化学品环境暴露评估模型研究进展

周林军, 古文, 刘济宁,范德玲, 杨先海, 石利利

环境保护部南京环境科学研究所，南京 210042

由于化学品的生产使用引发的环境问题，各国政府已高度重视化学品的风险评估和管理，开始对数量众多的化学品实施管制。欧盟于2006年12月30日发布了《化学品的注册、评估、授权和限制(REACH)》法规，开始对进入欧盟市场的所有化学品进行预防性管理，并要求企业必须对产量或进口量超过10 t 的化学品提交化学品安全报告。美国于1976 年颁布并于2016年修订了《有毒物质控制法(TSCA)》，对新化学物质实施生产前申报制度(PMN)，要求生产者对新化学物质进行风险评估并向美国环境保护局(US EPA)申报，US EPA 可据此来决定是否需要限制或禁止。中国也实施了《危险化学品安全管理条例》、《新化学物质环境管理办法》，要求危险化学品生产使用企业开展重点环境管理危险化学品的环境风险评估；对于生产和进口量每年超过1 t的新化学物质，要求制造商或者进口商向环保部提交风险评估报告。

实施化学品风险评估环境管理制度，是实现从传统的末端治理向风险预防的转变。化学品风险评估包括危害鉴别、暴露评估和风险表征。危害鉴别主要是识别化学品的物理、健康及环境危害性，暴露评估是评价化学品在环境介质中的分布情况及对生物体的暴露情况，将危害性数据与暴露浓度相比较即可表征化学品的风险[1]。

监测暴露评估方法相比于预测模型，费时费力，且数据质量、采样代表性等方面存在一定缺陷，环境暴露预测模型一次开发可反复使用，且可在化学品生产和使用前，预测化学品潜在的环境归趋，从而达到预先防范的目的，更加符合风险管理的方针[2]。环境暴露模型还可以根据评估的需要，得到保守的预测结果，目前成为各国政府评估中的主要手段。

经过多年的发展和实践，经济合作与发展组织(OECD)、欧盟和美国开发了相对系统的环境暴露预测模型。2012年OECD调查获得了暴露评估领域的56个模型和工具，并根据所模拟和关注的对象，将其分为22大类[3](表1)。

这些模型涵盖了健康暴露、环境暴露以及综合暴露模型。环境暴露模型有排放模型、水/气模型、多介质模型以及生物模型，且包含了从点源到面源的各种暴露模式，从局部到区域直到洲际暴露的各种尺度，从筛选到确认水平的各阶段暴露评估，从环境管理和政策支持到科学研究的不同目的。REACH实施后，随着暴露评估工作的大量开展，欧盟也在不断开发和改进暴露评估工具，如新发布了SimpleTreat 4.0[4]，SimpleBox 4.0[5-6]以及Chesar[7]。US EPA也启动了ExpoCast项目，研发高通量、快速化的暴露评估方法[8-15]，ExpoCast的诸多成果将为化学品筛查、暴露评估提供巨大支持。

我国在环境暴露模型方面开展了一些探索研究[16-19]，但与化学品环境管理的还存在较大的差距。因此，本文从化学品环境暴露评估的角度，重点综述了国内外化学品环境管理当局所使用的环境暴露评估模型的功能、基本原理，以期为我国化学品暴露评估模型构建、暴露科学的发展提供借鉴。

1　环境暴露评估模型的主要功能(Models function of environmental exposure assessment)

无论是欧盟REACH法规还是美国TSCA法规，按化学品暴露过程分析，其暴露评估及模型主要关注5个方面。

1)环境源排放。即化学品从生产、使用过程中向环境(废气、废渣和废水)的排放，模型主要预测环境排放量或者排放因子。

2)化学品的环境归趋和行为参数预测；如EPI Suite软件中MPBPVP(熔点、沸点、蒸汽压)、KOWWIN(正辛醇/水分配系数)、WSKOWWIN(水溶解度)、HENGYWIN(亨利常数)、AOPWIN(大气氧化性)、HYDROWIN(水解)、BIOWIN(生物降解)、PCKOCWIN(吸附系数)、BCFWIN(生物富集系数)。这类模型主要为环境暴露评估模型提供数据支持，通常采用定量构效活性关系(QSAR)，不是本文综述重点。

表1　OECD调查的化学品暴露评估模型分类[3]Table 1　Categorization of models for exposure assessment surveyed by OECD[3]

3)化学品在污水处理厂中的暴露预测。

4)化学品在各环境介质中的归趋。

5)化学品在食物链中的传递。

各国政府使用的主要化学品环境暴露评估模型见表2。这些模型预测及评估功能方面各有侧重，其中Chesar[7]、EUSES[20]与TRA[21]属于综合模型，这类模型综合了暴露评估乃至整个风险评估的各个过程，在支持REACH法规实施中发挥了巨大作用。其中，Chesar的暴露评估部分使用了TRA的职业暴露和消费暴露模块，环境暴露模型则来自EUSES的。

这3个综合模型中的STP暴露预测和多介质暴露预测则分别使用了SimpleTreat和SimpleBox模型。

2　源排放模型 (Release models)

2.1　EUSES

EUSES是由欧盟研发的化学品定量风险评估工具，可以评估人体暴露及环境暴露[22]。基于欧盟2003版的风险评估导则，考虑了3种类型的分类：4种主分类(MC)，16种工业分类(IC)，55种用途或功能分类(UC)。EUSES为每种UC的所有生命周期阶段(生产、配制、加工、私人使用、回收)都推荐了排放因子，且形成了A表和B表。

A表为每个IC相关生命周期阶段提供了水、土、气排放因子。这些排放因子可能与化学品的理化性质(如水溶解度、蒸气压)、吨位、工艺(如干法、湿法)及UC相关。化学品的排放量按年取平均值，用于计算区域预测环境浓度(PECregional)。在没有特定使用及排放信息的情形下，在区域尺度内假定化学品的量为欧盟总吨位10%，在其余的量(90%)用于全球水平。化学品的区域排放量可以使用以下公式计算：

