CN113611373B - 评估土壤污染生态风险的生物毒性归一化方法及其应用 - Google Patents

评估土壤污染生态风险的生物毒性归一化方法及其应用 Download PDF

Info

Publication number
CN113611373B
CN113611373B CN202110892375.3A CN202110892375A CN113611373B CN 113611373 B CN113611373 B CN 113611373B CN 202110892375 A CN202110892375 A CN 202110892375A CN 113611373 B CN113611373 B CN 113611373B
Authority
CN
China
Prior art keywords
soil
normalization
model
toxicity
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.)
Active
Application number
CN202110892375.3A
Other languages
English (en)
Other versions
CN113611373A (zh
Inventor
王晓南
田彪
张加文
罗晶晶
吴凡
刘征涛
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 CN202110892375.3A priority Critical patent/CN113611373B/zh
Publication of CN113611373A publication Critical patent/CN113611373A/zh
Application granted granted Critical
Publication of CN113611373B publication Critical patent/CN113611373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Medicinal Chemistry (AREA)
  • Geology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Food Science & Technology (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种评估土壤污染生态风险的生物毒性归一化方法及其应用，包括：依据目标区域的生物类别和区系，选择具有区域代表性的生物物种，确定代表生物物种的生物学分类，并给出门、科和属生物分类参数；搜集或测试目标污染物对代表生物物种的毒性值；搜集或测试毒性值所涉及的土壤性质；对有多数毒性值和土壤性质相匹配的物种进行多元线性回归归一化，建立多元回归归一化模型；对有少数毒性值和土壤性质相匹配的物种则进行种间外推归一化，建立种间外推归一化模型；对多元回归归一化模型或种间外推归一化模型的预测效果进行校验。本发明有效解决了土壤污染生态风险评估中土壤生物毒性值未归一化而产生的评估结果差异较大的问题。

