淡水水生态基准方法学研究：数据筛选与模型计算

金小伟，王业耀，王子健

1. 中国环境监测总站，北京 100012 2. 中国科学院生态环境研究中心，北京 100085

淡水水生态基准方法学研究：数据筛选与模型计算

金小伟1,2，王业耀1，王子健2,*

1. 中国环境监测总站，北京 100012 2. 中国科学院生态环境研究中心，北京 100085

水生态基准研究的核心是水生态基准方法学，如何鉴于现有的生态毒理学数据推导出科学合理的基准值，并达到切实保护水生生物的目的，是水生态基准研究的重点。论文从淡水水生态基准方法学中数据筛选和模型计算出发，系统地阐述和比较了现有方法学中关于数据的数量和质量、本土物种数据和非本土物种数据、实验室试验数据和野外现场试验数据、常规测试指标和非常规测试指标以及数据的整理等数据筛选原则，并对评估因子法、物种敏感度分布曲线、种间关联预测以及生态毒理模型等水生态基准的计算模型进行比较。参照国外水质基准推导的过程及我国水生态系统的特征，发展我国水生态基准研究中数据的筛选原则以及科学合理的基准计算方法，以期为建立我国淡水水生态基准推导方法学提供研究基础和科学依据。

水生态基准；数据筛选；评估因子；物种敏感度分布曲线；生态毒理模型

水质标准是水环境管理的重要依据，建立科学合理的水质标准成为保证水环境安全和人体健康的迫切需求。水生态基准作为建立水质标准的科学基础，已成为目前国内研究的热点[1-5]，其研究目的在于防止污染物对重要商业和娱乐水生生物，以及其他重要物种如河流、湖泊中的鱼类、底栖无脊椎动物和浮游生物等造成不可接受的长期和短期效应[6]。然而由于我国水生态毒理学起步较晚，水生态基准的研究基础薄弱，几乎空白。相比之下，自20世纪80年代，美国、加拿大、澳大利亚和荷兰等国家相继制定了相应的水生态基准推导方法[6-9]。

确定水生态基准的核心是水生态基准方法学，即如何科学地定值。如何鉴于现有的生态毒理学数据推导出合理可信的基准值，并达到切实保护水生生物的目的，是水生态基准研究的重点[10-13]。推导科学合理的水生态基准值依赖于足够数量且高质量的不同生物类群的生态毒理和理化数据，并通过一定的模型计算获得最终基准值[13]。目前文献中存在的各种各样的生态毒理数据，短期急性毒性数据(如LC50)，长期的慢性毒性数据(如无观察效应浓度NOEC)常被用来推导水质基准。其中大部分是将致死、生长抑制或繁殖作为试验终点，也有采用非传统的生化指标(如卵黄蛋白原)作为试验的评估效应终点。有的仅仅针对单个物种进行毒性试验，也有的采用野外现场试验研究多个物种的毒性效应，面对众多的数据，尚未有统一的数据筛选准则，因此推导得出的基准值差异很大。

除了有足够数量的高质量的生态毒性数据和理化数据，科学合理的基准计算方法也是基准方法学的基础。常见的基准计算方法包括评估因子法和基于统计外推法的物种敏感度分布曲线法。另外由于水质特征的不同，暴露因子也会影响到基准值的推导和表达，由此发展了水生态毒理模型来推导水生态基准。评估因子法因其评估系数大小的决定更多地是依靠国家的政策而不仅是经验，其评价结果也具有不确定性[14]。物种敏感度分布曲线法是被很多国家推荐使用的基准推导方法，但它对数据量的要求较高，当毒性数据不足时，很难计算基准[13]。

基于此，本文通过比较、探讨现有方法学中毒性数据筛选原则以及模型计算方法，初步建立适合我国水生态基准研究的数据筛选原则以及科学合理的基准计算方法，以期为建立我国水生态基准推导方法学提供研究基础和科学依据。

1 数据筛选

1.1 数据的数量与质量

无论何种基准推导方法，最可靠确凿的基准都需要大量的、高质量的不同生物类群的生态毒性数据，而理化数据可以对毒性试验数据进行适当的补充解释，如判断某一物质的生物可获得性或某一类化学物质的毒性。为了保证数据的相关性，如何搜集数据成为了基准方法中重要的组成部分。各国都对数据的搜集提出了相应的规定，总结起来主要包括：在线/即时数据库(最新期刊、化学文摘、毒性数据库)，公开发表文献中的急慢性毒性数据，国际标准文件，图书，手册指南，内部数据及关于生态毒理学的调查文件[6-,7,9]。其中最重要的数据来源为在线的毒性数据库以及公开发表的文献。

为了提高水质基准的准确性，用于推导水质基准的数据必须满足一定的质量标准。所有的基准推导方法对生态毒理数据和理化数据都提出了具体的质量要求。对于生态毒理数据，欧盟“关于风险评价的技术纲领”依据“可靠性”和“相关性”的原则评价数据的质量[15]。可靠性是指试验所采用的方法是否按照标准的实验方法，试验过程和试验结果的描述是否清楚、合理。相关性是指所得试验数据的效应和终点是否与特定的风险评价相一致。类似地，英国、荷兰、加拿大、澳大利亚/新西兰也依据“可靠性”和“相关性”(或者其中的1种)原则评价数据的质量和等级[7-9]，主要包括试验过程、化合物的纯度、试验所选物种、物种生命阶段、暴露时间、试验终点、试验类型、水质参数、是否建立剂量-效应关系等方面的评估。USEPA(United States Environmental Protection Agency)的基准推导指南指出所用的数据必须来自于已发表的文献中，或者其他如手稿等(须注明日期、类型、编号等)，报告中必须提供足够的佐证资料来证明试验过程和结果的可靠性[6]。对于理化数据，只有少数国家的指南提出了具体的数据质量要求。荷兰规定固体水分配系数(KP)需要按照OECD(Orgnization for Econmic Cooperation and Development)的准则通过试验获得，水溶性的确定必须是在适当的温度下，通常是在25oC，与实验室毒性试验的标准温度相匹配[9]。USEPA对用于确定最终残留值(final residue values, FRVs)的生物浓缩因子(bioconcentration factors, BCF)也提出了具体规定[6]。总而言之，任何用于基准推导的理化数据都必须确保其质量符合一定的标准要求。一般来说，目前通用的、通过标准的试验方法(如ASTM、OECD)得到的数据都可以用来作为推导水质基准的参数。

