CN115033552A - 一种场地土壤污染物环境与毒性数据库构建方法 - Google Patents

一种场地土壤污染物环境与毒性数据库构建方法 Download PDF

Info

Publication number
CN115033552A
CN115033552A CN202210416246.1A CN202210416246A CN115033552A CN 115033552 A CN115033552 A CN 115033552A CN 202210416246 A CN202210416246 A CN 202210416246A CN 115033552 A CN115033552 A CN 115033552A
Authority
CN
China
Prior art keywords
data
toxicity
soil
database
index
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.)
Withdrawn
Application number
CN202210416246.1A
Other languages
English (en)
Inventor
周蓉
卜元卿
杨彦
虞悦
张爱国
宋宁慧
廖建华
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.)
Nanjing Institute of Environmental Sciences MEE
Original Assignee
Nanjing Institute of Environmental Sciences MEE
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 Nanjing Institute of Environmental Sciences MEE filed Critical Nanjing Institute of Environmental Sciences MEE
Priority to CN202210416246.1A priority Critical patent/CN115033552A/zh
Publication of CN115033552A publication Critical patent/CN115033552A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及污染物风险评估技术领域，具体地说是一种场地土壤污染物环境与毒性数据库构建方法，制定典型土壤污染物筛选标准和清单研究，构建数据库的逻辑框架与指标体系，制定数据筛查和质量评价的方法以及数据生产的规范化流程，完成数据入库，对数据进行质量评价，形成基础数据库，构建原始数据处理方法体系，对原始数据进行标准化和归一化处理，最终提供用于场地土壤污染物人体健康评估的数据参数集合，完成应用数据库的构建，本发明同现有技术相比，通过建立场地土壤污染物环境和毒性数据库，制定本土化的环境与毒性数据筛查和整编的标准及规范，建立直接用于风险评估的参数集合的方法体系，实现数据的标准化、本土化和规范化。

