CN109271405A - 农药淡水水生生物水质基准值推导方法及水质安全评价方法 - Google Patents

农药淡水水生生物水质基准值推导方法及水质安全评价方法 Download PDF

Info

Publication number
CN109271405A
CN109271405A CN201811099184.6A CN201811099184A CN109271405A CN 109271405 A CN109271405 A CN 109271405A CN 201811099184 A CN201811099184 A CN 201811099184A CN 109271405 A CN109271405 A CN 109271405A
Authority
CN
China
Prior art keywords
toxicity
water quality
data
value
species
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811099184.6A
Other languages
English (en)
Inventor
李会仙
吴丰昌
张亚辉
朱元荣
孙福红
符志友
柳慧芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Research Academy of Environmental Sciences
Original Assignee
Chinese Research Academy of Environmental Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Research Academy of Environmental Sciences filed Critical Chinese Research Academy of Environmental Sciences
Priority to CN201811099184.6A priority Critical patent/CN109271405A/zh
Publication of CN109271405A publication Critical patent/CN109271405A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Agricultural Chemicals And Associated Chemicals (AREA)

Abstract

本发明属于水质安全评价技术领域，具体涉及一种农药淡水水生生物水质基准推导方法及水质安全评价方法。本发明公开了一种农药淡水水生生物水质基准推导方法包括数据收集、数据筛选评价、物种筛选、水质基准推导和基准值审核，当评价某一水质是否安全时，先根据水生生物水质基准推导程序获得保护水生生物的水质基准值，然后检测待检测地表水水源地该类污染物质的浓度值，若浓度值低于水质基准值，则表明水质安全，反之，则为不安全水质。本发明提供的水质基准推导方法，针对性强、适用性广，为环保部门制定我国农药类地表水保护水生生物的水质标准提供了理论依据。