许多国家在制定水质基准时往往面临一个共同的问题：可用的毒性数据太少。只有极少数的化学品具有涵盖了不同生物类群的急慢性毒性数据，而相当一部分的化学物质只有急性毒性数据，而且很多新的化学品基本没有任何生态毒性数据。不同的基准计算方法，对所需毒性数据量的要求也不同。目前最常用的2种计算基准的方法是评估因子法(assessment factors, AF)和物种敏感度分布曲线法(species sensitivity distributions, SSDs)，关于这2种方法使用的具体内容将在2.1和2.2部分详细介绍。在利用AFs推导水质基准时，由于评估因子的大小依赖于数据的类型和数据集的大小，因此，不同的国家对数据集合大小的要求差别不大。然而在利用SSDs推导水生态基准时，现有方法对所需毒性数据量尚未有统一的标准。澳大利亚/新西兰水质基准纲领中提到，推导高可靠性的触发值(high reliability TVs)需要至少3种以上多物种慢性毒性NOEC值或者5种以上不同种类单一物种慢性毒性NOEC值；中度可靠性触发值(moderate reliability TVs)需要至少5种以上单一物种的急性毒性值[7]。USEPA推导最终慢性毒性值要求8种以上不同物种的最大可接受浓度值[6]；OECD推导1个精确的评估效应结果要求至少5种不同种类物种的慢性NOEC值[16]。与美国不同的是，当慢性毒性数据不足时，OECD并未采用急慢性毒性比(acute-to-chronic ratio, ACR)的方法来推导慢性基准，而是用单一物种的急性毒性值除以1个安全因子得到污染物环境关注水平(environmental concern level, ECL)来表示慢性基准。加拿大水质基准纲领要求至少6个物种包括北美地区常见的3种鱼类(至少1种冷水鱼和1种暖水鱼)，2种水生无脊椎生物和1种水生植物或者藻类的毒性数据[8]。欧盟的技术纲领文件用8种不同类群生物的至少10个慢性NOEC值推导预测无效应浓度(PNEC)值[15]，包括2种鱼类，1种甲壳类生物，1种昆虫，节肢动物门和脊索动物门以外的1种生物，昆虫类其他未代表的1种，1种藻类和1种高等植物。

从参数统计的角度来看，SSDs法最少需要不同物种毒性数据量的范围为4～10个。虽然有研究讨论过当样本数据很少时(n≤3)统计方法的使用情况[17]，但由于其不确定性，所得基准值的实际应用价值很低。Wheeler等[13]中指出对某一特殊评估终点(如：HC5，化合物对5%的物种存在潜在危害的浓度)的可靠评估需要最少10个以上的数据量。另外有研究认为5个不同物种的毒性数据足够用于SSDs方法推导基准，而最为理想的是能有7个不同物种的毒性数据[18]。Jagoe等[19]1997年提出1种非参数法(bootstrapping)用以解决SSDs方法样本符合某种特定分布的假设，随后，Newman等[20]2000年提出这种非参数法需要的样本数量为15～55。但考虑到生态毒性数据的普遍缺乏，目前这种非参数法并没有用于基准的推导。综上所述，大多数国家的纲领文件规定，用参数统计方法推导基准最少需要5个样本数据，当毒性数据不足时，只能用评估因子法推导基准。

1.2 本土物种与非本土物种

从保护生物多样性的角度出发，制定水质基准和标准必须考虑不同生物分类和营养级别的各种水生生物；并且物种多样性存在地理分布差异，这影响着不同地区的物种敏感度分布。从美国基准中测试急性毒性的程序要求来看，鲑鱼科生物(salmonidae)的毒性反应处于显著的地位，这与该科的鱼类在北美洲分布广泛有关。因此，USEPA特别规定在制定水生生物基准时不能使用北美地区以外的物种，以免影响到美国基准的正确性[6]。同样，澳大利亚利用SSD方法推导水生态基准时，也建议只用澳大利亚本地的或者区域水生态毒理数据[7,21]。然而由于慢性毒性试验的复杂性以及高成本使得这类毒性数据很难获得，特别是针对特定区域的水生物种。由于基于某一区域水生物种毒性数据推导的水生态基准能否为其他区域的水生物种提供足够保护的不确定性，使得非本地种是否可以用来推导区域水生态基准一直存在争议[21]。这种争议的根本原因是本地物种毒性数据的缺乏，尤其是在中国。中国由于地理区域广阔，水生物种种类繁多，本地物种的实验室培育以及毒性试验仍然缺乏标准的方法。

在研究非本地种是否可以用来推导特定区域水生态基准方面，一些学者的研究可以给出一些启示。金小伟等[11,22]推导了3种氯酚类化合物基于中国本地水生物种的水生态基准值，并与基于非本地物种毒性数据(来自于ECOTOX数据库)推导的水生态基准值进行了比较，研究结果显示2,4-二氯苯酚和2,4,6-三氯苯酚基于不同区域水生物种推导的水生态基准值基本相似，其物种分布曲线没有显著性差异(P>0.05)，对于五氯苯酚，虽然其基于本地种的水生态基准值在数值上略小于非本地物种推导的基准值，但是基本在同一个数量级，且比较其物种分布曲线未发现显著差异[22]。从全球范围来看，有研究表明通过比较HC5值，澳大利亚本土种和非澳大利亚本土种对化合物硫丹的敏感性没有显著性差异[21]。Dyer等[23]和Maltby等[24]的研究分别显示，在北美和欧洲不同地理分布区域的物种有着相似的敏感性。另外，Maltby等[25]研究了16种杀虫剂，指出栖息环境(海水、淡水、静水、流水)和地理分布区域(古北区、新北区、温带、热带)对于构建物种敏感度分布曲线(用于推导水生态基准)没有显著性影响，而物种的种类则影响其敏感度分布。

然而有研究发现，在仔细比较本地种数据和非本地种数据时，其物种组成存在一定的差异性，因此在数据的比较过程中缺乏一种等价性。通常情况下，由于本地物种毒性数据的缺乏，用于推导基准值的本地物种，其生物多样性相对较低，这样引入高敏感物种而引起推导结果发生偏颇的可能性大大增加。另一个需要考虑的因素是有效数据的代表性，比如所筛选的物种必须能够代表特定区域水环境自然特征。因此，虽然在本地数据极度缺少的情况下不得不通过非本地物种的毒性结果来推导本区域水生态基准，为了避免数据的偏颇和可能出现的结果上的差异，在比较本地种和非本地种时，一定要考虑数据的对等性和代表性。

1.3 实验室试验与野外现场试验

USEPA介绍了确定水体NOEC最理想的方法，通过向一些干净的水体中加入不同浓度的化学物质观察无明显效应产生时能允许的最高浓度[6]。显然这种方法并不可取，而必须依靠小规模的、从单一物种或多物种的实验室试验到多物种野外试验的毒性研究。虽然环境暴露模型选择数据时规定，优先选择的毒性数据顺序是：野外现场试验，中宇宙/微宇宙试验，多物种的实验室暴露测试，单一物种的实验室暴露测试。但是最丰富、最可靠且最容易获得的数据往往都是单一物种的实验室试验数据，而其他数据则普遍被认为缺乏标准化、重复性和再现性。对于微/中宇宙试验，通过对试验重复性的研究，发现变异系数(coefficient of variation, CV)平均为45%[26]。有的基准方法中推荐使用多物种的毒性试验推导水质基准，但其中一个最大的问题是多物种毒性试验数据相对缺乏且数据之间存在很大差异。荷兰使用的基准方法中多物种现场试验数据并没有用来推导基准，而是和单一物种实验室试验推导的环境风险限值(ERLs)进行比较，同时为了使所得数据更加可靠，方法中规定所用的数据必须满足特定的要求[9]。OECD利用现场多物种试验数据来评估生态系统研究的可接受性，这对于评估化学品在野外条件下暴露的影响效应非常有用，为了更具有说服力，试验数据必须包括组成生态系统关键物种的NOEC值以及明显的剂量-效应关系[16]。

