环境中重金属和有机污染物的物种敏感性分布研究进展

田大勇， 常琛朝， 王成志， 茹宗玲， 宋海香， 侯绍刚

安阳工学院化学与环境工程学院，安阳 455000



环境中重金属和有机污染物的物种敏感性分布研究进展

田大勇*， 常琛朝， 王成志， 茹宗玲， 宋海香， 侯绍刚

安阳工学院化学与环境工程学院，安阳 455000

物种敏感性分布法(SSD，Species Sensitivity Distribution)是一种相对于传统评价因子法具有更高置信度的统计学外推方法，在环境质量基准制定及生态风险评价中得到广泛应用。本文对近年来国内外重金属和有机污染物的物种敏感性分布研究成果进行了综述，阐述了在水体、土壤和沉积物等环境介质中应用SSD方法开展生态风险评价的研究现状，从SSD模型选择、毒性数据点筛选等方面对影响SSD模型不确定性的因素进行探讨，并对SSD方法在生态风险评价领域的应用进行了展望。

物种敏感性分布；重金属；有机污染物；生态风险评价

随着经济的高速发展，环境污染问题引起了人们的广泛关注，环境质量基准推导和生态风险评价方法也日臻完善[1]，从早期以单一物种毒性测试为基础的外推法发展到以多物种毒性测试数据为基础的模型法，比如物种敏感性分布法(SSD, Species Sensitivity Distribution)[2]、SPEAR(SPEcies At Risk)生物指数法[3]等。与传统评价因子法相比，SSD方法是一种具有更高置信度的统计学外推方法，该方法以多个物种的毒理数据来构建SSD曲线，应用合适的模型进行拟合，从而获得在特定条件下物种受潜在影响的比例(PAF，Potentially Affected Fraction)和保护95%的物种不受影响的情况下所允许的最大环境有害浓度(HC5, Hazardous Concentration for 5% of species)[4]，以此作为制定环境质量基准和开展生态风险评价的重要依据。该方法已被多个国家确立为制定环境质量基准的方法[5]，应用领域涵盖了水体、土壤、沉积物及大气环境介质[6-7]。

从SSD研究对象来看，SSD方法研究对象多数仍集中在传统的重金属、有机污染物方面，对于一些新兴有机污染物的研究较少。重金属是传统的持久性污染物，近年来重金属污染事件不断发生，因此应用SSD法考察重金属的生态风险意义重大[8]。陈璐璐等[9]用SSD法对太湖水体中铬和镉的生态风险进行了评估；Klepper等[10]对荷兰境内不同水体中重金属进行SSD研究，获得不同水生物种的PAF。有机污染物种类繁多，其SSD研究更为广泛，学者应用SSD方法研究了多环芳烃(PAHs)、多氯联苯(PCBs)、壬基酚、邻苯二甲酸二异辛酯(DEHP)、农药、杀虫剂、溢油和石油分散剂等的生态风险[11-15]。在有机污染物中，新兴有机污染物是近年来引起人们广泛关注的一类有机污染物，主要是指环境中未列入常规监测、但能够进入环境并能对生态或人类健康产生负面影响的有机化合物[16-17]，这些新兴有机污染物不但存在于水体、土壤、生物体中，在人体血清和胎盘中也已经发现它们的存在[18]。但是国内外的环境质量基准对这些新兴有机污染物缺少明确的规定，对它们的SSD研究资料相对较少[19]。

本文对国内外重金属和有机污染物的SSD研究进行综述，阐述了该方法在生态风险评价方面的应用(包括水体、土壤、沉积物等环境介质)，系统分析了SSD方法的优缺点，从SSD模型选择、样本数据筛选、方法不确定度等方面探讨了影响SSD结果的因素，并对SSD法在新兴有机污染物生态风险研究中的应用进行了展望。

1 重金属的SSD研究(SSD for heavy metals)

重金属的物种敏感性分布研究资料相对较多，整体呈现多样化趋势，我们把这些多样性归纳为污染物研究对象多样性、受试物种多样性、拟合函数多样性及环境介质多样性。本文按照重金属SSD模型的研究对象、毒理学终点、样本容量、环境介质及主要结果指标进行分类汇总，结果见表1。

1.1 水体中重金属的SSD研究

在所有环境介质中，地表水体中重金属的SSD研究资料相对较多。SSD研究有三个主要用途：环境质量基准推导、基准评估和生态风险评价。作为传统污染物，多数重金属已有相应的环境质量基准，因此重金属的SSD研究主要集中在基准评估(即对现有环境质量基准或标准限值保护能力的评估)和生态风险评价方面。

应用SSD方法对重金属环境基准进行评估是重金属SSD研究的一个主要方面。张瑞卿等[22]应用SSD方法对包括植物、无脊椎动物和脊椎动物等90个水生生物的急性毒性数据进行研究，并采用急慢性比率法(ACR)推导慢性水质基准[32]，得到无机汞的急性和慢性水质基准分别是1.743和0.467 μg·L-1，该数据大于我国《地表水环境质量标准》中汞的限值，说明现行标准对汞的保护适当。吴丰昌等[21]应用SSD法研究当前我国锌的渔业水质标准限值对生物的保护程度，他们推导得到锌的基准最大浓度和基准连续浓度分别为89.7和34.5 μg·L-1。我国目前锌的渔业水质标准为0.1 mg·L-1，因此可能存在着对水生生物的“欠保护”问题。杜建国等[26]构建了8种常见重金属(As、Cd、Cr、Cu、Hg、Mn、Pb、Zn)对海洋生物的SSD曲线，计算了它们对海洋生物的HC5及不同暴露浓度对海洋生物的PAF。结果发现，当前《海洋渔业水质标准》中规定的限值对Zn、Cr、Cu、Cd和As也存在欠保护问题。在生态风险评价领域，SSD方法可以用来评估污染物的生态风险。Klepper等[10]对荷兰境内不同地区水体中Cd、Cu、Zn、Pb和杀虫剂进行研究，利用SSD方法获得不同水生系统物种的PAF。DeForest等[27]以17种海洋生物的慢性毒性数据为基础，构建海水中镍的SSD曲线，计算得到了HC5，通过与欧洲海水中镍的浓度比较，发现当前镍的生态风险较小。王俊能等[25]应用SSD方法计算得到铊对淡水生物系统的HC5为210 μg·L-1，据此评价了在北江铊污染事件中铊对水生生物的生态风险。陈璐璐等[9]运用SSD法结合安全阈值法对太湖水体中铬和镉的生态风险进行评估，结果发现，尽管太湖水生生物对镉更加敏感，但由于铬的暴露浓度大于镉，导致铬对太湖水生生物造成的生态风险更高。这表明在普遍关注高毒性污染物的同时，低毒性但环境暴露量大的污染物质可能对环境造成的生态风险更大，应引起足够重视。

表1 重金属的物种敏感性分布研究数据汇总表

注： a 指每条SSD曲线所包含的毒性数据的个数； b NOEC: 无观察效应浓度； c LC50或EC50: 半数致死浓度或半数效应浓度； d msPAF: 混合物的潜在受影响比例。

Note: a denotes the number of toxicity data in a SSD curve; b NOEC refers to no observed effect concentration; c LC50or EC50is a median lethal concentration or half effective concentration; d msPAF denotes the potential affected fractions of mixtures.