Description

一种场地土壤污染物环境与毒性数据库构建方法
技术领域
本发明涉及污染物风险评估技术领域，具体地说是一种场地土壤污染物环境与毒性数据库构建方法。
背景技术
随着我国城市化进程加快以及产业结构调整深化，城市中高污染、高能耗企业关闭、搬迁产生的遗留场地环境污染问题突出，再开发利用过程中的环境和人体健康风险均较高，因此对于土壤场地污染的统计和评价具备非常高的现实意义。建立一个能够为我国场地土壤污染物人体健康、生态风险和地下水评估提供本土化及标准化参数的数据库，系统化、规范化、层次化的污染场地土壤风险评估技术与方法体系建立提供基础的数据支撑系统就非常有必要。
而目前，我国场地土壤污染物风险评估工作的数据来源主要是国外的数据库，但是国外数据库收录的我国本土化的数据非常少，且由于建库目的不同，大多数据库属于单一类型的数据库，国内虽然也有一些以化学品管理和开发为目的的数据库，但大多并不对外公开，可公开查询的化学物质毒性数据库虽然可提供一些化学物质的基本理化信息和毒性数据，但提供毒性数据有限，数据也未经过质量评价，并不能满足污染物风险评估的数据需求。
因此，需要设计一种场地土壤污染物环境与毒性数据库构建方法，解决了依赖国外数据库以及国内数据缺失和不确定，无法实现标准化和规范化，造成的评估工作损失的问题，通过建立本土化污染物清单，收集流行病学调查数据，并通过规范化数据生产流程、数据质量评价和处理方法体系，实现数据的标准化、本土化和规范化。
发明内容
本发明的目的是克服现有技术的不足，提供了一种场地土壤污染物环境与毒性数据库构建方法，通过建立本土化污染物清单，收集污染物理化性质、环境行为、体内、体外健康和生态毒性数据以及人类流行病学调查数据，收集流行病学调查数据，并通过规范化数据生产流程、数据质量评价和处理方法体系，实现数据的标准化、本土化和规范化。
为了达到上述目的，本发明提供一种场地土壤污染物环境与毒性数据库构建方法，包括以下步骤：
S1：通过制定典型土壤污染物筛选标准，进行场地土壤典型污染物清单研究；
S2：构建数据库的逻辑框架与指标体系，数据库分为基础库和应用库，并分别设计指标体系；
S3：制定数据筛查和质量评价的方法以及数据生产的规范化流程，完成数据入库，对收集的不同来源的数据进行质量评价，形成基础数据库；S4：构建原始数据处理方法体系，对原始数据进行标准化和归一化处理，最终提供用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合，完成应用数据库的构建；
基础库通过制定适用于我国场地土壤污染物风险评估研究的科学、完善的环境和毒性数据筛查及整编的技术方法体系，对收集国外数据库以及国内外文献来源的原始数据进行筛选和质量评价，完成原始数据的收录；
应用库通过比较各种方法的先进性和适用性，针对不同参数的原始数据处理方法，形成一套完整的针对不同参数的原始数据处理方法体系，将原始数据转化为科学的、适用于我国本土的、用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合；S2中的逻辑框架采用分层架构体系，即应用层、服务层、数据层和基础层；应用层包括场地土壤环境和毒性基础数据库管理系统和场地土壤环境和毒性应用数据库分析系统，这两个系统集中了所有应用功能，是直接面向用户服务的应用系统；服务层是系统的中间层，为应用层提供统一的访问接口方式，为系统提供统一的服务模式，是场地土壤环境和毒性数据能够实现管理和分析应用的基础支撑；数据层用于数据存储和数据管理，包括环境数据、人体健康毒性数据、生态毒性数据、系统管理数据以及对应的应用数据集；基础层是本系统运行所需要硬件设备，包括网络设备、服务器、终端设备以及对应的操作系统；
S2中基础库和应用库的指标体系分别包括环境数据指标体系、人体健康毒性数据指标体系和生态毒性数据指标体系；
基础库环境数据指标体系中环境数据包括基本信息、理化性质和环境行为和生物有效性4类，指标设置参考土壤污染物风险评估模型，包括RBCA模型、英国的CLEA模型、意大利的ROME模型、荷兰的CSOIL模型(改进为VOLASOIL模型)和我国的风险评估导则模型中的暴露模块的参数要求来设置，针对每一项参数，指标应包含与参数相关的信息；
基础库人体健康毒性数据的原始数据包括实验数据和人类数据，实验数据包括了体内和体外实验的数据，根据人体健康毒性实验所涉及的相关信息分别从实验体系信息、实验信息和实验结果信息来设置具体的指标；
基础库生态毒性数据指标体系参考美国ECOTOX生态毒性数据库的指标设置，分别从实验体系信息、实验信息和实验结果信息和实验介质信息来设置具体的指标，对于野外实验的数据在实验信息部分加设与野外实验条件相关的参数指标；
应用库环境数据指标与一级数据库相同，但是需要将一级数据库中的数据进行标准化和归一化处理，每一个指标均为用户提供单一的标准值；
应用库人体健康毒性数据指标体系包括非致癌效应和致癌效应，非致癌效应包括参考剂量(RfD)、参考浓度(RfC)、毒性效应、毒性终点值(POD)和不确定因子(UF)，致癌效应包括致癌斜率因子(SF)、单位风险(IUR)、外推方法、肿瘤位置和肿瘤类型；
应用库生态毒性数据指标体系包括土壤预测无效应浓度PNECsoil和外推方法；
S3具体为通过建立数据收集方法、数据项属性表、数据项编码表、数据规范化生产流程以及数据质量控制和数据质量评价，建立场地土壤污染物环境和毒性基础数据库管理系统，提供课题各参与单位进行原始数据收集、校对、审核，并将经过检查核对后的数据保存到基础数据库中；
数据收集方法具体为本数据库的数据主要来源于国外数据库和公开发表文献，为保证数据质量，以国外数据库的数据作为首选，文献中的数据和从有关部门收集到的本土化研究成果作为缺失数据和本土化数据的补充，针对不同来源的数据分别建立数据收集方法；主要包括数据库来源数据收集、文献来源数据收集、本土化的人类数据收集；
数据项属性表、数据项编码表具体为针对每一个数据指标，通过数据的类型、宽度(单位：字节)和非空约束对数据指标进行定义，形成数据指标属性表，编入数据收集软件中，以便计算机对输入的数据进行识别，及时发现输入有误的数据，为保证不同数据收集人员对于数据收集的统一性及标准化，针对每一个数据指标进行标准化编码，形成数据指标编码表，并制定数据编码指南，数据收集人员必须按照编码指南的要求、参考编码表来填写数据；
数据规范化生产流程包括数据收集人员的培训、文献采集和筛选、数据录入和加工和数据质量检查；
数据质量控制具体为分为人工控制和计算机控制，人工控制主要是数据收集人员对于数据的检验，包括数据收集人员自检，数据收集人员之间相互检查和数据审核人员检验，主要是从数据完整性、一致性和正确性方面进行检验，数据检验发现问题后立即进行修改完善；计算机控制主要是采用计算机程序控制填写数据规范，增加对数据必填项、数据填写规范的程序控制，形成程序化的报表模板，包括数据填写格式的规范化、枚举数据项的标准化以及利用数据指标属性表实现数据检验的自动化；
数据质量评价为构建数据质量评价体系，对一级数据库中的数据进行质量评价和质量排名管理，参考国内外已有的数据质量评价体系，收集评价指标，然后对评价指标的重要性进行问卷调查，根据问卷调查的结果和所包含的评价元素的数量和其重要性对其赋予不同的权重，通过多轮的专家论证来筛选评价指标，完善评价方法，最终形成标准化的数据质量评价体系并进行验证，根据评价总分对数据质量进行排序，并按占总能分值(取决于数据类型)的百分比，将数据分为优先采纳、可采纳和不可采纳三个质量等级，具体包括数据质量评价方法、人体健康毒性数据评价指标和生态毒性数据评价指标；
S4具体为根据基础库中的数据筛选；
和质量评价的结果，选择用于应用库的原始数据，提出针对不同应用库参数的原始数据处理方法，比较各种方法的先进性和适用性，形成一套完整的原始数据处理的方法体系，将原始数据转化为科学的、适用于我国本土的、直接用于污染物健康、生态和地下水风险评估的数据参数集合，构建应用库，为用户提供直接用于污染物风险评估的数据资源；具体包括原始数据筛选方法和原始数据的处理方法；
原始数据筛选方法为若基础库中已包含从国外权威数据库收集到的应用库的参数值，则直接选用该数据录入应用库，若基础库中无直接采用的应用库参数值，则需要根据数据质量来筛选用于生成应用库参数的原始数据，具体包括以下步骤：
S10，选择实验方法：优先选择遵照国内外标准实验方法获得的数据，若无此类数据，则根据数据质量评价的结果来选择数据；
S20，选择测试物种：优先选择标准测试物种(Standard Test Species)，若非标准测试物种，要对检索到的物种进行本土化识别，尽量选择土壤中无脊椎动物和植物物种的毒性数据，因为这些生物几乎在整个生命周期中都停留在土壤中，其生长过程直接受到土壤中化学物质的影响；
S30，选择毒性作用：优先选择能影响受体个体或种群特性的慢性毒性指标或亚致死毒性指标，生态毒性数据中，陆生植物选择生物量、根伸长；土壤无脊椎动物，选择繁殖率、种群数量和生长率；土壤微生物和微生物主导的土壤生态过程，选择土壤硝化作用、微生物生物量、土壤呼吸作用；
S40，优先选择毒性效应：选择包括物种行为、生长、繁殖、死亡、生态系统过程、种群数量生物体的生物学效应，其次为酶活、激素水平细胞水平生物化学效应；
S50，选择毒性终点：同一物种有不同毒性终点的，选择最敏感的毒性终点的毒性参数；同一毒性终点有多个效应浓度(如EC10、EC20、EC50)时，优先采用EC10，或通过建立EC10与EC20或EC50之间的回归模型将其转换为EC10；同一物种的不同品种有多个EC10时，取其几何平均值；仅在生物种类和营养级别单一且生态毒性数据量不足10个时选用NOEC；
S60、专家评审：针对选择的数据的适用性、正确性、充分性、代表性、重要性进行专家的评审；
原始数据的处理方法具体为根据不同的数据类型，提出具体的原始数据处理方法，形成一套完整的原始数据处理方法体系，对于获得具体模型算法的处理方法，将模型集成到二级数据库中，由数据库计算获得二级参数值，对于需要BMDs软件来完成的处理方法，则由人工计算后，经过专家评审直接录入二级数据库，计算获得的二级参数值后将提供生产此参数的原始数据列表；具体包括环境数据处理方法、人体健康毒性数据处理方法、生态毒性数据处理方法；
环境数据处理方法包括以下步骤：
S100：针对每一个指标设置标准单位，对于非标准单位的数值，将其转化为标准单位数值；
S200：对非标准实验条件下得到的数据，将其转换为标准条件下的数据；
S300：同一土壤条件下获得的数据取其算数平均值，不同土壤条件下获得的数据取其几何平均值；
S400：不同pH条件下获得的数值取其最大值；
人体健康毒性数据处理方法为：若已从IRIS数据库中获得了RfC、RfD、SF和IUR二级数据库指标参数，则只需通过公式进行不同暴露途径间的转换，若通过数据库未查询到用的二级数据库指标参数，则需通过软件和模型对原始数据进行处理，得到二级数据库指标参数；具体包括非致癌原始数据处理和致癌原始数据处理；
生态毒性数据处理方法为：根据生态受体营养级、生态毒性数据类型及数据量的多少情况，选择不同的数据外推方法在线估算预测无效应浓度PNECsoil；当有足够的毒性效应数据(通常指有10-15个以上，包含至少8个不同生物种类的毒性效应数据ECx)，优先选用毒性效应浓度EC10及SSD法进行毒性数据外推估算PNECsoil；当数据类型和质量不符合SSD法要求但符合排序分布法的要求时，采用排序分布法估算预测无效应浓度PNECsoil；
当生物种类和营养级别单一，毒性数据为L(E)C50或NOEC且生态毒性数据量较少(不足10个)时，采用评估因子法(assessment factor,AF)进行毒性数据外推；
具体包括物种敏感性分步法外推、排序分步法外推和评估因子法外推；
物种敏感性分步法外推具体为：
数据归一化：在采用SSD法拟合不同生态受体或生态过程的毒性效应参数(优先选用EC10)分布曲线前，需将同一物种或同一品种在不同土壤条件下的生态毒性效应参数归一化到统一的土壤性质(pH＝6.5、有机质＝2％或CEC＝20cmol·kg-1)条件下，数据按公式(13)进行归一化：
Figure BDA0003604788270000081
式中：
ECxstd——标准土壤条件下的x％效应浓度；
pHstd——标准土壤条件下的土壤pH；
CECstd——标准土壤条件下的土壤阳离子交换率；
ECx1——实验土壤条件下的x％效应浓度；
pH1——实验土壤条件下的土壤pH；
CEC1——实验土壤条件下的土壤阳离子交换率；
