庭废水的排放密切相关。在旱季，因子3主要由BPA（85.88%）组成，而在雨季，其比例下降到74.16%。BPA是塑料制造和其他工业过程中的普遍化学物质，存在于食品包装和各种家庭必需品中[47]。BPA是工业和家庭废水综合排放的关键指标[48]。这一结果与洱海流域的土地利用分布（工业区、旅游区和居民区）一致。
因子4在旱季主要由TEST（82.48%）和17α-E2（30.81%）组成，而在雨季，TEST（88.61%）和AND（28.18%）成为主要来源。TEST和17α-E2广泛用作畜禽饲料添加剂[49]。AND是畜禽的代表性性激素代谢物，这一发现与洱海流域广泛的畜禽养殖活动相符。在旱季，因子5主要由AND（74.59%）和E1（25.71%）驱动，而在雨季，因子1主要与AND（57.80%）相关。AND和E1可能是通过农田施用的粪便的地表径流或地下渗漏进入水体的[45]。这进一步证实了农业非点源对流域内EDCs的贡献。因子6在旱季表现出较高的17-β-E2负荷（82.05%）。在雨季，因子6主要由17-α-E2（67.03%）和17-β-E2（72.74%）组成。作为常用的临床雌激素，17α-E2和17β-E2广泛用于妇科治疗和辅助生殖疗法[44]。这两种化合物通过患者排泄或医疗废液排放，这与洱海流域的医疗活动特征相符。
如图5c所示，工业和家庭污水是EDCs的主要来源。因此，减少工业废水和家庭污水中的EDCs对于减轻洱海流域的污染至关重要。
3.2.2. 抗生素
图6a和6b总结了抗生素的来源。在旱季，因子1主要由FLU（80.64%）和OXA（72.26%）组成。作为典型的喹诺酮类抗生素，它们广泛用于水产养殖中细菌病原体的预防和治疗，通常通过水喷洒或饲料添加给药[48]。其未代谢的残留物随水产养殖尾水排入水体，这与当地水产养殖活动的特征性污染物排放一致。在旱季，因子2主要由CPNS（90.43%）组成。这种第一代半合成头孢菌素是治疗常见轻度感染（包括呼吸道和黏膜皮肤疾病）的临床处方药[46]，其未代谢的残留物通过患者排泄进入家庭污水系统。在旱季，因子3主要由CLDM（60.99%）和DANO（55.38%）组成，而在雨季，因子2主要由CLDM（88.79%）组成。作为常见的临床抗菌剂[49]，CLDM用于治疗由厌氧菌引起的严重感染，DANO用于治疗各种临床细菌感染。这两种化合物通过患者排泄或医疗废物排放进入废水系统，这与研究流域的医疗活动特征相符。
因子4在旱季主要由TEST（82.48%）和17α-E2（30.81%）组成，而在雨季，TEST（88.61%）和AND（28.18%）成为主要来源。TEST和17α-E2广泛用作畜禽饲料添加剂[49]。AND是畜禽的代表性性激素代谢物。这一发现与洱海流域广泛的畜禽养殖活动相符。在旱季，因子5主要由AND（74.59%）和E1（25.71%）驱动，而在雨季，因子1主要与AND（57.80%）相关。AND和E1可能是通过农田施用的粪便的地表径流或地下渗漏进入水体的[45]。这进一步证实了农业非点源对流域内EDCs的贡献。因子6在旱季表现出较高的17-β-E2负荷（82.05%）。在雨季，因子6主要由17-α-E2（67.03%）和17-β-E2（72.74%）组成。作为常用的临床雌激素，17α-E2和17β-E2广泛用于妇科治疗和辅助生殖疗法[44]。这两种化合物通过患者排泄或医疗废液排放，这与洱海流域的医疗活动特征相符。
图5c表明，工业和家庭污水是EDCs的主要来源。因此，减少工业废水和家庭污水中的EDCs对于减轻洱海流域的污染至关重要。
3.3. 社会因素
