吳俊燕,和雅靜,陳 凱,金小偉,王洪鑄,崔永德

1.中國科學院水生生物研究所,淡水生態(tài)與生物技術國家重點實驗室,湖北 武漢 430072

2.中國科學院大學,北京 100049

3.南京農(nóng)業(yè)大學昆蟲系昆蟲分類與水生昆蟲實驗室,江蘇 南京 210095

4.中國環(huán)境監(jiān)測總站,國家環(huán)境保護環(huán)境監(jiān)測質量控制重點實驗室,北京 100012

湖泊是陸地表層系統(tǒng)各要素相互作用的節(jié)點,具有多種重要的生態(tài)功能。 湖區(qū)能調(diào)節(jié)河川徑流、減輕洪澇災害和改善周邊生態(tài)環(huán)境,湖水可以灌溉農(nóng)田、溝通航運、保障工業(yè)和生活用水,還能為水生動植物提供生存環(huán)境等[18]。 長江中下游地區(qū)是我國淡水湖泊分布最密集的區(qū)域,擁有面積在100 km2以上的湖泊共19 個,湖泊面積合計11 644.4 km2[19]。 然而該地區(qū)也是我國經(jīng)濟發(fā)展最快、人類活動最頻繁的區(qū)域之一,導致該區(qū)域湖泊水環(huán)境不斷惡化,湖泊生態(tài)系統(tǒng)結構與功能不斷退化,水生生物類群受到嚴重影響[20]。 長江中下游湖泊正面臨嚴重的水生態(tài)危機,圍湖造田、大面積圍墾、城鎮(zhèn)化和道路建設等導致湖泊面積銳減、湖濱帶退化、水生生物適宜棲息地減少,閘壩建設引發(fā)的江湖阻隔導致生境異質性降低,生活污水過量排放導致湖泊富營養(yǎng)化及重金屬等有害污染物富集,過度捕撈、拖螺耙蚌導致生物資源衰退[21-22]。 因此,亟須開展長江中下游湖泊生態(tài)系統(tǒng)健康評價。 同時,長江中下游湖泊眾多,健康狀況不一,為開展區(qū)域尺度的湖泊生態(tài)系統(tǒng)健康評價研究提供了有利條件。

本研究整合了本學科組對長江中下游淺水湖泊持續(xù)20 余年(1998—2018 年)的野外調(diào)查數(shù)據(jù),開展基于底棲動物群落的預測模型O/E 指數(shù)研究,構建淺水湖泊O/E 指數(shù)評價指標體系,用以評價長江中下游淺水湖泊生物完整性,以期為湖泊生態(tài)系統(tǒng)健康評價提供科學指導,為湖泊保護和修復提供技術參考。

1 研究方法

1.1 研究區(qū)域與數(shù)據(jù)來源

長江中下游平原湖泊星羅棋布,總面積達15 770 km2[22]。 本研究選取長江中下游91 個阻隔型淺水湖泊共計116 湖次、1 207 個樣點的野外調(diào)查數(shù)據(jù)。 這些湖泊在長江中下游五大湖群區(qū)均有分布,其中:江漢湖群區(qū)研究湖次最多,為93 湖次;其次是贛皖平原湖群區(qū),10 湖次;太湖平原湖群區(qū),8 湖次;蘇皖平原湖群區(qū)和洞庭湖平原湖群區(qū)較少,分別為2 湖次和3 湖次。 研究湖泊總面積 超 過 5 400 km2, 地 理 坐 標 橫 跨 112°33′～121°00′E、28°30′～31°40′N(圖1)。

圖1 長江中下游研究湖泊分布Fig.1 Spatial distribution of studied lakes in the mid-lower Yangtze River Basin

研究數(shù)據(jù)來自本研究團隊1998—2018 年野外 調(diào) 查 結 果, 底 泥 使 用 1/16 m2彼 得 生 式(Peterson)采泥器采集,沉水植物使用鐮刀型采草器采集。 為保證數(shù)據(jù)的可比性和可靠性,各湖次均選擇春秋兩季的定量數(shù)據(jù)進行分析。 水棲寡毛類鑒定到屬,多毛類和蛭類統(tǒng)一鑒定至科或屬,軟體動物和節(jié)肢動物鑒定至種或屬。