Releasereg=F×Q

(1)

式中，Releasereg为区域排放量(kg·d-1)，F为排放因子，Q为吨位(kg·y-1)。

B表为每个IC的相关生命周期阶段逐一提供了单一点源(主排放源)的吨位占比(Fmain)、年排放天数(Temission)，且Fmain和Temission与吨位和/或UC相关，用于计算局部预测环境浓度(PEClocal)：

Elogcal=Fmain×Releasereg×365/Temission

(2)

Zhang等[23]使用EUSES评估了全氟辛烷磺酸盐(PFOS)的环境风险，其中用EUSES估计PFOS在阻燃剂行业的排放量结果为：局部层面，大气排放量为332.36 kg·d-1，水体排放量为683.18 kg·d-1，土壤排放量为0.60 kg·d-1；区域层面，华东区域排放量最大，为15.69 t·y-1，排放强度为24.45 g·km-2·y-1。

表2　各国政府主要化学品环境暴露评估模型一览[3]Table 2　List of major environmental exposure assessment models in different countries[3]

2.2　TRA

TRA(Targeted Risk Assessment)是由欧洲化学品毒理和生态毒理学中心开发的一款可评估消费者暴露、职业暴露、环境暴露以及风险的工具[24]。TRA模型假设较为保守，用于快速筛查确定无风险化学品，其诸多方法和原理被REACH法规所接受，并被推荐用于REACH化学品暴露评估。

TRA(REACH等同采用)根据化学品使用的生命周期阶段、生产使用密闭程度、使用方式、释放源的分散性、室内/室外释放、释放潜能和动机等，归纳定义了12大类环境暴露场景(ERC)，每类场景都设定了保守的水、土、气排放因子。TRA中的排放因子来自于欧盟2003年TGD的A表中排放因子最大值，作为保守型预测，默认无风险管理措施时才会产生该排放因子。其中，ERC1～7、ERC12为工业点源释放，ERC8～11为广泛分散源释放。广泛分散源用于消费使用和职业使用的释放源，释放不可控制，且在较大区域内常年发生，用于估计区域暴露。间接排放，即经由污水处理厂(STP)的排放，将STP视为一个点源，用于估计局部暴露评估。此时，化学品点源使用量相当于一个标准的10 000人口的城镇规模。作为默认值，点源的主要源排放比例设置为1，而广泛分散性的主要源排放比例设置为0.002，作为保守估计，点源的年排放时间为10～20 d，而广泛分散源的年排放时间为365 d。在STP接入上，点源和广泛分散源也有差别，由于广泛分散源排放的不可控性，STP接入率设置为80%，点源默认为100%。根据化学品的排放因子即可计算化学品的排放量：

(3)

式中，E为化学品排放量(kg·d-1)，Q为生产或进口量(kg·y-1)，FQ为主要区域的使用比例(%)，Femission为排放因子(%)，Fabatement为减排效率(%)。

图1　ERCs和SPERCs 在层级排放评估中的地位[25]Fig. 1　Illustrative scheme of the role of ERCs and SPERCs in tiered emission estimation[25]

图2　EPA各环境暴露评估模型的角色[26]Fig. 2　Role of ChemSTEER and E-Fast in US EPA[26]

2.3　SPERC

由于ERC中的排放因子非常保守，估计的环境排放量非常高，因此欧洲化工行业委员会(CEFIC)基于ERC开发了具体的环境释放分类场景(SPERC)[25]。SPERC共包含190个释放场景，其主要特征是在ERC的基础上加入了操作条件(OCs)和风险管理措施(RMMs)，此外还加入了产品分类、活性成分分类、理化性质、稀释类型、使用规模。SPERC中主要输入和输出参数为化学品的使用速率、RMMs的防护效率以及环境排放因子。目前ERC已被嵌合进TRA、EasyTRA和CHESAR软件中使用。

2.4　ChemSTEER

化学品暴露和环境排放筛选工具(Chemical Screening Tool for Exposures and Environmental Releases，ChemSTEER)是由美国EPA 污染预防和有毒物质办公室(OPPT)开发的预测化学品生产或商用场所环境排放和职业暴露的筛选水平的预测工具，主要用于新化学物质的产前申报评估[26]，ChemSTEER与E-FAST在暴露评估的作用见图2。

ChemSTEER预测化学品的排放量主要通过操作(process)以及释放源/暴露活动来实现。“操作”指具有基本上相同或相似过程、设备、化学品产量、程序和工人群体的作业场景，并假定每个作业场景中化学品的释放和暴露基本相同。ChemSTEER中内置了26个操作场景，与OECD的行业排放场景相似，ChemSTEER中的操作场景也是分行业建立，不过其还依据化学品的基本性质，即挥发性液体、非挥发性液体、固体对操作场景作了区分。除此之外，用户可以自行增加操作场景。释放源/暴露活动是ChemSTEER的核心，每个释放源/暴露活动都有相应的公式以计算释放量或暴露水平。

ChemSTEER中用于计算化学品蒸汽向大气挥发量的公式[27]为：

E=G×OHa×3600 s·h-1

(4)

式中，E为每个场所每天的释放量，g·d-1；OHa为每个场所每天该活动的持续时间，h；G为化学品挥发速率，g·s-1，通过化学品的蒸汽压以及表面积计算；

化学品向非大气环境介质排放量的公式为：

E= LF×Amt

(5)

式中，E为每个场所每天的释放量，g·d-1；LF为损失比例，%；Amt为用于计算挥发损失的化学品的质量，kg·site-1·d-1。

3　STP暴露评估模型 (Exposure assessment models for STP)

污水处理厂(STP)是化学品在环境中分配转移的一个重要的中转站，也是化学品污染预防的最后一道防线。化学品随废水进入STP后，未处理完全的化学品，重新进入环境。重新分配或者迁移的途径有：排入地表水、曝气过程中挥发进入大气、吸附于污泥并通过填埋或者施肥进入土壤环境。