Description

评估土壤污染生态风险的生物毒性归一化方法及其应用
技术领域
本发明涉及生态环境保护技术领域，更具体的说是涉及一种评估土壤污染生态风险的生物毒性归一化方法及其应用。
背景技术
在评估土壤中污染物的生态风险时，一般进行污染物对本土生物的生态毒理学试验或进行生物毒性值搜集，然后依据所得到的急慢性毒性值，采用相应的方法推导这些重金属的土壤环境基准值，最后进行污染风险评估。在这个过程中，一般不会考虑土壤性质对毒性值和生态风险的影响，然而，研究表明土壤理化性质是影响土壤中污染物毒性效应的重要因素，因此，在评估土壤污染的生态风险时，急需土壤生态毒性的归一化方法和模型，为土壤生态风险评估和环境基准制定提供支持。
因此，如何提供一种简单快速的评估土壤污染生态风险的生物毒性归一化方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种评估土壤污染生态风险的生物毒性归一化方法及其应用，对不同土壤生物的毒性值进行归一化，获得典型污染物的归一化模型，本发明可消除土壤性质差异所带来的毒性值的差异。
为了实现上述目的，本发明采用如下技术方案：
一种评估土壤污染生态风险的生物毒性归一化方法，包括以下步骤：
S1.依据目标区域的生物类别和区系，选择具有区域代表性的代表生物物种，确定所述代表生物物种的生物学分类，并给出门、科和属生物分类参数；
S2.搜集目标污染物对所述代表生物物种的毒性值；
S3.搜集或测试所述毒性值所涉及的土壤性质；
S4.对有多数毒性值和土壤性质相匹配的物种进行多元线性回归归一化，建立多元回归归一化模型；对有少数毒性值和土壤性质相匹配的物种则进行种间外推归一化，建立种间外推归一化模型；
S5.对所述多元回归归一化模型或所述种间外推归一化模型的预测效果进行校验。
优选的，S2中当所述代表生物物种水平毒性值不足时，搜集其同属生物的毒性值；当同属的毒性值不足时，搜集其同科生物的毒性值，包括急性生态毒性值和慢性生态毒性值。
需要说明的是：
根据界门纲目科属种的各个阶段搜集的资料中明确标明的毒性值的数量来判断水平毒性值。一般少于1为水平毒性值不足，即不存在物种水平毒性值。
优选的，在S3中，所述土壤性质包括：pH、有机碳OC、有机质OM、阳离子交换量CEC和土壤黏粒Clay等。
优选的，还包括对搜集到的毒性值进行筛选，具体内容为：
删去未按标准方法开展试验的数据，其中包括无对照组或未设平行组；
删去对照组生物生长不符合标准的数据，其中包括对照组发芽率低于70％，平均存活率低于90％；
删去没有明确毒性终点和没有土壤性质的数据，其中包括明确毒性终点是根伸长或者是生物量、明确土壤性质；
删去水培条件下的数据，保留试验介质为土壤的数据。
优选的，在S4中，采用所述土壤性质作为自变量，毒性值为因变量，将毒性值和对应土壤性质进行多元线性回归分析，建立所述多元回归归一化模型，包括：
NOEC＝apH+e；
NOEC＝apH+bOC+e；
NOEC＝apH+bOC+cClay+e；
NOEC＝apH+bOC+cClay+dCEC+e；
其中，a，b，c，d和e均为模型参数；ECx是污染物对受试生物产生x％效应的浓度，比如EC10(x＝10时)，即为产生了10％危害效应的浓度；
当同物种的毒性值不足时，依据建立所述多元回归归一化模型相同的方法，构建同属水平的回归模型，作为所述种间外推归一化模型；
当同属的毒性值不足时，依据建立所述多元回归归一化模型相同的方法，构建同科水平的回归模型，作为所述种间外推归一化模型。
优选的，S4还包括：
将多元回归归一化模型log化：
log(NOEC或ECx)＝apH+e；
log(NOEC或ECx)＝apH+blogOC+e；
log(NOEC或ECx)＝apH+blogOC+clogClay+e；
log(NOEC或ECx)＝apH+blogOC+clogClay+dlogCEC+e；
根据log化的所述多元回归归一化模型构建种间外推模型构建种间外推模型：
Figure BDA0003196649940000031
Figure BDA0003196649940000032
Figure BDA0003196649940000033
Figure BDA0003196649940000034