SSD研究中毒性数据来源日益多样化，除了使用急性和慢性毒性数据，基因组学的毒性数据也可以用来研究物种敏感性分布。Yan等[33]以急、慢性毒性数据和基因表达数据为对象，研究了镉、铜和锌三种重金属的物种敏感性分布。结果发现，三种数据构成的敏感性分布等级不尽相同，对于铜来讲：慢性>基因>急性；与铜的SSD趋势不同，镉和锌具有较高的基因表达数据的敏感性，即基因>慢性>急性。这表明，尽管基因表达现有数据仍不足以构建完整的SSD模型，但是他们用于慢性水质标准制定具有很大的发展潜力(与急性毒性数据相比较)。另一方面，毒性数据来源多样化也将进一步推动SSD研究的多样化发展。

当前研究多数关注于单一污染物的物种敏感性分布，而环境中的污染物通常是以混合物形式联合存在，因此针对混合物的联合毒性效应和物种敏感性分布开展相关研究，具有更为重要的环境意义[20, 34-38]。王印等[20]采用浓度加和方式，对不同水体中5种重金属进行联合生态风险评价，发现在鄱阳湖和黄浦江水域的联合急性风险最高，混合物潜在受影响比例(msPAF)达63%和21%。

1.2 土壤中重金属的SSD研究

土壤理化性质的差异对重金属污染的毒性效应影响较大[39]，因此，充分考虑生物有效性的影响对于提高土壤介质中重金属SSD模型的质量意义重大。为了消除这种影响，学者建立了一些生物毒害模型，对不同土壤对应毒性进行归一化预测[40-41]，结合这些生物毒害模型，进而构建土壤介质中的SSD模型[29, 42-43]，得到的SSD研究结论更为科学，更宜于推广使用。魏威等[23]采用基于log-logistic分布的SSD模型，研究了2种土壤中添加不同水平的外源锌后对8种植物毒性的剂量效应关系，结果发现在土壤介质中物种敏感性与土壤性质、不同基因型植物品种均有关系。王小庆等[24, 42-43]以土壤中铜、镍为对象，在综合考虑了土壤性质、生物有效性的基础上，采用基于Burr III分布的SSD方法，得到不同土壤中铜、镍的生态阈值预测模型。孙聪等[29]应用类似的方法对不同性质土壤中镉的SSD进行研究，得到了保护95%水稻品种的Cd毒性阈值。

2 有机污染物的SSD研究(SSD for organic contaminants)

与重金属相比，有机物种类繁多，SSD研究更为复杂。一方面，传统有机污染物(比如持久性有机污染物POPs)多具有难降解、可在食物链中富集放大、可以进行长距离迁移等特点，导致其在环境介质中长期存在[44]；另一方面，伴随着工农业的快速发展，一些新兴有机污染物不断出现，比如多溴联苯醚类、全氟羧酸类、短链氯化石蜡类化合物、抗生素类、新兴农药和杀虫剂等[45]，目前关于这些有机污染物的环境质量基准制定和生态风险评价的资料相对较少。本文把有机污染物分成传统有机污染物和新兴有机污染物两类，分别阐述它们的物种敏感性研究进展，具体的SSD模型参数和结果见表2。

2.1 传统有机污染物SSD研究

作为疏水性有机污染物，多环芳烃易于在水体和沉积物中进行迁移、转化，因此研究它们在沉积物体系中的物种敏感性分布对于指导沉积物生态风险评价有重要意义。陈燕燕等[12,48]用SSD方法对太湖沉积物中的六种多环芳烃污染物的风险进行了排序。刘良等56]以8种脊椎类、无脊椎类生物为受试物种，采用基于Burr III分布的SSD方法，得到了8种多环芳烃的SSD曲线，计算出PAF；并利用浓度相加和效应相加的方法计算了国内几种典型水体中多环芳烃的联合生态风险msPAF，其联合风险计算结果均小于1%，生态风险可控。蒋丹烈等15]对太湖沉积物中多环芳烃进行了SSD研究，得到6种多环芳烃的HC5，评价发现萘、蒽、芴和荧蒽为沉积物中具有风险的物质，风险排序为萘>荧蒽>蒽>芴。在该研究中，他们对沉积物的预测无效应浓度(PNECsed)计算模型进行改进，使用修正后的参数更符合实际情况，评价结果更准确。

在有机农药污染物方面，SSD常用于研究农药对环境的生态危害大小。王印等[47]构建了水生生物对DDT和林丹的物种敏感性分布曲线，计算出DDT和林丹对水生生物的HC5分别为1.70和5.96 μg·L-1，由此可见，DDT对生态系统的危害大于林丹。

草甘膦是一种常见除草剂，在南非尚无水质标准。2013年，Mensah等[52]利用SSD法对南非水体草甘膦的标准限值进行了研究。他们选取5个类别的8种非洲水生生物为对象，推导得到其基准值应为0.205(以急性毒性数据推导)和0.002 mg·L-1(以慢性毒性数据推导)，该研究为《南非水质指南摘要》提供了数据支撑。陈波宇等[49]以有机磷农药三唑磷为研究对象，构建水生生态系统中不同物种对三唑磷的SSD模型，计算出三唑磷对水生生物的HC5值为1.992 μg·L-1，并推导得到三唑磷对渤海莱州湾海域中物种的PAF为0.36%，生态风险较小。

Barron等[54]对原油产品及分散剂的生态风险进行了研究，以7种产品的急性毒性数据为基础构建SSD，得到HC5。结果表明SSD法可以较好地反映各产品的生态敏感性，因此可用于原油产品的水质基准制定或生态风险评价。穆景利等57]针对海水中石油烃也进行了相似研究。

土壤介质中有机污染物的SSD研究也受到了关注。Silva等[55]对土壤中三丁基锡的SSD进行研究，评价了三丁基锡对陆生生态系统的生态风险，得到土壤中的HC5为2.06 mg·kg-1，PNEC为30 μg·kg-1。经比较，发现其生态风险较小。研究认为没有必要对不同土壤类型分别进行SSD分析，适合的方法是对所有毒性数据进行统一整合构建一个土壤物种敏感性分布。

表2 有机物的物种敏感性分布研究数据汇总表

注： a 指每条SSD曲线所包含的毒性数据数目; b PNECsed：指在沉积物中的预测无效应浓度；RQ：Risk Quotient，风险商。

Note: a denotes the number of toxicity data in a SSD curve; b PNECsedrefers to predicted no effect concentration in sediment and RQ denotes the risk quotient.