目前欧盟和美国的化学品风险评估都非常重视化学品在STP阶段的暴露评估，并分别使用SimpleTreat模型[28-30]和STPWIN模型[31-32]预测化学品的归趋。以风险管理为目的的STP预测模型，主要功能是：计算化学品在废水中的浓度，用于评估STP中对接种物的毒性；同时预测化学品在STP中的去除效率以及水土气排放因子，并作为一种局部排放源，为PEClocal和PECregional预测提供信息。

图3　SimpleTreat模型概念图(9个箱体)[30]Fig. 3　The conception figure of SimpleTreat model[30]

SimpleTreat模型和STPWIN模型都是筛选水平模型，模拟的污水处理工艺为普通活性污泥法(O)，即包含初沉池(PS)、曝气池(O)和二沉池(SLS)。都属于Makacy的Level III模型，即非平衡、流动、稳态体系。SimpleTreat依据环境相和3个池体将模型划分为9箱模型，箱体之间发生平流、扩散以及生物降解(见图3)。而STPWIN直接使用了化学品的9个质量流过程(见图4)。

概念模型不同导致了计算过程的差异：SimpleTreat为每个箱体建立了一个质量方程，共为9元一次方程，而STPWIN则为每个池体建立一个逸度表达的质量守恒方程，共为3元一次方程。SimpleTreat模型和STPWIN的异同点见表3。2个模型机理较为相似，模型中的挥发过程采用了惠特曼双阻力理论，其中曝气池挥发速率为表面挥发速率和曝气挥发速率之和。生物降解主要发生在曝气池，其生物降解速率根据生物降解测试结果由各自的外推标准外推得到。污泥吸附速率则根据污泥/水平衡时间估算得到。

STP模型对于化学品的归趋机理解释也具有重要意义，如Wang等[33]通过试验发现3种环状甲基硅氧烷在典型二级处理STP中去除率>96%，与

STPWIN模型预测结果较为一致，且STPWIN模型分析去除机理发现，在曝气过程中的挥发是其主要的去除过程。此外，STP模型可以多介质模型或其他模型串联后研究化学品在环境中的暴露评估，如Polesel等[34]利用SimpleTreat模型预测的三氯生等化学品经STP处理后在二级出水和剩余污泥中的浓度，为其评估二级出水和剩余污泥施用农作物后植物的吸收或蓄积提供给了信息。

最近，SimpleTreat 4.0在原有的生活污水处理厂基础上，加入了工业污水处理厂模拟功能[4]。我国也借鉴SimpleTreat模型机理[17]，通过确定具有我国环境场景特征的STP场景参数，开发了C-STP模型，用于支持我国的化学品风险评估。

图4　STPWIN模型概念图(9个质量流过程)[32]Fig. 4　The conception figure of STPWIN model[32]

建模过程SimpleTreatSTPWIN输入亨利常数(或蒸汽压与水溶解度)、lgKoc或Kow、生物降解性、强制输入参数蒸汽压及水溶解度、lgKow、生物降解性可以调用EPISuite预测输出去除率(总去除、降解、吸附、挥发)、局部浓度去除率(总去除、降解、吸附、挥发)场景参数日处理量2000m3·d-1进水SS=200mg·L-1出水SS=30mg·L-1水力停留时间6.9h(生活STP)日处理量24000m3·d-1进水SS=200mg·L-1出水SS=15mg·L-1水力停留时间8h建模机理箱体模型质量守恒非逸度表达非箱体模型质量守恒逸度表达生物降解仅发生在曝气池、一级动力学(默认)、Monod动力学(可选)初沉池和二沉池降解速率为曝气池1/10一级动力学挥发双阻力理论曝气池挥发速率采用Hsieh方程双阻力理论曝气池液相传质系统是其他池的2.5倍吸附双阻力理论简单分配适用范围生活和工业STP、有机化学品(包含可电离化学品)生活STP、有机化学品(包含可电离化学品)

4　环境介质暴露评估模型(Environmental media models for exposure assessment)

4.1　水

地表水是化学品排放的重要受纳介质，也是环境生物主要的集聚区，人体通过饮用/使用受污染的地表水，或食用水生生物而发生暴露，因此地表水水安全一直是风险评估的重点。通过模拟化学品的迁移转化规律以及地表水的预测环境浓度(PEC)，可以对水生环境的风险作出评估。

地表水模型通常使用质量守恒方程，需要定义水体的边界条件及化学品排放进入水体的方式，如点源或者非点源方式(径流、干湿沉降、消费产品)。简单的质量守恒方程，可以假定化学品以恒定速率排入水体，并充分的混匀，如稀释模型，通过化学品的排放量除以河流流量即可得到PEC。REACH[2]在计算局部地表水PEC时，认为排放源和受纳水体接触时间较短，因此仅考虑稀释和污泥的吸附作用，不考虑化学品的挥发、降解和沉积过程。其中STP日处理量为2 000 m3·d-1，地表水流量为18 000 m3·d-1，因此稀释因子为10。而EPA的E-FAST软件[35]仅考虑地表水的稀释，当化学品排放源确定时，使用美国地质调查观测站确定的收纳河流流量，当排放源不确定时，则使用化学品所在排放行业的典型河流流量。

筛选水平的地表水PEC计算模型，通常构建一种通用的场景，环境介质特征单一，是一种“混沌”的介质，不具有时空分辨，无法提供基于陆地、河流等地理特征以及化学品排放特征的预测。如，筛选水平的模型认为欧盟全境80%的污水经过了STP处理，还有20%的污水未经STP处理，因此区域浓度是一个平均值。然而70%污水处理的区域，PEC可能是95%污水处理区域的5～20倍。因此，筛选水平的评估模型可能会高估处理率较高区域的PEC，低估处理率较低区域及重点关注地区的PEC[36-37]。