式中：NOECs是归一化前的毒性值，NOECp是归一化后的毒性值，pHs、OCs、Clays和CECs分别为原土壤的pH、有机碳含量、土壤黏粒含量和阳离子交换量，pHp、OCp、Clayp和CECp是归一化目标的pH、有机碳含量、土壤黏粒含量和阳离子交换量，a、b、c和d为相近物种的log型归一化模型中pH、OC、Clay和CEC的模型参数；ECxp和ECxs分别是归一化后和归一化前的产生x％效应的浓度；
当同物种或属的毒性值不足时，依据上述种间外推归一化方法构建属间或科间的外推模型。
优选的，S5具体包括以下内容：将目标土壤性质代入所述多元回归归一化模型或所述种间外推归一化模型，获得预测值，计算预测值和实测值的差异系数，所述差异系数＝MAX(预测值，实测值)/MIN(预测值，实测值)，根据差异系数来划分预测效果。
优选的，差异系数在2倍以内表明预测效果优秀，在2倍至5倍以内表明预测效果良好，高于5倍则预测效果一般。
一种评估土壤污染生态风险的生物毒性归一化方法的应用，包括以下步骤：
(1)目标土壤性质和生物毒性值的测试与获取，按照标准测试方法，获得目标土壤的土壤性质参数和生物毒性值；
(2)将目标土壤性质代入上述构建的同物种、同属或同科的回归模型，或代入上述构建的种间、属间或科间外推模型；
(3)计算获得归一化至目标土壤性质下的土壤生物毒性数据；对于种间、属间或科间外推后有多个数据的物种，取所有数据的几何平均值
Figure BDA0003196649940000041
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种评估土壤污染生态风险的生物毒性归一化方法，能够根据土壤性质对土壤生物毒性值进行归一化分析，获得土壤生物的多元回归和种间外推归一化模型，归一化模型可较好地减少不同土壤性质引起的毒性值差异，并可为土壤环境基准的制定提供较丰富的生物毒性数据。依据归一化模型，获得了不同土壤类型条件下铜和铅的土壤环境基准值，然后应用于后续的生态风险评估。归一化后推导出的基于不同土壤类型的生态风险评估，可避免土壤性质差异所带来的毒性效应的差异，可为土壤重金属的污染预防、风险控制和污染修复提供科学依据，并对不同土壤条件下土壤重金属的生态风险评估和环境管理提供技术支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种评估土壤污染生态风险的生物毒性归一化方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种评估土壤污染生态风险的生物毒性归一化方法，在本实施例中选取铜和铅来进行具体说明，包括以下内容：
1材料与方法
1.1铜和铅的毒性数据的搜集和筛选
1)毒性数据的搜集：①以主题“土壤”、“铜”、“铅”在中国知网(http://www.cnki.net)分别搜索铜和铅的生态毒性数据；②在美国ECOTOX数据库(http://cfpub.epa.gov/ecotox)中搜索铜和铅的生态毒性数据；③采用Elsevier(http://www.sciencedirect.com)等数据库对外文文献中铜和铅的生态毒性数据进行搜索，查找文献中报道了土壤性质的数据。
2)毒性数据的筛选：删去未按标准方法的开展试验的数据，如无对照组，未设平行组；删去对照组生物生长不符合标准的数据，如对照组发芽率低于70％，平均存活率低于90％；删去没有明确毒性终点和没有土壤性质的数据，如毒性终点要明确是根伸长或者是生物量等，土壤性质(pH、OC等)在文章中要有明确标注；删去水培条件下的数据，保留试验介质为土壤的数据。采用国内分布广泛的物种以及具有代表性的标准测试物种，用于推导我国的土壤环境基准值。
1.2数据归一化处理
1)对于有多个毒性值和土壤性质相匹配的物种，足够自身建立回归模型，进行多元线性归一化。土壤是一类高度不均匀的介质，不同的pH、OC(有机碳含量)、CEC(阳离子交换量)和Clay(黏土含量)会造成土壤中毒性物质被生物吸收的含量的差异，利用SPSS软件(SPSS26)回归分析的R2和显著性大小判断多元回归的效果好坏。将毒性数值和对应土壤性质进行多元线性回归分析，来建立回归模型(例如NOEC＝apH+bOC+cCEC+dClay+e；a，b，c，d，e为模型参数)，最后将毒性值归一化至中性土壤条件下。
2)对于有少数毒性值和土壤性质相匹配的物种，不足以自身建立回归模型，则进行种间外推归一化。因为这些物种数据量较少，无法自身建立多元回归模型，采用种间外推回归模型进行归一化。种间外推归一化以生物分类学相似的物种建立的回归模型为基础，构建种间外推模型