水體環(huán)境因子中,水溫、pH、電導率、溶解氧等指標使用便捷式水質檢測儀(美國YSI,Pro Plus)現(xiàn)場測定,水深采用便捷式超聲波探測儀(美國Speedtech,SM-5)測定,透明度使用常規(guī)Secchi 盤測定。 將水樣帶回實驗室后,參照國家標準測定總氮(TN)、總磷(TP)濃度。 部分TN、TP 和沉水植物數(shù)據(jù)由項目合作單位提供。

自然預測因子包括地理形態(tài)學因子和氣候因子。 湖泊地理形態(tài)學因子包括湖泊面積、岸線長度、平均水深、湖水平均滯留時間等,氣候因子主要來源于WorldClim 提供的1980—2018 年平均氣溫、平均降雨和生物氣候學數(shù)據(jù)。

土地利用數(shù)據(jù)來源于國家基礎地理信息中心全球30 m 地表覆蓋數(shù)據(jù)(GlobeLand30)。 提取500 m 湖岸帶緩沖區(qū)土地利用數(shù)據(jù),根據(jù)耕地與人造地表所占比例,將湖泊分為農(nóng)村湖泊和城市湖泊兩大類。 長江流域底圖下載自中國科學院資源環(huán)境科學與數(shù)據(jù)中心(https:/ /www. resdc. cn/Default.aspx)。

在語言學中，會涉及到“遷移”一詞。對于語言學習而言，遷移即在掌握某種語言過后，學習另一種語言時會先入為主的運用已有語言運用的語調(diào)、發(fā)音等進行新的學習，從而出現(xiàn)口音有部分重合的現(xiàn)象。在本次論文研究中，遷移即方言在學習普通話中的影響力。在居民從掌握的方言到普通話后來逐漸運用到語言的習得中，表示一種語言對另一種語言的學習過程及結果產(chǎn)生的影響。

1.2 O/E 指數(shù)模型構建

參照已有文獻方法[15,23]構建O/E 指數(shù)。①依據(jù)湖泊理化條件和生境狀況,確定參照湖泊和監(jiān)測湖泊。 選定參照湖泊的標準:湖泊岸線基本維持自然狀態(tài),生境條件較好,有一定面積的沉水植物分布;湖泊周圍無面源污染或污染較少;湖泊內(nèi)無養(yǎng)殖漁業(yè)干擾或干擾較少。 此外,結合理化指標,將不符合以上條件的湖泊歸為受損湖泊,并從監(jiān)測湖泊中確定嚴重受損湖泊,用于O/E 指數(shù)表現(xiàn)力測試。 ②根據(jù)參照湖泊中底棲動物的出現(xiàn)/不出現(xiàn)數(shù)據(jù),對參照湖泊的底棲動物組成進行聚類分析。 聚類分析時,剔除在所有參照湖泊中的出現(xiàn)頻率小于等于5%的物種。 ③利用隨機森林(Random Forest,RF)模型[16],基于參照湖泊生物聚類結果,選擇參照湖泊的自然預測因子。 利用基于這些預測因子構建的模型,預測監(jiān)測湖泊屬于以上各聚類類群的可能性,以此加權參照湖泊聚類類群中物種出現(xiàn)的概率,得到監(jiān)測湖泊中每個物種可能被采集到的概率(Probability of Capture,Pc)。 Pc 值越大,說明該物種出現(xiàn)的可能性越高,即為常見類群;Pc 值越小,說明該物種出現(xiàn)的可能性越低,即為稀有類群。 ④設定不同的Pc 閾值,將大于設定閾值的出現(xiàn)物種的Pc 值相加,得到不同閾值下的監(jiān)測湖泊的豐富度期望值,即E。 將大于設定閾值的真實觀測物種的Pc 值相加,得到該湖泊的豐富度觀測值,即O。 ⑤計算O/E 值。 O/E 值理論上介于0～1,遠離1 時,表明該湖泊生物完整性狀況較差。