高级别的模型不仅需考虑化学品释放速率随时间的变化，以及吸附(溶解态或吸附态)、降解(水解、光解、生物降解，一级动力学方程或莫诺特方程)、挥发、沉积等过程，还会考虑地理、河流的差异[38]。如欧盟研发了河流区域暴露评估模型(GREAT-ER)[36, 39-40]，其将欧盟所有区域的污水排放、污水传输、STP与水文模型和水文数据存储在GIS中，通过GIS调用河流模型、化学品归趋模型，预测化学品的释放、迁移、处理、转化和归趋，得到欧盟每个河流节点的PEC，GREAT-ER建模是一个点-线-面层层递进的过程。

GREAT-ER已经在英国[41-42]、德国[43- 44]、意大利[45]、西班牙[46]等地区，使用直链烷基苯磺酸盐、双氯芬酸钠、锌等化学品开展了应用和验证，与实测值获得了较好的一致性。刘建国等[47]将GREAT-ER模型用于北京温榆河，获得了内分泌干扰物壬基酚在温榆河的空间浓度和风险分布，并发现大型STP排放以及河流的未充分稀释是壬基酚较高风险的主因。Kehrein等[48]更新发布了GREAT-ER4，并评估了双氯芬钠在德国鲁尔河流域的暴露水平，通过优化个别区域的污染防控措施，如升级污水处理厂(增加额外的处理措施)、改变STP服务人口、选址重建STP以及新建STP模型，能以最低代价的方式使双氯芬钠暴露浓度大大降低。因此，GREAT-ER模型可为优化污染防控措施提供了有力支撑。

4.2　土

土壤主要的来源方式有：机动车及工业排放的大气污染物向土壤表面大范围的沉降、农用化学品使用、污染灌溉、污泥农药、固废倾倒。土壤污染使土壤微生物、植物、动物或人类(通过摄食、吸入、接触)产生风险。

化学品在土壤中的迁移和归趋行为有：平流(土壤和水)、淋溶到地下水、孔隙水或孔隙水气的扩散，土壤基体的吸附、生物及非生物降解和转化，植物吸收，挥发等，此外，土壤生物还能使化学品在土壤中混合。目前REACH(代表性模型为EUSES)的筛选水平的土壤暴露评估中，土壤的暴露源主要考虑污泥农用以及大气的干湿沉降，并考虑了挥发、淋溶和降解3个去除过程。用于评价化学品土壤归趋的高级模型还有杀虫剂根区模型(PRZM)[49]和季节性土壤区间模型(SESOIL)[50]。SESOIL模型用于预测有机化学品和金属通过未饱和土壤带的迁移过程及其向邻近地下水渗透过程。模型对于垂直对流、挥发、吸附、阳离子交换过程、金属络合、水解和一级衰减均进行了考虑。

4.3　气

化学品排放到大气中的主要源有机动车、工业源、消费源、热源、电厂、农药，通过颗粒悬浮、容器排空、水体或土壤挥发等方式进入大气。化学品一旦释放到空气中，则依据地形条件、气相条件、理化特性，向下风向扩散或者发生纵向扩散。进入大气后，化学品通过扩散或者平流发生迁移，并通过沉降或者光降解发生去除。大气模型主要模拟污染物如何在大气中发生扩散，计算从释放源释放后在下风向的化学品浓度。大气模型有点源和面源模型，面源通常使用稳态模型，伴随风的稀释，并通过沉降和降解去除，如城市面源排放及农药施用。对于点源排放，通常使用局部烟羽模型，并考虑随大气中扩散而稀释。常用的有高斯烟羽模型，由一个三元扩散平流方程组成，其中，风引起平流，大气扰动导致扩散。

REACH风险评价导则标准的局部大气浓度预测场景为：排放源高度10 m、非热源排放、挥发性化学品和气溶胶化学品区别对待、大气沉降损失忽略不计，将离排放源100 m处的大气浓度作为局部大气浓度。暴露和风险评估大气扩散模型(ADMER)是由日本研发的用于模拟化学品大气浓度和暴露评估的软件[51]。ADMER可以预测相对大区域(约1/10日本)的长期平均化学品浓度，预测结果以5 km×5 km的空间网格4 h平均浓度表示。US EPA开发了工业复合源短期模型(ISCST)[52]，该模型是一种高级的高斯烟羽模型，用于预测单工业场所复合设施多排放源的大气质量释放，能计算不同时间化学品的沉降浓度。US EPA已将该模型与网络版地理暴露模型系统(IGEMS)结合在一起，用于特定气象条件下排放源周边的大气浓度预测和结果显示。验证结果表明，预测结果和实测结果处于同一数量级[53]。日本经济贸易与工业部在ISC模型基础上改进研发了METI-LIS软件[54]，更加重视排放源周围建筑引起的下沉效应。

4.4　多介质

化学品排放到环境后，会在多个介质间发生迁移和转化，因此多介质模型能更好地反映化学品在介质间的迁移方向和最终的归趋介质。Mackay 等[55]基于Lewis 的逸度理论，提出了4 类逸度模型，即Level Ⅰ(平衡、稳态、非流动系统) 、Level Ⅱ(平衡、稳态、流动系统) 、Level Ⅲ(非平衡、稳态、流动系统)和Level Ⅳ(非平衡、非稳态、流动系统)。常见的多介质模型有SimpleBox[6]、EQC[56]、CalTox[57]、QWASI[58-59]、G-CIEMS[60-61]和ChemCAN[62]，其模型的主要功能和机理见表4。

EQC模型[56]将上述Level Ⅰ、Level Ⅱ和Level Ⅲ模型集成在一起，包含水、气、土、沉积物4个环境相。EQC被加拿大环境部用于化学品的环境风险评估。US EPA则在EPI suite软件中集成了EQC的Level Ⅲ模型预测化学品在环境多介质中的归趋评估。