Figure BDA0003196649940000051
Figure BDA0003196649940000061
式中：NOECs是归一化前的毒性值，NOECp是归一化后的毒性值，pHs、OCs、Clays和CECs分别为原土壤的pH、有机碳含量、土壤黏粒含量和阳离子交换量，pHp、OCp、Clayp和CECp是归一化目标的pH、有机碳含量、土壤黏粒含量和阳离子交换量，a、b、c和d为相近物种的log型归一化模型中pH、OC、Clay和CEC的模型参数；归一化后有两个以上毒性值的物种再取几何平均值。
3)采用上述构建的归一化模型，通过土壤性质对铜和铅的生态毒性数据进行预测，并与实测值(该实测值未参与归一化模型的构建)进行比较，验证归一化模型的预测效果。
4)多元线性和种间外推归一化以中性土壤条件(土壤pH＝7.0，CEC＝15cmol·kg-1，OC＝1.5％，Clay＝35％)进行计算，并与未归一化数据进行比较。
3结果与讨论
3.1铜的归一化模型
1)对于有多个毒性值和土壤性质相匹配的物种，进行了多元线性回归分析(表1)。(需要说明的是：在本领域中，一般2个及以下是少数，需要利用种间外推归一化。3个毒性值和土壤性质相匹配，大多数情况下可以建立多元回归归一化模型。下同。)分别构建了10个物种或微生物过程的多元回归归一化模型，其中慢性毒性终点归一化模型8个，包括赤子爱胜蚓Eisenia fetida、白符跳虫Folsomia candida和线蚓Enchytraeus crypticus3个物种的NOEC归一化模型，西红柿Solanum lycopersicum、大麦Hordeum vulgare、小白菜Brassica chinensis、青海弧菌Vibrio qinghaiensis(Q67)4个物种的EC10归一化模型，微生物群落Protista的LOEC归一化模型，线蚓Enchytraeus albidus的LC50归一化模型和线蚓Enchytraeus luxuriosus的EC50模型。与铜的其他归一化研究相比，本研究建立了多种生物分类物种的多元回归模型。除青海弧菌外，各模型p值小于0.05，表明各个物种的多元回归归一化模型可较好的反应铜对10种土壤生物或微生物过程的毒性效应与土壤性质的变化规律。
2)对于毒性数据不足或与土壤性质相匹配数据不足的物种，进行了种间外推归一化分析(表1)。依据种间外推归一化方法，采用pH和logOC作为模型参数归一化其他物种的毒性值时，各物种的固有敏感性会显著降低，有学者研究发现pH和OC是控制铜的土壤生物毒性的两个重要因子该研究建立了基于土壤pH和OC的赤子爱胜蚓E.fetida的归一化模型(logNOEC＝0.204pH+0.933logOC+0.709)和大麦H.vulgare的归一化模型(logEC10＝0.144pH+0.753logOC+1.036)，结合获得的实测毒性数据，构建了12种土壤生物的种间外推归一化模型(表1)，可对12种相同生物分类学的土壤生物毒性进行预测。
3)采用表1中的代表性动植物，如赤子爱胜蚓E.fetida的归一化模型，预测实际土壤性质(pH＝5.0，CEC＝7.9cmol·kg-1，OC＝2.1％，Clay＝7.9％)下铜对赤子爱胜蚓的毒性值，得到NOEC预测值为140.07mg·kg-1，与实测值87.5mg·kg-1相近。此外，对大麦H.vulgare的归一化模型预测效果进行验证，预测的EC10值(土壤性质pH＝7.35，OC＝1.25％，CEC＝8.43cmol·kg-1)为139.38mg·kg-1，与实测值96.8mg·kg-1非常接近，说明构建的铜归一化模型的预测效果较好。
表1铜的归一化模型
Figure BDA0003196649940000071
注：标a的是用赤子爱胜蚓的log模型的系数进行的种间外推归一化，标b的是用大麦log模型的系数进行的种间外推归一化。
3.2铅的归一化模型
1)对于有多个毒性值和土壤性质相匹配的物种，进行了多元线性回归分析(表2)。分别构建了5个物种的多元回归归一化模型，其中慢性毒性终点归一化模型4个，包括赤子爱胜蚓E.fetida的NOEC归一化模型，赤子爱胜蚓E.fetida、西红柿S.lycopersicum、大麦H.vulgare3个物种的EC10归一化模型，和线蚓E.albidus的LC50模型。模型p值小于0.05，反应了各个物种的多元回归归一化模型可较好的反应铅对5种土壤生物毒性效应与土壤性质的变化规律，与前人相比，该研究建立的多元回归模型物种分类较全面，采用的模型参数较丰富。其中赤子爱胜蚓E.fetida的NOEC模型比EC10模型更显著，在后续归一化取值时采用赤子爱胜蚓E.fetida的NOEC模型。
