地下水氮循环的生物地球化学和基因组驱动因素：铵积累风险的可预测性

《Environmental Pollution》：Biogeochemical and genomic drivers of groundwater DNRA: predictability of ammonium accumulation risk

地下水反硝化细菌将硝酸盐还原为铵的过程（DNRA）受C/N比、Fe2?浓度、初始硝酸盐浓度及水化学类型（HCO??型促进、Cl?型抑制）等环境因子调控，其中高C/N比和Fe2?显著提升DNRA效率，而高矿化度和Na-Cl型水抑制其作用。间歇性硝酸盐输入可能导致铵长期积累，威胁水质安全。基于XGBoost算法构建的预测模型（R2=0.92）可有效评估不同地下水条件下的DNRA效率。

　　

张楠|王嘉琳|杨珊珊|刘飞

中国地质大学（北京）教育部地下水循环与环境演化重点实验室，中华人民共和国，100083

摘要

地下水中普遍存在铵（NH₄⁺-N）污染，局部浓度超过20 mg/L，这对传统的氮去除方法（以反硝化作用为主）构成了挑战。异化硝酸盐还原为铵（DNRA）这一保留氮的途径与反硝化作用存在竞争。然而，在含水层中促进DNRA发生的环境条件及其对NH₄⁺-N负荷的定量贡献仍是地下水氮循环研究中的关键知识空白。我们研究了C/N比值、Fe²⁺浓度、初始NO₃^--N浓度、水化学类型、总溶解固体（TDS）和pH值如何影响DNRA的效率及其与反硝化作用的竞争。研究发现，DNRA的效率在富有机质的含水层中最高（15.70–26.69%），而在工业和农业污染的地下水中最低（0.71%）。高Fe²⁺、高初始NO₃^--N浓度和HCO₃^--类型的水体显著促进了DNRA，而Cl^--类型的水体则抑制了其发生。竞争分析表明，较高的C/N比值、Fe²⁺浓度和TDS增加了DNRA在硝酸盐还原中的相对贡献。宏基因组分析进一步表明，高C/N比值和富含Fe²⁺的条件通过选择性地富集携带nrfA基因的肠杆菌科细菌促进了DNRA的优先发生。相反，高矿化度和Na-Cl类型的水体通过抑制关键功能基因的表达大大降低了DNRA的效率。此外，在间歇性硝酸盐输入的情况下，即使DNRA效率较低，NH₄⁺-N仍会积累，从而带来长期的水质风险。我们利用极端梯度提升算法开发了一个DNRA效率预测模型（R² = 0.92），从而能够在不同的地下水条件下进行准确评估。这项工作加深了对DNRA机制的理解，并提供了一种创新的预测方法，用于评估地下水中由DNRA驱动的NH₄⁺-N富集风险。

引言

地下水中的铵（NH₄⁺-N）污染已成为一个全球性问题。先前的研究报道，各种农业和城市化地区的地下水中NH₄⁺-N浓度经常超过10 mg/L[1], [2], [3], [4], [5]，远超世界卫生组织的饮用水标准，构成了一个严重的区域水质问题[6]。地下水中NH₄⁺-N的来源包括地表污染渗透、有机氮矿化以及异化硝酸盐还原为铵（DNRA）。地表渗透和矿化过程已被广泛认识。DNRA（硝酸盐的不完全还原途径）通过与反硝化作用（DNF）竞争，将NO₃^--N还原为NO₂^--N，最终生成NH₄⁺-N[7], [8]。DNRA与DNF之间的竞争决定了氮是释放到大气中还是保留在水中。传统文献认为，高C/N比值显著促进了DNRA过程，因为丰富的有机碳使微生物选择这种途径，因为它具有更高的电子利用效率[9]。然而，最近的研究指出，这两种过程之间的竞争实际上是对稀缺硝酸盐的争夺。即使C/N比值不是特别高，DNRA也能因其中的关键酶NrfA具有更高的底物亲和力（较低的K_m值）和更强的电子捕获能力而获得动力学优势[10]。这种从“电子供体驱动”到“电子受体限制”的机制转变，在具有高环境异质性和低底物浓度的地下水系统中仍存在争议[11]。

大多数研究表明，DNRA在地下环境中发生的环境阈值较窄，因此在自然水系统研究中经常被忽视。然而，最近的研究表明，在土壤、河口湿地和湖泊沉积物等环境中，DNRA对NO₃^--N还原的贡献可能被严重低估[12], [13], [14]。