欧盟REACH的化学品风险评估软件EUSES和Chesar都基于SimpleBox模型评估化学品的区域环境暴露。SimpleBox基于Level Ⅲ(非平衡、稳态、流动系统)和Level Ⅳ原理[5-6]。最新版本的SimpleBox 4.0取消了局部尺度，只剩3种尺度：区域、洲际、全球。区域和洲际模型包含了9个环境介质(空气、湖水、淡水、淡水沉积物、海水、海洋沉积物、天然土壤、农业土壤、城市或工业土壤)，全球模型包含了5个环境介质(大气、浅海、深海、海洋沉积物、土壤)。SimpleBox模型基于Microsoft excel编程，所有计算过程和参数均可见，是一个非常便于理解化学品迁移转化过程和影响因素的软件。

CalTOX由美国加州环保局开发，用于污染场地的环境多介质暴露及健康暴露评估，模型特点是对污染场地的土壤介质划分较细，将其分为表层土壤、根际土壤及包气带土壤，考虑了污染物在土壤垂直维度上的归趋过程。QWASI模型则由Mackay研发，包含了河流多介质和湖泊多介质模型。

为了增加多介质模型的预测精度，减少区域环境差异对模型不确定的影响，可以根据地形和环境特征将模拟区域进行划分。如ChemCAN模型将加拿大全境划分为24个模拟区域，分别定义了每个模拟区域的环境场景参数，并在常规环境介质的基础上增加了鱼、植物相。日本开发了G-CIEMS模型，其基于地理信息系统将日本全境划分为40 000个空气网格和38 000个河流集水区，构建了具有空间分辨的多介质模型[60]。面对我国地理区域跨度较大，各区域环境条件差异较多的现状，G-CIEMS对我国具有极大的参考意义。

环境多介质模型已经成功用于描述化学品在全球、区域及局部环境范围(包括湖泊、河流、植物等) 中的行为。如高俊敏等[63]运用QWASI模拟了三峡水库水环境中内分泌干扰物三丁基锡在各环境介质中的浓度分布及迁移归趋，认为QWASI模型能够较为合理地给出各个物理化学过程的速率参数,可对三丁基锡在三峡水库这种超大型河道型水库中跨介质间的迁移传输、各环境相分布等作出定性和定量的模拟估计,模型输出结果与实测结果较为吻合。Achten等[64]使用EQC模型系统地评价了甲基叔丁基醚在德国环境介质中的归趋行为和环境浓度，在地表水和大气的浓度分别为19 ng·L-1，在地表水中的浓度为167 ng·m-3，其余EUSES预测结果较为一致。

表4　多介质模型的主要功能和机理分析Table 4　Main function and mechanism of environmental multi-media models

Kawamoto等[65]使用68种不同性质的化学品比较了SimpleBox和ChemCAN在日本2个区域主要介质(水、土、气、沉积物)的PEC，70%的预测结果差异都在3个数量级之内，因此其认为2种模型没有显著的差异，但模型与测量值的主要差异来自化学品排放速率。Hollander等[66]比较了7种环境多介质模型对14种参比物的环境迁移规律，发现所有模型在分配规律和降解处理较为相似，模型预测结果也较为一致(相关系数为0.44～0.98)。

4.5　食物链模型

水生及陆生环境污染后，通过生物富集最终使生态系统中所有高营养级环境生物暴露于污染中。例如，化学品从大气沉降到牧场，动物摄食牧草发生暴露，而人体又摄食农牧产品如牛奶发生暴露。食物链模型可以为了解污染物在食物链的传递过程以及估计生物暴露提供工具。

EUSES模型预测了3种食物链。分别是：水-鱼-食鱼捕食者；水-鱼-食鱼捕食者-顶级捕食者；土壤-蚯蚓-食虫捕食者。

在EUSES模型中，鱼和蚯蚓体内的化学品浓度由相应的环境介质浓度(水和土壤)乘以生物浓缩因子(BCF)计算。由于环境介质浓度有局部PEC和区域PEC之分，局部PEC往往高于区域PEC，因此EUSES在计算鱼和蚯蚓体内的化学品浓度时使用了PEClocal和PECregional的平均值。食鱼捕食者(或食虫捕食者)及顶级捕食者体内的化学品浓度，则使用生物放大因子(BMF)。EUSES模型中，lgKow、BCF和BMF的估算关系见表5。

在食物链模型中，最关键的参数是BCF。BCF预测模型从建模方法划分有2类：回归模型和机理模型。经典的回归模型通过回归lgKow与BCF之间的关系，使用lgKow预测鱼体lgBCF[67]，EUSES就使用了此类方法。还有一类回归模型，使用分子描述符或连接性描述符回归BCF的关系[68]。回归模型的主要缺陷是其假设鱼体生长的水体浓度恒定，忽略鱼体的代谢作用，因此其预测精度有限。而机理模型则考虑了鱼体的吸收和清除过程，如Fish模型[69](模型示意见图5)，该模型中吸收过程为鳃的呼吸和食物的摄取，去除过程有鳃的转移、排泄、代谢转化以及生长稀释。机理模型涉及诸多动力学、化学品、鱼体和环境特征参数，如lgKow、鱼类代谢半衰期，鱼的体积、鱼体和食物的脂肪含量、喂食速率、生长速度、鳃的吸收阻力、肠道吸收效率，水中悬浮颗粒浓度、密度、有机碳含量等，因此机理模型预测精度更高[70]。这类机理模型还被扩展至底栖无脊椎生物的生物蓄积性预测[71-72]，且Diepens等[71]研究表明，随着化学品lgKow的增加，底栖无脊椎生物从沉积物有机质中的吸收速率开始高于从水中的吸收速率。

现有的研究以及欧盟的化学品风险评估主要关注水生生物的食物链传递过程，对陆生生物链的传递过程研究较少[73]。虽然EUSES也包含了陆生生物食物链传递，但其主要关注食虫捕食者的暴露，而忽视了化学品在环境介质-植物-食草动物-捕食者这一食物链中的评价，其对陆生高级捕食者的保护也具有重要的意义。

5　总结与展望(Conclusion and prospect)