有机污染物混合体系的SSD研究正成为近年来环境领域研究热点。葛鸿铭等[34]采用SSD法对美国EPA优先控制名单中的14种有机污染物进行生态风险分析，计算了急、慢性毒性数据时的HC5；并预测了太湖梅梁湾水体环境浓度下化合物的单一PAF和混合物msPAF，结果发现，慢性混合生态风险msPAF结果从大到小依次为春季(枯水期，5.22%)、秋季(0.61%)、夏季(0.49%)、冬季(0.33%)。王印等[20]采用浓度加和方式对不同水体中8种多环芳烃进行联合生态风险评价，发现岷江成都段多环芳烃联合急性生态风险高达24.23%，生态风险较高；长江武汉段干流中联合急性生态风险较小。

当前物种敏感性数据多数源于实验室理想条件下测定数据，对于复杂现实环境中的毒性数据，它们的物种敏感性研究结论是否相似？这也是SSD研究的一个新方向。 Smetanová[3]以德国、法国和芬兰河流中杀虫剂混合物为研究对象，以河流中无脊椎动物为受试物种，用SSD计算杀虫剂的混合物受影响比例(msPAF)，以此作为SSD方法评价得到的生态风险结果，将此结果与采用SPEAR方法推导得到的实际效应数据进行比较。结果表明两种方法得到的数据有显著相关性；但是，与SPEAR所测得的生物学指标相比较，已被普遍认同的SSD法的结果明显低估了观察到的影响。若要使SSD更加准确，需使用现场数据进行校正或验证。Sona等[13]以德国、法国和芬兰的25种杀虫剂毒性数据为基础，应用SSD预测农药混合物的生态风险，结果表明SSD和SPEAR方法在结果上具有一致性，但SPEAR方法得到的结果要更加准确。同时还发现，使用慢性数据时可缩小两种方法结果的差异。由此可见，采用慢性数据或采用现场生态性数据进行验证，可使SSD研究结论更加准确、可靠。

2.2 新兴有机污染物的SSD研究

常见的新兴有机污染物包括环境内分泌干扰物、药物类、农药、个人护理用品等，多具有肝毒性、肾毒性、内分泌干扰毒性等[58-61]，现有研究表明它们在动物、植物及人体中均有检出[62-66]。我国作为发展中国家，对于新兴有机污染物的研究尚处于起步阶段，也缺少统一的环境质量基准来衡量其生态风险。因此，开展对新兴有机污染物的生态毒理和SSD研究具有积极的现实意义。

环境内分泌干扰物是较早引起人们关注的新兴有机污染物。胡习邦等[14]应用SSD法对邻苯二甲酸二异辛酯(DEHP)进行了风险评估，采用基于Burr III分布的SSD方法，得出DEHP对淡水生物系统的HC5为4521.46 μg·L-1。使用这一结果对我国不同河流和湖库水体中DEHP的生态风险进行评价，发现大部分水体生态风险极低(PAF接近于0)。 Gao等[11]对中国沿海水体中的壬基酚进行了生态风险评价，他们以壬基酚对水生生物的慢性毒性数据为基础构建SSD模型，得到淡水和海水中PNEC分别为0.48和0.28 μg·L-1，在中国沿海水域壬基酚的风险商(RQ)从0.01到69.7，大约60%的地区显示出高生态风险(RQ>1.00)。雷炳莉等[67]以4-壬基酚为目标化合物，对SSD法和评估因子法(AF)推导得到的水质基准进行比较，发现两者获得的基准值差异较大，这是由于AF法只依赖于最小毒性数据，存在较大不确定性，而SSD法引用的数据较多，结果更可靠。研究还发现，当选用生殖和死亡两个不同的毒性终点作为毒性数据筛选的依据时，以生殖毒性终点获得的基准值小于以死亡终点获得的基准值。这提示我们，对源于不同测试终点的毒性数据，其SSD结果会有差别。

短链氯化石蜡(SCCPs)是近年来引起环境学者关注的新兴污染物。Fukuyaiino等[19]对SCCPs进行研究，发现日本居民体内SCCPs的来源主要是摄食；通过对日本水体和沉积物中的SCCPs进行风险评估，得到SCCPs在水体和沉积物中HC5分别为41.8 ng·L-1和558 ng·g-1(湿重)。研究表明SCCPs在日本尚无明显的生态危险。

Kazuhiko等[51]首次对海水中金属羟基吡啶硫酮的光降解产物——2，2-二吡啶基二硫进行了生态风险评估，他们应用SSD法与贝叶斯统计模型，计算得到HC5和HC1分别为31和10.1 μg·L-1。经与海水中实际测定值比较(0.4 ng·L-1)，该污染物的生态风险较低。

物种对污染物的敏感性不仅与毒物种类有关，还与物种的生理和生态特征有关。Larras等[50]选用11种硅藻和5种除草剂为对象，采用SSD法评价除草剂对硅藻的生态风险。结果发现，对于光合作用II型除草剂，硅藻的敏感性与其营养级相对应；异养型硅藻表现出很高耐受水平，自养生物对光合作用II型除草剂更加敏感，除草剂的毒性大小分别为敌草隆>去草净>异丙隆>草脱净>异丙甲草胺。

3 影响SSD研究的不确定性因素(Influences onthe uncertainty of the SSD models)

3.1 SSD模型选择

物种敏感性分布可采用参数模型和非参数模型进行研究。参数模型是目前使用较多、计算相对简单的一种方式[30]，常用的参数模型包括log-normal、log-logistic和Burr III累积概率分布函数等[68-69]。Wheeler等[70]研究发现，如果数据量充足(n>20)，log-normal的适用性更高；若毒性数据不是很充足，数据质量好，则可考虑选择log-logistic。张瑞卿等[22]的研究表明，log-logistic累积概率分布函数对90组汞污染物的毒性数据拟合效果最佳。蒋丹烈等[15]发现，与log-normal相比，log-logistic和Burr III累积概率分布函数对数据的拟合效果好，可优先选择。王小庆等[28]比较了log-normal、log-logistic和Burr III等5种累积概率分布函数拟合结果中x轴方向的均方根误差(RMSE)的大小，最终选取Burr III建立铜SSD曲线。王印等[47]利用不同分布函数拟合DDT和林丹在水体中的SSD曲线时亦得出Burr III拟合效果最佳的结果。