計算不同閾值下的O/E 值,并比較不同閾值下的O/E 指數(shù)模型表現(xiàn)力,分析并剔除稀有物種對模型的影響。 模型表現(xiàn)力評價參數(shù)包括精確度、敏感性、響應性、誤差。 精確度是以指數(shù)值的標準差來衡量,標準差越小,表明精確度越高;敏感性是通過計算處于非參照狀況的監(jiān)測湖泊的百分比來衡量;響應性是利用t檢驗的t值的絕對值,測量參照湖泊和嚴重受損湖泊的生物參數(shù)均值的差異大小來衡量;誤差是通過模型驗證是否有殘余的未被解釋的自然變異來衡量。 同時,設定Pc>0 和Pc≥0.5 的閾值條件,并計算未控制自然梯度影響的原始O/E 值(O/E-null)。 計算原始O/E 值的基本假設是所有物種的Pc 值均一致。 比較僅基于常見類群(Pc≥0.5)和基于包括稀有物種在內(nèi)的所有類群(Pc>0)構建的O/E 模型(分別記為O/E50和O/E0)的差異,使用線性回歸分析O/E 模型與富營養(yǎng)化因子的關系。 通過參照湖泊O/E 值的標準差確定評價標準,使用±1倍標準差作為參照標準閾值范圍,并確定長江中下游湖泊群的生物完整性狀況。

1.3 數(shù)據(jù)處理

氣候因子數(shù)據(jù)根據(jù)WorldClim 提供的1980—2018 年平均氣溫、平均降雨量等,使用ArcGIS 10.6 中的Zonal 工具提取。 物種數(shù)分布圖在ArcGIS 10.6 中完成,數(shù)據(jù)統(tǒng)計分析使用Excel 2016、SPSS 20.0 和R 3.5.2 完成,其中RF 模型在R 軟件中使用Random Forest 軟件包實現(xiàn)。

2 結果分析

2.1 大型底棲動物的種類組成

長江中下游阻隔型淺水湖泊116 湖次野外調(diào)查共記錄到底棲動物190 種(屬),隸屬于3 門7綱66 科167 屬。 其中,水生昆蟲最多,為100 種(屬),占總數(shù)的52.6%;其次是軟體動物,41 種(屬),占總數(shù)的21.6%;再次是寡毛類,25 種(屬),占總數(shù)的13.2%;其他類群最少,24 種(屬),占總數(shù)的12.6%。

從不同湖群區(qū)來看(圖2),江漢平原湖群區(qū)物種數(shù)最多,達123 種(屬);其次是贛皖平原湖群區(qū),68 種(屬);洞庭湖平原湖群區(qū)和蘇皖平原湖群區(qū)最少,分別為45 種(屬)和47 種(屬)。

圖2 長江中下游不同湖群區(qū)大型底棲動物種(屬)數(shù)Fig.2 Taxa number of macrozoobenthos in different district of lake groups of the mid-lower Yangtze River Basin

2.2 O/E 指數(shù)結果

根據(jù)參照湖泊篩選標準,共篩選出21 個參照湖泊。 對所有參照湖泊進行聚類分析,共選擇了4 個聚類類群,每個聚類類群包含的參照湖泊數(shù)量介于4～8 個。 基于RF 模型選擇最終用于O/E模型構建的自然預測因子。 基于Gini 系數(shù)(Mean Decrease Gini)的自然預測因子重要性排序為平均日溫差(bio_2) >湖水平均滯留時間(Res_time)>采樣月份降雨標準差(prec_SD)>湖泊面積(Area)>最冷季平均溫度(bio_11)(圖3)。 自然預測因子組合可以預測86%的模型準確度。在4 個參照湖泊類群中,組1 和組2 的湖泊面積、平均日溫差較大,組3 和組4 較小;組1 的湖水平均滯留時間遠高于其他3 組,而采樣月份降雨標準差低于其他3 組。