拟合函数的选取：选用Burr III、Log-normal、Log-logistic、Weibull及Gamma拟合函数分别对归一化到不同土壤条件下的EC10进行拟合，优先根据均方根误差(root meansquareerror，RMSE)确定最佳的拟合函数；
PNECsoil值的推导：分别依据生态物种和生态过程的最佳拟合函数曲线以及土地利用方式计算不同生态保护水平下的危害浓度HCx(HC5,HC20,HC40,HC50)，用户根据实际情况除以1-5的安全系数得到最终的PNECsoil值；
排序分步法外推具体为：
将筛选得到的生态受体(陆生植物、无脊椎动物、土壤微生物)或生态过程(有机质矿化、硝化作用、酶活性)的ECx(有不同响应水平时，优先选择或转化为EC10)分别按照从小到大的顺序进行排序，得到毒性数据序列；
按照公式(14)计算毒性数据在序列中的百分位数：
Figure BDA0003604788270000091
式中：
j—毒性数据序列中某一数据的百分位数；
i—毒性数据序列中某一数据的顺序数；
n—毒性数据总数；
将某一数据的百分位数(j)分别与生态受体或生态过程的ECx(优先选择EC10)作图，选用Burr III、Log-normal、Log-logistic、Weibull及Gamma累积分布函数进行拟合；
根据土地利用方式，选择不同百分位数(5％、5％、20％、40％和50％)，求得EC10的分布预测值(ESSD10)；
用户根据实际情况将ESSD10除以1-5的安全系数得到PNECsoil值；
评估因子法外推具体为：
选择毒性数据的最低值，根据所列情况选择相应的评估因子(AF)，用毒性数
据最低值除以评估因子估算PNECsoil值。
S1中的筛选标准包括：
A、我国已制定实施的环境质量和排放标准规定的项目；
B、我国污染地块环境调查阶段土壤样品中检出率较高的污染物；
C、毒性高、移动性强的污染物；
D、地方土壤标准普遍关注的污染物；
E、国际关注度高的特殊污染物和新兴污染物。
场地土壤污染物环境和毒性基础数据库管理系统具体为：
A1、污染物指标数据收集：支持土壤环境和毒性数据指标体系中的污染物数据在线收集和录入功能，将环境数据、人体健康毒性数据、生态毒理数据不同的指标信息进行对应数据的添加和保存，系统根据各指标的筛选规则进行初步判断，对不符合数据类型和值域范围的录入信息进行提醒。
并支持数据的动态更新；
B1、录入数据检查及校对：支持对已经录入系统的数据进行数据检查和修改操作，对录入数据进行调整和保存；
C1、录入数据审核：支持对所有录入数据进行数据在线审核操作，审核状态包括审核通过和审核不通过两种，用户根据未审核、审核通过、审核未通过状态对数据进行快速查询过滤，并对未审核的数据进行审核操作，审核未通过的数据重新进行修改，审核已通过的数据不允许再进行修改操作；
D1、专家评价管理：所有状态为审核状态的数据，提供专家用户进行数据的打分评价，并支持对评价后的数据进行排名分析和数据质量级的划分；
E1、引用文档管理：支持对系统引用资料和文档材料进行管理，添加新的引用地址或文档材料附件，并填写文档的编号、作者、标题、来源、发布时间相关信息；同时支持用户录入数据时将当前已有的引用地址或文档材料进行选择，系统自动记录当前的引用关系；对于原始文档根据来源形成不同的数据包，对原始文件进行存储；
F1、用户管理：支持对系统当前用户信息进行添加、修改、删除、重置密码操作，用户信息包括用户名、密码、真实姓名、所属单位、职务、联系电话、联系邮箱、联系地址信息，支持录入人员、检查人员、审核人员、专家用户、管理；人员各类角色登录，同时根据不同的登录角色显示对应的权限功能；
G1、日志管理：系统日志管理功能支持记录当前系统所有对数据的操作记录，并支持系统用户根据操作时间、操作类型条件进行日志的筛选和查询操作。
数据质量评价方法具体为：
数据的质量评价在单个评估指标的基础上，采用加权平均法获得，定义n个评估指标的评分分别为S1，S2，S3，…，Sn，每个评估指标的权重值为a1，a2，a3，…，an，则该数据表的数据实际得分按下方公式计算：
SR＝[(S1×a1+S2×a2+S3×a3+…+Sn×an )/4×n]
毒性数据的总分按下方公式计算：
Figure BDA0003604788270000121
其中：n为评价指标的数目；
a为评价指标的权重
毒性数据最终的质量分数按下方公式计算：SQ＝SR/SR*100
人体健康毒性数据评价指标具体为：人体健康毒性数据质量靠性评价指标参考国际上常用的毒理学数据靠性评价工具(toxicological data reliability assessmenttool，ToxRTool)，给每条评价标准赋予不同的权重，通过对总分分级的方法评价数据的靠性，对于实验数据，分别收集体内实验和体外实验评价指标。
生态毒性数据评价指标具体为主要参考荷兰国家公共卫生与环境研究院(RIVM)2016年发表的生态毒理数据报道与评价标准(Criteria for reporting andevaluatingecotoxicity data，CRED)，结合德国的Klimisch、美国的Durda和EPA、澳大利亚的Hobbs 4种方法，以及美国、加拿大、澳大利亚和新西兰国家及欧盟的水质基准推导和生态风险评价指南。
应用库具体功能包括：
A2、模型集成：支持针对二级数据库参数计算模型的集成和调用；
B2、指标数据处理：指标数据处理功能支持根据标准化和归一化计算方法、集成的模型算法、对基础数据库中通过审核和评价的数据进行处理和调用；
C2、指标条件查询：根据环境数据、人体健康毒性数据、生态毒理数据分类条件，物质名称、试验信息、试验条件、试验结果、试验介质、信息来源各类条件进行组合查询筛选，并将所有符合查询条件的数据进行表格展示；
D2、生成应用数据集：根据环境数据、人体健康毒性数据、生态毒理数据不同指标分类原则，将经过审核和评价的数据重新进行排列组合，生成直接用于污染物健康与生态风险评估的数据参数数据集合；
E2、应用数据参数的溯源：支持形成运用于二级参数计算的原始数据列表，并作为附件链接于计算生成的二级参数之后。
非致癌原始数据处理具体为针对非致癌的人体健康毒性数据，需要将原始数据转化为直接应用于人体健康风险评估所需的参考剂量(RfD)或参考浓度(RfC)，首先需要确定POD，主要有两种方法，一种是US EPA推荐使用的基准剂量(Benchmark Dose，BMD)法，以及传统的NOAEL和LOAEL法：
基准剂量法：若原始数据为剂量-反应数据，符合BMD方法应用软件的剂量-反应模拟要求，并且实验包含的剂量组数多于反应模型中的参数个数，则优先选择BMD的方法来确定POD，具体包括：
确定剂量-反应数据的类型：
剂量-反应数据一般包括两类：一类是计数资料，即个体观察值或总体数据；一类是计量资料，即样本量大小和受影响个体数；
确定基准反应BMR：
根据数据类型选择BMR，计数资料选择10％，计量资料选择5％
选择剂量-反应模型：
根据数据类型选择剂量-反应模拟模型模型，计数资料选择Gamma、Logistic、LogProbit、Multistage、Probit、Weibull模型；计量资料选择Hill、Exponential、Linear、Polynomial、Power模型；
拟合最佳剂量-反应模型：
首先设置BMRF参数拟合优度检验(goodness of fittest)，选择P-Valve＞0.05的统计模型；再选取Akaike信息标准(Akaike’s Information Criterion，AIC)值最小的模型；
确定BMD(BMDL)：
结合BMR和信区间(95％)，计算出每个反应终点的BMD及其下限值BMDL，取全部反应终点的最小BMDL值，作为该研究资料的BMDL值；NOAEL和LOAEL法：当原始数据不适用于BMD的方法时，使用在特定的暴露时间内未产生观测的不良效应的最高剂量(no observedadverse effect level,NOAEL)和产生观测到的不良效应的最低剂量(LOAEL：lowestobserved adverse effect level)作为POD，确定了POD后，采用计算的BMDL或者NOAEL，没有NOAEL时候，也用LOAEL除以不确定因子(Uncertainty factor，UF)，计算得到RfD和RfC；
Figure BDA0003604788270000141
式中：
UF—Uncertainty Factors不确定因子
–×10人类个体差异
–×10动物实验向人类毒性数据推测
–×10未使用慢性毒性数据
–×10采用LOAEL而不是NOAEL
–×10数据不充足
–×0.1 to 10MF调整系数。
致癌原始数据处理具体为针对致癌的人体健康毒性数据，如果一级数据库中直接收集到了致癌斜率系数(SF)和单位致癌风险系数(IUR)，只需要对数据进行不同暴露途径间的转换，若一级数据库中只收集到实验原始数据，则需要将原始数据转化为直接应用于人体健康风险评估所需的SF或IUR值，通常采用低剂量外推法来计算，利用实验获取的剂量～反应关系数据推导低剂量条件下的剂量-反应关系，包括：
不同暴露途径间的转换：
呼吸暴露途径的SF和IUR按公式(4)和公式(5)计算：
Figure BDA0003604788270000151
Figure BDA0003604788270000152
式中：
SFi——呼吸吸入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDi——呼吸吸入参考剂量，mg污染物·Kg-1体重·d-1；
IUR——呼吸吸入单位致癌因子，m3·mg-1；
RfC——呼吸吸入参考浓度，mg·m-3；
DAIRa——成人每日空气呼吸量，m3·d-1；
BWa——成人体重，Kg。
皮肤暴露途径的SF和IUR按公式(6)和公式(7)计算：
Figure BDA0003604788270000161
RfDd＝RfDo×ABSgi (7)
式中：
SFd——皮肤接触致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
SFo——经口摄入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDo——经口摄入参考剂量，mg污染物·Kg-1体重·d-1；
RfDd——皮肤接触参考剂量，mg污染物·Kg-1体重·d-1；
ABSgi——消化道吸收效率因子，无量纲
原始数据转化：
观察范围内剂量-效应关系特征：其目的是确认低剂量外推的起始点，观察范围内的评估一般包括生物基础模型的开发或肿瘤(前体)数据的曲线拟合，如果数据充分，足以定量描述肿瘤形成过程中特定的关键事件，则生物学基础模型用来描述观察到的肿瘤、相关的响应数据、动物或人体研究中观察范围的外推；如果没有足够数据建立生物基础模型，观察范围内的剂量-效应关系通过肿瘤或其前体数据的曲线拟合来进行描述，这种拟合不仅要依据观察范围内的肿瘤数据，而且要依据肿瘤发展前认为重要的其他反应(DNA加合物、细胞增生)；
计算引起10％肿瘤或相关非肿瘤反应有关剂量95％置信下限(LED10)，是通过观察范围内剂量-效应关系的定量模拟来实现，LED10通常作为起始点进行低剂量外推；在多数哺乳动物的长期研究或其他毒性研究中，10％的反应正处于或稍低于观察范围内肿瘤反应敏感度的显著性界限；需要注意的是，对于某些数据库，较低起始点能比LED10合适，如LED5；由于人体个体较大，人体研究往往支持较低起点；当使用非线性剂量-效应方法时，起始点能为未见有害效应剂量(NOAEL)；
低剂量外推：
需要评估的实际环境暴露水平低于实验研究暴露，需要实验数据范围以外的风险进行推断，以下情况一般选择线性方法进行剂量-效应评估：A当污染物直接诱变DNA；B反应模式分析不支持直接的DNA效应，但剂量-效应关系为线性；C缺乏足够的肿瘤反应信息，低暴露水平的外推是通过起始点于原点之间的直线来完成，按公式(8)来计算：
y＝mx+b (8)
式中：
y——反应率或发生率；
m——线性斜率；
x——剂量；
b——截距。
斜率因子(m)按公式(9)来计算：
Figure BDA0003604788270000171
如果未使用LED10，线性斜率的按标准公式(10)计算：
Figure BDA0003604788270000172
式中：
y2——起始点反应；
y1——原点的反应；
x2——起始点的剂量；
x1——原点的剂量；