当不同物种的毒性数据分布无法适用于任何一种参数模型时，常采用非参数模型bootstrap方法来进行SSD研究[68]。Xing等人[30]研究发现，8种参数方法和非参数bootstrap方法得到的结果稍有差异但明显相关(HC5最大相差倍数为3.5)，其中非参数bootstrap方法拟合最佳；当毒性数据大于15个时，所有模型得到的结果不确定度较小，反之，则不确定度明显变大。在一项使用5种模型对18种有机氯进行的SSD研究中，Wang等人[46, 68]也发现参数方法和非参数bootstrap方法得到的结果具有较好的相关性。但是，对于小样本量数据集，bootstrap方法得到的结果不确定性较大，因此通常适用于20个以上数据集[71]。为了克服以上问题，学者提出了一些改进的非参数方法，比如联合bootstrap方法和参数方法，使得构建模型更加稳健，不确定度减小[46, 71-72]。此外，针对部分污染物毒性数据少或同一化合物对同一物种毒性数据不确定性大的情况，Gottschalk等提出了一个基于概率的SSD方法(PSSD)，对传统SSD模型进行了修正，得到的HC5不确定度显著改善[53, 73]。

从以上研究成果可以看出，在SSD的模型分析中没有哪一个特定的模型可以适用于所有数据集，总的来说，非参数模型对于数据的拟合效果更好，尤其适用于样本容量大于20时；而参数模型通常表现出较小的不确定度，且方法简便，适用于数据较少的情况下[30, 46, 68, 71]。在实际应用时，为了选取合适的模型，需要判断模型质量，进行拟合优度检验或者评定SSD模型的不确定性，可以采用Kolmogorov-Smirnov、Anderson-Darling检验、卡方检验判断数据是否服从某一特定分布(比如正态分布)[71]，结合决定系数(R2)和均方根误差(RMSE)考察不同参数模型对同一组数据的拟合情况[30, 68]。Wang等人[46]采用Kolmogorov-Smirnov检验对18种有机氯的拟合模型进行了检验。Xing等[30]用决定系数、标准差等判断log-normal、log-logistic、Burr III等8种参数模型的拟合情况。陈波宇等人[49]采用Kolmogorov-Smirnov、Anderson-Darling和卡方检验验证了模型的拟合优度，三种检验方法结果一致。对SSD模型结果进行不确定性评估也是当前SSD研究的一个新课题，常用方法包括最大似然估计法、贝叶斯方法和bootstrap方法[71]等。通过比较2组样本数据，Verdonck等[71]发现最大似然估计法、贝叶斯方法推导得到的不确定度要优于bootstrap方法。

3.2 毒性数据选择

3.2.1 数据量的选择

SSD模型的样本容量对模型的可靠性存在显著影响。Wheeler等[70]建议数据量应为10～15个，且在水生生态系统研究中使用数据点应不低于5个毒性数据。经合组织规定至少应包括5个来自不同种类生物的毒性数据，美国环保署规定至少8个毒性数据，欧盟规定为至少10个毒性数据[30]。Newman等[68]用bootstrap方法研究发现，为使得到的HC5偏差最小，最小的样本量应在15～55之间。

3.2.2 数据来源

毒性数据的质量也是影响SSD准确性的一个重要因素。一方面，学者认为毒性数据来源于实验室测定还是现场生态数据，对于生态风险评价有重要影响[3,57,74-75]。另一方面，毒性数据来源于急性还是慢性数据，也会对结果产生显著影响。

在Frampton等[76]的SSD研究中，他们强调毒性数据应具有现实意义和生态意义。但是实验条件往往很难模拟实际的生态环境，比如在土壤测试中，人造土壤与自然土壤中有机质的不同会给SSD研究带来误差，他们建议对土壤毒性数据进行适当的修正。与该研究相似，王小庆等[24]在对土壤中镍的SSD研究中，对土壤毒性数据进行了归一化处理，归一化后结果更能体现土壤性质对镍毒害的影响，且HC5具有更好的精确度和灵敏度，相比于未归一化更具科学性。张瑞卿等[22]发现，对于不同区域不同国家水生态系统，SSD法得到的汞水质基准值存在差异，这从另一个侧面反映了毒性数据应当具有区域生态性。

慢性毒性数据比急性毒性数据更具有生态现实性[77]，这是由于环境中污染物作用于受体生物往往是长期累积作用的结果，因此慢性毒性更能反映实际要求[78]。在针对多环芳烃进行的SSD研究中，慢性毒性数据得到的HC5值[15]比急性数据得到的结果低[56]，表明使用急性数据会低估生态风险。王印[47]、吴丰昌[21]等也发现急性毒性数据得到的SSD结果偏大，不足以保护所有敏感物种，因此，环境质量基准制定时可优先考虑以慢性数据为依据。Frampton等[76]也发现慢性数据比急性数据更加准确，但是仅以急慢性比为系数从急性数据转化得到的慢性数据，其准确度尚有待考证。因此提高急慢性比转化系数的准确性或者探索其它急慢性数据的转化方法也是SSD方法的一个重要课题。

3.2.3 毒性数据较少时的解决方案

对于毒性数据较少无法直接构建SSD模型的污染物，可以应用种间相关估计(ICE)模型来补充毒性数据[79]，或者采用最低值的方法来推导污染物的毒性阈值[80]。Awkerman等[79]使用种间相关估计构建了一个扩展SSD模型，与全数据集的SSD模型进行比较，结果表明，扩展SSD模型的HC5与全数据集的SSD模型的HC5不确定性没有太大的影响。这为构建SSD模型提供了一个新思路。

当毒性数据较少时，敏感物种的毒性数据对于SSD结果影响非常大。DeForest等[27]以17种海洋生物的慢性毒性数据为基础，构建海水中镍的SSD曲线，其中最敏感的物种是来自加勒比海的热带海胆Diadema antillarum ，对于包含和不包含该物种的SSD曲线，计算得到的HC5分别为3.9和20.9 μg·L-1。鉴于欧洲部分海域中镍的浓度为2.9 μg·L-1，因此作者建议采用包含敏感物种的HC5为保守标准限值。在毒性数据选择方面，加拿大环境委员会推荐采用如下方法[80]：当有足够可用的毒性数据时，建议SSD得到的HC5使用第五个百分位得到；当毒性数据有限时，建议使用最低值方法，以最低的毒性阈值除以安全系数。DeForest等[80]以硒为研究对象，用SSD方法得出硒的HC5为20 μg·g-1(干重)。如果采用最低值方法，采用安全系数10，计算得出硒的指导浓度为2.0 μg·g-1，这个数值已经低于硒浓度的背景值，这是不切实际的。因此，加拿大海水中硒的标准浓度限值为20 μg·g-1被认为是广泛适用的。上面两个研究提示我们，在毒性数据较少时，应当结合环境背景值，统筹考虑敏感物种的毒性数据采用与否，否则得到的结果相差较大，对生态系统的保护会产生偏差。

4 展望(Prospect)

SSD方法是环境质量基准推导和生态风险评价的常用方法，得到了越来越多的关注，从重金属、传统有机污染物到新兴有机污染物，从水体、土壤、沉积物到大气环境都得到广泛应用。但是，SSD研究也存在一些亟待解决的难题，比如模型不确定性、毒性数据选择、不确定性评估等方面。因此，今后的研究要着重关注以下几个方面。