Description

农药淡水水生生物水质基准值推导方法及水质安全评价方法
技术领域
本发明属于水质安全评价技术领域，具体涉及农药淡水水生生物水质基准推导方法及水质安全评价方法。
背景技术
地表水污染问题在全球范围内普遍存在，随着人类对水资源的迫切需要以及对环境问题的逐渐重视，对于提高和完善地表水水质的监控管理一直是学者们研究的重点。地表水环境质量评价，作为管理地表水水质中的关键，更是研究的重中之重。在评价水质是否安全时，常常需要判断被评价水体中所包含的各类污染物质浓度是否在要求的限值内。因此，快速准确获得水体中各类污染物质的安全浓度，即：地表水体中各类污染物质的保护水生生物的水质基准值，是有效保证水质评价的关键因素。目前国内外水质评价中采用的方法主要有单因子法和综合评价法。单因子评价法是当前我国水质评价的主要方法，一般根据国家标准或本底值采用超标指数法，选取多个评价因子中水质最差因子的评价结果作为综合评价结果，方法简单直观。但是，评价结果主要取决于最严重污染因子，其它因子的作用被弱化，其评价效果较差。随着经济的发展，越来越多地表水受到各种化学污染物质的影响，单因子评价法已不再满足我们对水质的要求。而综合评价法，如水污染指数法、层次分析法、多元统计分析法、灰色关联法和人工神经网络法等，这些方法还处于理论研究阶段，没有形成一个统一规范的水质综合评价模式，尚无法在实际工程中得到应用。现有水质评价技术具有计算结果易出现偏差，计算过程涉及参数和指标多较难实现等问题，从而不利于快速准确的评价水质是否安全。
水质基准是制定水质标准的重要科学依据，在环境保护方面发挥着重要作用。水质基准是环保部门制定水质标准、评价水质和进行水质管理的重要科学依据和理论基础。国内有关淡水水生生物水质基准推导的方法较少，如中国专利CN103336889A，水生生物水质基准值推导方法及水质安全评价方法和国家行业标准《淡水水生生物水质基准制订技术指南》(HJ831-2017)，即公开了广谱性污染物质保护淡水水生生物水质基准的制订方法。专利中有关水质基准推导方法是美国1985年推荐方法，需要至少3门8科的毒性数据，且基准的获得是采用4个最敏感属的毒性数据和急慢性比。有关国家行业标准的水质基准推导方法采用了新的物种敏感度分布曲线法，毒性数据需求最少为5种生物和急慢性比。
目前，现有技术中公开文献《农药水生生物基准制定方法与技术》(P297-309，周军英，葛峰主编，科学出版社，出版时间2014年11月1日)专门针对农药水生生物水质基准推导方法，所涉及的农药水质基准制定方法中针对农药不同类型设定了不同受试物种，且不同类型农药至少需要5门10科10种生物毒性数据，不同类型农药所必须的毒性效应数据通常不易获得，如杀螨剂和除草剂的被子植物等毒性数据，因而许多类型农药由于缺乏植物和有效的慢性毒性数据而无法获得其水质基准及标准的制定，其适用性不强；同时该农药基准推导方法提供了物种敏感度分布曲线法和毒性百分数排序法两种备选方法，其最终基准值的不确定性较大。
本发明的目的在于针对现有技术中的不足，通过采用替代的生物类别及默认的急慢性比，提供一种推导过程简单、实用性强、针对性强的农药淡水水生生物水质基准推导方法及水质安全评价方法。
发明内容
针对现有技术中的不足，本发明通过采用替代的生物类别及急慢性比，提供一种农药淡水水生生物水质基准推导方法及水质安全评价方法，该方法推导过程简单、实用性强、针对性强，可快速获得农药的水质基准值，依据该水质基准值评价水体水质，使评价结果更加全面准确。
为了实现上述目的，本发明采用以下技术方案：
一种农药淡水水生生物水质基准推导方法，包括以下步骤：
S1、毒性数据收集和筛选评价
(1)从数据库中获取毒性数据；所述毒性数据包括淡水水生生物毒性数据、水体理化参数数据、物质固有的理化性质数据和环境分布数据；
(2)将步骤(1)中获得毒性数据进行可靠性评价，并筛选出无限制可靠数据和限制性可靠数据作为推导水质基准的毒性数据；
S2、受试物种筛选
根据物种在我国地理中的分布和繁殖条件进行筛选，并将筛选的受试物种作为推导水质基准的物种；所述受试物种包含不同营养级别和生物类别的物种；
S3、水质基准的推导
(1)水质基准包括长期基准值和短期基准值，在确定水质基准的过程中，利用步骤S1获得的毒性数据和步骤S2获得的物种进行水质基准的推导；
(2)水质基准的推导方法采用物种敏感度分布法，所述水质基准为农药淡水水生生物水质基准，其推导过程包括以下步骤：
1)毒性数据分布检验
将筛选获得的所有毒性数据进行正态分布检验；
2)累积概率计算
将所有筛选获得的物种的最终毒性值按从小到大的顺序进行排列，并且给其分配等级R，最小的最终毒性值的等级为1，最大的最终毒性值等级为N，依次排列，如果有两个或者两个以上物种的毒性值是相等的，那么将其任意排成连续的等级，计算每个物种的最终毒性值的累积概率，计算公式如下：
P＝R/(N+1) 公式1
其中，P为累积概率，R为物种排序的等级，N为物种的个数；
3)模型拟合与评价
采用逻辑斯谛分布、正态分布和极值分布三类模型对数据进行数据拟合，并绘制拟合曲线；根据模型的拟合优度评价参数分别评价模型的拟合度；
4)水质基准外推
拟合曲线上累积概率5％对应的浓度值HC5，除以评估因子，即可确定最终的淡水水生生物水质基准。
进一步地，S1步骤(1)中所述数据库包括国内外毒性数据库、本土物种实测数据、公开发表的文献或报告。
进一步地，将S1中步骤(1)获取的毒性数据进行数据可靠性判断，获得可靠性数据；然后将获得的可靠性数据分为4个等级，分别为无限制可靠数据、限制性可靠数据、不可靠数据和不确定数据。
进一步地，所述数据可靠性判断依据主要包括1)是否使用国际、国家标准测试方法和行业技术标准，操作过程是否遵循良好实验室规范；2)对于非标准测试方法的实验，所用实验方法是否科学合理；3)实验过程和实验结果的描述是否详细；4)文献是否提供了原始数据。
进一步地，所述无限制可靠数据判断标准为数据来自良好实验室规范体系，或数据产生过程完全符合实验准则；所述限制性可靠数据判断标准为数据产生过程不完全符合实验准则，但有充足的证据证明数据可用；所述不可靠数据判断标准为数据产生过程与实验准则有冲突或矛盾，没有充足的证据证明数据可用，实验过程不能令人信服或被判断专家所接受；所述不确定数据判断标准为没有提供足够的实验细节，无法判断数据可靠性。
进一步地，所述受试物种主要包括三类：a)国际通用物种，并在我国自然水体中分布；b)本土物种；c)引进物种。