基于通過模型篩選得到的以上5 個自然預測因子,分別構建控制自然梯度的指數(shù)模型(Modeled O/E)以及零模型(Null O/E)。 結果顯示,不同Pc閾值下的O/E 指數(shù)的表現(xiàn)力有所不同(圖4):所有控制自然梯度的O/E 值和原始O/E 值的標準差均隨著Pc 值的增加而減小,即精確度隨著Pc 值的增加而減小;控制自然梯度的O/E 值的敏感性均較高,而原始O/E 值的敏感性在Pc>0.6 后逐漸降低;所有控制自然梯度的O/E 值和原始O/E 值的響應性均隨著Pc 值的增加而先降后升。

Pc>0 和Pc≥0.5 閾值條件下的O/E 模型的表現(xiàn)力比較結果顯示(表1),原始O/E 模型的誤差均大于控制自然梯度的O/E 模型,控制自然梯度的O/E50模型的誤差為0。

表1 模型控制自然梯度的O/E0、O/E50 與原始O/E0、O/E50 評價指數(shù)表現(xiàn)力的比較Table 1 Comparison of index performance among modeled O/E0,O/E50 and null O/E0,O/E50

應用Pc>0 和Pc≥0.5 閾值條件下的O/E 模型預測監(jiān)測湖泊的期望豐富度(圖5)。 結果顯示,監(jiān)測湖泊在Pc>0 和Pc≥0.5 閾值條件下的豐富度觀測值和期望值均存在一定的變化范圍,觀測值的變化范圍均大于期望值,Pc>0 時的觀測值變異最大,且Pc>0 時的觀測值和期望值中位數(shù)遠高于Pc≥0.5 時。 另外,模型控制自然梯度后的O/E 值與原始O/E 值差別不大。

圖5 Pc>0 和Pc≥0.5 閾值條件下所有湖泊的物種豐富度觀測值和期望值以及控制自然梯度的O/E 模型和原始O/E 模型的箱型圖Fig.5 Box-plots of observed and expected richness,modeled O/E and null O/E index when Pc>0 and Pc≥0.5 in the mid-lower Yangtze River Basin

2.3 O/E 指數(shù)和環(huán)境因子的關系

2.3.1 富營養(yǎng)化因子

線性回歸分析(圖6)表明,O/E 指數(shù)與TP呈顯著負相關關系,與沉水植物生物量(BMac)呈顯著正相關關系,表明控制自然梯度的O/E0指數(shù)、O/E50指數(shù)均能夠反映湖泊營養(yǎng)狀態(tài)的變化。 但擬合優(yōu)度值R2并不高,數(shù)據(jù)點分布較散,說明湖泊狀況復雜,影響因素較多,TP、BMac均不是唯一的限制因子。

圖6 模型控制自然梯度后的O/E0 指數(shù)、O/E50 指數(shù)與TP(mg/L)、BMac(g/m2)的關系Fig.6 Relationships between modeled O/E0,modeled O/E50 and total phosphorus (mg/L),submersed macrophyte biomass (g/m2)

2.3.2 土地利用

圖7 展示了O/E 指數(shù)在不同湖泊類型下的指數(shù)值分布情況。 結果顯示,可通過O/E 指數(shù)顯著區(qū)分兩種土地利用類型的湖泊,且城市湖泊的指數(shù)值明顯低于農(nóng)村湖泊。

圖7 O/E0 指數(shù)和O/E50 指數(shù)在不同類型湖泊的指標分值箱式圖Fig.7 Box-plot of modeled O/E0 and O/E50 index in different lake patterns

2.4 O/E 指數(shù)評價結果

根據(jù)健康評價標準(表2)對長江中下游淺水湖泊進行評價(表3)。 結果顯示,控制自然梯度的O/E0指數(shù)、O/E50指數(shù)的評價結果近似,分別有44%、41%的湖泊處于亞健康及以上水平。 而原始模型的評價結果高于控制自然梯度的O/E指數(shù),O/E0-null 指數(shù)、O/E50-null 指數(shù)評價結果中,分別有49%、50%的湖泊處于亞健康及以上水平,且僅有少數(shù)湖泊屬于差、極差水平。 相較控制自然梯度的O/E 指數(shù),零模型的O/E 指數(shù)高估了湖泊的健康狀況水平。