由于y1和x1原点的利用，公式(10)简化为公式(11):
Figure BDA0003604788270000181
特定风险剂量(RSD)，用来计算出特定目标增量致癌风险(范围为10-6～10-4)，RSD按公式(12)计算:
Figure BDA0003604788270000182
本发明同现有技术相比，通过建立本土化的用于支撑地下水、人体健康和生态风险评估的场地土壤污染物环境和毒性数据库，制定适合我国场地土壤污染物风险评估的本土化的环境与毒性数据筛查和整编的标准及规范，建立将原始数据转化为可直接用于风险评估的参数集合的方法体系，实现数据的标准化、本土化和规范化。
附图说明
图1为本发明技术路线示意图；
图2为本发明数据库逻辑框架示意图；
图3为本发明数据库指标体系示意图；
图4为本发明评估因子AF取值示意图。
具体实施方式
现结合附图对本发明做进一步描述。
如图1～图4，本发明提供一种场地土壤污染物环境与毒性数据库构建方法，包括以下步骤：
S1：通过制定典型土壤污染物筛选标准，进行场地土壤典型污染物清单研究；
S2：构建数据库的逻辑框架与指标体系，数据库分为基础库和应用库，并分别设计指标体系；
S3：制定数据筛查和质量评价的方法以及数据生产的规范化流程，完成数据入库，对收集的不同来源的数据进行质量评价，形成基础数据库；S4：构建原始数据处理方法体系，对原始数据进行标准化和归一化处理，最终提供用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合，完成应用数据库的构建；
基础库通过制定适用于我国场地土壤污染物风险评估研究的科学、完善的环境和毒性数据筛查及整编的技术方法体系，对收集国外数据库以及国内外文献来源的原始数据进行筛选和质量评价，完成原始数据的收录；
应用库通过比较各种方法的先进性和适用性，针对不同参数的原始数据处理方法，形成一套完整的针对不同参数的原始数据处理方法体系，将原始数据转化为科学的、适用于我国本土的、用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合；S2中的逻辑框架采用分层架构体系，即应用层、服务层、数据层和基础层；应用层包括场地土壤环境和毒性基础数据库管理系统和场地土壤环境和毒性应用数据库分析系统，这两个系统集中了所有应用功能，是直接面向用户服务的应用系统；服务层是系统的中间层，为应用层提供统一的访问接口方式，为系统提供统一的服务模式，是场地土壤环境和毒性数据能够实现管理和分析应用的基础支撑；数据层用于数据存储和数据管理，包括环境数据、人体健康毒性数据、生态毒性数据、系统管理数据以及对应的应用数据集；基础层是本系统运行所需要硬件设备，包括网络设备、服务器、终端设备以及对应的操作系统；
S2中基础库和应用库的指标体系分别包括环境数据指标体系、人体健康毒性数据指标体系和生态毒性数据指标体系；
基础库环境数据指标体系中环境数据包括基本信息、理化性质和环境行为和生物有效性4类，指标设置参考土壤污染物风险评估模型，包括RBCA模型、英国的CLEA模型、意大利的ROME模型、荷兰的CSOIL模型(改进为VOLASOIL模型)和我国的风险评估导则模型中的暴露模块的参数要求来设置，针对每一项参数，指标应包含与参数相关的信息；
基础库人体健康毒性数据的原始数据包括实验数据和人类数据，实验数据包括了体内和体外实验的数据，根据人体健康毒性实验所涉及的相关信息分别从实验体系信息、实验信息和实验结果信息来设置具体的指标；
基础库生态毒性数据指标体系参考美国ECOTOX生态毒性数据库的指标设置，分别从实验体系信息、实验信息和实验结果信息和实验介质信息来设置具体的指标，对于野外实验的数据在实验信息部分加设与野外实验条件相关的参数指标；
应用库环境数据指标与一级数据库相同，但是需要将一级数据库中的数据进行标准化和归一化处理，每一个指标均为用户提供单一的标准值；
应用库人体健康毒性数据指标体系包括非致癌效应和致癌效应，非致癌效应包括参考剂量(RfD)、参考浓度(RfC)、毒性效应、毒性终点值(POD)和不确定因子(UF)，致癌效应包括致癌斜率因子(SF)、单位风险(IUR)、外推方法、肿瘤位置和肿瘤类型；
应用库生态毒性数据指标体系包括土壤预测无效应浓度PNECsoil和外推方法；
S3具体为通过建立数据收集方法、数据项属性表、数据项编码表、数据规范化生产流程以及数据质量控制和数据质量评价，建立场地土壤污染物环境和毒性基础数据库管理系统，提供课题各参与单位进行原始数据收集、校对、审核，并将经过检查核对后的数据保存到基础数据库中；
数据收集方法具体为本数据库的数据主要来源于国外数据库和公开发表文献，为保证数据质量，以国外数据库的数据作为首选，文献中的数据和从有关部门收集到的本土化研究成果作为缺失数据和本土化数据的补充，针对不同来源的数据分别建立数据收集方法；主要包括数据库来源数据收集、文献来源数据收集、本土化的人类数据收集；
数据项属性表、数据项编码表具体为针对每一个数据指标，通过数据的类型、宽度(单位：字节)和非空约束对数据指标进行定义，形成数据指标属性表，编入数据收集软件中，以便计算机对输入的数据进行识别，及时发现输入有误的数据，为保证不同数据收集人员对于数据收集的统一性及标准化，针对每一个数据指标进行标准化编码，形成数据指标编码表，并制定数据编码指南，数据收集人员必须按照编码指南的要求、参考编码表来填写数据；
数据规范化生产流程包括数据收集人员的培训、文献采集和筛选、数据录入和加工和数据质量检查；
数据质量控制具体为分为人工控制和计算机控制，人工控制主要是数据收集人员对于数据的检验，包括数据收集人员自检，数据收集人员之间相互检查和数据审核人员检验，主要是从数据完整性、一致性和正确性方面进行检验，数据检验发现问题后立即进行修改完善；计算机控制主要是采用计算机程序控制填写数据规范，增加对数据必填项、数据填写规范的程序控制，形成程序化的报表模板，包括数据填写格式的规范化、枚举数据项的标准化以及利用数据指标属性表实现数据检验的自动化；
数据质量评价为构建数据质量评价体系，对一级数据库中的数据进行质量评价和质量排名管理，参考国内外已有的数据质量评价体系，收集评价指标，然后对评价指标的重要性进行问卷调查，根据问卷调查的结果和所包含的评价元素的数量和其重要性对其赋予不同的权重，通过多轮的专家论证来筛选评价指标，完善评价方法，最终形成标准化的数据质量评价体系并进行验证，根据评价总分对数据质量进行排序，并按占总能分值(取决于数据类型)的百分比，将数据分为优先采纳、可采纳和不可采纳三个质量等级，具体包括数据质量评价方法、人体健康毒性数据评价指标和生态毒性数据评价指标；
S4具体为根据基础库中的数据筛选；
和质量评价的结果，选择用于应用库的原始数据，提出针对不同应用库参数的原始数据处理方法，比较各种方法的先进性和适用性，形成一套完整的原始数据处理的方法体系，将原始数据转化为科学的、适用于我国本土的、直接用于污染物健康、生态和地下水风险评估的数据参数集合，构建应用库，为用户提供直接用于污染物风险评估的数据资源；具体包括原始数据筛选方法和原始数据的处理方法；
原始数据筛选方法为若基础库中已包含从国外权威数据库收集到的应用库的参数值，则直接选用该数据录入应用库，若基础库中无直接采用的应用库参数值，则需要根据数据质量来筛选用于生成应用库参数的原始数据，具体包括以下步骤：
S10，选择实验方法：优先选择遵照国内外标准实验方法获得的数据，若无此类数据，则根据数据质量评价的结果来选择数据；
S20，选择测试物种：优先选择标准测试物种(Standard Test Species)，若非标准测试物种，要对检索到的物种进行本土化识别，尽量选择土壤中无脊椎动物和植物物种的毒性数据，因为这些生物几乎在整个生命周期中都停留在土壤中，其生长过程直接受到土壤中化学物质的影响；
S30，选择毒性作用：优先选择能影响受体个体或种群特性的慢性毒性指标或亚致死毒性指标，生态毒性数据中，陆生植物选择生物量、根伸长；土壤无脊椎动物，选择繁殖率、种群数量和生长率；土壤微生物和微生物主导的土壤生态过程，选择土壤硝化作用、微生物生物量、土壤呼吸作用；
S40，优先选择毒性效应：选择包括物种行为、生长、繁殖、死亡、生态系统过程、种群数量生物体的生物学效应，其次为酶活、激素水平细胞水平生物化学效应；
S50，选择毒性终点：同一物种有不同毒性终点的，选择最敏感的毒性终点的毒性参数；同一毒性终点有多个效应浓度(如EC10、EC20、EC50)时，优先采用EC10，或通过建立EC10与EC20或EC50之间的回归模型将其转换为EC10；同一物种的不同品种有多个EC10时，取其几何平均值；仅在生物种类和营养级别单一且生态毒性数据量不足10个时选用NOEC；
S60、专家评审：针对选择的数据的适用性、正确性、充分性、代表性、重要性进行专家的评审；
原始数据的处理方法具体为根据不同的数据类型，提出具体的原始数据处理方法，形成一套完整的原始数据处理方法体系，对于获得具体模型算法的处理方法，将模型集成到二级数据库中，由数据库计算获得二级参数值，对于需要BMDs软件来完成的处理方法，则由人工计算后，经过专家评审直接录入二级数据库，计算获得的二级参数值后将提供生产此参数的原始数据列表；具体包括环境数据处理方法、人体健康毒性数据处理方法、生态毒性数据处理方法；
环境数据处理方法包括以下步骤：
S100：针对每一个指标设置标准单位，对于非标准单位的数值，将其转化为标准单位数值；
S200：对非标准实验条件下得到的数据，将其转换为标准条件下的数据；
S300：同一土壤条件下获得的数据取其算数平均值，不同土壤条件下获得的数据取其几何平均值；
S400：不同pH条件下获得的数值取其最大值；
人体健康毒性数据处理方法为：若已从IRIS数据库中获得了RfC、RfD、SF和IUR二级数据库指标参数，则只需通过公式进行不同暴露途径间的转换，若通过数据库未查询到用的二级数据库指标参数，则需通过软件和模型对原始数据进行处理，得到二级数据库指标参数；具体包括非致癌原始数据处理和致癌原始数据处理；
生态毒性数据处理方法为：根据生态受体营养级、生态毒性数据类型及数据量的多少情况，选择不同的数据外推方法在线估算预测无效应浓度PNECsoil；当有足够的毒性效应数据(通常指有10-15个以上，包含至少8个不同生物种类的毒性效应数据ECx)，优先选用毒性效应浓度EC10及SSD法进行毒性数据外推估算PNECsoil；当数据类型和质量不符合SSD法要求但符合排序分布法的要求时，采用排序分布法估算预测无效应浓度PNECsoil；
当生物种类和营养级别单一，毒性数据为L(E)C50或NOEC且生态毒性数据量较少(不足10个)时，采用评估因子法(assessment factor,AF)进行毒性数据外推；
具体包括物种敏感性分步法外推、排序分步法外推和评估因子法外推；物种敏感性分步法外推具体为：
数据归一化：在采用SSD法拟合不同生态受体或生态过程的毒性效应参数(优先选用EC10)分布曲线前，需将同一物种或同一品种在不同土壤条件下的生态毒性效应参数归一化到统一的土壤性质(pH＝6.5、有机质＝2％或CEC＝20cmol·kg-1)条件下，数据按公式(13)进行归一化：
Figure BDA0003604788270000251
式中：
ECxstd——标准土壤条件下的x％效应浓度；
pHstd——标准土壤条件下的土壤pH；
CECstd——标准土壤条件下的土壤阳离子交换率；
ECx1——实验土壤条件下的x％效应浓度；
pH1——实验土壤条件下的土壤pH；
CEC1——实验土壤条件下的土壤阳离子交换率；
拟合函数的选取：选用Burr III、Log-normal、Log-logistic、Weibull及Gamma拟合函数分别对归一化到不同土壤条件下的EC10进行拟合，优先根据均方根误差(root meansquareerror，RMSE)确定最佳的拟合函数；
PNECsoil值的推导：分别依据生态物种和生态过程的最佳拟合函数曲线以及土地利用方式计算不同生态保护水平下的危害浓度HCx(HC5,HC20,HC40,HC50)，用户根据实际情况除以1-5的安全系数得到最终的PNECsoil值；
排序分步法外推具体为：
将筛选得到的生态受体(陆生植物、无脊椎动物、土壤微生物)或生态过程(有机质矿化、硝化作用、酶活性)的ECx(有不同响应水平时，优先选择或转化为EC10)分别按照从小到大的顺序进行排序，得到毒性数据序列；
按照公式(14)计算毒性数据在序列中的百分位数：