进一步地，所述受试物种筛选原则包括1)受试物种在养殖条件下能够驯养、繁殖并获得足够的数量，或在某一地域范围内有充足的资源，确保有均匀的群体可供实验；2)受试物种对污染物质应具有较高的敏感性及毒性反应的一致性；3)受试物种的毒性反应有规范的测试终点和方法；4)受试物种是生态系统的重要组成部分和生态类群代表，能代表水体中不同生态营养级别及其关联性；5)考虑受试物种的个体大小和生活史长短；6)受试物种在人工驯养、繁殖时，应保持遗传性状稳定；7)当采用野外捕获物种进行毒性测试时，应确保该物种未曾接触过污染物质。
进一步地，S3步骤(1)中所述毒性数据包括急性毒性数据和慢性毒性数据，毒性数据的筛选还需要满足以下要求：a)物种应该至少包括5个：1种硬骨鲤科鱼、1种硬骨非鲤科鱼、1种浮游类甲壳类、1种底栖类动物、1种昆虫；b)对于除草剂类农药，在满足上述5个物种的同时，必须再包含一种藻类植物或维管束类水生植物急性毒性数据。
进一步地，当S3步骤(1)中所述毒性数据不满足最低数据要求时，采用以下方法处理：a)进行相应的环境毒理学实验补充相关数据；b)当慢性毒性数据不足时，采用急慢性比推导长期基准值；急慢性比数据的获得至少应包括同样实验条件下3个物种的急性毒性数据和慢性毒性数据；c)当某类物种的急慢性比无法获得时，采用12.4作为该类物种的默认值；当3类物种急慢性比值均不能获得时，则采用12.4作为默认的最终急慢性比；d)针对除草剂类农药，若包含藻类植物或维管束类水生植物的慢性毒性数据无法满足分布模型所要求的最少5个数据时，则采用一种藻类植物或维管束类水生植物最低的NOEC值作为慢性毒性数据。
进一步地，S3步骤1)中所述正态分布检验包括K-S检验(Kolmogorov–Smirnovtest)和t检验；若不符合正态分布，应进行数据变换后重新检验，所述数据变换包括对数变换。
进一步地，S3步骤3)中所述模型包括逻辑斯谛分布模型、正态分布模型和极值分布模型。
进一步地，所述逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述极值分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L。
进一步地，S3步骤3)中所述评价参数包括决定系数、均方根、残差平方和K-S检验。
进一步地，所述决定系数(Coefficient of determination,R2)计算公式为
其中，R2为决定系数，取值范围是[0,1]；
yi是第i种物种的实测毒性值；
是第i种物种的预测毒性值；
是所有物种的平均毒性值；
n是毒性数据量；
所述均方根(Room mean aquare errors,RMSE)的计算公式为
其中，RMSE为均方根；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
所述残差平方和(Sum of Squares for Error,SSE)的计算公式为
其中，SSE为残差平方和；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
所述K-S检验用来验证分布与理论分布的差异时，若P值大于0.05，证明实际分布曲线与理论分布曲线不具有显著性差异。
进一步地，S3步骤4)中所述评估因子根据推导基准的有效数据的数量和质量确定，一般取值为2-5，当有效的毒性数据数量大于15并涵盖足够营养级时，评估因子的取值为2。
进一步地，本发明还包括基准值审核，所述的基准值审核包括审核水质基准推导所用数据和审核水质基准推导的步骤。
进一步地，所述审核项目如下：
(1)使用的毒性数据是否可被充分证明有效；
(2)所有使用的数据是否符合数据质量要求；
(3)物种对某一物质急性值的范围是否大于10倍；
(4)对于任何一种物种，测定物质的流水暴露实验所得急性毒性数据值是否低于短期基准；
(5)对于任何一种物种，测定的慢性毒性值是否低于长期基准；
(6)急性毒性数据中是否存在可疑数值；
(7)慢性毒性数据中是否存在可疑数值；
(8)急慢性比的范围是否合理；
(9)是否存在明显异常数据；
(10)是否遗漏其它重要数据。
本发明还提供了一种水质安全评价方法，其特征在于，包括如下步骤：按上述农药水生生物水质基准推导方法获取水质基准值；检测待检测水体中该类农药的浓度值，若浓度值低于水质基准值，则表明水质安全，反之，则为不安全水质。
本发明的有益效果：
(1)本发明构建了一种推导农药淡水水生生物水质基准的方法，可快速获得农药的水质基准值，依据该水质基准值评价水体水质，使评价结果更加全面准确。
(2)本发明提供了一种可用于替代的、针对性强和适用性广的农药淡水水生生物水质基准推导方法，为环保部门制定我国农药类地表水保护水生生物的水质标准提供了理论依据。
附图说明
图1本发明农药淡水水生生物水质基准制订流程图。
图2实施例2中Logistic分布模型的拟合曲线。
图3实施例2中Normal分布模型的拟合曲线。
具体实施方式
现结合附图和实施例对本发明作进一步说明。
实施例1
农药淡水水生生物水质基准推导方法，包括以下步骤：
S1、毒性数据收集和筛选评价
(1)从数据库中获取毒性数据，所述毒性数据包括淡水水生生物毒性数据、水体理化参数数据、物质固有的理化性质数据和环境分布数据，所述数据库包括国内外毒性数据库、本土物种实测数据和公开发表的文献或报告；
(2)对获取的数据进行数据可靠性判断，获得可靠性数据；
本发明为了保证水质基准的科学性，需要对数据的可靠性进行评价。数据可靠性判断依据主要包括1)是否使用国际、国家标准测试方法和行业技术标准，操作过程是否遵循良好实验室规范(Good Laboratory Practice，GLP)；2)对于非标准测试方法的实验，所用实验方法是否科学合理；3)实验过程和实验结果的描述是否详细；4)文献是否提供了原始数据。
(3)将获得的可靠性数据分为4个等级，分别为无限制可靠数据、限制性可靠数据、不可靠数据和不确定数据；无限制可靠数据：数据来自GLP体系，或数据产生过程完全符合实验准则；限制性可靠数据：数据产生过程不完全符合实验准则，但有充足的证据证明数据可用；不可靠数据：数据产生过程与实验准则有冲突或矛盾，没有充足的证据证明数据可用，实验过程不能令人信服或被判断专家所接受；不确定数据：没有提供足够的实验细节，无法判断数据可靠性。
(4)对步骤(3)中获得的可靠性数据进行筛选，将筛选出无限制可靠数据和限制性可靠数据作为推导水质基准的毒性数据；
其可靠性数据筛选应符合以下规定：
1)实验过程中应严格控制实验条件，维持在受试物种的最适生长范围之内，其中，溶解氧饱和度大于60％，总有机碳或颗粒物的浓度不超过5mg/L；