(1)目前，SSD方法应用于重金属的研究资料较多，对有机物尤其是新兴有机污染物的研究较少，这可能是由于后者的毒性数据较少所致。因此，应当加大对新兴有机污染的生态毒理学研究，为新兴有机污染物的SSD研究和风险评价提供数据支撑。此外，当前SSD方法在水体、土壤和沉积物中的应用较多，在大气环境介质中的研究资料十分有限。鉴于雾霾天气频繁出现，我们可以尝试借助该方法对大气中颗粒物及其他污染物进行生态风险评价研究，这对于雾霾的控制和大气环境基准制定有一定的指导作用。

(2)SSD模型不确定性的定量表征研究、不同生态毒理学数据的使用对模型质量的影响也是SSD未来研究的重要方向。

(3)以往研究较多的是单一污染物的毒性效应，但是自然界的生物通常同时受到多种污染物的影响，因此，要更多地关注混合污染物的SSD模型构建。

(4)毒性数据的准确性是SSD研究的一个重要影响因素。这表现在三个方面，一方面，以往我们常用的是容易获得的急性毒性数据，慢性数据较少；另一方面，更接近现实环境的生态性毒性数据的应用更少，毒性数据的获得若是更接近生态自然条件，比如在SSD 研究中考虑利用种群增长率、食物链结构等内容，则数据更具代表性；此外，需要对环境介质的差异、对污染物的生物有效性进行统筹考量，比如实验介质是土壤，可以考虑对土壤毒性数据进行归一化处理，减小不同介质中得到的毒性数据差异。

(5)SSD方法是为生态风险评价和环境质量基准制定服务的，各个国家、每个地区的环境状态不尽相同，因此，区域生态风险评价是更加适合当地条件的评价方法。对不同国家、不同区域，甚至不同环境功能区，可以开展不同的SSD研究，以便更好地保护特定区域的生态安全。

[1] 陈波宇, 郑斯瑞, 牛希成, 等. 物种敏感度分布及其在生态毒理学中的应用[J]. 生态毒理学报, 2010, 5(4): 491-497

Chen B Y, Zheng S R, Niu X C, et al. Species sensitivity distribution and its application in ecotoxicology [J]. Asian Journal of Ecotoxicology, 2010, 5(4): 491-497 (in Chinese)

[2] 雷炳莉, 黄圣彪, 王子健. 生态风险评价理论和方法[J]. 化学进展, 2009, 21(2/3): 350-357

Lei B L, Huang S B, Wang Z J. Theories and methods of ecological risk assessment [J]. Progress in Chemistry, 2009, 21(2/3): 350-357 (in Chinese)

[3] Smetanová S, Bláha L, Liess M, et al. Do predictions from species sensitivity distributions match with field data? [J]. Environmental Pollution, 2014, 189: 126-133

[4] Van Straalen N, Posthuma L. Theory of Ecological Risk Assessment Based on Species Sensitivity Distributions [M]. Florida: CRC Press, 2002: 110-122

[5] 解瑞丽, 周启星. 国外水质基准方法体系研究与展望[J]. 世界科技研究与发展, 2012, 34(6): 939-944

Xie R L, Zhou Q X. Methodology of water quality criteria in foreign countries and its future researching prospects [J]. World Sci-Tech R & D, 2012, 34(6): 939-944 (in Chinese)

[6] Azevedo L B, Schryver A, Hendriks A J, et al. Calcifying species sensitivity distributions for ocean acidification [J]. Environmental Science & Technology, 2014, 49(3): 1495-1500

[7] Van Goethem T, Azevedo L, Van Zelm R, et al. Plant species sensitivity distributions for ozone exposure [J]. Environmental Pollution, 2013, 178(1): 1-6

[8] 孙聪, 陈世宝, 马义兵, 等. 基于物种敏感性分布(Burr III)模型预测Cd对水稻毒害的生态风险阈值HC5[J]. 农业环境科学学报, 2013, 32(12): 2316-2322

Sun C, Chen S B, Ma Y B, et al. Ecological hazard concentration (HC5) of Cadmium (Cd) to rice cultivars under hydroponic culture as determined with species sensitivity distribution model (Burr III) [J]. Journal of Agro-Environment Science, 2013, 32(12): 2316-2322 (in Chinese)

[9] 陈璐璐, 周北海, 徐冰冰, 等. 太湖水体典型重金属镉和铬含量及其生态风险[J]. 生态学杂志, 2011, 30(10): 2290-2296

Chen L L, Zhou B H, Xu B B, et al. Cadmium and chromium concentrations and their ecological risks in the water body of Taihu Lake, East China [J]. Chinese Journal of Ecology, 2011, 30(10): 2290-2296 (in Chinese)

[10] Klepper O, Bakker J, Traas T P, et al. Mapping the potentially affected fraction (PAF) of species as a basis for comparison of ecotoxicological risks between substances and regions [J]. Journal of Hazardous Materials, 1998, 61(1): 337-344

[11] Gao P, Li Z, Gibson M, et al. Ecological risk assessment of nonylphenol in coastal waters of china based on species sensitivity distribution model [J]. Chemosphere, 2014, 104: 113-119

[12] 陈燕燕, 尹颖, 王晓蓉, 等. 太湖表层沉积物中PAHs 和PCBs 的分布及风险评价[J]. 中国环境科学, 2009, 29(2): 118-124

Chen Y Y, Yin Y, Wang X R, et al. Polycyclic aromatic hydrocarbons and polychlorinated biphenyl in surface sediments of Taihu Lake: The distribution, sources and risk assessment [J]. China Environmental Science, 2009, 29(2): 118-124 (in Chinese)

[13] Jesenska S, Liess M, Schäfer R, et al. Impacts of pesticide mixtures in European rivers as predicted by the species sensitivity distribution (SSD) models and SPEAR bioindication [C]. in EGU General Assembly Conference Abstracts. 2013: 31-39

[14] 胡习邦, 王俊能, 许振成, 等. 应用物种敏感性分布评估DEHP对区域水生生态风险[J]. 生态环境学报, 2012, 21(6): 1082-1087

Hu X B, Wang J N, Xu Z C, et al. Assessing aquatic ecological risk of DEHP by species sensitivity distributions [J]. Ecology and Environment Sciences, 2012, 21(6): 1082-1087 (in Chinese)

[15] 蒋丹烈, 胡霞林, 尹大强. 应用物种敏感性分布法对太湖沉积物中多环芳烃的生态风险分析[J]. 生态毒理学报, 2011, 6(1): 60-66

Jiang D L, Hu X L, Yin D Q. Ecological risk assessment on polycyclic aromatic hydrocarbons of sediment in Taihu Lake using species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2011, 6(1): 60-66 (in Chinese)