表2 長江中下游淺水湖泊O/E 指標體系健康評價標準Table 2 Classes for health assessment of O/E index for the mid-lower Yangtze River Basin

表3 長江中下游淺水湖泊O/E 指數(shù)健康評價等級占比Table 3 Proportion of health assessment grades of O/E index for the mid-lower Yangtze River Basin %

在所研究的湖泊中,健康狀況較好的湖泊有牛山湖(1998 年,采樣年份,下同)、陶家大湖(2003 年)、嚴東湖(2008 年)、梁子湖(2011 年)、斧頭湖(2011 年)、龍感湖(2013 年)、后官湖(2018 年)、武湖(2018 年)、太湖東部湖區(qū)(2018年)等;健康狀況較差的湖泊有沙湖(2018 年)、蓮花湖(2018 年)、墨水湖(2012 年)、南湖(2003年)、龍陽湖(2003 年)等。

3 討論

3.1 長江中下游湖泊健康狀況

長江中下游湖泊面臨著多重脅迫,生態(tài)健康狀況不容樂觀。 本研究構建O/E 指數(shù)對20 世紀90 年代末至今的湖泊健康狀況進行了總體評價。結果顯示,僅約20%的湖泊處于健康水平,近50%的湖泊健康狀況一般,約30%的湖泊健康狀況相對較差。 在2012 年調(diào)查研究的41 個淺水湖泊中,僅12.2%的湖泊健康狀況較好,41.5%的湖泊健康狀況較差[24]。 可以看到,長江中下游湖泊群大部分湖泊的生態(tài)健康狀況較差,健康狀況較好的湖泊所對應的數(shù)據(jù)大部分來源于較早年份的調(diào)查,當時的人為干擾較少,且有沉水植物分布,生境狀況良好,如20 世紀90 年代對黃湖、龍感湖、保安湖、湯遜湖等的調(diào)查,以及21 世紀初對老江河、武昌東湖、后官湖、淀山湖等的調(diào)查。 近幾年,健康狀況較好的湖泊有武湖、梁子湖、太湖東部湖區(qū)、東太湖、張家大湖、王家涉等。

本文研究數(shù)據(jù)僅為研究團隊多年積累數(shù)據(jù),缺少連續(xù)性監(jiān)測數(shù)據(jù),因此,僅進行了定性評估,缺乏對湖泊健康狀況演變趨勢的定量評估。 在以后的研究中,可以通過廣泛合作,進一步收集數(shù)據(jù),從而完善分析。 另外,從O/E 指數(shù)評價結果來看,O/E0指數(shù)、O/E50指數(shù)評價結果近似,表明選用常用物種還是所有物種,對湖泊健康狀況評價結果的影響不大,兩指數(shù)均能反映湖泊的生物完整性狀況。 而原始模型O/E0-null 指數(shù)、O/E50-null 指數(shù)的評價結果會高估湖泊健康狀況,說明控制自然預測因子能夠提高評價結果的準確性。

3.2 O/E 指數(shù)在湖泊生態(tài)系統(tǒng)評價中的應用

基于底棲動物的RIVPACS 模型首先由英國構建[7,25],后來傳播至澳大利亞、加拿大等國,并在美國得到了很大的發(fā)展,由VAN SICKLE 等[26]構建了零模型。 該模型也被應用于湖泊和濕地生態(tài)系統(tǒng)評價[27]。 但在我國,目前有關O/E 指數(shù)的研究僅限于溪流[5,16]。 本研究首次嘗試構建了適用于我國長江中下游淺水湖泊的O/E 指數(shù),并提出了利用O/E 指數(shù)評價淺水湖泊的標準。