2)实验用水应采用标准稀释水，不能使用蒸馏水或去离子水；
3)实验必须设置对照组(空白对照组和/或助溶剂对照组)，如果对照组中的物种出现胁迫、疾病和死亡的比例超过10％，不得采用该数据；
4)优先采用流水式实验获得的物质毒性数据，其次采用半静态或静态实验数据；
5)一般情况下，污染物质的实测浓度与理论浓度的偏差须小于20％；
6)以单细胞动物作为受试物种的实验数据不得采用；
7)急性毒性效应测试终点(主要包括LC50和EC50)数据宜使用暴露时间小于等于4天的毒性数据；
8)慢性毒性效应测试终点(主要包括NOEC和LOEC)数据宜使用暴露时间大于等于21天的毒性数据；
9)当同一物种的同一毒性终点实验数据相差10倍以上时，应剔除离群值。
S2、物种筛选
对受试物种进行筛选，并将筛选的受试物种作为推导水质基准的物种；所述受试物种包含不同营养级别和生物类别，主要包括三类：a)国际通用物种，并在我国自然水体中有分布；b)本土物种；c)引进物种；
针对我国珍稀或濒危物种、特有物种，应根据国家野生动物保护的相关法规选择性使用作为受试物种。
物种筛选原则包括：1)受试物种在我国地理中有分布，在养殖条件下能够驯养、繁殖并获得足够的数量，或在某一地域范围内有充足的资源，确保有均匀的群体可供实验；2)受试物种对污染物质应具有较高的敏感性及毒性反应的一致性；3)受试物种的毒性反应有规范的测试终点和方法；4)受试物种应是生态系统的重要组成部分和生态类群代表，并能充分代表水体中不同生态营养级别及其关联性；5)应考虑受试物种的个体大小和生活史长短；6)受试物种在人工驯养、繁殖时，应保持遗传性状稳定；7)当采用野外捕获物种进行毒性测试时，应确保该物种未曾接触过污染物质。
S3、水质基准的推导
(1)水质基准包括长期基准值和短期基准值，在确定水质基准的过程中，利用步骤S1获得的毒性数据和步骤S2获得的物种进行水质基准的推导，所述毒性数据包括急性毒性数据和慢性毒性数据，毒性数据还需要满足以下要求：a)物种应该至少包括5个：1种硬骨鲤科鱼、1种硬骨非鲤科鱼、1种浮游类甲壳类、1种底栖类动物、1种昆虫；所述的浮游甲壳类为溞科的网纹蚤属、水蚤属和低额蚤属中的任意一种；b)对于除草剂类农药，在满足上述5个物种的同时，必须再包含一种藻类植物或维管束类水生植物急性毒性数据。
当毒性数据不满足以上最低数据要求时，采用以下方法处理：a)进行相应的环境毒理学实验补充相关数据；b)当慢性毒性数据不足时，采用急慢性比推导长期基准值；急慢性比数据的获得至少应包括同样实验条件下3个物种(一种鱼类、一种无脊椎动物、一种对急性暴露敏感的淡水物种的急性毒性数据和慢性毒性数据；c)当某类物种的急慢性比无法获得时，采用12.4作为该类物种的默认值；当3类物种急慢性比值均不能获得时，则采用12.4作为默认的最终急慢性比；d)针对除草剂类农药，若包含藻类或维管束水生植物类慢性毒性数据无法满足分布模型所要求的最少5个数据时，则采用一种藻类植物或维管束类水生植物最低的NOEC值作为慢性毒性数据。
(2)水质基准的推导方法采用物种敏感度分布法，所述水质基准为农药淡水水生生物水质基准，其推导过程具体步骤如下：
1)毒性数据分布检验
将筛选获得的所有毒性数据进行正态分布检验，所述正态分布检验包括K-S检验和t检验；若不符合正态分布，应进行数据变换后重新检验，所述数据变换包括对数变换；
2)累积概率计算
将所有筛选获得的物种的最终毒性值按从小到大的顺序进行排列，并且给其分配等级R，最小的最终毒性值的等级为1，最大的最终毒性值等级为N，依次排列，如果有两个或者两个以上物种的毒性值是相等的，那么将其任意排成连续的等级，计算每个物种的最终毒性值的累积概率，计算公式如下：
P＝R/(N+1) 公式1
其中，P为累积概率，％，R为物种排序的等级，N为物种的个数；
3)模型拟合与评价
采用逻辑斯谛分布、正态分布和极值分布三类模型对数据进行数据拟合，并绘制拟合曲线，所述模型包括逻辑斯谛分布模型、对数逻辑斯谛分布模型、正态分布模型、对数正态分布模型和极值分布模型；根据模型的拟合优度评价参数分别评价这些模型的拟合度，所述评价参数包括决定系数、均方根、残差平方和K-S检验；最终选择的分布模型应能充分描绘数据分布情况，确保根据拟合曲线外推得出的水质基准在统计学上具有合理性、可靠性；
所述逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述极值分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
模型拟合优度评价是用于检验总体中的一类数据其分布是否与某种理论分布相一致的统计方法。对于参数模型来说，检验拟合优度的参数包括：
a)决定系数(Coefficient of determination,R2)
通常认为，R2大于0.6具有统计学意义，R2越接近1，说明毒性数据的拟合优度越大，模型拟合越精准。其计算公式为
其中，R2为决定系数，取值范围是[0,1]；
yi是第i种物种的实测毒性值；
是第i种物种的预测毒性值；
是所有物种的平均毒性值；
n是毒性数据量；
b)均方根(Room mean aquare errors,RMSE)
RMSE是观测值与真值偏差的平方与观测次数比值的平方根，该统计参数也叫回归系统的拟合标准差，RMSE在统计学意义上可反映出模型的精密度，RMSE越接近于0，说明模型拟合的精确度越高。计算公式如下：
其中，RMSE为均方根；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
c)残差平方和(Sum of Squares for Error,SSE)
SSE是实测值和预测值之差的平方和，反映每个样本各观测值的离散状况，又称误差项平方和。SSE越接近于0，说明模型拟合的随机误差效应越低。计算公式如下：
其中，SSE为残差平方和；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
d)K-S检验(Kolmogorov–Smirnov test)
K-S检验是基于累积分布函数，用于检验一个经验分布是否符合某种理论分布，它是一个拟合优度检验。通过K-S检验来验证分布于理论分布的差异时，若P值(即概率，反映两组差异有无统计学意义，P>0.05即差异无显著性意义，P<0.05即差异有显著性意义)大于0.05，证明实际分布曲线与理论分布曲线不具有显著性差异，通过K-S检验，可反映模型符合理论分布。
4)水质基准外推