相关性分析用于量化关键社会因素（表S12）与观察到的EDCs和抗生素浓度之间的关联。研究结果（图7）显示，初级产业相关指标（涵盖农业、林业、畜牧业和渔业产出以及畜禽养殖）与SMX和OTC等抗生素表现出强烈的正相关（图中深红色区域表示相关系数约为0.7至0.8）。次级产业与BPA、4-OP和OFLO水平表现出中等程度的正相关（r = 0.5–0.7）。这些污染物与塑料、化工和制药子行业相关，通常可以通过现场污染控制来缓解。同样，农业-畜牧业-渔业部门与AZM、ROX和NOR水平也有中等程度的相关性。这些污染物可能与农业、畜牧业和渔业中使用的兽医抗生素、分散式养殖以及污水处理不足有关。这些关联揭示了EDCs和抗生素残留物的中间驱动因素，为通过改进污水处理、标准化兽医使用和回收养殖废物来进行有针对性的控制提供了依据。
3.4. 湖泊生态风险
3.4.1. EDCs
风险商数和蒙特卡洛模拟用于评估EDCs和抗生素对洱海流域水生生态系统的潜在风险。区域水生生态风险评估结合了旱季和雨季目标污染物的浓度以及淡水水生生物的无效应浓度。RQ > 1表示高风险；0.1 < RQ ≤ 1表示中等风险；0.01 < RQ < 0.1表示低风险；RQ < 0.01表示无风险[50]。
图8a和8b展示了旱季和雨季EDCs的生态风险商数概率分布。不同类别的EDCs差异显著，酚类、雄激素和孕激素在两个时期的RQ值均低于0.1，表明对水生生物的影响很小。相比之下，雌激素在旱季的95百分位RQ为1.95，在雨季为1.45，均达到高风险水平。这表明这些污染物的暴露水平可能对水生生物产生明显的毒性影响，可能破坏洱海流域的浮游植物-底栖生物-鱼类食物链。
应从源头控制和动态监测的双重角度加强针对性风险降低和控制策略。由于已经确定了雌激素的主要输入途径，建议升级污水处理厂工艺并实施精细的污染源控制措施。此外，应建立涵盖洱海关键入湖口、核心湖区和周边支流的雌激素浓度动态监测网络。
3.4.2. 抗生素
图8c和8d展示了旱季和雨季抗生素的生态风险商数概率分布。旱季的生态风险基本较低，SA、TC、β-LC和QN的风险较低（RQ < 0.1，对水生生物的影响很小）。只有MLs显示出中等风险（95百分位RQ = 0.42），在污水处理厂排放物中检测到RQ > 1。雨季的风险因降雨径流、稀释和污染输入强度的不同而显著变化。β-LC的风险较低，SA（RQ = 0.13）和MLs（RQ = 0.44）被评为中低风险，QN的风险较高（95% RQ = 5.34）。这源于降雨量增加导致QN通过地表径流进入湖泊的量是旱季的2-3倍[31]。此外，污水处理厂在高水力冲击负荷下去除QN的效果较差，增加了排放物中的残留物，加剧了流域污染。
图6c表明，畜禽养殖废水、污水处理厂排放物和农业非点源是抗生素的主要污染源。因此，需要采取有针对性的预防和控制策略，包括加强对畜禽养殖实践的监管、更好地处理其废水以减少抗生素残留物的排放、优化污水处理厂工艺以提高抗生素去除率，以及规范肥料和抗生素的使用以减少农业非点源污染。
3.3. 社会因素
相关性分析用于量化关键社会因素（表S12）与观察到的EDCs和抗生素浓度之间的关联。研究结果（图7）显示，初级产业相关指标（涵盖农业、林业、畜牧业和渔业产出以及畜禽养殖）与SMX和OTC等抗生素表现出强烈的正相关（图中深红色区域表示相关系数约为0.7至0.8）。次级产业与BPA、4-OP和OFLO水平表现出中等程度的正相关（r = 0.5–0.7）。这些污染物与塑料、化工和制药子行业相关，通常可以通过现场污染控制来缓解。同样，农业-畜牧业-渔业部门与AZM、ROX和NOR水平也有中等程度的相关性。这些污染物可能与农业、畜牧业和渔业中使用的兽医抗生素、分散式养殖以及污水处理不足有关。这些关联揭示了EDCs和抗生素残留物的中间驱动因素，为通过改进污水处理、标准化兽医使用和回收养殖废物来进行有针对性的控制提供了依据。