Figure BDA0003604788270000261
式中：
j—毒性数据序列中某一数据的百分位数；
i—毒性数据序列中某一数据的顺序数；
n—毒性数据总数；
将某一数据的百分位数(j)分别与生态受体或生态过程的ECx(优先选择EC10)作图，选用Burr III、Log-normal、Log-logistic、Weibull及Gamma累积分布函数进行拟合；
根据土地利用方式，选择不同百分位数(5％、5％、20％、40％和50％)，求得EC10的分布预测值(ESSD10)；
用户根据实际情况将ESSD10除以1-5的安全系数得到PNECsoil值；
评估因子法外推具体为：
选择毒性数据的最低值，根据所列情况选择相应的评估因子(AF)，用毒性数
据最低值除以评估因子估算PNECsoil值。
S1中的筛选标准包括：
F、我国已制定实施的环境质量和排放标准规定的项目；
G、我国污染地块环境调查阶段土壤样品中检出率较高的污染物；
H、毒性高、移动性强的污染物；
I、地方土壤标准普遍关注的污染物；
J、国际关注度高的特殊污染物和新兴污染物。
场地土壤污染物环境和毒性基础数据库管理系统具体为：
A1、污染物指标数据收集：支持土壤环境和毒性数据指标体系中的污染物数据在线收集和录入功能，将环境数据、人体健康毒性数据、生态毒理数据不同的指标信息进行对应数据的添加和保存，系统根据各指标的筛选规则进行初步判断，对不符合数据类型和值域范围的录入信息进行提醒。
并支持数据的动态更新；
B1、录入数据检查及校对：支持对已经录入系统的数据进行数据检查和修改操作，对录入数据进行调整和保存；
C1、录入数据审核：支持对所有录入数据进行数据在线审核操作，审核状态包括审核通过和审核不通过两种，用户根据未审核、审核通过、审核未通过状态对数据进行快速查询过滤，并对未审核的数据进行审核操作，审核未通过的数据重新进行修改，审核已通过的数据不允许再进行修改操作；
D1、专家评价管理：所有状态为审核状态的数据，提供专家用户进行数据的打分评价，并支持对评价后的数据进行排名分析和数据质量级的划分；
E1、引用文档管理：支持对系统引用资料和文档材料进行管理，添加新的引用地址或文档材料附件，并填写文档的编号、作者、标题、来源、发布时间相关信息；同时支持用户录入数据时将当前已有的引用地址或文档材料进行选择，系统自动记录当前的引用关系；对于原始文档根据来源形成不同的数据包，对原始文件进行存储；
F1、用户管理：支持对系统当前用户信息进行添加、修改、删除、重置密码操作，用户信息包括用户名、密码、真实姓名、所属单位、职务、联系电话、联系邮箱、联系地址信息，支持录入人员、检查人员、审核人员、专家用户、管理；人员各类角色登录，同时根据不同的登录角色显示对应的权限功能；
G1、日志管理：系统日志管理功能支持记录当前系统所有对数据的操作记录，并支持系统用户根据操作时间、操作类型条件进行日志的筛选和查询操作。
数据质量评价方法具体为：
数据的质量评价在单个评估指标的基础上，采用加权平均法获得，定义n个评估指标的评分分别为S1，S2，S3，…，Sn，每个评估指标的权重值为a1，a2，a3，…，an，则该数据表的数据实际得分按下方公式计算：
SR＝[(S1×a1+S2×a2+S3×a3+…+Sn×an )4×n]
毒性数据的总分按下方公式计算：
Figure BDA0003604788270000281
其中：n为评价指标的数目；
a为评价指标的权重
毒性数据最终的质量分数按下方公式计算：SQ＝SR/SR*100
人体健康毒性数据评价指标具体为：人体健康毒性数据质量靠性评价指标参考国际上常用的毒理学数据靠性评价工具(toxicological data reliability assessmenttool，ToxRTool)，给每条评价标准赋予不同的权重，通过对总分分级的方法评价数据的靠性，对于实验数据，分别收集体内实验和体外实验评价指标。
生态毒性数据评价指标具体为主要参考荷兰国家公共卫生与环境研究院(RIVM)2016年发表的生态毒理数据报道与评价标准(Criteria for reporting andevaluatingecotoxicity data，CRED)，结合德国的Klimisch、美国的Durda和EPA、澳大利亚的Hobbs 4种方法，以及美国、加拿大、澳大利亚和新西兰国家及欧盟的水质基准推导和生态风险评价指南。
应用库具体功能包括：
A2、模型集成：支持针对二级数据库参数计算模型的集成和调用；
B2、指标数据处理：指标数据处理功能支持根据标准化和归一化计算方法、集成的模型算法、对基础数据库中通过审核和评价的数据进行处理和调用；
C2、指标条件查询：根据环境数据、人体健康毒性数据、生态毒理数据分类条件，物质名称、试验信息、试验条件、试验结果、试验介质、信息来源各类条件进行组合查询筛选，并将所有符合查询条件的数据进行表格展示；
D2、生成应用数据集：根据环境数据、人体健康毒性数据、生态毒理数据不同指标分类原则，将经过审核和评价的数据重新进行排列组合，生成直接用于污染物健康与生态风险评估的数据参数数据集合；
E2、应用数据参数的溯源：支持形成运用于二级参数计算的原始数据列表，并作为附件链接于计算生成的二级参数之后。
非致癌原始数据处理具体为针对非致癌的人体健康毒性数据，需要将原始数据转化为直接应用于人体健康风险评估所需的参考剂量(RfD)或参考浓度(RfC)，首先需要确定POD，主要有两种方法，一种是US EPA推荐使用的基准剂量(Benchmark Dose，BMD)法，以及传统的NOAEL和LOAEL法：
基准剂量法：若原始数据为剂量-反应数据，符合BMD方法应用软件的剂量-反应模拟要求，并且实验包含的剂量组数多于反应模型中的参数个数，则优先选择BMD的方法来确定POD，具体包括：
确定剂量-反应数据的类型：
剂量-反应数据一般包括两类：一类是计数资料，即个体观察值或总体数据；一类是计量资料，即样本量大小和受影响个体数；
确定基准反应BMR：
根据数据类型选择BMR，计数资料选择10％，计量资料选择5％
选择剂量-反应模型：
根据数据类型选择剂量-反应模拟模型模型，计数资料选择Gamma、Logistic、LogProbit、Multistage、Probit、Weibull模型；计量资料选择Hill、Exponential、Linear、Polynomial、Power模型；
拟合最佳剂量-反应模型：
首先设置BMRF参数拟合优度检验(goodness of fittest)，选择P-Valve＞0.05的统计模型；再选取Akaike信息标准(Akaike’s Information Criterion，AIC)值最小的模型；
确定BMD(BMDL)：
结合BMR和信区间(95％)，计算出每个反应终点的BMD及其下限值BMDL，取全部反应终点的最小BMDL值，作为该研究资料的BMDL值；NOAEL和LOAEL法：当原始数据不适用于BMD的方法时，使用在特定的暴露时间内未产生观测的不良效应的最高剂量(no observedadverse effect level,NOAEL)和产生观测到的不良效应的最低剂量(LOAEL：lowestobserved adverse effect level)作为POD，确定了POD后，采用计算的BMDL或者NOAEL，没有NOAEL时候，也用LOAEL除以不确定因子(Uncertainty factor，UF)，计算得到RfD和RfC；
Figure BDA0003604788270000311
式中：
UF—Uncertainty Factors不确定因子
–×10人类个体差异
–×10动物实验向人类毒性数据推测
–×10未使用慢性毒性数据
–×10采用LOAEL而不是NOAEL
–×10数据不充足
–×0.1 to 10MF调整系数。
致癌原始数据处理具体为针对致癌的人体健康毒性数据，如果一级数据库中直接收集到了致癌斜率系数(SF)和单位致癌风险系数(IUR)，只需要对数据进行不同暴露途径间的转换，若一级数据库中只收集到实验原始数据，则需要将原始数据转化为直接应用于人体健康风险评估所需的SF或IUR值，通常采用低剂量外推法来计算，利用实验获取的剂量～反应关系数据推导低剂量条件下的剂量-反应关系，包括：
不同暴露途径间的转换：
呼吸暴露途径的SF和IUR按公式(4)和公式(5)计算：
Figure BDA0003604788270000321
Figure BDA0003604788270000322
式中：
SFi——呼吸吸入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDi——呼吸吸入参考剂量，mg污染物·Kg-1体重·d-1；
IUR——呼吸吸入单位致癌因子，m3·mg-1；
RfC——呼吸吸入参考浓度，mg·m-3；
DAIRa——成人每日空气呼吸量，m3·d-1；
BWa——成人体重，Kg。
皮肤暴露途径的SF和IUR按公式(6)和公式(7)计算：
Figure BDA0003604788270000323
RfDd＝RfDo×ABSgi (7)
式中：
SFd——皮肤接触致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
SFo——经口摄入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDo——经口摄入参考剂量，mg污染物·Kg-1体重·d-1；
RfDd——皮肤接触参考剂量，mg污染物·Kg-1体重·d-1；
ABSgi——消化道吸收效率因子，无量纲
原始数据转化：
观察范围内剂量-效应关系特征：其目的是确认低剂量外推的起始点，观察范围内的评估一般包括生物基础模型的开发或肿瘤(前体)数据的曲线拟合，如果数据充分，足以定量描述肿瘤形成过程中特定的关键事件，则生物学基础模型用来描述观察到的肿瘤、相关的响应数据、动物或人体研究中观察范围的外推；如果没有足够数据建立生物基础模型，观察范围内的剂量-效应关系通过肿瘤或其前体数据的曲线拟合来进行描述，这种拟合不仅要依据观察范围内的肿瘤数据，而且要依据肿瘤发展前认为重要的其他反应(DNA加合物、细胞增生)；
计算引起10％肿瘤或相关非肿瘤反应有关剂量95％置信下限(LED10)，是通过观察范围内剂量-效应关系的定量模拟来实现，LED10通常作为起始点进行低剂量外推；在多数哺乳动物的长期研究或其他毒性研究中，10％的反应正处于或稍低于观察范围内肿瘤反应敏感度的显著性界限；需要注意的是，对于某些数据库，较低起始点能比LED10合适，如LED5；由于人体个体较大，人体研究往往支持较低起点；当使用非线性剂量-效应方法时，起始点能为未见有害效应剂量(NOAEL)；
低剂量外推：
需要评估的实际环境暴露水平低于实验研究暴露，需要实验数据范围以外的风险进行推断，以下情况一般选择线性方法进行剂量-效应评估：A当污染物直接诱变DNA；B反应模式分析不支持直接的DNA效应，但剂量-效应关系为线性；C缺乏足够的肿瘤反应信息，低暴露水平的外推是通过起始点于原点之间的直线来完成，按公式(8)来计算：
y＝mx+b (8)
式中：
y——反应率或发生率；
m——线性斜率；
x——剂量；
b——截距。
斜率因子(m)按公式(9)来计算：
Figure BDA0003604788270000341
如果未使用LED10，线性斜率的按标准公式(10)计算：
Figure BDA0003604788270000342
式中：
y2——起始点反应；
y1——原点的反应；
x2——起始点的剂量；
x1——原点的剂量；
由于y1和x1原点的利用，公式(10)简化为公式(11):
Figure BDA0003604788270000343
特定风险剂量(RSD)，用来计算出特定目标增量致癌风险(范围为10-6～10-4)，RSD按公式(12)计算:
Figure BDA0003604788270000344
以上仅是本发明的优选实施方式，只是用于帮助理解本申请的方法及其核心思想，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本发明从整体上解决了现有技术中依赖国外数据库以及国内数据缺失和不确定，需要对多个数据库进行综合查询等不规范不标准的问题，通过建立本土化污染物清单，收集污染物理化性质、环境行为、体内、体外健康和生态毒性数据以及人类流行病学调查数据，并通过规范化数据生产流程、数据质量评价和处理方法体系，实现数据的标准化、本土化和规范化。