[16] Field J A, Johnson C A, Rose J B. What is "emerging"? [J]. Environmental Science & Technology, 2006, 40(23): 7105-7105

[17] 杨滨, 应光国, 赵建亮, 等. 高铁酸钾氧化降解新兴有机污染物的研究进展[J]. 环境化学, 2013, 32(1): 54-64

Yang B, Ying G G, Zhao J L, et al. Research progess on the oxidation of emerging organic contaminants by ferrate (VI) [J]. Environmental Chemistry, 2013, 32(1): 54-64 (in Chinese)

[18] 徐龙, 史志华, 徐锡金. 妇女儿童多溴联苯醚暴露与健康效应的研究进展[J]. 环境与健康杂志, 2012, 29(5): 473-477

Xu L,Huo X, Xu X J. A review of exposure and health effects of polybrominated diphenyl ethers on women and children [J]. Journal of Environment and Health, 2012, 29(5): 473-477 (in Chinese)

[19] Iino F, Takasuga T, Senthilkumar K, et al. Risk assessment of short-chain chlorinated paraffins in Japan based on the first market basket study and species sensitivity distributions [J]. Environmental Science & Technology, 2005, 39(3): 859-866

[20] 王印. 基于物种敏感性分布(SSD)的生态风险评价方法及其应用研究[D]. 北京大学, 2009: 11-35

[21] 吴丰昌, 冯承莲, 曹宇静, 等. 锌对淡水生物的毒性特征与水质基准的研究[J]. 生态毒理学报, 2011, 6(4): 367-382

Wu F C, Fen C L, Cao Y J, et al. Toxicity characteristic of zinc to freshwater biota and its water quality criteria [J]. Asian Journal of Ecotoxicology, 2011, 6(4): 367-382 (in Chinese)

[22] 张瑞卿, 吴丰昌, 李会仙, 等. 应用物种敏感度分布法研究中国无机汞的水生生物水质基准[J]. 环境科学学报, 2012, 32(2): 440-449

Zhang R Q, Wu F C, Li H X, et al. Deriving aquatic water quality criteria for inorganic mercury in China by species sensitivity distributions [J]. Acta Scientiae Circumstantiae, 2012, 32(2): 440-449 (in Chinese)

[23] 魏威, 梁东丽, 陈世宝. 土壤中外源锌对不同植物毒性的敏感性分布[J]. 生态学杂志, 2012, 31(3): 538-543

Wei W, Liang D L, Chen S B. Plant species sensitivity distribution to the phytotoxicity of soil exogenous zinc [J]. Chinese Journal of Ecology, 2012, 31(3): 538-543 (in Chinese)

[24] 王小庆, 韦东普, 黄占斌, 等. 物种敏感性分布在土壤中镍生态阈值建立中的应用研究[J]. 农业环境科学学报, 2012, 31(1): 92-98

Wang X Q, Wei D P, Huang Z B, et al. Application of species sensitivity distribution in deriving of ecological thresholds for nickel in soils [J]. Journal of Agro-Environment Science, 2012, 31(1): 92-98 (in Chinese)

[25] 王俊能, 胡习邦, 李玉炫, 等. 物种敏感性分布在铊污染淡水生物生态风险评估中的应用[J]. 安全与环境学报, 2012, 12(6): 134-139

Wang J N, Hu X B, Li Y X, et al. Assessing ecological risk of sudden thallium pollution accident to freshwater organisms by species sensitivity distributions [J]. Journal of Safety and Environment, 2012, 12(6): 134-139 (in Chinese)

[26] 杜建国, 赵佳懿, 陈彬, 等. 应用物种敏感性分布评估重金属对海洋生物的生态风险[J]. 生态毒理学报, 2013, 8(4): 554-560

Du J G, Zhao J Y, Chen B, et al. Assessing ecological risks of heavy metals to marine organisms by species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2013, 8(4): 554-560 (in Chinese)

[27] DeForest D K, Schlekat C E. Species sensitivity distribution evaluation for chronic nickel toxicity to marine organisms [J]. Integrated Environmental Assessment and Management, 2013, 9(4): 580-589

[28] 王小庆, 韦东普, 黄占斌, 等. 物种敏感性分布法在土壤中铜生态阈值建立中的应用研究[J]. 环境科学学报, 2013, 33(6): 1787-1794

Wang X Q, Wei D P, Huang Z B, et al. Application of species sensitivity distribution in deriving of ecological thresholds for copper in soils [J]. Acta Scientiae Circumstantiae, 2013, 33(6): 1787-1794 (in Chinese)

[29] 孙聪. 水稻Cd毒害的敏感性分布及土壤主控因子研究[D]. 中国农业科学院, 2014

[30] Xing L, Liu H, Zhang X, et al. A comparison of statistical methods for deriving freshwater quality criteria for the protection of aquatic organisms [J]. Environmental Science and Pollution Research, 2014, 21(1): 159-167

[31] Liu Y, Wu F C, Mu Y, et al. Setting water quality criteria in China: Approaches for developing species sensitivity distributions for metals and metalloids [J]. Reviews of Environmental Contamination and Toxicology, 2014, 230: 35-57

[32] Warne M S J. Derivation of the australian and new zealand water quality guidelines for toxicants [J]. Australasian Journal of Ecotoxicology, 2002, 7(2): 123-136

[33] Yan Z, Yang N, Wang X, et al. Preliminary analysis of species sensitivity distribution based on gene expression effect [J]. Science China Earth Sciences, 2012, 55(6): 907-913

[34] 葛鸿铭, 王婷, 郁建桥, 等. 应用物种敏感性分布评价法对太湖梅梁湾入湖河流交汇处优控有机污染物的生态风险分析[J]. 安全与环境学报, 2011, 11(6): 116-120

Ge H M, Wang T, Yu J Q, et al. Eco-risk assessment on the primarily organic pollutants at Meiliang Bay inlet of Taihu Lake by analyzing the species-sensitivity distributions [J]. Journal of Safety and Environment, 2011, 11(6): 116-120 (in Chinese)

[35] Tian D Y, Lin Z F, Yu J Q, et al. Influence factors of multicomponent mixtures containing reactive chemicals and their joint effects [J]. Chemosphere, 2012, 88(8): 994-1000

[36] Tian D Y, Lin Z F, Yin D Q, et al. Atomic charges of individual reactive chemicals in binary mixtures determine their joint effects: An example of cyanogenic toxicants and aldehydes [J]. Environmental Toxicology and Chemistry, 2012, 31(2): 270-278

[37] Tian D Y, Lin Z F, Ding J Q, et al. Application of the similarity parameter (λ) to prediction of the joint effects of nonequitoxic mixtures [J]. Archives of Environmental Contamination and Toxicology, 2012, 62(2): 195-209

[38] Tian D Y, Lin Z F, Zhou X H, et al. The underlying toxicological mechanism of chemical mixtures: A case study on mixture toxicity of cyanogenic toxicants and aldehydes to Photobacterium phosphoreum [J]. Toxicology and Applied Pharmacology, 2013, 272(2): 551-558

