摘要详文
图文摘要
图文速览
图 1. Langberg 等人的质量分数数据的 PCA PCA 分析表明，只有三个特征（PFUnDA、PFTrDA 和 L-PFOS）在 PC-1 或 PC-2 中负荷较大。
图 2. 使用长链 PFCA 总和和 PFSA 总和作为两个特征的 SVM（左上）、KNN（右上）和决策树分析（下）的结果。
图 3. 四特征（L-PFOS、PFUnDA、PFTrDA、组织类别）KNN 的混淆矩阵。
主要发现
本次建模练习旨在进行演示，而不是基于对鱼类中 PFAS 的测量对地表水中 PFAS 来源分配的权威评论。可能需要进一步研究鱼类中的 PFAS 毒代动力学，以确保此处采用的方法的真实准确性，并有助于说明为什么特定 PFAS（即 L-PFOS、PFUnDA 和 PFTrDA）对来源分类最为重要，尽管这可能与它们更高的生物累积潜力有关。此外，虽然不同鱼类的影响不是控制分类准确性的主要因素（见第 S.6 节中的讨论），但数据确实表明 PFAS 在鱼肝脏中的生物累积水平高于肌肉，分类器应仅适用于训练数据集中包含的组织数据。肝脏中更高的累积量表明脂肪含量更高的鱼也可能更容易吸收 PFAS。尽管如此，本文提出的结果表明，使用非洄游鱼类中的 PFAS 浓度进行源头追踪的基本方法可能是合理的，因为这项工作展示了一种可推广的模型，用于追踪跨地理区域鱼类中生物累积的 PFAS。这种类型的源头追踪也可能适用于其他令人担忧的生物累积性污染物（即多氯联苯），假设它们的吸收速度与鱼类生命周期相比同样快。我们希望这项工作能启发未来在这些类似领域的研究。
声明：
本公众号仅分享PFAS相关研究进展成果，无商业用途。如有涉及侵权，请立即联系公众号后台或发送邮箱，我们会及时修订或删除！欢迎投稿或合作！
邮箱：pfas2022@163.com