Claims (9)

1.一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，包括以下步骤：
S1：通过制定典型土壤污染物筛选标准，进行场地土壤典型污染物清单研究；
S2：构建数据库的逻辑框架与指标体系，所述数据库分为基础库和应用库，并分别设计指标体系；
S3：制定数据筛查和质量评价的方法以及数据生产的规范化流程，完成数据入库，对收集的不同来源的数据进行质量评价，形成基础数据库；
S4：构建原始数据处理方法体系，对原始数据进行标准化和归一化处理，最终提供用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合，完成应用数据库的构建；
所述基础库通过制定适用于我国场地土壤污染物风险评估研究的科学、完善的环境和毒性数据筛查及整编的技术方法体系，对收集国外数据库以及国内外文献来源的原始数据进行筛选和质量评价，完成原始数据的收录；
所述应用库通过比较各种方法的先进性和适用性，针对不同参数的原始数据处理方法，形成一套完整的针对不同参数的原始数据处理方法体系，将原始数据转化为科学的、适用于我国本土的、用于场地土壤污染物人体健康风险评估、生态风险评估和地下水风险评估的数据参数集合；所述S2中的逻辑框架采用分层架构体系，即应用层、服务层、数据层和基础层；所述应用层包括场地土壤环境和毒性基础数据库管理系统和场地土壤环境和毒性应用数据库分析系统，这两个系统集中了所有应用功能，是直接面向用户服务的应用系统；所述服务层是系统的中间层，为应用层提供统一的访问接口方式，为系统提供统一的服务模式，是场地土壤环境和毒性数据能够实现管理和分析应用的基础支撑；所述数据层用于数据存储和数据管理，包括环境数据、人体健康毒性数据、生态毒性数据、系统管理数据以及对应的应用数据集；所述基础层是本系统运行所需要硬件设备，包括网络设备、服务器、终端设备以及对应的操作系统；
所述S2中基础库和应用库的指标体系分别包括环境数据指标体系、人体健康毒性数据指标体系和生态毒性数据指标体系；
所述基础库环境数据指标体系中环境数据包括基本信息、理化性质和环境行为和生物有效性4类，指标设置参考土壤污染物风险评估模型，包括RBCA模型、英国的CLEA模型、意大利的ROME模型、荷兰的CSOIL模型(改进为VOLASOIL模型)和我国的风险评估导则模型中的暴露模块的参数要求来设置，针对每一项参数，指标应包含与参数相关的信息；
所述基础库人体健康毒性数据的原始数据包括实验数据和人类数据，实验数据包括了体内和体外实验的数据，根据人体健康毒性实验所涉及的相关信息分别从实验体系信息、实验信息和实验结果信息来设置具体的指标；
所述基础库生态毒性数据指标体系参考美国ECOTOX生态毒性数据库的指标设置，分别从实验体系信息、实验信息和实验结果信息和实验介质信息来设置具体的指标，对于野外实验的数据在实验信息部分加设与野外实验条件相关的参数指标；
所述应用库环境数据指标与一级数据库相同，但是需要将一级数据库中的数据进行标准化和归一化处理，每一个指标均为用户提供单一的标准值；
所述应用库人体健康毒性数据指标体系包括非致癌效应和致癌效应，所述非致癌效应包括参考剂量(RfD)、参考浓度(RfC)、毒性效应、毒性终点值(POD)和不确定因子(UF)，所述致癌效应包括致癌斜率因子(SF)、单位风险(IUR)、外推方法、肿瘤位置和肿瘤类型；
所述应用库生态毒性数据指标体系包括土壤预测无效应浓度PNECsoil和外推方法；
所述S3具体为通过建立数据收集方法、数据项属性表、数据项编码表、数据规范化生产流程以及数据质量控制和数据质量评价，建立场地土壤污染物环境和毒性基础数据库管理系统，提供课题各参与单位进行原始数据收集、校对、审核，并将经过检查核对后的数据保存到基础数据库中；
所述数据收集方法具体为本数据库的数据主要来源于国外数据库和公开发表文献，为保证数据质量，以国外数据库的数据作为首选，文献中的数据和从有关部门收集到的本土化研究成果作为缺失数据和本土化数据的补充，针对不同来源的数据分别建立数据收集方法；主要包括数据库来源数据收集、文献来源数据收集、本土化的人类数据收集；
所述数据项属性表、数据项编码表具体为针对每一个数据指标，通过数据的类型、宽度(单位：字节)和非空约束对数据指标进行定义，形成数据指标属性表，编入数据收集软件中，以便计算机对输入的数据进行识别，及时发现输入有误的数据，为保证不同数据收集人员对于数据收集的统一性及标准化，针对每一个数据指标进行标准化编码，形成数据指标编码表，并制定数据编码指南，数据收集人员必须按照编码指南的要求、参考编码表来填写数据；
所述数据规范化生产流程包括数据收集人员的培训、文献采集和筛选、数据录入和加工和数据质量检查；
所述数据质量控制具体为分为人工控制和计算机控制，人工控制主要是数据收集人员对于数据的检验，包括数据收集人员自检，数据收集人员之间相互检查和数据审核人员检验，主要是从数据完整性、一致性和正确性方面进行检验，数据检验发现问题后立即进行修改完善；计算机控制主要是采用计算机程序控制填写数据规范，增加对数据必填项、数据填写规范的程序控制，形成程序化的报表模板，包括数据填写格式的规范化、枚举数据项的标准化以及利用数据指标属性表实现数据检验的自动化；
所述数据质量评价为构建数据质量评价体系，对一级数据库中的数据进行质量评价和质量排名管理，参考国内外已有的数据质量评价体系，收集评价指标，然后对评价指标的重要性进行问卷调查，根据问卷调查的结果和所包含的评价元素的数量和其重要性对其赋予不同的权重，通过多轮的专家论证来筛选评价指标，完善评价方法，最终形成标准化的数据质量评价体系并进行验证，根据评价总分对数据质量进行排序，并按占总能分值(取决于数据类型)的百分比，将数据分为优先采纳、可采纳和不可采纳三个质量等级，具体包括数据质量评价方法、人体健康毒性数据评价指标和生态毒性数据评价指标；
所述S4具体为根据基础库中的数据筛选；
和质量评价的结果，选择用于应用库的原始数据，提出针对不同应用库参数的原始数据处理方法，比较各种方法的先进性和适用性，形成一套完整的原始数据处理的方法体系，将原始数据转化为科学的、适用于我国本土的、直接用于污染物健康、生态和地下水风险评估的数据参数集合，构建应用库，为用户提供直接用于污染物风险评估的数据资源；具体包括原始数据筛选方法和原始数据的处理方法；
所述原始数据筛选方法为若基础库中已包含从国外权威数据库收集到的应用库的参数值，则直接选用该数据录入应用库，若基础库中无直接采用的应用库参数值，则需要根据数据质量来筛选用于生成应用库参数的原始数据，具体包括以下步骤：
S10，选择实验方法：优先选择遵照国内外标准实验方法获得的数据，若无此类数据，则根据数据质量评价的结果来选择数据；
S20，选择测试物种：优先选择标准测试物种(Standard Test Species)，若非标准测试物种，要对检索到的物种进行本土化识别，尽量选择土壤中无脊椎动物和植物物种的毒性数据，因为这些生物几乎在整个生命周期中都停留在土壤中，其生长过程直接受到土壤中化学物质的影响；
S30，选择毒性作用：优先选择能影响受体个体或种群特性的慢性毒性指标或亚致死毒性指标，生态毒性数据中，陆生植物选择生物量、根伸长；土壤无脊椎动物，选择繁殖率、种群数量和生长率；土壤微生物和微生物主导的土壤生态过程，选择土壤硝化作用、微生物生物量、土壤呼吸作用；
S40，优先选择毒性效应：选择包括物种行为、生长、繁殖、死亡、生态系统过程、种群数量生物体的生物学效应，其次为酶活、激素水平细胞水平生物化学效应；
S50，选择毒性终点：同一物种有不同毒性终点的，选择最敏感的毒性终点的毒性参数；同一毒性终点有多个效应浓度(如EC10、EC20、EC50) 时，优先采用EC10，或通过建立EC10与EC20或EC50之间的回归模型将其转换为EC10；同一物种的不同品种有多个EC10时，取其几何平均值；仅在生物种类和营养级别单一且生态毒性数据量不足10个时选用NOEC；
S60、专家评审：针对选择的数据的适用性、正确性、充分性、代表性、重要性进行专家的评审；
所述原始数据的处理方法具体为根据不同的数据类型，提出具体的原始数据处理方法，形成一套完整的原始数据处理方法体系，对于获得具体模型算法的处理方法，将模型集成到二级数据库中，由数据库计算获得二级参数值，对于需要BMDs软件来完成的处理方法，则由人工计算后，经过专家评审直接录入二级数据库，计算获得的二级参数值后将提供生产此参数的原始数据列表；具体包括环境数据处理方法、人体健康毒性数据处理方法、生态毒性数据处理方法；
所述环境数据处理方法包括以下步骤：
S100：针对每一个指标设置标准单位，对于非标准单位的数值，将其转化为标准单位数值；
S200：对非标准实验条件下得到的数据，将其转换为标准条件下的数据；
S300：同一土壤条件下获得的数据取其算数平均值，不同土壤条件下获得的数据取其几何平均值；
S400：不同pH条件下获得的数值取其最大值；
所述人体健康毒性数据处理方法为：若已从IRIS数据库中获得了RfC、RfD、SF和IUR二级数据库指标参数，则只需通过公式进行不同暴露途径间的转换，若通过数据库未查询到用的二级数据库指标参数，则需通过软件和模型对原始数据进行处理，得到二级数据库指标参数；具体包括非致癌原始数据处理和致癌原始数据处理；
所述生态毒性数据处理方法为：根据生态受体营养级、生态毒性数据类型及数据量的多少情况，选择不同的数据外推方法在线估算预测无效应浓度PNECsoil；当有足够的毒性效应数据(通常指有10-15个以上，包含至少8个不同生物种类的毒性效应数据ECx)，优先选用毒性效应浓度EC10及SSD法进行毒性数据外推估算PNECsoil；当数据类型和质量不符合SSD法要求但符合排序分布法的要求时，采用排序分布法估算预测无效应浓度PNECsoil；
当生物种类和营养级别单一，毒性数据为L(E)C50或NOEC且生态毒性数据量较少(不足10个)时，采用评估因子法(assessment factor,AF)进行毒性数据外推；
具体包括物种敏感性分步法外推、排序分步法外推和评估因子法外推；所述物种敏感性分步法外推具体为：
数据归一化：在采用SSD法拟合不同生态受体或生态过程的毒性效应参数(优先选用EC10)分布曲线前，需将同一物种或同一品种在不同土壤条件下的生态毒性效应参数归一化到统一的土壤性质(pH＝6.5、有机质＝2％或CEC＝20cmol·kg-1)条件下，数据按公式(13)进行归一化：
Figure FDA0003604788260000071
式中：
ECxstd——标准土壤条件下的x％效应浓度；
pHstd——标准土壤条件下的土壤pH；
CECstd——标准土壤条件下的土壤阳离子交换率；
ECx1——实验土壤条件下的x％效应浓度；
pH1——实验土壤条件下的土壤pH；
CEC1——实验土壤条件下的土壤阳离子交换率；
拟合函数的选取：选用BurrIII、Log-normal、Log-logistic、Weibull及Gamma拟合函数分别对归一化到不同土壤条件下的EC10进行拟合，优先根据均方根误差(root meansquareerror，RMSE)确定最佳的拟合函数；
PNECsoil值的推导：分别依据生态物种和生态过程的最佳拟合函数曲线以及土地利用方式计算不同生态保护水平下的危害浓度HCx(HC5,HC20,HC40,HC50)，用户根据实际情况除以1-5的安全系数得到最终的PNECsoil值；
所述排序分步法外推具体为：
将筛选得到的生态受体(陆生植物、无脊椎动物、土壤微生物)或生态过程(有机质矿化、硝化作用、酶活性)的ECx(有不同响应水平时，优先选择或转化为EC10)分别按照从小到大的顺序进行排序，得到毒性数据序列；
按照公式(14)计算毒性数据在序列中的百分位数：
Figure FDA0003604788260000081
式中：
j—毒性数据序列中某一数据的百分位数；
i—毒性数据序列中某一数据的顺序数；
n—毒性数据总数；
将某一数据的百分位数(j)分别与生态受体或生态过程的ECx(优先选择EC10)作图，选用Burr III、Log-normal、Log-logistic、Weibull及Gamma累积分布函数进行拟合；
根据土地利用方式，选择不同百分位数(5％、5％、20％、40％和50％)，求得EC10的分布预测值(ESSD10)；
用户根据实际情况将ESSD10除以1-5的安全系数得到PNECsoil值；
所述评估因子法外推具体为：
选择毒性数据的最低值，根据所列情况选择相应的评估因子(AF)，用毒性数据最低值除以评估因子估算PNECsoil值。
2.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述S1中的筛选标准包括：