2)建立种间外推归一化模型可增加土壤环境基准值推导中的物种数量，使得推导出的基准值更加科学可靠，从而能够保护更多的物种。对于毒性数据不足或与土壤性质相匹配数据不足的物种，进行了种间外推归一化分析(表2)。依据种间外推归一化方法，结合铅的土壤生物毒性与pH和OC的重要相关性，该研究建立了基于土壤pH和OC的赤子爱胜蚓E.fetida的归一化模型(logNOEC＝0.662pH+3.448logOC-2.741)和大麦H.vulgare的归一化模型(logEC10＝0.116pH+0.311logOC+1.74)，结合获得的实测毒性数据，构建了12种土壤生物的种间外推归一化模型(表2)，可对12种相近生物分类学的土壤生物毒性进行预测。
3)采用表2中，大麦H.vulgare的归一化模型预测实际土壤性质下(pH＝8.86，OC＝1.02％，CEC＝8.0cmol·kg-1，Clay＝19.6％)铅对大麦的毒性值，得到的EC10预测值为547.67mg·kg-1，与实测值619mg·kg-1非常接近，说明构建的铅归一化模型的预测效果较好。
表2铅的归一化模型
Figure BDA0003196649940000081
3.3铜和铅在中性土壤条件下的归一化毒性数据
1)根据构建的归一化模型(表1)，把各土壤条件下铜的生态毒性数据归一化至中性土壤条件下(土壤pH＝7.0，CEC＝15cmol·kg-1，OC＝1.5％，Clay＝35％)，归一得到5种土壤动物的毒性值，13种土壤植物的毒性值，共计4门11科18种土壤动(植)物(表3)，还获得了2种微生物过程的归一化毒性数据(表3)。
表3铜的归一化毒理数据
Figure BDA0003196649940000091
2)根据构建的归一化模型(表2)，把各土壤条件下铜的生态毒性数据同样归一化至中性土壤条件下，归一得到5种土壤动物的毒性值，10种土壤植物的毒性值，共计5门10科15种土壤动(植)物(表4)。
表4铅的归一化毒理数据
Figure BDA0003196649940000092
4结论
根据土壤性质(pH、OC、CEC和Clay)对土壤生物毒性值进行归一化分析，获得铜和铅的22和17种土壤生物的多元回归和种间外推归一化模型，通过验证发现归一化模型可较好地预测其它土壤条件下的毒性值，从而减少不同土壤性质引起的毒性值差异。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，
而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，包括以下步骤：
S1.依据目标区域的生物类别和区系，选择具有区域代表性的生物物种，确定所述代表生物物种的生物学分类，并给出门、科和属生物分类参数；
S2.搜集或测试目标污染物对所述代表生物物种的毒性值；
S3.搜集或测试所述毒性值所涉及的土壤性质；
S4.对有多数毒性值和土壤性质相匹配的物种进行多元线性回归归一化，建立多元回归归一化模型；对有少数毒性值和土壤性质相匹配的物种则进行种间外推归一化，建立种间外推归一化模型；
S5.对所述多元回归归一化模型或所述种间外推归一化模型的预测效果进行校验；
在S4中，采用所述土壤性质作为自变量，毒性值为因变量，将毒性值和对应土壤性质进行多元线性回归分析，建立所述多元回归归一化模型，包括：
NOEC或ECx＝apH+e；
NOEC或ECx＝apH+bOC+e；
NOEC或ECx＝apH+bOC+cClay+e；
NOEC或ECx＝apH+bOC+cClay+dCEC+e；
其中，a，b，c，d和e均为模型参数；ECx为污染物对受试生物产生x％效应的浓度；
当同物种的毒性值不足时，依据建立所述多元回归归一化模型相同的方法，构建同属水平的回归模型，作为所述同属的多元回归归一化模型；
当同属的毒性值不足时，依据建立所述多元回归归一化模型相同的方法，构建同科水平的回归模型，作为所述同科的多元回归归一化模型；
S4还包括：
将多元回归归一化模型log化：
log(NOEC或ECx)＝apH+e；
log(NOEC或ECx)＝apH+blogOC+e；