拟合曲线上累积概率5％对应的浓度值HC5，除以评估因子，即可确定最终的淡水水生生物水质基准；评估因子根据推导基准的有效数据的数量和质量确定，一般取值为2-5；当有效的毒性数据数量大于15并涵盖足够营养级时，评估因子的取值为2。
水质基准的审核
水质基准的最终确定需要仔细审核基准推导所用数据以及推导步骤，以确保基准合理可靠。审核项目如下：
(1)使用的毒性数据是否可被充分证明有效；
(2)所有使用的数据是否符合数据质量要求；
(3)物种对某一物质急性值的范围是否大于10倍；
(4)对于任何一种物种，测定物质的流水暴露实验所得急性毒性数据值是否低于短期基准；
(5)对于任何一种物种，测定的慢性毒性值是否低于长期基准；
(6)急性毒性数据中是否存在可疑数值；
(7)慢性毒性数据中是否存在可疑数值；
(8)急慢性比的范围是否合理；
(9)是否存在明显异常数据；
(10)是否遗漏其它重要数据。
本发明还提供一种水质安全评价方法，包括如下步骤：按上述农药水生生物水质基准推导方法获取水质基准值；检测待检测水体中该类污染物质的浓度值，若浓度值低于水质基准值，则表明水质安全，反之，则为不安全水质。
实施例2
目前因农药使用而造成的水环境污染现象在世界各地普遍存在。我国作为世界上农药生产和使用大国，农药对水体的污染也时有发生，农药污染已对水生生物和水生态系统构成了严重的威胁，且潜在的危害影响不容忽视。随着农药产量和使用量的逐年增加，其在水体中的含量也逐渐增加。然而，目前水质基准研究和水质评价主要涉及优控污染物，农药以有机氯和有机磷农药为主，而对其他类农药的水质基准和水质评价研究极少。阿特拉津作为一种选择性内吸传导型苗前、苗后除草剂，因其在土壤中的残留期长，溶解性好，不易被土壤吸附，容易进入较深土层或进入地下水或是随地表径流进入河流、湖泊，从而对地下水和地表水造成污染，被联合国认定为27种持久性有毒化学污染物之一，也是我国现行的《地表水环境质量标准》(GB3838-2002)中包含的农药品种。因此，本实施例以阿特拉津为例，详细阐述农药水生生物水质基准推导方法。
阿特拉津淡水水生生物水质基准推导方法，包括以下步骤：
S1、毒性数据收集和筛选评价
(1)从数据库中获取数据，所述数据包括淡水水生生物毒性数据、水体理化参数数据、物质固有的理化性质数据和环境分布数据，所述数据库包括国内外毒性数据库、本土物种实测数据、公开发表的文献或报告；
(2)对获取的数据进行数据可靠性判断，获得可靠性数据；
本发明为了保证水质基准的科学性，需要对数据的可靠性进行评价。数据可靠性判断依据主要包括：1)是否使用国际、国家标准测试方法和行业技术标准，操作过程是否遵循良好实验室规范(Good Laboratory Practice，GLP)；2)对于非标准测试方法的实验，所用实验方法是否科学合理；3)实验过程和实验结果的描述是否详细；4)文献是否提供了原始数据。
(3)将获得的可靠性数据分为4个等级，分别为无限制可靠数据、限制性可靠数据、不可靠数据和不确定数据；无限制可靠数据：数据来自GLP体系，或数据产生过程完全符合实验准则；限制性可靠数据：数据产生过程不完全符合实验准则，但有充足的证据证明数据可用；不可靠数据：数据产生过程与实验准则有冲突或矛盾，没有充足的证据证明数据可用，实验过程不能令人信服或被判断专家所接受；不确定数据：没有提供足够的实验细节，无法判断数据可靠性。
(4)对步骤(3)中获得的可靠性数据进行筛选，将筛选出无限制可靠数据和限制性可靠数据作为推导水质基准的毒性数据；
其数据筛选应符合以下规定：
1)实验过程中应严格控制实验条件，维持在受试物种的最适生长范围之内，其中，溶解氧饱和度大于60％，总有机碳或颗粒物的浓度不超过5mg/L；
2)实验用水应采用标准稀释水，不能使用蒸馏水或去离子水；
3)实验必须设置对照组(空白对照组和/或助溶剂对照组)，如果对照组中的物种出现胁迫、疾病和死亡的比例超过10％，不得采用该数据；
4)优先采用流水式实验获得的物质毒性数据，其次采用半静态或静态实验数据；
5)一般情况下，污染物质的实测浓度与理论浓度的偏差须小于20％；
6)以单细胞动物作为受试物种的实验数据不得采用；
7)急性毒性效应测试终点(主要包括LC50和EC50)数据宜使用暴露时间小于等于4天的毒性数据；
8)慢性毒性效应测试终点(主要包括NOEC和LOEC)数据宜使用暴露时间大于等于21天的毒性数据；
9)当同一物种的同一毒性终点实验数据相差10倍以上时，应剔除离群值。
S2、受试物种筛选
对受试物种进行筛选，并将筛选的受试物种作为推导水质基准的物种；所述受试物种包含不同营养级别和生物类别，主要包括三类：a)国际通用物种，并在我国自然水体中有分布；b)本土物种；c)引进物种；
针对我国珍稀或濒危物种、特有物种，应根据国家野生动物保护的相关法规选择性使用作为受试物种。
受试物种筛选原则包括：1)受试物种在我国地理中有分布，在养殖条件下能够驯养、繁殖并获得足够的数量，或在某一地域范围内有充足的资源，确保有均匀的群体可供实验；2)受试物种对污染物质应具有较高的敏感性及毒性反应的一致性；3)受试物种的毒性反应有规范的测试终点和方法；4)受试物种应是生态系统的重要组成部分和生态类群代表，并能充分代表水体中不同生态营养级别及其关联性；5)应考虑受试物种的个体大小和生活史长短；6)受试物种在人工驯养、繁殖时，应保持遗传性状稳定；7)当采用野外捕获物种进行毒性测试时，应确保该物种未曾接触过污染物质。
S3、水质基准的推导
(1)水质基准包括长期基准值和短期基准值，在确定水质基准的过程中，将步骤S1获得的推导水质基准的数据和步骤S2获得的推导水质基准的物种作为毒性数据，毒性数据包括急性毒性数据和慢性毒性数据，毒性数据还需要满足以下要求：a)物种应至少包括5个：1种硬骨鲤科鱼、1种硬骨非鲤科鱼、1种浮游类甲壳类、1种底栖类动物、1种昆虫；所述的浮游甲壳类为溞科的网纹蚤属、水蚤属和低额蚤属中的任意一种；b)对于除草剂类农药，在满足上述5个物种的同时，必须再包含一种藻类植物或维管束类水生植物类急性毒性数据。
当毒性数据不满足以上最低数据要求时，采用以下方法处理：a)进行相应的环境毒理学实验补充相关数据；b)当慢性毒性数据不足时，采用急慢性比推导长期基准值；急慢性比数据的获得至少应包括同样实验条件下3个物种(一种鱼类、一种无脊椎动物、一种对急性暴露敏感的淡水物种的急性毒性数据和慢性毒性数据；c)当某类物种的急慢性比无法获得时，采用12.4作为该类物种的默认值；当3类物种急慢性比值均不能获得时，则采用12.4作为默认的最终急慢性比；d)针对除草剂类农药，若包含藻类植物或维管束类水生植物类慢性毒性数据无法满足分布模型所要求的最少5个数据时，则采用一种藻类植物或维管束类水生植物最低的NOEC值作为慢性毒性数据。