考虑到试验的成本效益、再现性以及可靠性，大多数基准推导方法学不使用多物种的现场试验数据来推导水质基准。澳大利亚/新西兰、德国、英国以及欧盟的方法中规定只要现场或者微宇宙试验过程符合可接受的标准，其试验数据可以用来推导水质基准。在实际情况下很少有直接利用现场数据来推导水质基准，更多地是将它们和单一物种的实验室数据推导的基准进行比较，并通过对单一物种试验基准的校正，避免对水生生物的“过保护”和“保护不足”。

Hose等[21]基于硫丹的急性毒性试验比较了实验室数据与现场监测数据之间的物种敏感度分布差异，结果显示，排除自然环境因素(光照、温度等)干扰的实验室数据不会对风险评估的结果产生显著影响。基于实验室数据推导得出HC5值在数值上略小于中宇宙试验数据推导的结果，因此基于实验室数据获得的基准值可以保护实际环境中的水生生物安全。同样，Sleck等[12]也得出了类似的结论。Versteeg等[27]详细讨论了为什么测试生物在实验室试验会比野外现场试验更加敏感。实验室研究和半现场(semi-field)试验由于在水质状况、栖息地适应性等方面存在的差异性可能导致实验室条件下敏感性增加[27]。而这种差异可以通过评估因子(如美国使用水效应比)的校正后获得最终水生态基准值[28-29]。

1.4 常规测试指标和非常规测试指标

传统的生物毒性测试终点包括：生存、生长和繁殖等。因为这些效应很容易与群落效应关联起来，所以也常被用来推导水质基准用于保护整个生态系统。非传统的测试终点包括：内分泌干扰、酶活性的诱导、抑制效应、行为效应、组织效应、应激蛋白诱导效应、致癌效应、致突变效应以及DNA和RNA水平的变化等，但这些非传统的测试终点只有极少数能够建立个体与种群、群落及生态系统之间的效应关系，有些学者则认为由于生物自身的损伤修复和生理适应能力，分子、激素水平的变化不一定能够引起种群效应的改变[30]，但是种群的变化一般都会有相应的个体死亡，生长抑制，繁殖力下降现象，由此建议考虑基于种群水平的水质基准推导方法以及生态风险评估技术[31]。因而非传统的测试终点很少用于推导水质基准。USEPA只用传统测试终点的数据推导水质基准，将非传统测试终点的数据归类为“其他数据”[6]；荷兰推导水质基准的测试终点只包括生存、生长和繁殖效应，但是其他一些效应如生殖器官的病变、产卵量、受精率、孵化率等也被归纳为“繁殖效应”[32]。OECD的方法中除了使用传统的测试终点，在推导水质基准的时候也考虑了生化测试终点[16]。加拿大将病理学、行为学、生理学的效应作为次等数据用于推导临时基准[8]。

Van der Oost等[33]提出很难预测什么程度的生化变化会影响整个群落或生态系统的健康发展。卵黄蛋白原(VTG)的变化、性激素水平和性腺的大小常作为生物标记物来评估污染物对鱼类生殖系统的潜在危害[34]。Hutchinson等[35]认为这些生物标记物可以作为指示牌(signpost)，优先考虑用于辅助对水、沉积物、生物群的化学及生物分析。但对于这些标记物的使用需要防止假阴性现象[35](例如机能响应与生物标记物响应不相关)或假阳性现象[36](例如生物标记物响应未伴随相应的机能响应)的出现。为了更好地了解个体生物标记物效应与整个种群、群落以及生态系统之间的关系，有研究提出利用模型通过生物标记物响应预测种群水平的效应[37-40]。但是利用生化指标，行为学以及其他一些非传统的测试终点来实现对整个群落、生态系统水平影响的预测依然很少，如何科学的使用这些非传统的测试终点预测生态系统的无效应水平需要进一步的研究。

1.5 数据的整理

对于给定化合物，不同暴露时间、不同测试终点的毒性数据往往有不同的表示方式，如NOEC、LOEC、LC/ECx，因此，对这些数据进行筛选或将它们标准化是水质基准推导过程中必不可少的部分。当某一物种对某一化学物质在特定测试终点的毒性数据有多个的时候，就需要对数据进行初步的整理后再用来推导基准值。大多数的方法是用几何平均值来表示毒性数据的集中趋势。但是，有些学者认为算术平均法由于其公正性、容易计算且具有更多的科学意义而更适合用来处理环境毒性数据[41]。美国推导水质基准的纲领认为对于符合正态分布的数据，几何平均的方法更适合于数据整理，并且明确规定种平均急性值(species mean acute values, SMAVs)是单个物种急性毒性值的几何平均值。而属平均急性值(genus mean acute values, GMAVs)是通过SMAVs的几何平均获得[6]。澳大利亚/新西兰、荷兰使用的基准推导方法规定对于某一物种的特定测试终点有多个数据时，用几何平均的方法进行数据的整理；对于某一物种不同测试终点或不同生命阶段的毒性数据，选择最敏感测试终点或最敏感生命阶段的毒性数据来推导基准值[7,9]。欧盟风险评价的技术纲领规定当一个测试物种有多个毒性数据时，应该选择最符合欧州环境参数的一组数据，而且选择最敏感测试终点，当某一相同的测试终点有多个毒性数据时用其几何平均值进行整理[15]。同样，OECD也用几何平均的方法对某一物种同一测试终点的毒性数据进行整理，不同的是，对于不同测试终点的毒性数据，OECD选择最小的值来推导基准[16]。

2 模型计算

2.1 评估因子法(AF)