国外化学品环境管理机构为了筛选或者评估化学品的环境暴露，已经研发了较为系统的环境暴露预测模型，包含了排放估计、水/土/气、多介质以及食物链各种模型，涵盖了点源暴露到面源暴露的各种暴露模式，从局部暴露、区域暴露及洲际暴露的各种尺度，从筛选评估到确认水平的不同层级。由于法规的支持及要求，这些环境暴露预测模型在国外已经开展了较多的应用。我国应该借鉴这些先进模型，重点针对化学品的排放估计、环境多介质评估以及食物链暴露，结合中国的环境参数以及实际行业发展水平，尽快建立一批环境暴露预测模型用于化学品的筛选和评估，并在高通量、快速暴露评估领域开展研究。

图5　Fish 模型概念图 [69]注：k为吸收或去除速率，c为介质中化学品浓度 。Fig. 5　Sketch of the Fish model [69]Note: k is rate of uptake or elimination, and c is concentration of chemicals.

lgKowBCFBMF1BMF2<4.5<2114.5～<52～5225～8>51010>8～95～233>9<211

参考文献(References)：

[1]范莱文, 韦梅尔. 化学品风险评估[M]. 北京: 化学工业出版社, 2010: 2-4

[2]European Chemicals Agency. ECHA-16-G-03-EN Guidance on information requirements and chemical safety assessment, chapter R.16: Environmental exposure assessment [S]. Helsinki: ECHA, 2016

[3]Organization for Economic Co-operation and Development. Series on Testing and Assessment, No. 182, Descriptions of existing models and tools used for exposure assessment results of OECD Survey [R]. Paris: OECD, 2012: 22-23

[4]Struijs J, Van De Meent D, Schowanek D, et al. Adapting SimpleTreat for simulating behaviour of chemical substances during industrial sewage treatment [J]. Chemosphere, 2016, 159: 619-627

[5]Hollander A, Schoorl M, Van De Meent D. SimpleBox 4.0: Improving the model while keeping it simple [J]. Chemosphere, 2016, 148: 99-107

[6]Schoorl M H A. SimpleBox 4.0: A multimedia mass balance model for evaluating the fate of chemical substances [R]. Bilthoven: RIVM, 2016: 1-90

[7]Ramosperalonso M J. Chemical Safety Assessment and Reporting Tool (Chesar), REACH - Encyclopedia of Toxicology (Third Edition) [M]// Encyclopedia of Toxicology. EU, 2014: 797-800

[8]Egeghy P P, Sheldon L S, Isaacs K K, et al. Computational exposure science: An emerging discipline to support 21st-Century risk assessment [J]. Environmental Health Perspectives, 2015, 124(6): 697-702

[9]Rager J E, Strynar M J, Liang S, et al. Linking high resolution mass spectrometry data with exposure and toxicity forecasts to advance high-throughput environmental monitoring [J]. Environment International, 2016, 88: 269-280

[10]Dionisio K L, Frame A M, Goldsmith M R, et al. Exploring consumer exposure pathways and patterns of use for chemicals in the environment [J]. Toxicology Reports, 2015, 29(29): 228-237

[11]Wetmore B A, Wambaugh J F, Allen B, et al. Incorporating high-throughput exposure predictions with dosimetry-adjusted in vitro bioactivity to inform chemical toxicity testing [J]. Toxicological Sciences, 2015, 148(1): 121-136

[12]Sobus J R, Dewoskin R S, Tan Y M, et al. Uses of NHANES biomarker data for chemical risk assessment: Trends, challenges, and opportunities [J]. Environmental Health Perspectives, 2015, 123(10): 919-927

[13]Mitchell J, Pabon N, Collier Z A, et al. A Decision analytic approach to exposure-based chemical prioritization [J]. PloS One, 2013, 8(8): e70911

[14]Mitchell J, Arnot J A, Jolliet O, et al. Comparison of modeling approaches to prioritize chemicals based on estimates of exposure and exposure potential [J]. Science of the Total Environment, 2013, 460(3): 555-567

[15]Wambaugh J F, Setzer R W, Reif D M, et al. High-throughput models for exposure-based chemical prioritization in the ExpoCast project [J]. Environmental Science and Technology, 2013, 47(15): 8479-8488

[16]贺莹莹, 李雪花, 陈景文. 多介质环境模型在化学品暴露评估中的应用与展望[J]. 科学通报, 2014, 32: 3130-3143

He Y Y, Li X H, Chen J W. Use of multimedia environmental models in chemical exposure assessments [J]. Chinese Science Bulletin, 2014, 32: 3130-3143 (in Chinese)

[17]周林军, 刘济宁, 石利利, 等. 好氧生化污水处理厂化学品暴露预测模型构建[J]. 环境科学, 2016, 37(1): 228-239

Zhou L J, Liu J N, Shi L L, et al. Development of chemical exposure prediction model for aerobic sewage treatment plant for biochemical wastewaters [J]. Environmental Science, 2016, 37(1): 228-239 (in Chinese)

[18]冯洁, 周林军, 刘济宁, 等. 污水处理厂暴露模型参数及对化学品归趋的影响[J]. 生态与农村环境学报, 2015, 31(2): 262-268

Feng J, Zhou L J, Liu J N, et al. Parameters of exposure models for sewage treatment plants and their impacts on fate of chemicals [J]. Journal of Ecology and Rural Environment, 2015, 31(2): 262-268 (in Chinese)

[19]莫俊超, 舒耀皋, 董晶, 等. 预测沉积物-水微宇宙系统中化学品浓度变化的多介质模型[J]. 生态毒理学报, 2015, 10(6): 101-109

Mo J C, Shu Y G, Dong J, et al. A multimedia model for prediction of chemicals concentration changes in sediment-water microcosm systems [J]. Asian Journal of Ecotoxicology, 2015, 10(6): 101-109 (in Chinese)

[20]Vermeire T, Rikken M, Attias L, et al. European union system for the evaluation of substances: The second version [J]. Chemosphere, 2005, 59(4): 473-485

[21]Money C, Schnoeder F, Noij D, et al. ECETOC TRA version 3: Capturing and consolidating the experiences of REACH [J]. Environmental Science: Processes and Impacts, 2014, 16(5): 970-977