最终选定用于推导阿特拉津水质基准的急性毒性数据包括5门13科，共17个物种急性平均值SMAV的毒性数据(见表1)。
表1阿特拉津对淡水水生生物的种平均急性值单位：mg/L
(2)水质基准的推导方法采用物种敏感度分布法，所述水质基准为淡水水生生物水质基准，其推导过程具体步骤如下：
1)毒性数据分布检验
将筛选获得的所有毒性数据进行正态分布检验，所述正态分布检验包括K-S检验和t检验；若不符合正态分布，应进行数据变换后重新检验，所述数据变换包括对数变换；
使用K-S检验，验证所收集急性毒性数据是否符合正态分布。结果显示所有急性毒性数据均值为105.665mg/L，标准差为158.204mg/L，K-S检验值为F＝1.333>0.05，符合正态分布。
2)累积概率计算
将所有筛选获得的物种的最终毒性值按从小到大的顺序进行排列，并且给其分配等级R，最小的最终毒性值的等级为1，最大的最终毒性值等级为N，依次排列，如果有两个或者两个以上物种的毒性值是相等的，那么将其任意排成连续的等级，计算每个物种的最终毒性值的累积概率，计算公式如下：
P＝R/(N+1) 公式1
其中，P为累积概率，％，R为物种排序的等级，N为物种的个数；
3)模型拟合与评价
采用逻辑斯谛分布、正态分布和极值分布三类模型对数据进行数据拟合，并绘制拟合曲线，所述模型包括逻辑斯谛分布模型、对数逻辑斯谛分布模型、正态分布模型、对数正态分布模型和极值分布模型；根据模型的拟合优度评价参数分别评价这些模型的拟合度，所述评价参数包括决定系数、均方根、残差平方和K-S检验；最终选择的分布模型应能充分描绘数据分布情况，确保根据拟合曲线外推得出的水质基准在统计学上具有合理性、可靠性；
所述逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述极值分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
模型拟合优度评价是用于检验总体中的一类数据其分布是否与某种理论分布相一致的统计方法。对于参数模型来说，检验拟合优度的参数包括：
a)决定系数(Coefficient of determination，R2)
通常认为，R2大于0.6具有统计学意义，R2越接近1，说明毒性数据的拟合优度越大，模型拟合越精准。其计算公式为
其中，R2为决定系数，取值范围是[0,1]；
yi是第i种物种的实测毒性值；
是第i种物种的预测毒性值；
是所有物种的平均毒性值；
n是毒性数据量；
b)均方根(Room mean aquare errors,RMSE)
RMSE是观测值与真值偏差的平方与观测次数比值的平方根，该统计参数也叫回归系统的拟合标准差，RMSE在统计学意义上可反映出模型的精密度，RMSE越接近于0，说明模型拟合的精确度越高。计算公式如下：
其中，RMSE为均方根；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
c)残差平方和(Sum of Squares for Error,SSE)
SSE是实测值和预测值之差的平方和，反映每个样本各观测值的离散状况，又称误差项平方和。SSE越接近于0，说明模型拟合的随机误差效应越低。计算公式如下：
其中，SSE为残差平方和；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
d)K-S检验(Kolmogorov–Smirnov test)
K-S检验是基于累积分布函数，用于检验一个经验分布是否符合某种理论分布，它是一个拟合优度检验。通过K-S检验来验证分布与理论分布的差异时，若P值(即概率，反映两组差异有无统计学意义，P>0.05即差异无显著性意义，P<0.05即差异有显著性意义)大于0.05，证明实际分布曲线与理论分布曲线不具有显著性差异，通过K-S检验，可反映模型符合理论分布。
4)水质基准外推
拟合曲线上累积概率5％对应的浓度值HC5，除以评估因子，即可确定最终的农药淡水水生生物水质基准；评估因子根据推导基准的有效数据的数量和质量确定，一般取值为2-5；当有效的毒性数据数量大于15并涵盖足够营养级时，评估因子的取值为2。
5)水质基准的审核
水质基准的最终确定还包括基准值审核，以确保水质基准合理可靠；所述的基准值审核包括审核水质基准推导所用数据和审核水质基准推导的步骤。
审核项目如下：
(1)使用的毒性数据是否可被充分证明有效；
(2)所有使用的数据是否符合数据质量要求；
(3)物种对某一物质急性值的范围是否大于10倍；
(4)对于任何一种物种，测定物质的流水暴露实验所得急性毒性数据值是否低于短期基准；
(5)对于任何一种物种，测定的慢性毒性值是否低于长期基准；
(6)急性毒性数据中是否存在可疑数值；
(7)慢性毒性数据中是否存在可疑数值；
(8)急慢性比的范围是否合理；
(9)是否存在明显异常数据；
(10)是否遗漏其它重要数据。
使用逻辑斯蒂分布、正态分布和极值分布三个模型对表1中的急性毒性数据进行拟合分析，结果见表2、图2和图3所示。结果显示，五个模型中只有两个分布模型获得了拟合曲线，且均能给出很好的拟合结果，其中Normal模型的拟合效果最好，其R2为0.9147，同时RMSE和SSE值都较Logistic模型小，所以选择该分布模型的拟合结果作为推导阿特拉津短期水质基准的依据。该模型得到的HC5值为0.0692mg/L，则其短期基准值为0.0346mg/L(HC5/2)。
表2阿特拉津对淡水水生生物的短期基准值及模型评价参数(单位：mg/L)
由于缺乏有效的慢性毒性数据，不足以使用物种敏感度分布曲线法拟合推导阿特拉津的长期水质基准值，可通过默认的急慢性比进行阿特拉津长期水质基准值的推导。农药类默认的急慢性比为12.4。通过采用短期水质基准值与急慢性比的比值获得长期水质基准值为0.0028mg/L。
因此，阿特拉津的短期水质基准为0.0346mg/L，长期水质基准为0.0028mg/L。
根据上述农药水生生物水质基准推导方法获取的阿特拉津水质基准值；检测待检测水体中阿特拉津的浓度值，若浓度值低于水质基准值，则表明水质安全，反之，则为不安全水质。
上述详细说明是针对本发明其中之一可行实施例的具体说明，该实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本发明技术方案的范围内。