目前，法国、德国、西班牙、英国等使用评估因子法(AF)推导水质基准[42-43]，即利用数据集中最小的毒性数据乘以(或除以)一个因子得到基准。其他一些国家/地区或组织，包括澳大利亚/新西兰、荷兰、美国、加拿大、欧盟、OECD等同时使用SSD法和AF法。在法国，用于单一物种毒性数据AFs值的范围是1～1 000，直接用急性毒性值得到低水平基准(AF=1)，而对于高水平基准利用慢性NOEC值除以10或者急性毒性值除以1 000获得[42]。西班牙用最敏感物种的毒性数据推导基准值，对于急性毒性值(LC/EC50)乘以安全因子0.01，对于慢性毒性值(NOEC)乘以0.1。英国使用数据集中最低的不利效应浓度除以某个安全因子。其中最大可接受浓度(MAC)是用最小的急性毒性数据除以安全因子(一般为2～10)得到，累年平均(annual average, AA)浓度是用慢性毒性数据除以安全因子(一般为1～100)获得[43]。荷兰通过“初步效应评价”的过程利用评估因子法推导最大允许浓度(MPC)和严重风险浓度(SRCECO)，但仅仅是在不同物种慢性毒性数据不足4个或者只有急性毒性数据的情况下，评估因子根据数据类型的不同在1～1000之间[9]。当毒性数据不足时OECD推荐用最小的慢性NOEC除以10或者最小的急性毒性值除以100来推到水质基准。如果只有1个或2个不同物种的急性毒性数据时，采用1 000作为安全因子[16]。在通常情况下，澳大利亚/新西兰的基准都是通过单一物种毒性试验数据利用SSD法推导获得，当毒性数据不足时，纲领中规定可以使用评估因子法推导触发值(TVs)。对于不同物种急性毒性数据超过5个的数据集，用最小的急性毒性数据除以10可获得中度可靠性TVs，对于很小的毒性数据集可利用除以评估因子20～1 000来推导低可靠性TVs[7]。美国推导水质基准的纲领中规定当慢性毒性数据不足时，可以通过最终急性值(FAV)除以最终急慢性毒性比(FACR)来获得最终慢性值(FCV)[6]。

评估因子、安全因子、评估系数、急慢性毒性比等都是以乘数的方式通过毒性测试值来预测真实环境中的事件。但是这些安全系数的决定更多是依靠国家的政策而不仅是经验科学，因此有评估因子法仅仅是保护环境的一种手段，而不能对环境中潜在风险进行预测，同时可能会造成对环境的“过保护”[44]。Chapman等[14]建议在使用评估因子法时应该遵从以下原则：1)只有科学有效的数据才可以用来推导基准；2)评估因子法的使用应该基于现存的科学知识背景；3)评估因子法只可以用作评估效应水平的数据筛选，而不能用来推导阈值；4)评估因子应该包括一定范围内的不同值而不是某一个单一的数值；5)由于不同化学物质的潜在风险和性质不同，其评估因子的大小也不相同。6)一些无用的“过保护”往往是没必要的，因此对于个别推导过程评估因子不应该大于10。

2.2 物种敏感度分布曲线法(SSDs)

物种敏感度分布曲线(SSDs)在20世纪70年代末就被美国和欧洲国家建议用来推出环境质量标准，其后它在概率生态风险评价和水质基准或标准的制定过程中起到了非常重要的支持作用[13,20,45]。USEPA是最早利用SSD方法基于有限的数据推导出水质基准用于保护水生态系统中绝大多数的物种[6,46]。在欧洲，也发展了对敏感物种危害浓度(hazard concentrations, HCs)的概念[16,18]。关于SSD技术最新的应用是在澳大利亚/新西兰的水质基准推导方法中[7]。这些对于SSD方法的描述主要区别在于使用外推法时选择何种的曲线分布。另外对数据类型和数据量的要求、置信度以及在假定曲线分布时数据的汇总各方法也各不相同。唯一一致的是各方法都选择5%作为删减度推导PNEC从而实现对95%以上物种的保护。

SSD方法的第一步是描绘各数据的累积概率分布曲线。这种方法是假设这些数据是对所有物种随机抽样的，并可以用一定的分布曲线表示。USEPA假设符合三角分布，荷兰的方法学认为符合正态分布(ETX 2.0 程序)[47]。OECD方法规定可根据数据的类型选择正态分布(log-normal distribution)或者逻辑斯蒂克分布(log-logistic distribution)。一方面，OECD承认USEPA采用毒性数据中最敏感的几个有效值的特点，因为高的毒性数值并未对曲线的分布造成明显的影响；另一方面，有学者认为USEPA仅仅通过4个最敏感物种的毒性数据要达到对绝大多数物种保护水平的方法不够合理[48]。另外，澳大利亚/新西兰方法认为USEPA关于毒性数据的要求过于严格，而且没有任何生物学的理论基础可以合理解释为何选择这种三角分布[7]。因此提出通过选择拟合最佳分布(BurrliOZ v.1.0.13程序)来克服数据与假设分布不相符的问题。为了回避在选择假设分布时的争论，一些学者建议最好不假设曲线的分布形状而采用一种非参数的理论去实现基于单一物种毒性试验的群落或生态系统效应评价。但Grist等[49]发现在确定HC5时参数法和非参数法存在显著的差异，没有一个统一的标准来评判2种理论方法的合理性。

在使用SSD方法推导基准时需要选择分布曲线上某一个百分数作为删减度的分界点，这就意味着当化学物的浓度低于基准值时分布在这一点之上的物种将得保护，但是分布在这一百分位之下的物种会受到化学物质的影响或损害。利用SSD方法推导水质基准时通常用百分位5th，一些方法中称用HC5表示，即可影响5%物种的危险浓度。也有一些学者认为将HC5解释为5%的物种将受到影响是不正确的，HC5只是用来推导PNEC的一种方法。Solomon等[50]认为只要能够保护生态系统的结构和功能的完整性，任何的百分位都可以选择作为物种保护的删减度。美国的基准方法认为用10th或1st推导基准时可能使保护度偏低或偏高，因而选择两者之间百分位5th，尽管如此，有研究显示美国的基准值和无效应浓度之间有很好的一致性[51]。荷兰选择百分位5th推导MPC，选择50th推导SRCECO，但纲领中并没有具体说明选择的原因。澳大利亚/新西兰依旧选用百分位5th，其中一个简单的原因是用它推导得出的触发值(TVs)与多物种毒性试验NOEC值一致，另外，其他研究也发现了两者之间很好的相关性[21,25]，因而在目前的基准方法中一般选择百分位5th作为物种保护删减度。

采用SPSS22.0（IBM公司，美国）统计软件进行数据录入及统计学分析，术中手术时间、出血量、骨折愈合时间等计量资料以（均数±标准差）表示，采用t检验；治疗优良率等计数资料以（n，%）表示，采用χ2检验，以P＜0.05表示差异具有统计学意义。

用统计外推法得出的基准结果与实际环境中真实的无效应浓度之间可能存在一定的差异，因而基准方法学中利用置信度的概念来评价这种不确定性。除了美国，其他使用SSD法推导水质基准的方法学中规定了具体的置信水平。一般情况下用50%、90%、95%或者其他级别的确定性来表述外推法得出的基准值高于(或低于)真实的HC5值。虽然这些置信度都可以用来推导基准值，但是从统计学的角度选择50%的置信度(又称中位数评估)更有实际意义[7,52]。荷兰利用50%的置信度推导MPCs和SRCECO，同时也提出了90%的置信区间[9]。澳大利亚/新西兰也按照荷兰使用HC5的中位数评估法(50%)来推导MTC。欧盟风险评价技术纲领用PNEC的中位数评估法，同时也考虑用95%的置信度来判断一个评估因子是否可以被用来推导PNEC值。OECD规定可选择50%或者95%的置信水平来评估HC5。