log(NOEC或ECx)＝apH+blogOC+clogClay+e；
log(NOEC或ECx)＝apH+blogOC+clogClay+dlogCEC+e；
根据log化的所述多元回归归一化模型构建种间外推模型：
NOECp或ECxp＝NOECs或
Figure FDA0003629172450000011
NOECp或ECxp＝NOECs或
Figure FDA0003629172450000021
NOECp或ECxp＝NOECs或
Figure FDA0003629172450000022
NOECp或ECxp＝NOECs或
Figure FDA0003629172450000023
式中：NOECs是归一化前的毒性值，NOECp是归一化后的毒性值，pHs、OCs、Clays和CECs分别为原土壤的pH、有机碳含量、土壤黏粒含量和阳离子交换量，pHp、OCp、Clayp和CECp是归一化目标的pH、有机碳含量、土壤黏粒含量和阳离子交换量，a、b、c和d为相近物种的log化归一化模型中pH、OC、Clay和CEC的模型参数；ECxp和ECxs分别是归一化后和归一化前的产生x％效应的浓度；
当同物种或属的毒性值不足时，依据上述种间外推归一化方法构建属间或科间的外推模型；
S5具体包括以下内容：将目标土壤性质代入所述多元回归归一化模型或所述种间外推归一化模型，获得预测值，计算预测值和实测值的差异系数，所述差异系数＝MAX(预测值，实测值)/MIN(预测值，实测值)，根据差异系数来划分预测效果。
2.根据权利要求1所述的一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，S2中当所述代表生物物种水平毒性值不足时，搜集其同属生物的毒性值；当同属的毒性值不足时，搜集其同科生物的毒性值，包括急性生态毒性值和慢性生态毒性值。
3.根据权利要求1所述的一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，在S3中，所述土壤性质包括但不限于：pH、有机碳OC、阳离子交换量CEC和土壤黏粒Clay。
4.根据权利要求1所述的一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，还包括对搜集到的毒性值进行筛选，具体内容为：
删去未按标准方法开展试验的数据，其中包括无对照组或未设平行组；
删去对照组生物生长不符合标准的数据，其中包括对照组发芽率低于70％，平均存活率低于90％；
删去没有明确毒性终点和没有土壤性质的数据，其中包括明确毒性终点是根伸长或者是生物量、明确土壤性质；
删去水培条件下的数据，保留试验介质为土壤的数据。
5.根据权利要求1所述的一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，差异系数在2倍以内表明预测效果优秀，在2倍至5倍以内表明预测效果良好，高于5倍则预测效果一般。
6.一种评估土壤污染生态风险的生物毒性归一化方法的应用，基于权利要求1-5任意一项一种评估土壤污染生态风险的生物毒性归一化方法，其特征在于，包括以下步骤：
(1)目标土壤性质和生物毒性值的测试与获取，按照标准测试方法，获得目标土壤的土壤性质参数和生物毒性值；
(2)将目标土壤性质代入上述构建的同物种、同属或同科的回归模型，或代入上述构建的种间、属间或科间外推模型；
(3)计算获得归一化至目标土壤性质下的土壤生物毒性数据；对于种间、属间或科间外推后有多个数据的物种，取所有数据的几何平均值
Figure FDA0003629172450000031
CN202110892375.3A 2021-08-04 2021-08-04 评估土壤污染生态风险的生物毒性归一化方法及其应用 Active CN113611373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110892375.3A CN113611373B (zh) 2021-08-04 2021-08-04 评估土壤污染生态风险的生物毒性归一化方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110892375.3A CN113611373B (zh) 2021-08-04 2021-08-04 评估土壤污染生态风险的生物毒性归一化方法及其应用