本研究構建的O/E 指數(shù)模型顯示,隨著閾值的增大,控制自然梯度的O/E 指數(shù)的模型表現(xiàn)力(包括精確度、敏感性、響應性)優(yōu)于原始O/E 指數(shù),證明剔除稀有物種可以增加指數(shù)的表現(xiàn)力。湖泊之間相互隔離,不同湖泊的生態(tài)類型不同,盡管在人為干擾日益加劇的影響下,湖泊所含物種趨向單一化、簡單化,但不同湖泊之間仍存在差異,擁有不同的稀有物種。 因此,與溪流中的研究類似[28],剔除稀有物種可以提高指數(shù)的表現(xiàn)力。從物種豐富度預測值來看,期望豐富度中位數(shù)在Pc>0 時遠高于Pc≥0.5 時,說明自然預測因子的梯度變異范圍較大,特別是湖泊面積和湖水滯留時間差異較大。 觀測值中位數(shù)均低于預測值,說明大部分湖泊的健康狀況存在不同程度的退化,這與指數(shù)評價結果一致。 O/E 指數(shù)與環(huán)境因子的關系分析顯示,模型均能夠反映湖泊營養(yǎng)狀況的變化,顯著區(qū)分不同土地利用類型的湖泊。 從模型誤差來看,控制自然梯度的O/E50模型誤差為0,且評價結果更為客觀、真實,因此,O/E50指數(shù)是開展淺水湖泊生態(tài)系統(tǒng)健康評價的最適指數(shù)。

一直以來,我國的水生態(tài)完整性評價發(fā)展滯后,多直接借鑒國外已有方法,缺乏對適應我國水生態(tài)系統(tǒng)特征的完整性指數(shù)基礎方法和技術體系的深入研究[17,29],特別是對基于預測模型的O/E指數(shù)的研究。 O/E 指數(shù)可利用RF 模型控制自然梯度的影響,有效區(qū)分自然變量和人為干擾變量對生物完整性的影響。 雖然模型方法比較復雜,但能夠更有效地控制自然梯度,優(yōu)于生態(tài)區(qū)分區(qū)的方法[30],因此,可以深入了解和研究預測模型方法,加強模型應用研究,將基于模型的評價指數(shù)推廣應用于我國生態(tài)系統(tǒng)生物完整性評價。

本文在國內(nèi)首次嘗試構建淺水湖泊生態(tài)系統(tǒng)O/E 指數(shù)評價體系,是對預測模型法的初步探索,仍有許多需要完善和深入研究的地方。 例如,如何通過加大采樣努力程度或提高參照質量來提升模型的評價能力[31],如何優(yōu)化預測模型的選擇等。 O/E 指數(shù)模型在我國應用較少主要可歸結于兩個原因:一是模型構建過程需要收集大量自然預測因子數(shù)據(jù),二是模型方法較復雜。 因此,如若推廣O/E 指數(shù)方法,首要任務是建立針對我國不同地理區(qū)域、不同水體類型的環(huán)境基礎數(shù)據(jù)庫,同時建立并不斷完善生物數(shù)據(jù)庫。 構建生態(tài)系統(tǒng)生物完整性健康評價平臺,將O/E 指數(shù)的構建方法和過程標準化,也可以通過平臺將MMI 標準化,推進指數(shù)模型在環(huán)境監(jiān)測業(yè)務管理中的應用。分別對不同水體類型、不同生物類群構建指數(shù)模型,為我國不同地區(qū)的生物完整性評價提供基礎技術支撐。 對于水生態(tài)完整性評價,仍需在研究中不斷發(fā)展:首先,要完善生態(tài)環(huán)境總體評價;其次,要摸清生態(tài)環(huán)境退化的原因,做到“早診斷、早治療”;最后,要堅持長期監(jiān)測,特別是修復后的長期監(jiān)測,在生態(tài)評價的基礎上,不斷推進我國湖泊、河流、溪流、濕地等生態(tài)系統(tǒng)的修復與可持續(xù)利用。

4 結論

在長江中下游湖泊,通過構建基于預測模型的O/E 指數(shù)來評價湖泊生態(tài)系統(tǒng)健康狀況具有可行性。 模型預測結果顯示,控制自然梯度的模型的表現(xiàn)力優(yōu)于原始模型,剔除稀有物種能夠提高模型的準確度以及評價結果的準確性,因此,O/E50模型是最有效的指數(shù)模型。 在以后的研究中,可以逐步完善模型方法在湖泊健康評價中的應用,優(yōu)化模型選擇,增強模型方法的應用性。