2.3 其他方法

生态毒理学模型由于其能对区域水生态系统进行表征，并能把各营养级的相互关系进行量化，同时能反映由于毒物的作用引起的物种间的间接效应，因此被广泛地用于水环境中污染物的生态风险评估，如AQUATOX模型[53-54]。生态毒理学模型主要是根据生态系统中各物种或种群的生物量来表征风险。并且定义某物种在与无毒性物质存在情况下相比其生物量在±20%的变化(EC20)是正常的，超过这个范围则认为存在风险。这主要是从生态系统的结构稳定性上和经济学价值上的综合考虑。由于它能够表征水质，这一点更符合区域水生态基准的制定要求。一些学者曾尝试用生态毒理学模型来推导区域水生态基准值进而评价污染物对区域水环境存在的风险[2,55]。由于生态毒理模型对数据量的要求较高，其本身的模型参数也需要本地数据校准，阻碍了其在水生态基准推导过程中的使用。另外以EC20作为生态系统安全的阈值本身也存在争议[56]。然而由于其能够表征区域特性，以及种间相互作用关系，是今后污染物风险评估技术的发展方向。

USEPA研发的种间关联预测模型(interspecies correlation estimates, ICEs)通过使用替代物种的毒性试验结果来预测其他包括143种水生及陆生生物的急性效应。该模型涵盖了120种鱼类、无脊椎动物的4 472个急性毒性数据以及2 084个种间回归模型，使其成为最全面的种间比较、分析工具[57]。因此，USEPA开发了Web-ICE 3.0程序通过ICE模型及SSD模型推导污染物的环境安全浓度值。一些学者对其预测的结果进行了比较分析，研究结果显示通过一定安全系数校正的ICE预测结果可以用于保护水生态环境的安全[58-61]。但是由于ICE模型只能预测急性毒性的结果，针对某些特殊的污染物通过急性毒性结果外推的慢性毒性结果不能真实反映污染物对生物体的长期影响，比如一些激素类化合物其急性毒性相对较小，而通过长期的暴露，在很低的剂量下也可能会影响生物的繁殖和发育。此外ICE模型涵盖的生物大多为北美地区的物种，对于是否可以利用其他地区的生物建立区域水生态基准还存在争论。

3 发展我国水生态基准推导方法学

迄今为止，我国尚未系统编制过一套基于科学理论和充足数据支持的水生态基准。其根本原因在于水生态基准研究基础薄弱，缺乏具有可操作性的水生态基准制定方法学。导致现有水质标准科学依据也不充分，对水生态系统的保护不够和过分保护。2002年修订的中国《地表水环境质量标准》(GB3838—2002)目的是保护水资源的不同使用功能[62]。标准中涉及到有机有毒污染物，主要针对集中式生活饮用水地表水源地，绝大多数是套用我国《生活饮用水卫生规范》中的标准值。从维护中国水生态系统的长远利益来看，根据我国区域水体的实际水质特性与水生态系统的结构特征制定相应的区域性水生态基准，建立基于维护水体生态系统健康的水质基准制定方法学与规范，将为我国水生态基准的制定，进而为水质标准的制定提供科学依据。然而，一种完全独立的、全新的方法学的建立是一项耗资巨大且旷日持久的过程，水生态基准方法学的研究可能更适合于在现有方法学的基础上去芜存精。借鉴国外制定水生态基准方法学的经验，结合本国特色的案例研究，发展有中国区域特色的水生态基准方法学。

在基准的案例研究方面，最初的基准研究基本上都是参考美国的标准技术文件展开的，通过结合中国本地物种实验结果，从而探讨中国淡水水生生物水质基准，如丙烯腈、硫氰酸钠和乙腈以及取代酚类污染物基准[63-64]。然而美国水质基准纲领制定时间较早，随着科学的不断发展，其存在的弊端也是非常明显，比如美国制定水质基准在数据的筛选时对植物毒性数据考虑很少，这对于制定农药类水质基准存在一定的问题；此外美国仅通过4个最敏感物种的毒性数据要达到对绝大多数物种保护水平的方法不够合理。随着基准研究的不断深入，一些学者开始借鉴其他国家/地区如欧盟的研究方法，采用国际上普遍认可的物种敏感度分布法(SSDs)对某些污染物展开系列研究，进而推导出污染物的水质基准值，雷炳莉等[2]以太湖为例对几种氯酚类化合物的水生生物基准进行了推导。值得一提的是，近年来金小伟等[11,22,44]基于中国本地种构建了3种氯酚类化合物的水生态基准，并对不同区域水生物种敏感性差异以及不同基准推导方法进行了系统的比较。这些工作对我国水生态基准方法学的发展起到了积极的作用。

基于国内外关于水生态基准推导方法学的基础，以“保护我国水生生物避免有害物质的不利影响，保护我国水生态系统及其功能的完整性”为目的，发展适合我国水生态基准方法研究的数据筛选与模型计算方法(表1和表2)。

鉴于大多数国家水质基准纲领文件中对数据量的规定，同时由于非本地种是否可以用来推导特定区域水生态基准一直存在争议。笔者推荐在使用SSD方法推导我国的水生态基准值时，选择的本土水生生物测试种应至少涵盖3个营养级：水生植物/初级生产者、无脊椎动物/初级消费者、脊椎动物/次级消费者。选择的本土水生生物测试种应囊括至少5个不同种类，包括至少1种硬骨鱼(如鲤科鱼类)、至少1种浮游动物(例如大型蚤、轮虫)、至少1种大型底栖动物(例如河蚬、青虾)、至少1种浮游藻类(例如小球藻)和至少1种大型水生植物(例如浮萍)。

选择的水生生物测试种中必须包括我国的本土优势种，或者当地的主要经济种、娱乐种。应有纯粹的基因品系和稳定的来源，排除杂交品系和污水生物种。水产养殖场以及交易市场上的水生生物，由于其长期食用激素类药物及饲料，因此也应排除在外。对于一些已经证明本地种和非本地种敏感性无明显差异的污染物，非本地物种(如国际通用模式水生物种)的毒性数据可用于环境风险的评估。在毒性试验中，本地试验生物的选择一般应从下列几方面来考虑：(1)敏感性与一致性。受试生物对实验毒物具有敏感性及对毒物反应有一致性。(2)普遍性与可试验性。受试生物应具有广泛的地理分布和足够的数量，经得起实验室检验、保养容易、遗传稳定。

表1 生态毒性试验中评价数据的等级指标Table 1 Evaluation index of ecotoxicity test data for deriving aquatic life criteria (ALC)