Publications (2)

Publication Number Publication Date
CN113611373A CN113611373A (zh) 2021-11-05
CN113611373B true CN113611373B (zh) 2022-07-26

Family

ID=78306821

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110892375.3A Active CN113611373B (zh) 2021-08-04 2021-08-04 评估土壤污染生态风险的生物毒性归一化方法及其应用

Country Status (1)

Country Link
CN (1) CN113611373B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167031B (zh) * 2021-11-22 2022-08-05 中国环境科学研究院 一种土壤重金属生物可利用性含量预测的方法
CN117497037B (zh) * 2023-11-17 2024-08-16 上海倍谙基生物科技有限公司 一种基于广义线性模型的培养基组分敏感性分析方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104722569B (zh) * 2013-12-18 2019-04-12 中国环境科学研究院 确定化工区土壤重金属生态安全阈值的方法
CN105303015B (zh) * 2014-07-04 2018-04-10 中国环境科学研究院 优化污染场地土壤生态毒性诊断结果的方法及装置
US20220406415A1 (en) * 2019-09-26 2022-12-22 Terramera, Inc. Systems and methods for synergistic pesticide screening
CN111353720B (zh) * 2020-03-13 2021-02-05 南京大学 一种区域土壤环境中高风险污染物的识别方法

Also Published As

Publication number Publication date
CN113611373A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN113611373B (zh) 评估土壤污染生态风险的生物毒性归一化方法及其应用
Shaukat et al. Impact of sample size on principal component analysis ordination of an environmental data set: Effects on eigenstructure
Paavola et al. Are biological classifications of headwater streams concordant across multiple taxonomic groups?
WO2017113980A1 (zh) 基于毒性效应的流域沉积物中重金属生态风险评估方法
Emad AM et al. Assessment of water quality of Euphrates River using cluster analysis
CN109308577B (zh) 一种沉积物重金属环境质量评价方法
Ndah et al. A systematic study of zooplankton-based indices of marine ecological change and water quality: Application to the European marine strategy framework Directive (MSFD)
CN101976302A (zh) 化工区环境水质优先监控污染物的筛选方法
CN115907479A (zh) 一种层次化的矿区土壤污染生态风险评估方法
Pinto et al. Effects of the proximity from an industrial plant on fish assemblages in the rio Paraíba do Sul, southeastern Brazil
CN117368434A (zh) 一种基于大数据的水质监测系统
Cairns et al. Ecosystem effects: functional end points
CN117875573B (zh) 一种基于生物毒性和生物有效性的水环境评价方法和系统
Zhang et al. Bioavailability (BA)-based risk assessment of soil heavy metals in provinces of China through the predictive BA-models
Scardi et al. Monitoring methods based on fish
CN116433007A (zh) 一种生态风险评估方法
Hall Jr et al. Ranking the importance of benthic metrics and environmental stressors from over a decade of bioassessment multiple stressor studies in five California waterbodies
CN109902929B (zh) 一种划分水稻重金属污染产区的方法
CN113990407B (zh) 对多氯萘及其同系物的含量及来源进行解析的解析方法
Shang et al. Characteristic Model of Soil Pollution in Petroleum Exploration Area Based on Multivariate Analysis.
CN118518841B (zh) 一种水产品中污染物的检测方法
Riley et al. Does the definition of a novel environment affect the ability to detect cryptic genetic variation?
CN118335227B (zh) 一种基于金属离子特性的土壤生态筛选值确定方法
CN117874616B (zh) 基于综合偏离度的污染物溯源方法及装置、电子设备
CN117909913B (zh) 一种农业面源污染数据管理方法、系统、设备及介质

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
GR01 Patent grant
GR01 Patent grant