[39] 张晓晴, 韦东普, 李波, 等. 土壤水溶态铜对小白菜的毒害效应及其预测模型[J]. 生态毒理学报, 2014(4): 729-736

Zhang X Q, Wei D P, Li B, et al. The toxicity effect of soil soluble copper on bok choy and its prediction model [J]. Asian Journal of Ecotoxicology, 2014(4): 729-736 (in Chinese)

[40] Rooney C P, Zhao F J, McGrath S P. Phytotoxicity of nickel in a range of European soils: Influence of soil properties, Ni solubility and speciation [J]. Environmental Pollution, 2007, 145(2): 596-605

[41] Li B, Zhang H, Ma Y, et al. Influences of soil properties and leaching on nickel toxicity to barley root elongation [J]. Ecotoxicology and Environmental Safety, 2011, 74(3): 459-466

[42] 王小庆. 中国农业土壤中铜和镍的生态阈值研究[D]. 中国矿业大学(北京), 2012

[43] 王小庆, 李菊梅, 韦东普, 等. 土壤中铜生态阈值的影响因素及其预测模型[J]. 中国环境科学, 2014(2): 445-451

Wang X Q, Li J M, Wei D P, et al. Major soil factors affecting ecological threshold for copper and the predictable models [J]. China Environmental Science, 2014(2): 445-451 (in Chinese)

[44] Jones K C, De Voogt P. Persistent organic pollutants (POPs): State of the science [J]. Environmental Pollution, 1999, 100(1): 209-221

[45] Hoff P T, Scheirs J, Van de Vijver K, et al. Biochemical effect evaluation of perfluorooctane sulfonic acid-contaminated wood mice (Apodemus sylvaticus ) [J]. Environmental Health Perspectives, 2004, 112(6): 681

[46] Wang B, Yu G, Huang J, et al. Development of species sensitivity distributions and estimation of HC5of organochlorine pesticides with five statistical approaches [J]. Ecotoxicology, 2008, 17(8): 716-724

[47] 王印, 王军军, 秦宁, 等. 应用物种敏感性分布评估DDT和林丹对淡水生物的生态风险[J]. 环境科学学报, 2009, 29(11): 2407-2414

Wang Y, Wang J J, Qin N, et al. Assessing ecological risks of DDT and lindane to freshwater organisms by species sensitivity distributions [J]. Acta Scientiae Circumstantiae, 2009, 29(11): 2407-2414 (in Chinese)

[48] 乔敏, 黄圣彪, 朱永官, 等. 太湖梅梁湾沉积物中多环芳烃的生态和健康风险[J]. 生态毒理学报, 2007, 2(4): 456-463

Qiao M, Huang S B, Zhu Y G, et al. Ecological risk assessment of polycyclic aromatic hydrocarbons in sediments of Meiliang Bay, Taihu Lake [J]. Asian Journal of Ecotoxicology, 2007, 2(4): 456-463 (in Chinese)

[49] 陈波宇, 郑斯瑞, 牛希成, 等. 水生生物对三唑磷的物种敏感度分布研究[J]. 环境科学, 2011, 32(4): 1101-1107

Chen B Y, Zhen S R, Niu X C, et al. Species sensitive distribution for aquatic biota exposed to triazophos [J]. Environmental Science, 2011, 32(4): 1101-1107 (in Chinese)

[50] Larras F, Bouchez A, Rimet F, et al. Using bioassays and species sensitivity distributions to assess herbicide toxicity towards benthic diatoms [J]. Plos One, 2012, 7(8): e44458

[51] Mochida K, Amano H, Ito K, et al. Species sensitivity distribution approach to primary risk analysis of the metal pyrithione photodegradation product, 2, 2′-dipyridyldisulfide in the Inland sea and induction of notochord undulation in fish embryos [J]. Aquatic Toxicology, 2012, 118-119(8): 152-163

[52] Mensah P K, Palmer C G, Muller W J. Derivation of south African water quality guidelines for roundupusing species sensitivity distribution [J]. Ecotoxicology and Environmental Safety, 2013, 96: 24-31

[53] Gottschalk F, Nowack B. A probabilistic method for species sensitivity distributions taking into account the inherent uncertainty and variability of effects to estimate environmental risk [J]. Integrated Environmental Assessment and Management, 2013, 9(1): 79-86

[54] Barron M G, Hemmer M J, Jackson C R. Development of aquatic toxicity benchmarks for oil products using species sensitivity distributions [J]. Integrated Environmental Assessment and Management, 2013, 9(4): 610-615

[55] Silva P V, Silva A R R, Mendo S, et al. Toxicity of tributyltin (TBT) to terrestrial organisms and its species sensitivity distribution [J]. Science of the Total Environment, 2014, 466: 1037-1046

[56] 刘良, 颜小品, 王印, 等. 应用物种敏感性分布评估多环芳烃对淡水生物的生态风险[J]. 生态毒理学报, 2009, 4(5): 647-654

Liu L, Yan X P, Wang Y, et al. Assessing ecological risks of polycyclic aromatic hydrocarbons (PAHs) to freshwater organisms by species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2009, 4(5): 647-654 (in Chinese)

[57] 穆景利, 靳非, 王菊英, 等. 基于物种敏感性分布的保护海水水生生物的石油烃急性毒性基准研究 [J]. 生态毒理学报, 2015, 10(1): 158-170

Mu J L, Jin F, Wang J Y, et al. Development of acute aquatic toxicity criteria for total petroleum hydrocarbon in oil spill based on species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2015, 10(1): 158-170 (in Chinese)

[58] Eriksson P, Ankarberg E, Viberg H, et al. The developing cholinergic system as target for environmental toxicants, nicotine and polychlorinated biphenyls (pcbs): Implications for neurotoxicological processes in mice [J]. Neurotoxicity research, 2001, 3(1): 37-51

[59] Austin M E, Kasturi B S, Barber M, et al. Neuroendocrine effects of perfluorooctane sulfonate in rats [J]. Environmental Health Perspectives, 2003, 111(12): 1485

[60] 范轶欧, 金一和, 麻懿馨, 等. 全氟辛烷磺酸对雄性大鼠生精功能的影响[J]. 卫生研究, 2005, 34(1): 37-39

Fan Y O, Jin Y H, Ma Y X, et al. Effects of perfluorooctane sulfonate on spermiogenesis function of male rats [J]. Journal of Hygiene Research, 2005, 34(1): 37-39 (in Chinese)

[61] Olson C T, Andersen M E. The acute toxicity of perfluorooctanoic and perfluorodecanoic acids in male rats and effects on tissue fatty acids [J]. Toxicology and Applied Pharmacology, 1983, 70(3): 362-372