[22]Lijzen J P A, Rikken M G J. European Union System for the Evaluation of Substances 2.0 (EUSES 2.0) background report [R]. Bilthoven: RIVM, 2004: 1-451

[23]Zhang L, Liu J, Hu J, et al. The inventory of sources, environmental releases and risk assessment for perfluorooctane sulfonate in China [J]. Environmental Pollution, 2012, 165: 193-198

[24]ECETOC. Targeted Risk Assessment. Technical Report No. 93 [R]. Brussels: ECETOC, 2004: 1-228

[25]Reihlen A, Bahr T, Bögi C, et al. SPERCS—A tool for environmental emission estimation [J]. Integrated Environmental Assessment and Management, 2016, 12(4): 772-781

[26]United States Environmental Protection Agency (US EPA). Chemsteer user guide [R]. Washington DC: OPPT, 2013: 1-228

[27]Linders J B H J. Modelling of Environmental Chemical Exposure and Risk [M]. Netherlands: Kluwer Academic Publishers, 2001: 61-71

[28]Franco A, Struijs J, Gouin T, et al. Evolution of the sewage treatment plant model SimpleTreat: Use of realistic biodegradability tests in probabilistic model simulations [J]. Integrated Environmental Assessment and Management, 2013, 9(4): 569-579

[29]Franco A, Struijs J, Gouin T, et al. Evolution of the sewage treatment plant model SimpleTreat: Applicability domain and data requirements [J]. Integrated Environmental Assessment and Management, 2013, 9(4): 560-568

[30]Struijs J, Stoltenkamp J, Vandemeent D. A spreadsheet-based box model to predict the fate of xenobiotics in a municipal waste-water treatment-plant [J]. Water Research, 1991, 25(7): 891-900

[31]Clark B, Henry J G, Mackay D. Fugacity analysis and model of organic-chemical fate in a sewage-treatment plant [J]. Environmental Science & Technology, 1995, 29(6): 1488-1494

[32]Seth R, Webster E, Mackay D. Continued development of a mass balance model of chemical fate in a sewage treatment plant [J]. Water Research, 2008, 42(3): 595-604

[33]Wang D-G, Aggarwal M, Tait T, et al. Fate of anthropogenic cyclic volatile methylsiloxanes in a wastewater treatment plant [J]. Water Research, 2015, 72: 209-217

[34]Polesel F, Plósz B G, Trapp S. From consumption to harvest: Environmental fate prediction of excreted ionizable trace organic chemicals [J]. Water Research, 2015, 84: 85-98

[35]USEPA. Exposure and Fate Assessment Screening Tool (E-FAST) Beta Version Documentation Manual [R]. Springfield: Versar, Inc., 1999: 6-7

[36]Feijtel T, Boeije G, Matthies M, et al. Development of a geography-referenced regional exposure assessment tool for European rivers - GREAT-ER contribution to GREAT-ER #1 [J]. Chemosphere, 1997, 34(11): 2351-2373

[37]Wind T. Prognosis of environmental concentrations by geo-referenced and generic models: A comparison of GREAT-ER and EUSES exposure simulations for some consumer-product ingredients in the Itter [J]. Chemosphere, 2004, 54(8): 1145-1153

[38]Simeonov L I, Hassanien M A. Exposure and Risk Assessment of Chemical Pollution—Contemporary Methodology [M]. Dordrecht: Springer Netherlands, 2009: 29-50

[39]Feijtel T, Boeije G, Matthies M, et al. Development of a geography-referenced regional exposure assessment tool for European rivers - GREAT-ER [J]. Journal of Hazardous Materials, 1998, 61(1-3): 59-65

[40]Koormann F, Rominger J, Schowanek D, et al. Modeling the fate of down-the-drain chemicals in rivers: An improved software for GREAT-ER [J]. Environmental Modelling and Software, 2006, 21(7): 925-936

[41]Price O R, Munday D K, Whelan M J, et al. Data requirements of GREAT-ER: Modelling and validation using LAS in four UK catchments [J]. Environmental Pollution, 2009, 157(10): 2610-2616

[42]Holt M S, Fox K K, Daniel M, et al. Linear alkylbenzene sulfonate and boron monitoring in four catchments in the UK contribution to GREAT-ER #11 [J]. Science of the Total Environment, 2003, 314: 271-288

[43]Berlekamp J, Lautenbach S, Graf N, et al. Integration of MONERIS and GREAT-ER in the decision support system for the German Elbe River basin [J]. Environmental Modelling & Software, 2007, 22(2): 239-247

[44]Huffmeyer N, Klasmeier J, Matthies M. Geo-referenced modeling of zinc concentrations in the Ruhr River basin (Germany) using the model GREAT-ER [J]. Science of the Total Environment, 2009, 407(7): 2296-2305

[45]Wind T, Werner U, Jacob M, et al. Environmental concentrations of boron, LAS, EDTA, NTA and Triclosan simulated with GREAT-ER in the river Itter [J]. Chemosphere, 2004, 54(8): 1135-1144

[46]Aldekoa J, Medici C, Osorio V, et al. Modelling the emerging pollutant diclofenac with the GREAT-ER model: Application to the Llobregat River Basin [J]. Journal of Hazardous Materials, 2013, 263: 207-213

[47]Zhang L, Cao Y, Hao X W, et al. Application of the GREAT-ER model for environmental risk assessment of nonylphenol and nonylphenol ethoxylates in China [J]. Environmental Science and Pollution Research, 2015, 22(23): 18531-18540

[48]Kehrein N, Berlekamp J, Klasmeier J. Modeling the fate of down-the-drain chemicals in whole watersheds: New version of the GREAT-ER software [J]. Environmental Modelling and Software, 2015, 64: 1-8

[49]Carsel R F, Imhoff J C, Hummel P R. PRZM-3: A model for predicting pesticide and nitrogen fate in the crop root and unsaturated soil zones; Users Manual for Release 3.0 [R]. Washington: US EPA, 1998: 1-426