受试生物应具有丰富的生物学背景资料，人们已经清楚地了解了受试生物的生活史、生长、发育、生理代谢等。受试生物对试验毒物的反应能够被测定，并具有一套标准的测定方法和技术。(3)生态关联性。受试生物应该是生态系统的重要组成成分，是重要的生态类群代表(根据分类学、营养学水平)，具有重大的生态学价值。所选择各受试生物种群充分代表了流域不同生态营养级别，并应考虑与人食物链的联系。(4)受试生物应具有重要的经济价值和旅游价值。此外，还应考虑到受试生物的个体大小和生活史长短，以前是否接触过待测试物等异常情况，例如，曾经受污染的情况。

表2 水生态基准数据筛选与计算方法Table 2 Data screening and model calculating for deriving aquatic life criteria (ALC)

适合于基准推导的试验终点有生存、生长和繁殖，同时也包括了行为学(行动抑制等)和种群水平的指标。除此之外，其他试验终点如果可以和生存、生长、繁殖效应关联起来，也可以用于基准的推导。对于搜集的大量的理化数据和生态毒性数据可依据“可靠性”和“相关性”的原则评价数据的质量。对于某一物种的特定测试终点有多个数据时，用几何平均的方法进行数据的整理；对于某一物种不同测试终点或不同生命阶段的毒性数据，选择最敏感测试终点或最敏感生命阶段的毒性数据来推导基准值。

考虑不同大小的毒性数据集，当毒性数据不足时使用AF法(慢性NOEC值除以10或者急性毒性值除以1 000获得)或ICE模型预测来计算水质基准(表2)。当毒性数据充足的条件下使用SSD方法。对于采用不同分布方式的争论，以及采用非参数法不考虑分布方式的假设，都是在假定的分布方式能很好地拟合数据或者为了平息相互之间的争论，因而从根本上都是无效的，因为大多数情况下所掌握的数据并不符合既定的假设分布。目前所有方法的使用都集中在基准的推导。荷兰采用正态分布是建立在双对数分布(log-log distribution)的基础之上，OECD认为三角分布、正态分布、逻辑斯蒂克这3种分布得出的结果非常相似[15]。澳大利亚/新西兰开发的BurrliOZ v.1.0.13程序可通过选择拟合最佳分布(如逻辑斯蒂分布、正态分布、威布尔分布、Burr III分布)来克服数据与假设分布不相符的问题；同时该程序也考虑了基准计算过程的置信度水平，因此很适合于基准的计算与推导。另外在推导水质基准的过程中需要考虑到水质特征(如pH、温度、硬度等)对基准值的影响，并通过水质参数利用生态毒理模型对基准值进行校正。SSD方法已经在概率生态风险评价和水质基准或标准的制定过程中起到了非常重要的支持作用。是未来一段时间制定水生态基准的主要方法。在使用SSD方法时应当考虑以下假设：1)如果生态系统中95%的物种得到保护，则整个生态系统也得到了保护；2)毒性数据是对称分布的；3)每个毒性数据都代表独立的随机样本(OECD 1995)。虽然SSD方法的使用目前也存在很多争议，但是当数据充足的前提下，SSD方法也可以对生态系统提供合理的保护水平。相对于评估因子法，SSD方法在推导基准值时有很多的优点，尤其是在风险管理中可以选择适当的保护水平以及置信度。因此，目前用SSD方法推导的基准被认为可以对生态系统提供足够的保护，但同时也需要随着野外试验毒性数据的补充去进一步证明。

致谢：感谢南京大学环境学院张效伟教授，美国加州洛杉矶区域水质管理委员会水质管理专家开根森先生对本文的审阅以及提出的宝贵意见！

[1] 金小伟, 雷炳莉, 许宜平, 等. 水生态基准方法学概述及建立我国水生态基准的探讨[J]. 生态毒理学报, 2009, 4(5): 609-616

Jin X W, Lei B L, Xu Y P, et al. Methodologies for deriving water quality criteria to protect aquatic life (ALC) and proposal for development of ALC in China: A review [J]. Asian Journal of Ecotoxicology, 2009, 4(5): 609-616 (in Chinese)

[2] 雷炳莉, 金小伟, 黄圣彪, 等. 太湖流域3种氯酚类化合物水质基准的探讨[J]. 生态毒理学报, 2009, 4(1): 40-49

Lei B L, Jin X W, Huang S B, et al. Discussion of quality criteria for three chlorophenols in Taihu Lake [J]. Asian Journal of Ecotoxicology, 2009, 4(1): 40-49 (in Chinese)

[3] 吴丰昌, 孟伟, 宋永会, 等. 中国湖泊水环境基准的研究进展[J]. 环境科学学报, 2008, 28(12): 2385-2393

Wu F C, Meng W, Song Y H, et al. Research progress in lake water quality criteria in China [J] . Acta Scientiae Circumstantiae, 2008, 28(12): 2385-2393 (in Chinese)

[4] 孟伟, 张远, 郑丙辉. 水环境质量基准、标准与流域水污染物总量控制策略[J]. 环境科学研究, 2006, 19(3): 1-6

Meng W, Zhang Y, Zheng B H. The quality criteria, standards of water environment and the water pollutant control strategy on watershed [J]. Research of Environmental Sciences, 2006, 19(3): 1-6 (in Chinese)

[5] 穆景利, 王莹, 王菊英. 我国海水水质基准的构建：以三丁基锡为例[J]. 生态毒理学报, 2010, 5(6): 776-786

Mu J L, Wang Y, Wang J Y. Construction of marine water quality criterion in China: A case study of tributyltin (TBT) [J]. Asian Journal of Ecotoxicology, 2010, 5(6): 776-786 (in Chinese)

[6] USEPA. Guidelines for Deriving Numerical National Water Quality Criteria for the Protection of Aquatic Organisms and Their Uses. National Technical Information Service Accession Number PB85-227049 [R]. Washington D C: US Environmental Protection Agency, 1985

[7] Australian and New Zealand Environmentent and Conservation Council and Agriculture and Resource Management Council of Australia and New Zealand. Australian and New Zealand Guidelines for Fresh and Marine Water Quality [R]. Canberra: ANZECC&ARMCANZ, 2000

[8] Canadian Council of Ministers of the Environment. A Protocol for the Derivation of Water Quality Guidelines for the Protection of Aquatic Life. Canadian Environmental Quality Guidelines [R]. Ottawa: CCME, 2007

[9] National Institute of Public Health and the Environment. Guidance Document on Deriving Environmental Risk Limits in the Netherlands. Report No.601501012. [R]. Bilthoven: RIVM, 2001

[10] Isnard P, Garay V, Roman G. Evaluation of PNEC values: Extrapolation from microtox , algae, daphnid, and fish data to HC5 [J]. Chemosphere, 2000, 40(3): 267-273

[11] Jin X W, Zha J M, Xu Y P, et al. Derivation of aquatic predicted no-effect concentration (PNEC) for 2,4-dichlorophenol: Comparing native species data with non-native species data [J]. Chemosphere, 2011, 84(10): 1506-1511