总之，初级产业是洱海流域EDCs和抗生素分布的主要驱动力。这一发现为优先控制初级产业来源和制定针对性管理政策提供了科学依据。
3.4. 湖泊生态风险
3.4.1. EDCs
风险商数和蒙特卡洛模拟用于评估EDCs和抗生素对洱海流域水生生态系统的潜在风险。区域水生生态风险评估结合了旱季和雨季目标污染物的浓度以及淡水水生生物的无效应浓度。RQ > 1表示高风险；0.1 < RQ ≤ 1表示中等风险；0.01 < RQ < 0.1表示低风险；RQ < 0.01表示无风险[50]。
图8a和8b展示了旱季和雨季EDCs的生态风险商数概率分布。不同类别的EDCs差异显著，酚类、雄激素和孕激素在两个时期的RQ值均低于0.1，表明对水生生物的影响很小。相比之下，雌激素在旱季的95百分位RQ为1.95，在雨季为1.45，均达到高风险水平。这表明这些污染物的暴露水平可能对水生生物产生明显的毒性影响，可能破坏洱海流域的浮游植物-底栖生物-鱼类食物链。
应从源头控制和动态监测的双重角度加强针对性风险降低和控制策略。由于已经确定了雌激素的主要输入途径，建议升级污水处理厂工艺并实施精细的污染源控制措施。此外，应建立涵盖洱海关键入湖口、核心湖区和周边支流的雌激素浓度动态监测网络。
3.4.2. 抗生素
图8c和8d展示了旱季和雨季抗生素的生态风险商数概率分布。旱季的生态风险基本较低，SA、TC、β-LC和QN的风险较低（RQ < 0.1，对水生生物的影响很小）。只有MLs显示出中等风险（95百分位RQ = 0.42），在污水处理厂排放物中检测到RQ > 1。雨季的风险因降雨径流、稀释和污染输入强度的不同而显著变化。β-LC的风险较低，SA（RQ = 0.13）和MLs（RQ = 0.44）被评为中低风险，QN的风险较高（95% RQ = 5.34）。这源于降雨量增加导致QN通过地表径流进入湖泊的量是旱季的2-3倍[31]。此外，污水处理厂在高水力冲击负荷下去除QN的效果较差，增加了排放物中的残留物，加剧了流域污染。
雨季QN污染的高风险为抗生素的针对性管理提供了科学依据。减少农业中的抗生素使用、改进粪便处理技术和升级污水处理厂工艺都将有所帮助。
4. 结论
分析了洱海流域中十三种EDCs和三十五种抗生素的时空分布。评估了污水处理厂和湿地在去除这些污染物中的作用。应用PMF方法划分了来源，并量化了相关的生态风险，以指导污染物管理。这些方法在其他高原湖泊的应用前景广阔。在整个流域中，EDCs和抗生素的浓度表现出明显的时空变化。大多数EDCs和部分抗生素被现有的拦截系统有效去除。PMF建模确定工业和市政废水是EDCs的主要来源，而抗生素与污水处理厂排放物、家庭污水和周边地区的农业实践有关。本研究阐明了污染物的分布-来源-风险响应链，支持优先控制工业废水、农业非点源和污水处理厂排放物的建议。需要更加明确和有针对性的预防和控制策略。
作者贡献
董国利：撰写初稿、数据整理、调查、方法学研究。
李志辉：数据整理、调查、写作-审稿和编辑。
何欢：资金获取、监督、写作-审稿和编辑。
郭子伟：监督、写作-审稿和编辑。
张燕：资源协调、调查。
黄云：方法学研究、调查。
任晓敏：资金获取、写作-审稿和编辑。
黄斌：写作-审稿和编辑。
潘学军：资金获取、监督、写作-审稿和编辑。
数据可用性
数据可应要求提供。
CRediT作者贡献声明
黄云：方法学研究、调查。
任晓敏：写作-审稿与编辑、资金获取。
黄斌：写作-审稿与编辑。
潘学军：写作-审稿与编辑、监督、资金获取。郭立东：撰写工作（初稿撰写、方法论设计、数据收集与整理）。李志辉：撰写工作（审稿与编辑、数据收集与整理）。何欢：撰写工作（审稿与编辑、项目监督、资金筹措）。郭子伟：撰写工作（审稿与编辑、项目监督）。张燕：资源协调、数据收集工作。