[50]Bonazountas M, Wagner J. SESOIL: A Seasonal Soil Compartment Model [R]. Washington: US EPA, 1984

[51]Higashino H, Kitabayashi K, Inoue K, et al. Development of an Atmospheric Dispersion Model for Exposure and Risk Assessment (ADMER) [J]. Journal of Japan Society for Atmospheric Environment/Taiki Kankyo Gakkaishi, 2003, 38(2): 100-115

[52]USEPA. User's Guide for the Industrial Source Complex (ISC3) Dispersion Models, Vol. I User Instructions and Vol. II Description of Model Algorithms [R]. Washington: USEPA, 1995: 1-390

[53]Lorber M, Robinson R E A. Testing the USA EPA's ISCST-Version 3 model on dioxins: A comparison of predicted and observed air and soil concentrations [J]. Atmospheric Environment, 2000, 34(23): 3995-4010

[54]Kouchi A, Okabayashi K, Okamoto S, et al. Development of a low-rise industrial source dispersion model [J]. International Journal of Environment and Pollution, 2004, 21(4): 325-338

[55]Mackay D. Multimedia environmental models: The fugacity approach. 2nd ed [M]. Boca Raton, Fla.: Taylor & Francis, 2001: 1-272

[56]Mackay D, Guardo A D, Paterson S, et al. Evaluating the environmental fate of a variety of types of chemicals using the EQC model [J]. Environmental Toxicology and Chemistry, 1996, 15(9): 1627-1637

[57]Huijbregts M A, Geelen L M, Hertwich E G, et al. A comparison between the multimedia fate and exposure models CalTOX and uniform system for evaluation of substances adapted for life-cycle assessment based on the population intake fraction of toxic pollutants [J]. Environmental Toxicology and Chemistry, 2005, 24(2): 486-493

[58]Mackay D, Joy M, Paterson S. A quantitative water, air, sediment interaction (QWASI) fugacity model for describing the fate of chemicals in lakes [J]. Chemosphere, 1983, 12(7): 981-997

[59]Mackay D, Joy M, Paterson S. A quantitative water, air, sediment interaction (QWASI) fugacity model for describing the fate of chemicals in lakes [J]. Chemosphere, 1983, 12(7-8): 981-997

[60]Suzuki N, Murasawa K, Sakurai T, et al. Geo-referenced multimedia environmental fate model (G-CIEMS): Model formulation and comparison to the generic model and monitoring approaches [J]. Environmental Science and Technology, 2004, 38(21): 5682-5693

[61]Suzuki N, Murasawa K, Matsuhashi K, et al. Development of Geo-Referenced Environmental Fate Model (G-CIEMS) for Chemical Contaminants Based on GIS (Geographic Information System) [J]. JEC, 2005, 15(2): 385-395

[62]Webster E, Mackay D, Di Guardo A, et al. Regional differences in chemical fate model outcome [J]. Chemosphere, 2004, 55(10): 1361-1376

[63]高俊敏, 张科, 周彬, 等. 三峡水库水环境中内分泌干扰物TBT的多介质迁移和归趋模拟 [J]. 环境科学学报, 2015, 35(5): 1350-1357

Gao J M, Zhang K, Zhou B，et al. Simulation of multi-media transfer and fate of TBT in the aquatic environment of the Three Gorges Reservoir [J]. Acta Scientiae Circumstantiae, 2015, 35(5): 1350-1357 (in Chinese)

[64]Achten C, Puttmann W, Klasmeier J. Compartment modeling of MTBE in the generic environment and estimations of the aquatic MTBE input in Germany using the EQC model [J]. Journal of Environmental Monitoring, 2002, 4(5): 747-753

[65]Kawamoto K, Macleod M, Mackay D. Evaluation and comparison of multimedia mass balance models of chemical fate: Application of EUSES and ChemCAN to 68 chemicals in Japan [J]. Chemosphere, 2001, 44(4): 599-612

[66]Hollander A, Scheringer M, Shatalov V, et al. Estimating overall persistence and long-range transport potential of persistent organic pollutants: A comparison of seven multimedia mass balance models and atmospheric transport models [J]. Journal of Environmental Monitoring, 2008, 10(10): 1139-1147

[67]Dimitrov S, Dimitrova N, Parkerton T, et al. Base-line model for identifying the bioaccumulation potential of chemicals [J]. SAR and QSAR in Environmental Research, 2005, 16(6): 531-554

[68]郑玉婷, 乔显亮, 杨先海, 等. 卤代有机化合物生物富集因子的定量结构-活性关系模型[J]. 生态毒理学报, 2013, 8(5): 772-777

Zheng Y T, Qiao X L, Yang X H, et al. Quantitative structure - activity relationship model for bioconcentration factors of halogenated organic compounds [J]. Asian Journal of Ecotoxicology, 2013, 8(5): 772-777 (in Chinese)

[69]Clark K E, Gobas F, Mackay D. Model of organic-chemical uptake and clearance by fish from food and water [J]. Environmental Science and Technology, 1990, 24(8): 1203-1213

[70]Mcleod A M, Paterson G, Drouillard K G, et al. Ecological Implications of Steady State and Nonsteady State Bioaccumulation Models [J]. Environmental Science & Technology, 2016, 50(20): 11103-11111

[71]Diepens N J, Van Den Heuvel-Greve M J, Koelmans A A. Modeling of bioaccumulation in marine benthic invertebrates using a multispecies experimental approach [J]. Environmental Science and Technology, 2015, 49(22): 13575-13585

[72]Morrison H A, Gobas F, Lazar R, et al. Development and verification of a bioaccumulation model for organic contaminants in benthic invertebrates [J]. Environmental Science and Technology, 1996, 30(11): 3377-3384

[73]Gobas F A, Burkhard L P, Doucette W J, et al. Review of existing terrestrial bioaccumulation models and terrestrial bioaccumulation modeling needs for organic chemicals [J]. Integrated Environmental Assessment and Management, 2015, 12(1): 123-134