[12] Selck H, Riemann B, Christoffersen K, et al. Comparing sensitivity of ecotoxicological effect endpoints between laboratory and field [J]. Ecotoxicology and Environmental Safety, 2002, 52(2): 97-112

[13] Wheeler J R, Grist E P M, Leung K M Y, et al. Species sensitivity distributions: Data and model choice [J]. Marine Pollution Bulletin, 2002, 45(1): 192-202

[14] Chapman P M, Fairbrother A, Brown D. A critical evaluation of safety (uncertainty) factors for ecological risk assessment [J]. Environmental Toxicology and Chemistry, 1998, 17(1): 99-108

[15] European Chemicals Bureau. Technical Guidance for Deriving Environmental Quality Standards. Common Implementation Strategy for the Water Framework Directive (2000/60/EC) [R]. Luxembourg: European Chemicals Bureau, European Commission Joint Research Center, European Communities, 2011

[16] Oranization for Economic Cooperation and Development. Guidance Document for Aquatic Effect Assessment [R]. Paris: OECD, 1995

[17] Aldenberg T, Luttik R. Extrapolation factors for tiny toxicity data sets from species sensitivity distributions with known standard deviation [M]// Posthuma L, Sunter G W II, Traas T P (eds). Species Sensitivity Distributions in Ecotoxicology. Boca Raton: Lewis Publishers, 2002: 103-118

[18] Van straalen N M, Denneman C A J. Ecotoxicological evaluation of soil quality criteria [J]. Ecotoxicology and Environmental Safety, 1989, 18(3): 241-251

[19] Jagoe R H, Newman M C. Bootstrap estimation of community NOEC values [J]. Ecotoxicology, 1997, 6(5): 293-306

[20] Newman M C, Ownby D R, Mezin L C A, et al. Applying species-sensitivity distributions in ecological risk assessment: Assumptions of distribution type and sufficient numbers of species [J]. Environmental Toxicology and Chemistry, 2000, 19(2): 508-515

[21] Hose G C, Van den brink P J. Confirming the species-sensitivity distribution concept for endosulfan using laboratory, mesocosm, and field data [J]. Archives of Environmental Contamination and Toxicology, 2004, 47(4): 511-520

[22] Jin X W, Zha J M, Xu Y P, et al. Toxicities of pentachlorophenol to native aquatic species in the Yangtze River [J]. Environmental Science and Pollution Research, 2012, 19(3): 609-618

[23] Dyer S D, Belanger S E, Carr G J. An initial evaluation of the use of Euro/North American fish species for tropical effects assessments [J]. Chemosphere, 1997, 35(11): 2767-2781

[24] Maltby L, Blake N, Brock T C M, et al. Addressing Interspecific Variation in Sensitivity and the Potential to Reduce this Source of Uncertainty in Ecotoxicological Assessments. DEFRA Project Code PN0932 [R]. London: UK Department for Environment, Food and Rural Affairs, 2002

[25] Maltby L, Blake N, Brock T C M, et al. Insecticide species sensitivity distributions: Importance of test species selection and relevance to aquatic ecosystems [J]. Environmental Toxicology and Chemistry, 2005, 24(2): 379-388

[26] Sanderson H. Pesticide studies-Replication of micro/mesocosm studies [J]. Environmental Science and Pollution Research, 2002, 9(6): 429-435

[27] Versteeg D J, Belanger S E, Carr G J. Understanding single-species and model ecosystem sensitivity: Data-based comparison [J]. Environmental Toxicology and Chemistry, 1999, 18(6): 1329-1346

[28] Rand G M, Clark J R. Hazard/risk assessment of pyridaben: II. Outdoor aquatic toxicity studies and the water-effect ratio [J]. Ecotoxicology, 2000, 9(3): 169-177

[29] Welsh P G, Lipton J, Chapman G A. Evaluation of water-effect ratio methodology for establishing site-specific water quality criteria [J]. Environmental Toxicology and Chemistry, 2000, 19(6): 1616-1623

[30] Nicholsi J W, Breen M, Denver R J, et al. Predicting chemical impacts on vertebrate endocrine systems [J]. Environmental Science & Technology, 2011, 30(1): 39-51

[31] Lin B L, Tokai A, Nakanishi J. Approaches for establishing predicted-no-effect concentrations for population-level ecological risk assessment in the context of chemical substances management [J]. Environmental Science & Technology, 2005, 39(13): 4833-4840

[32] Slooff W. RIVM Guidance Document. Ecotoxicological Effect Assessment: Deriving Maximum Tolerable Concentrations (MTC) from Single-Species Toxicity Data [R]. Bilthoven: National Institute of Public Health and the Environment (RIVM), 1992

[33] Van der Oost R, Beyer J, Vermeulen N P E. Fish bioaccumulation and biomarkers in environmental risk assessment: A review [J]. Environmental Toxicology and Pharmacology, 2003, 13(2): 57-149

[34] Bosker T, Munkittrick K R, Maclatchy D L. Challenges and opportunities with the use of biomarkers to predict reproductive impairment in fishes exposed to endocrine disrupting substances [J]. Aquatic Toxicology, 2010, 100(1): 9-16

[35] Hutchinson T H, Ankley G T, Segner H, et al. Screening and testing for endocrine disruption in fish-Biomarkers as "signposts," not "traffic lights," in risk assessment [J]. Environmental Health Perspectives, 2006, 114(s1): 106-114

[36] Hartung T. Toxicology for the twenty-first century [J]. Nature, 2009, 460(7252): 208-212

[37] De Coen W M, Janssen C R. A multivariate biomarker-based model predicting population-level responses of Daphnia magna [J]. Environmental Toxicology and Chemistry, 2003, 22(9): 2195-2201

[38] Kramer V J, Etterson M A, Hecker M, et al. Adverse outcome pathways and ecological risk assessment bridging to population-level effects [J]. Environmental Toxicology and Chemistry, 2011, 30(1): 64-76

[39] Miller D H, Jensen K M, Villeneuve D L, et al. Linkage of biochemical responses to population-level effects: A case study with vitellogenin in the fathead minnow (Pimephales promelas) [J]. Environmental Toxicology and Chemistry, 2007, 26(3): 521-527

[40] Fedorenkova A, Vonk J A, Lenders H J R, et al. Ecotoxicogenomics: Bridging the gap between genes and populations [J]. Environmental Science & Technology, 2010, 44(11): 4328-4333

[41] Parkhurst D F. Arithmetic versus geometric means for environmental concentration data [J]. Environmental Science & Technology, 1998, 32(3): 92A-98A

[42] Lepper P. Towards the Derivation of Quality Standards for Priority Substances in the Context of the Water Framework Directive [R]. Schmallenberg: Fraunhofer-Institute Molecular Biology and Applied Ecology, 2002

[43] Zabel T F, Cole S. The derivation of environmental quality standards for the protection of aquatic life in the UK [J]. Water and Environment Journal, 1999, 13(6): 436-440