A、我国已制定实施的环境质量和排放标准规定的项目；
B、我国污染地块环境调查阶段土壤样品中检出率较高的污染物；
C、毒性高、移动性强的污染物；
D、地方土壤标准普遍关注的污染物；
E、国际关注度高的特殊污染物和新兴污染物。
3.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述场地土壤污染物环境和毒性基础数据库管理系统具体为：
A1、污染物指标数据收集：支持土壤环境和毒性数据指标体系中的污染物数据在线收集和录入功能，将环境数据、人体健康毒性数据、生态毒理数据不同的指标信息进行对应数据的添加和保存，系统根据各指标的筛选规则进行初步判断，对不符合数据类型和值域范围的录入信息进行提醒。并支持数据的动态更新；
B1、录入数据检查及校对：支持对已经录入系统的数据进行数据检查和修改操作，对录入数据进行调整和保存；
C1、录入数据审核：支持对所有录入数据进行数据在线审核操作，审核状态包括审核通过和审核不通过两种，用户根据未审核、审核通过、审核未通过状态对数据进行快速查询过滤，并对未审核的数据进行审核操作，审核未通过的数据重新进行修改，审核已通过的数据不允许再进行修改操作；
D1、专家评价管理：所有状态为审核状态的数据，提供专家用户进行数据的打分评价，并支持对评价后的数据进行排名分析和数据质量级的划分；
E1、引用文档管理：支持对系统引用资料和文档材料进行管理，添加新的引用地址或文档材料附件，并填写文档的编号、作者、标题、来源、发布时间相关信息；同时支持用户录入数据时将当前已有的引用地址或文档材料进行选择，系统自动记录当前的引用关系；对于原始文档根据来源形成不同的数据包，对原始文件进行存储；
F1、用户管理：支持对系统当前用户信息进行添加、修改、删除、重置密码操作，用户信息包括用户名、密码、真实姓名、所属单位、职务、联系电话、联系邮箱、联系地址信息，支持录入人员、检查人员、审核人员、专家用户、管理；人员各类角色登录，同时根据不同的登录角色显示对应的权限功能；
G1、日志管理：系统日志管理功能支持记录当前系统所有对数据的操作记录，并支持系统用户根据操作时间、操作类型条件进行日志的筛选和查询操作。
4.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述数据质量评价方法具体为：
数据的质量评价在单个评估指标的基础上，采用加权平均法获得，定义n个评估指标的评分分别为S1，S2，S3，…，Sn，每个评估指标的权重值为a1，a2，a3，…，an，则该数据表的数据实际得分按下方公式计算：
Figure FDA0003604788260000111
毒性数据的总分按下方公式计算：
Figure FDA0003604788260000112
其中：n为评价指标的数目；
a为评价指标的权重
毒性数据最终的质量分数按下方公式计算：SQ＝SR/SR*100。
5.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述人体健康毒性数据评价指标具体为：人体健康毒性数据质量靠性评价指标参考国际上常用的毒理学数据靠性评价工具(toxicological data reliability assessmenttool，ToxRTool)，给每条评价标准赋予不同的权重，通过对总分分级的方法评价数据的靠性，对于实验数据，分别收集体内实验和体外实验评价指标。
6.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述生态毒性数据评价指标具体为主要参考荷兰国家公共卫生与环境研究院(RIVM)2016年发表的生态毒理数据报道与评价标准(Criteria for reporting andevaluatingecotoxicity data，CRED)，结合德国的Klimisch、美国的Durda和EPA、澳大利亚的Hobbs 4种方法，以及美国、加拿大、澳大利亚和新西兰国家及欧盟的水质基准推导和生态风险评价指南。
7.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述应用库具体功能包括：
A2、模型集成：支持针对二级数据库参数计算模型的集成和调用；
B2、指标数据处理：指标数据处理功能支持根据标准化和归一化计算方法、集成的模型算法、对基础数据库中通过审核和评价的数据进行处理和调用；
C2、指标条件查询：根据环境数据、人体健康毒性数据、生态毒理数据分类条件，物质名称、试验信息、试验条件、试验结果、试验介质、信息来源各类条件进行组合查询筛选，并将所有符合查询条件的数据进行表格展示；
D2、生成应用数据集：根据环境数据、人体健康毒性数据、生态毒理数据不同指标分类原则，将经过审核和评价的数据重新进行排列组合，生成直接用于污染物健康与生态风险评估的数据参数数据集合；
E2、应用数据参数的溯源：支持形成运用于二级参数计算的原始数据列表，并作为附件链接于计算生成的二级参数之后。
8.根据权利要求1所述的一种场地土壤环境和毒性数据库构建方法，其特征在于，所述非致癌原始数据处理具体为针对非致癌的人体健康毒性数据，需要将原始数据转化为直接应用于人体健康风险评估所需的参考剂量(RfD)或参考浓度(RfC)，首先需要确定POD，主要有两种方法，一种是US EPA推荐使用的基准剂量(Benchmark Dose，BMD)法，以及传统的NOAEL和LOAEL法：
基准剂量法：若原始数据为剂量-反应数据，符合BMD方法应用软件的剂量-反应模拟要求，并且实验包含的剂量组数多于反应模型中的参数个数，则优先选择BMD的方法来确定POD，具体包括：
确定剂量-反应数据的类型：
剂量-反应数据一般包括两类：一类是计数资料，即个体观察值或总体数据；一类是计量资料，即样本量大小和受影响个体数；
确定基准反应BMR：
根据数据类型选择BMR，计数资料选择10％，计量资料选择5％
选择剂量-反应模型：
根据数据类型选择剂量-反应模拟模型模型，计数资料选择Gamma、Logistic、LogProbit、Multistage、Probit、Weibull模型；计量资料选择Hill、Exponential、Linear、Polynomial、Power模型；
拟合最佳剂量-反应模型：
首先设置BMRF参数拟合优度检验(goodness of fittest)，选择P-Valve＞0.05的统计模型；再选取Akaike信息标准(Akaike’s Information Criterion，AIC)值最小的模型；
确定BMD(BMDL)：
结合BMR和信区间(95％)，计算出每个反应终点的BMD及其下限值BMDL，取全部反应终点的最小BMDL值，作为该研究资料的BMDL值；NOAEL和LOAEL法：当原始数据不适用于BMD的方法时，使用在特定的暴露时间内未产生观测的不良效应的最高剂量(no observedadverse effect level,NOAEL)和产生观测到的不良效应的最低剂量(LOAEL：lowestobserved adverse effect level)作为POD，确定了POD后，采用计算的BMDL或者NOAEL，没有NOAEL时候，也用LOAEL除以不确定因子(Uncertainty factor，UF)，计算得到RfD和RfC；
Figure FDA0003604788260000141
式中：
UF—Uncertainty Factors不确定因子
–×10人类个体差异
–×10动物实验向人类毒性数据推测
–×10未使用慢性毒性数据
–×10采用LOAEL而不是NOAEL
–×10数据不充足
–×0.1 to 10MF调整系数。
9.根据权利要求1所述的一种场地土壤污染物环境与毒性数据库构建方法，其特征在于，所述致癌原始数据处理具体为针对致癌的人体健康毒性数据，如果一级数据库中直接收集到了致癌斜率系数(SF)和单位致癌风险系数(IUR)，只需要对数据进行不同暴露途径间的转换，若一级数据库中只收集到实验原始数据，则需要将原始数据转化为直接应用于人体健康风险评估所需的SF或IUR值，通常采用低剂量外推法来计算，利用实验获取的剂量～反应关系数据推导低剂量条件下的剂量-反应关系，包括：
不同暴露途径间的转换：
呼吸暴露途径的SF和IUR按公式(4)和公式(5)计算：
Figure FDA0003604788260000142
Figure FDA0003604788260000143
式中：
SFi——呼吸吸入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDi——呼吸吸入参考剂量，mg污染物·Kg-1体重·d-1；
IUR——呼吸吸入单位致癌因子，m3·mg-1；
RfC——呼吸吸入参考浓度，mg·m-3；
DAIRa——成人每日空气呼吸量，m3·d-1；
BWa——成人体重，Kg。
皮肤暴露途径的SF和IUR按公式(6)和公式(7)计算：
Figure FDA0003604788260000151
RfDd＝RfDo×ABSgi (7)
式中：
SFd——皮肤接触致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
SFo——经口摄入致癌斜率因子，(mg污染物·Kg-1体重·d-1)-1；
RfDo——经口摄入参考剂量，mg污染物·Kg-1体重·d-1；
RfDd——皮肤接触参考剂量，mg污染物·Kg-1体重·d-1；
ABSgi——消化道吸收效率因子，无量纲
原始数据转化：
观察范围内剂量-效应关系特征：其目的是确认低剂量外推的起始点，观察范围内的评估一般包括生物基础模型的开发或肿瘤(前体)数据的曲线拟合，如果数据充分，足以定量描述肿瘤形成过程中特定的关键事件，则生物学基础模型用来描述观察到的肿瘤、相关的响应数据、动物或人体研究中观察范围的外推；如果没有足够数据建立生物基础模型，观察范围内的剂量-效应关系通过肿瘤或其前体数据的曲线拟合来进行描述，这种拟合不仅要依据观察范围内的肿瘤数据，而且要依据肿瘤发展前认为重要的其他反应(DNA加合物、细胞增生)；
计算引起10％肿瘤或相关非肿瘤反应有关剂量95％置信下限(LED10)，是通过观察范围内剂量-效应关系的定量模拟来实现，LED10通常作为起始点进行低剂量外推；在多数哺乳动物的长期研究或其他毒性研究中，10％的反应正处于或稍低于观察范围内肿瘤反应敏感度的显著性界限；需要注意的是，对于某些数据库，较低起始点能比LED10合适，如LED5；由于人体个体较大，人体研究往往支持较低起点；当使用非线性剂量-效应方法时，起始点能为未见有害效应剂量(NOAEL)；
低剂量外推：
需要评估的实际环境暴露水平低于实验研究暴露，需要实验数据范围以外的风险进行推断，以下情况一般选择线性方法进行剂量-效应评估：A当污染物直接诱变DNA；B反应模式分析不支持直接的DNA效应，但剂量-效应关系为线性；C缺乏足够的肿瘤反应信息，低暴露水平的外推是通过起始点于原点之间的直线来完成，按公式(8)来计算：
y＝mx+b (8)
式中：
y——反应率或发生率；
m——线性斜率；
x——剂量；
b——截距。
斜率因子(m)按公式(9)来计算：
Figure FDA0003604788260000171
如果未使用LED10，线性斜率的按标准公式(10)计算：
Figure FDA0003604788260000172
式中：
y2——起始点反应；
y1——原点的反应；
x2——起始点的剂量；
x1——原点的剂量；
由于y1和x1原点的利用，公式(10)简化为公式(11):
Figure FDA0003604788260000173
特定风险剂量(RSD)，用来计算出特定目标增量致癌风险(范围为10-6～10-4)，RSD按公式(12)计算:
Figure FDA0003604788260000174
CN202210416246.1A 2022-04-20 2022-04-20 一种场地土壤污染物环境与毒性数据库构建方法 Withdrawn CN115033552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210416246.1A CN115033552A (zh) 2022-04-20 2022-04-20 一种场地土壤污染物环境与毒性数据库构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210416246.1A CN115033552A (zh) 2022-04-20 2022-04-20 一种场地土壤污染物环境与毒性数据库构建方法