Claims (10)

1.农药淡水水生生物水质基准推导方法，其特征在于，包括以下步骤：
S1、毒性数据收集和筛选评价
(1)从数据库中获取毒性数据；所述的毒性数据包括淡水水生生物毒性数据、水体理化参数数据、物质固有的理化性质数据和环境分布数据；
(2)将步骤(1)中获得毒性数据进行可靠性评价，并筛选出无限制可靠数据和限制性可靠数据作为推导水质基准的毒性数据；
S2、受试物种筛选
根据物种在我国地理中的分布和繁殖条件进行筛选，并将筛选的受试物种作为推导水质基准的物种；所述受试物种包含不同营养级别和生物类别的物种；
S3、水质基准的推导
(1)水质基准包括长期基准值和短期基准值，在确定水质基准的过程中，利用步骤S1获得的毒性数据和步骤S2获得的物种进行水质基准的推导；
(2)水质基准的推导方法采用物种敏感度分布法，所述水质基准为农药淡水水生生物水质基准，其推导过程包括以下步骤：
1)毒性数据分布检验
将筛选获得的所有毒性数据进行正态分布检验；
2)累积概率计算
将所有筛选获得的物种的最终毒性值按从小到大的顺序进行排列，并且给其分配等级R，最小的最终毒性值的等级为1，最大的最终毒性值等级为N，依次排列，如果有两个或者两个以上物种的毒性值是相等的，那么将其任意排成连续的等级，计算每个物种的最终毒性值的累积概率，计算公式如下：
P＝R/(N+1) 公式1
其中，P为累积概率，R为物种排序的等级，N为物种的个数；
3)模型拟合与评价
采用逻辑斯谛分布、正态分布和极值分布三类模型对数据进行数据拟合，并绘制拟合曲线；根据模型的拟合优度评价参数分别评价模型的拟合度；
4)水质基准外推
拟合曲线上累积概率5％对应的浓度值HC5，除以评估因子，即可确定最终的农药淡水水生生物水质基准。
2.根据权利要求1所述的水质基准推导方法，其特征在于，将S1中步骤(1)获取的毒性数据进行数据可靠性判断，获得可靠性数据；然后将获得的可靠性数据分为4个等级，分别为无限制可靠数据、限制性可靠数据、不可靠数据和不确定数据。
3.根据权利要求1所述的水质基准推导方法，其特征在于，所述的受试物种主要包括三类：a)国际通用物种；b)本土物种；c)引进物种。
4.根据权利要求1所述的水质基准推导方法，其特征在于，S3步骤(1)中所述的毒性数据包括急性毒性数据和慢性毒性数据，毒性数据的筛选需要满足以下要求：a)物种至少包括5个：1种硬骨鲤科鱼、1种硬骨非鲤科鱼、1种浮游类甲壳类、1种底栖类动物、1种昆虫；b)对于除草剂类农药，在满足上述5个物种的同时，必须再包含一种藻类植物或维管束类水生植物的急性毒性数据。
5.根据权利要求4所述的水质基准推导方法，其特征在于，当所述的慢性毒性数据不满足毒性数据的筛选要求时，采用急慢性比推导长期水质基准，所述的急慢性比数据的获得至少包括同样实验条件下3个物种的急性毒性数据和慢性毒性数据。
6.根据权利要求5所述的水质基准推导方法，其特征在于，所述的急慢性比的默认值为12.4。
7.根据权利要求1所述的水质基准推导方法，其特征在于，S3步骤3)中所述的模型包括逻辑斯谛分布模型、对数逻辑斯谛分布模型、正态分布模型、对数正态分布模型和极值分布模型；所述逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数逻辑斯谛分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述对数正态分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L；
所述极值分布模型为
其中，y为累积概率，％；
x为毒性值，μg/L；
μ为毒性值的平均值，μg/L；
σ为毒性值的标准差，μg/L。
8.根据权利要求1所述的水质基准推导方法，其特征在于，S3步骤3)中所述的评价参数包括决定系数、均方根、残差平方和以及K-S检验；所述决定系数计算公式为
其中，R2为决定系数，取值范围是[0,1]；
yi是第i种物种的实测毒性值；
是第i种物种的预测毒性值；
是所有物种的平均毒性值；
n是毒性数据量；
所述均方根的计算公式为
其中，RMSE为均方根；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
所述残差平方和的计算公式为
其中，SSE为残差平方和；
yi是第i种物种的实测毒性值，μg/L；
是第i种物种的预测毒性值，μg/L；
n是毒性数据量；
所述K-S检验用来验证分布与理论分布的差异时，若P值大于0.05，证明实际分布曲线与理论分布曲线不具有显著性差异。
9.根据权利要求1所述的水质基准推导方法，其特征在于，还包括基准值审核，所述的基准值审核包括审核水质基准推导所用数据和审核水质基准推导的步骤。
10.一种水质安全评价方法，其特征在于，包括如下步骤：按上述权利要求1-9任意一项所述的农药淡水水生生物水质基准推导方法获取水质基准值；检测待检测水体中该类农药的浓度值，若浓度值低于水质基准值，则表明水质安全，反之，则为不安全水质。
CN201811099184.6A 2018-09-20 2018-09-20 农药淡水水生生物水质基准值推导方法及水质安全评价方法 Pending CN109271405A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811099184.6A CN109271405A (zh) 2018-09-20 2018-09-20 农药淡水水生生物水质基准值推导方法及水质安全评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811099184.6A CN109271405A (zh) 2018-09-20 2018-09-20 农药淡水水生生物水质基准值推导方法及水质安全评价方法