[62] 陆敏, 韩姝媛, 余应新, 等. 蔬菜中多溴联苯醚的定量测定及其对人体的生物有效性[J]. 分析测试学报, 2009, 28(1): 1-6

Lu M, Han S Y, Yu Y X, et al. Determination of polybrominated diphenyl ethers in vegetable and their bioaccessibility to human [J]. Journal of Instrumental Analysis, 2009, 28(1): 1-6 (in Chinese)

[63] Kannan K, Corsolini S, Falandysz J, et al. Perfluorooctanesulfonate and related fluorinated hydrocarbons in marine mammals, fishes, and birds from coasts of the Baltic and the Mediterranean Seas [J]. Environmental Science & Technology, 2002, 36(15): 3210-3216

[64] Chao H R, Wang S L, Lee W J, et al. Levels of polybrominated diphenyl ethers (PBDEs) in breast milk from central Taiwan and their relation to infant birth outcome and maternal menstruation effects [J]. Environment International, 2007, 33(2): 239-245

[65] Mhadhbi L, Fumega J, Boumaiza M, et al. Acute toxicity of polybrominated diphenyl ethers (pbdes) for turbot (psetta maxima) early life stages (els) [J]. Environmental Science and Pollution Research, 2012, 19(3): 708-717

[66] Olsen G W, Hansen K J, Stevenson L A, et al. Human donor liver and serum concentrations of perfluorooctanesulfonate and other perfluorochemicals [J]. Environmental Science & Technology, 2003, 37(5): 888-891

[67] 雷炳莉, 刘倩, 孙延枫, 等. 内分泌干扰物 4-壬基酚的水质基准探讨[J]. 中国科学: 地球科学, 2012, 42(5): 657-664

Lei B L, Liu Q, Sun Y F, et al. Water quality criteria for 4-nonylphenol in protection of aquatic life [J]. Science China Earth Science, 2012, 42(5): 657-664 (in Chinese)

[68] Newman M C, Ownby D R, Mezin L C, 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

[69] 王铜, 孙傅, 曾思育, 等. 北京市污水处理厂出水中雌二醇的概率生态风险评价[J]. 生态毒理学报, 2005, 10(1): 260-269

Wang T, Sun F, Zeng S Y, et al. Probabilistic ecological risk assessment of estradiol in the effluents of wastewater treatment plants in Beijing [J]. Asian Journal of Ecotoxicology, 2015, 10(1): 260-269 (in Chinese)

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

[71] Verdonck F A, Jaworska J, Thas O, et al. Determining environmental standards using bootstrapping, Bayesian and maximum likelihood techniques: A comparative study [J]. Analytica Chimica Acta, 2001, 446(1): 427-436

[72] 王颖, 冯承莲, 黄文贤, 等. 物种敏感度分布的非参数核密度估计模型[J]. 生态毒理学报, 2015, 10(1): 204-213

Wang Y , Feng C L , Huang W X, et al. Non-parametric kernel density estimation of developing species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2015, 10(1): 204-213 (in Chinese)

[73] 侯俊, 赵芊渊, 王超, 等. 应用概率物种敏感度分布法研究太湖铜水生生物水质基准[J]. 生态毒理学报, 2015, 10(1): 180-192

Hou J, Zhao Q Y, Wang C, et al. Deriving aquatic water quality criteria for copper in Taihu Lake by probabilistic species sensitivity distributions [J]. Asian Journal of Ecotoxicology, 2015, 10(1): 180-192 (in Chinese)

[74] Schäfer R B, Gerner N, Kefford B J, et al. How to characterize chemical exposure to predict ecologic effects on aquatic communities? [J]. Environmental Science & Technology, 2013, 47(14): 7996-8004

[75] Beketov M A, Foit K, Schäfer R B, et al. SPEAR indicates pesticide effects in streams-comparative use of species-and family-level biomonitoring data [J]. Environmental Pollution, 2009, 157(6): 1841-1848

[76] Frampton G K, Jänsch S, Scott-Fordsmand J J, et al. Effects of pesticides on soil invertebrates in laboratory studies: A review and analysis using species sensitivity distributions [J]. Environmental Toxicology and Chemistry, 2006, 25(9): 2480-2489

[77] Beach S A, Newsted J L, Coady K, et al. Ecotoxicological evaluation of perfluorooctanesulfonate (pfos) [J]. Reviews of Environmental Contamination and Toxicology, 2006, 186(4): 133-174

[78] Shi Y, Pan Y, Wang J, et al. Perfluorinated chemicals related environmental problems [J]. Progress in Chemistry, 2009, 21(2-3): 369-376

[79] Awkerman J A, Raimondo S, Jackson C R, et al. Augmenting aquatic species sensitivity distributions with interspecies toxicity estimation models [J]. Environmental Toxicology and Chemistry, 2014, 33(3): 688-695

[80] DeForest D K, Gilron G, Armstrong S A, et al. Species sensitivity distribution evaluation for selenium in fish eggs: Considerations for development of a Canadian tissue-based guideline [J]. Integrated Environmental Assessment and Management, 2012, 8(1): 6-12

◆

Review of Species Sensitivity Distributions for Heavy Metals and Organic Contaminants

Tian Dayong*, Chang Chenchao, Wang Chengzhi, Ru Zongling, Song Haixiang, Hou Shaogang

Department of Chemical and Environmental Engineering, Anyang Institute of Technology, Anyang 455000, China

Received 14 January 2015 accepted 7 April 2015

Species sensitivity distribution (SSD) is a statistical extrapolation method with a higher confidence level than that of the assessment factor method. It has been widely used in developing the environmental quality criteria and ecological risk assessments. This paper discusses the development of the SSD of heavy metals and organic contaminants in recent years, and elaborates the application of the SSD method in the field of ecological risk assessments of these chemicals in different environmental media, including water, soil and sediments. In addition, the influences on the uncertainty of the SSD models, such as the selection of SSD models and data screening, were summarized. The application of SSD method in ecological risk assessment is also prospected.

species sensitivity distribution; heavy metal; organic contaminants; ecological risk assessment

国家自然科学基金(U1404217)，河南省重点科技攻关项目(142102310190)，河南省教育厅科学技术研究重点项目资助计划(14A610011),安阳工学院校级重点科研项目(AGJ2014008)

田大勇(1975- )，男，博士，研究方向为复合污染毒理及控制策略，E-mail: astdy@126.com

10.7524/AJE.1673-5897-20150114001

2015-01-14 录用日期：2015-04-07

1673-5897(2015)3-038-12

X171.5

A

田大勇，常琛朝，王成志, 等. 环境中重金属和有机污染物的物种敏感性分布研究进展[J]. 生态毒理学报，2015, 10(3): 38-49

Tian D Y, Chang C C, Wang C Z, et al. Review of species sensitivity distributions for heavy metals and organic contaminants [J]. Asian Journal of Ecotoxicology, 2015, 10(3): 38-49 (in Chinese)