Publications (1)

Publication Number Publication Date
CN115033552A true CN115033552A (zh) 2022-09-09

Family

ID=83119526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210416246.1A Withdrawn CN115033552A (zh) 2022-04-20 2022-04-20 一种场地土壤污染物环境与毒性数据库构建方法

Country Status (1)

Country Link
CN (1) CN115033552A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114455715A (zh) * 2022-03-03 2022-05-10 四川省建筑设计研究院有限公司 一种基于“药方式”的水体生态治理方法及系统
CN116070931A (zh) * 2022-11-01 2023-05-05 中国科学院生态环境研究中心 一种基于野外生态数据的土壤污染生态效应定量评价方法
CN116150129A (zh) * 2023-04-19 2023-05-23 国家海洋局北海环境监测中心 入海排污口数据整编评估方法
CN116483807A (zh) * 2023-05-09 2023-07-25 生态环境部南京环境科学研究所 一种土壤污染物环境与毒性数据库构建方法
CN116663893A (zh) * 2023-05-16 2023-08-29 中国疾病预防控制中心环境与健康相关产品安全所 面向环境健康风险评估的综合数据处理方法及系统
CN116858979A (zh) * 2023-05-19 2023-10-10 广东工业大学 一种壬基酚污染物监测方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114455715A (zh) * 2022-03-03 2022-05-10 四川省建筑设计研究院有限公司 一种基于“药方式”的水体生态治理方法及系统
CN114455715B (zh) * 2022-03-03 2023-04-25 四川省建筑设计研究院有限公司 一种基于“药方式”的水体生态治理方法及系统
CN116070931A (zh) * 2022-11-01 2023-05-05 中国科学院生态环境研究中心 一种基于野外生态数据的土壤污染生态效应定量评价方法
CN116070931B (zh) * 2022-11-01 2024-03-12 中国科学院生态环境研究中心 一种基于野外生态数据的土壤污染生态效应定量评价方法
CN116150129A (zh) * 2023-04-19 2023-05-23 国家海洋局北海环境监测中心 入海排污口数据整编评估方法
CN116150129B (zh) * 2023-04-19 2023-07-07 国家海洋局北海环境监测中心 入海排污口数据整编评估方法
CN116483807A (zh) * 2023-05-09 2023-07-25 生态环境部南京环境科学研究所 一种土壤污染物环境与毒性数据库构建方法
CN116483807B (zh) * 2023-05-09 2023-10-24 生态环境部南京环境科学研究所 一种土壤污染物环境与毒性数据库构建方法
CN116663893A (zh) * 2023-05-16 2023-08-29 中国疾病预防控制中心环境与健康相关产品安全所 面向环境健康风险评估的综合数据处理方法及系统
CN116858979A (zh) * 2023-05-19 2023-10-10 广东工业大学 一种壬基酚污染物监测方法及系统
CN116858979B (zh) * 2023-05-19 2024-06-07 广东工业大学 一种壬基酚污染物监测方法及系统

Similar Documents

Publication Publication Date Title
CN115033552A (zh) 一种场地土壤污染物环境与毒性数据库构建方法
Ren et al. Livestock grazing regulates ecosystem multifunctionality in semi‐arid grassland
Brown et al. Ecological integrity assessment as a metric of biodiversity: are we measuring what we say we are?
Cao et al. The comparability of bioassessments: a review of conceptual and methodological issues
Wright An introduction to RIVPACS
Paavola et al. Are biological classifications of headwater streams concordant across multiple taxonomic groups?
Engle et al. Refinement, validation, and application of a benthic condition index for northern Gulf of Mexico estuaries
Wong et al. A statistical model for characterizing common air pollutants in air-conditioned offices
Rutkoski Estimation of realized rates of genetic gain and indicators for breeding program assessment
Wright et al. Assessing the biological quality of fresh waters
Marshall et al. Maternal residential exposure to hazardous wastes and risk of central nervous system and musculoskeletal birth defects
Ismaeel et al. Indoor air quality for sustainable building renovation: A decision-support assessment system using structural equation modelling
Nelson et al. Consistency and sensitivity of stream periphyton community structural and functional responses to nutrient enrichment
Zhang et al. Human health risk assessment for contaminated sites: A retrospective review
CN114357889A (zh) 一种基于人群健康风险的地块土壤优先控制污染物筛选方法及其应用
CN110020762A (zh) 一种学校综合督导评估系统及方法
Walker et al. Testing the standard neutral model of biodiversity in lake communities
Estrada‐Peña et al. Species composition, distribution, and ecological preferences of the ticks of grazing sheep in north‐central Spain
Tang et al. Automating the interpretation of PM2. 5 time‐resolved measurements using a data‐driven approach
Cuffney et al. Potential pitfalls of aggregating aquatic invertebrate data from multiple agency sources: Implications for detecting aquatic assemblage change across alteration gradients
Therrien et al. A comprehensive, open-source data model for wastewater-based epidemiology
CN115907509A (zh) 一种大区域协同发布的aqhi指标体系构建方法与系统
Hornberger et al. An approach to the analysis of behavior and sensitivity in environmental systems
Chang et al. Exposure to volatile organic compounds and risk perception among workers: An industry-based cross-sectional survey
Shakhashiro et al. The IAEA's ‘ALMERA Network’proficiency test on the determination of gamma-emitting radionuclides: A test of results comparability

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220909

WW01 Invention patent application withdrawn after publication