Publications (1)

Publication Number Publication Date
CN109271405A true CN109271405A (zh) 2019-01-25

Family

ID=65197680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811099184.6A Pending CN109271405A (zh) 2018-09-20 2018-09-20 农药淡水水生生物水质基准值推导方法及水质安全评价方法

Country Status (1)

Country Link
CN (1) CN109271405A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242442A (zh) * 2020-01-06 2020-06-05 中国海洋大学 获取河口水生生物水质基准的方法
CN111239346A (zh) * 2020-03-26 2020-06-05 泛测（北京）环境科技有限公司 一种空气质量监测中污染事件识别方法和装置
CN111259519A (zh) * 2020-01-09 2020-06-09 大连理工大学 一种流域地方水质基准校验的方法
CN111784117A (zh) * 2020-06-11 2020-10-16 中国环境科学研究院 壬基酚区域水质标准的制定方法及壬基酚的去除方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205322A (zh) * 2015-09-17 2015-12-30 中国环境科学研究院 基于模型预测的生物毒性预测方法
CN105760677A (zh) * 2016-02-24 2016-07-13 中国环境科学研究院 狄氏剂的保护野生生物水质标准的推导方法
CN107392380A (zh) * 2017-07-26 2017-11-24 中国环境科学研究院 一种用于淡水水生生物水质基准预测的系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205322A (zh) * 2015-09-17 2015-12-30 中国环境科学研究院 基于模型预测的生物毒性预测方法
CN105760677A (zh) * 2016-02-24 2016-07-13 中国环境科学研究院 狄氏剂的保护野生生物水质标准的推导方法
CN107392380A (zh) * 2017-07-26 2017-11-24 中国环境科学研究院 一种用于淡水水生生物水质基准预测的系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242442A (zh) * 2020-01-06 2020-06-05 中国海洋大学 获取河口水生生物水质基准的方法
CN111242442B (zh) * 2020-01-06 2024-04-09 中国海洋大学 获取河口水生生物水质基准的方法
CN111259519A (zh) * 2020-01-09 2020-06-09 大连理工大学 一种流域地方水质基准校验的方法
WO2021138983A1 (zh) * 2020-01-09 2021-07-15 大连理工大学 一种流域地方水质基准校验的方法
CN111239346A (zh) * 2020-03-26 2020-06-05 泛测（北京）环境科技有限公司 一种空气质量监测中污染事件识别方法和装置
CN111784117A (zh) * 2020-06-11 2020-10-16 中国环境科学研究院 壬基酚区域水质标准的制定方法及壬基酚的去除方法

Similar Documents

Publication Publication Date Title
Sandvik et al. Toward a model-based prediction system for salmon lice infestation pressure
CN109271405A (zh) 农药淡水水生生物水质基准值推导方法及水质安全评价方法
Titcomb et al. Social communities and spatiotemporal dynamics of association patterns in estuarine bottlenose dolphins
Kwak et al. Community indices, parameters, and comparisons
Olson et al. Modeling demographic performance of northern spotted owls relative to forest habitat in Oregon
Coppedge et al. Avian response to landscape change in fragmented southern Great Plains grasslands
Kelly et al. Landscape influence on the quality of heron and egret colony sites
Smith et al. Are sage‐grouse fine‐scale specialists or shrub‐steppe generalists?
Rohal et al. Invasive Phragmites australis management outcomes and native plant recovery are context dependent
Thackeray et al. Eight decades of phenological change for a freshwater cladoceran: what are the consequences of our definition of seasonal timing?
Lücke et al. Detection of ecological change in stream macroinvertebrate assemblages using single metric, multimetric or multivariate approaches
Parra et al. Ontogenetic variation in density‐dependent growth of brown trout through habitat competition
CN107392380A (zh) 一种用于淡水水生生物水质基准预测的系统
Anderson et al. Using geography to infer the importance of dispersal for the synchrony of freshwater plankton
Brain et al. Risk assessment considerations with regard to the potential impacts of pesticides on endangered species
Crawford et al. Landscape-scale habitat and climate correlates of breeding Golden-winged and Blue-winged warblers
Wu et al. Understanding the relative roles of local environmental, geo‐climatic and spatial factors for taxonomic, functional and phylogenetic β‐diversity of stream fishes in a large basin, Northeast China
Taylor et al. The spatial scale of homogenisation and differentiation in Chihuahuan Desert fish assemblages
Zhao et al. Quantifying effects of hydrological and water quality disturbances on fish with food-web modeling
Lindegarth et al. Uncertainty of biological indicators for the WFD in Swedish water bodies: current procedures and a proposed framework for the future
Deikumah et al. Matrix intensification affects body and physiological condition of tropical forest-dependent passerines
CN109214701A (zh) 拟除虫菊酯类农药水质基准推导方法及水质安全评价方法
CN109409590A (zh) 一种用于淡水水生生物水质基准预测的系统
Guan et al. Causality between abundance and diversity is weak for wintering migratory waterbirds
CN112561290A (zh) 一种基于pser模型的北方河流湿地生态数据采集和处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190125