影响DNRA的主要环境因素包括氧化还原电位（Eh）、C/N比值、Fe²⁺浓度、NO₂^--N/NO₃^--N比值和pH值[15], [16]。这些因素通过调节微生物群落结构（如nrfA基因的丰度）和代谢途径来控制NO₃^--N的分配[17]。例如，高C/N比值有利于DNRA的发生，因为该途径需要更多的电子转移（8e^-），而反硝化作用只需要5e^-[18], [19]。大多数研究表明，在低Eh或高NO₂^--N/NO₃^--N比值条件下，DNRA更容易发生[18], [20]。此外，Fe²⁺可以通过化能自养途径增强DNRA，尤其是在河口沉积物中[21]；pH值也起着调节作用，中性到碱性条件比其他条件更有利于DNRA[22]。然而，上述因素的调节机制在不同环境介质中表现出强烈的异质性，有时会导致相互矛盾的结论[9]。例如，在稻田中，DNRA同时受到有机碳和Fe²⁺的驱动[13], [19]，而在森林土壤中，则与硝酸盐的可用性密切相关[23]。这种机制异质性意味着从土壤或河口湿地得出的理论难以直接应用于地下水系统。目前，关于地下水系统中DNRA驱动机制的研究仍然很少[11]。尽管先前的研究发现高温和高C/N比值有利于地下水中的DNRA[24]，但关于其他因素如何调节DNRA效率以及在间歇性硝酸盐污染下NH₄⁺-N长期积累风险的关键问题仍待解答[11]。此外，地下水中环境因素的非线性相互作用限制了传统生物地球化学模型准确量化DNRA效率的能力；针对地下水系统的有效预测工具仍然匮乏。

准确预测DNRA效率对于评估氮的生物地球化学命运和NH₄⁺-N在地下水中的积累风险至关重要。DNRA效率受到水化学变量和微生物过程复杂相互作用的影响。此外，这些影响因素表现出高度非线性和环境依赖性的相互作用，给传统建模方法带来了巨大挑战。机器学习（ML）在建模效率和预测准确性方面具有明显优势，因为它不严格要求变量之间预定义的复杂物理化学关系[25], [26]。它在构建复杂的输入输出映射模型方面的效率使其在环境领域广受欢迎，特别是在预测地下水氮浓度方面[27]。例如，随机森林模型已被用于预测地下水中的NH₄⁺-N浓度，并建立了NH₄⁺-N与主要影响因素之间的联系[28]。提升回归树也被应用于预测地下水中的NO₃^--N污染[29]。然而，在处理高度非线性的生物地球化学映射时，先进的集成学习算法极端梯度提升（XGBoost）在地下水质量预测和水资源工程中显示出显著优势。它已被证明能够有效模拟地下含水层中硝酸盐的空间分布[30]。与传统方法相比，XGBoost可以自动识别和处理水化学数据集中的缺失值。此外，它使用二阶泰勒展开优化目标函数，从而使模型能够精确捕捉多个因素（如pH值、Eh和矿物组成）之间的复杂非线性相互作用。鉴于这些应用，ML提供了一种强大的数据驱动方法，用于处理复杂和动态的环境系统。通过实现高维非线性建模，ML可以捕捉多个影响因素（如地下水化学组成和微生物活动）的耦合效应，并从数据中研究它们对DNRA效率的交互控制，从而提高其量化精度。

我们研究了各种地下水环境因素对DNRA的影响。具体目标包括：（1）确定不同环境因素对DNRA的影响，并识别促进或抑制该过程的关键条件；（2）揭示潜在的微生物机制，并阐明不同环境条件如何影响微生物的DNRA活性；（3）评估在间歇性硝酸盐输入情况下，NH₄⁺-N（由DNRA产生）在地下水中的长期富集风险；（4）选择和优化算法，以建立基于ML的DNRA效率预测模型，以便在不同地下水条件下获得准确预测。本研究系统地揭示了地下水中DNRA的关键驱动机制以及间歇性硝酸盐污染下NH₄⁺-N积累的潜在风险，从而为准确评估DNRA引起的NH_{4⁺-N富集风险提供了理论基础和创新预测方法。}

部分摘录

硝酸盐还原细菌

本研究中使用的功能性还原细菌是一个复合反硝化菌群（大连甘德环境科技有限公司，中国，型号：GANDEW-DEN）。该菌群的核心微生物成分包括假单胞菌属、碱杆菌属、硫杆菌属和副球菌属，其中假单胞菌门和杆菌门的相对丰度较高。这些菌株直接从自然环境中富集、分离并适应，从而有效地模拟了代谢过程

地下水中的DNRA环境控制与发生

在不同的进化区域，地下水中的C/N比值各不相同，这些比值被认为是影响DNRA过程的关键因素[20]。为了更好地模拟实际的水文地质条件，基于碳和氮的负荷特性定义了四种代表性的地下水情景：（1）自然地下水条件（背景值）代表了受人为影响最小的原始含水层，因此保持了较低的有机碳水平

结论与未来展望

我们研究了地下水中DNRA的主要因素和驱动机制。结果表明，DNRA可以在所有地下水情景中发生（不同的C/N比值），其中C/N比值、Fe²⁺浓度、初始NO₃^--N浓度和水化学类型被确定为关键影响因素。具体来说，C/N比值、Fe²⁺和NO₃^--N浓度与DNRA效率呈正相关；HCO₃^--类型的水体促进了DNRA，而Cl^--类型的水体则显著抑制了DNRA

CRediT作者贡献声明

王嘉琳：写作 – 审稿与编辑、可视化、验证、调查。杨珊珊：监督。刘飞：写作 – 审稿与编辑、监督、资源管理、项目协调、资金获取。张楠：写作 – 初稿撰写、验证、软件使用、方法论研究、调查、数据分析、概念化

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了京津冀地区综合环境治理国家科技重大专项（项目编号2025ZD1205701）的支持。