[44] Jin X W, Zha J M, Xu Y P, et al. Derivation of predicted no effect concentrations (PNEC) for 2,4,6-trichlorophenol based on Chinese resident species [J]. Chemosphere, 2012, 86(1): 17-23

[45] Aldenberg T, Slob W. Confidence-limits for hazardous concentrations based on logistically distributed NOEC toxicity data [J]. Ecotoxicology and Environmental Safety, 1993, 25(1): 48-63

[46] US Environmental Protection Agency. Water Quality Guidance for the Great Lakes System. Federal Register, 40 CFR Part 132. [R]. Washington D C: USEPA, 2003

[47] Aldenberg T, Jaworska J S. Uncertainty of the hazardous concentration and fraction affected for normal species sensitivity distributions [J]. Ecotoxicology and Environmental Safety, 2000, 46(1): 1-18

[48] Okkerman P C, Plassche E, Slooff W, et al. Ecotoxicological effects assessment: A comparison of several extrapolation procedures [J]. Ecotoxicology and Environmental Safety, 1991, 21(2): 182-193

[49] Grist E P M, Crane M, Jones C, et al. Estimation of demographic toxicity through the double bootstrap [J]. Water Research, 2003, 37(3): 618-626

[50] Solomon K R, Takacs P. Probabilistic risk assessment using species sensitivity distributions [M]// Posthuma L, Suter G W II, Traas T P (eds). Species Sensitivity Distributions in Ecotoxicology. Boca Raton: Lewis Publishers, 2002: 285-314

[51] Stephan C E, Rogers J W. Advantages of Using Regression Analysis to Calculate Results of Chronic Toxicity Tests [M]// Bahner R C, Hansen D J (eds). Aquatic Toxicology and Hazard Assessment: Eighth Symposium. Philadelphia: American Society for Testing and Materials, 1985: 328-388

[52] Fox D R. Setting water quality guidelines-A statisticians perspective [J]. SETAC News, 1999, 19(3): 17-18

[53] Park R A, Clough J S, Wellman M C. AQUATOX: Modeling environmental fate and ecological effects in aquatic ecosystems [J]. Ecological Modelling, 2008, 213(1): 1-15

[54] Lei B L, Huang S B, Qiao M, et al. Prediction of the environmental fate and aquatic ecological impact of nitrobenzene in the Songhua River using the modified AQUATOX model [J]. Journal of Environmental Sciences, 2008, 20(7): 769-777

[55] Lei B L, Huang S B, Jin X W, et al. Deriving the aquatic predicted no-effect concentrations (PNECs) of three chlorophenols for the Taihu Lake, China [J]. Journal of Environmental Science and Health Part A, Toxic/Hazardous Substances & Environmental Engineering, 2010, 45(14): 1823-1831

[56] Van der hoeven N, Noppert F, Leopold A. How to measure no effect. Part I: Towards a new measure of chronic toxicity in ecotoxicology. Introduction and workshop results [J]. Environmetrics, 1997, 8(3): 241-248

[57] Dyer S D, Versteeg D J, Belanger S E, et al. Interspecies correlation estimates predict protective environmental concentrations [J]. Environmental Science & Technology, 2006, 40(9): 3102-3111

[58] Awkerman J A, Raimondo S, Barron M G. Development of species sensitivity distributions for wildlife using interspecies toxicity correlation models [J]. Environmental Science & Technology, 2008, 42(9): 3447-3452

[59] Dyer S D, Versteeg D J, Belanger S E, et al. Comparison of species sensitivity distributions derived from interspecies correlation models to distributions used to derive water quality criteria [J]. Environmental Science & Technology, 2008, 42(8): 3076-3083

[60] Raimondo S, Mineau P, Barron M G. Estimation of chemical toxicity to wildlife species using interspecies correlation models [J]. Environmental Science & Technology, 2007, 41(16): 5888-5894

[61] Qi P, Wang Y, Mu J L, et al. Aquatic predicted no-effect concentration derivation for perfluorooctane sulfonic acid [J]. Environmental Toxicology and Chemistry, 2011, 30(4): 836-842

[62] 夏青, 陈艳卿. 水质基准与水质标准[M]. 北京: 中国标准出版社, 2004: 14-15

[63] Yin D Q, Hu S Q, Jin H J, et al. Deriving freshwater quality criteria for 2,4,6-trichlorophenol for protection of aquatic life in China [J]. Chemosphere, 2003, 52(1): 67-73

[64] Yin D Q, Jin H J, Yu L W, et al. Deriving freshwater quality criteria for 2,4-dichlorophenol for protection of aquatic life in China [J]. Environmental Pollution, 2003, 122(2): 217-222

◆

MethodologiesforDerivingAquaticLifeCriteria(ALC):DataScreeningandModelCalculating

Jin Xiaowei1,2，Wang Yeyao1, Wang Zijian2,*

1. China National Environmental Monitoring Center, Beijing 100012, China 2. Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China

22 February 2013accepted26 March 2013PublisheddateonCNKIdatabases:27 November 2013

Aquatic life criteria (ALC) should be based on scientific and existing data and models in order to ensure the most effective aquatic life methodology. This review was undertaken to identify key outstanding issues of data screening and model calculating regarding the establishment of ALC, including data quantity and data quality, native species vs. non-native species, laboratory test vs. field test, traditional vs. non-traditional endpoints and data reduction, as well as ALC estimated models of assessment factors (AFs), species sensitivity distribution (SSDs), interspecies correlation estimates (ICEs). A proposed approach focused on data screening and model calculating for developing ALC in China were also discussed, based on modification of existing methodologies and specified taxonomic diversity in China.

: aquatic life criteria; data screening; assessment factor; species sensitivity distribution; AQUATOX model

国家自然科学青年基金(21307156); 国家水体污染控制与治理科技重大专项(2013ZX07502001)

金小伟(1985-)，男，博士，工程师，研究方向为水生态基准以及区域生态风险评价，E-mail: jxw85@126.com；

*通讯作者(Corresponding author)，E-mail: wangzj@rcees.ac.cn

10.7524/AJE.1673-5897.20130222001 优先出版网址：www. cnki. net/kcms/detail/11.5470. x. 20131127. 1623. 001. html

2013-02-22录用日期：2013-03-26 < class="emphasis_bold">网络出版时间

时间：2013-11-27

1673-5897(2014)1-001-13

： X171.5

： A

王子健(1953―)，男，研究员，博士生导师，主要研究天然水体和水处理过程中的水质转化、相关毒性和毒理变化以及健康和生态风险。

金小伟，王业耀，王子健. 淡水水生态基准方法学研究：数据筛选与模型计算[J]. 生态毒理学报, 2014, 9(1): 1-13

Jin X W，Wang Y Y, Wang Z J. Methodologies for deriving aquatic life criteria (ALC): Data screening and model calculating [J]. Asian Journal of Ecotoxicology, 2014, 9(1): 1-13 (in Chinese)