宁德水产养殖区水质状况及驱动力分析

汪晓妍,周 婷,应紫敏,吴 静,杨 武

浙江大学环境与资源学院, 杭州 310058

海岸带是人类活动最活跃的自然区域和生态系统之一,人类持续不断地对海岸带进行各种形式的生产、开发和利用等,比如水产养殖、水利建设、围海填海和石油开采等[1- 2]。人类对海岸带生态系统资源的利用会对其水环境带来显著影响[3- 5]。水产养殖是典型的随着人类社会和科技变化而发展的生产活动之一,在海岸带资源的利用上显示出密集型、产业化、技术化等现代化特点。根据《2018年世界渔业和水产养殖状况》报告显示,2016年全球水产养殖产量(8000万t)约占渔业总产量(17100万t)的47%。作为世界最大的渔业生产国和出口国,2017年中国水产养殖产量(4906万t)占据了全国水产品总量(6445万t)的76%左右[6- 7]。

养殖业的迅猛发展加剧了近岸海域的水污染,对水产养殖产业的可持续发展也带来了巨大挑战。早期贾晓平等[8]对广东省重要的红海湾海水养殖示范区的水质进行了研究与评价,结果表明有机污染明显。蔡文贵等[9]通过地理信息系统(GIS)手段评估了考洲洋养殖水域的水质现状。吴锐等[10]分析了粤东柘林湾养殖区水质的富营养化状况,结果表明养殖污染是最大的污染来源。Cao等[11]系统阐述了中国水产养殖的环境影响概况以及应对污染的三类方法和对策等。国外水产养殖业也面临着同样严峻的问题,Querijero等[12]通过对比试验研究了水产养殖活动对选定水质参数的影响,结果表明水产养殖区域的硝酸盐、磷酸盐和总溶解固体显著升高。Paez-Osuna[13]重点研究了虾类养殖业对环境的影响尤其是对红树林和盐沼的破坏,并提出了相关改善方法。Dierberg等[14]则说明了泰国密集虾类养殖对水质等的影响及其可持续发展问题等。上述研究都指出了研究水产养殖地区的水质状况及水产养殖活动对水质的影响非常重要。

国内外的研究表明,水质变化是人类活动和生态系统双方面作用的结果。如郭婧等[15]对北京最重要的排水系统—北运河系10年来水质变化及其驱动力进行了分析,研究表明经济发展和人口增长是水质难以改善的主要原因。李昆等[16]研究了洪湖丰水期的水质空间分布情况,并说明其水质空间变化是人类活动、土地利用和环境因子各方面作用的结果。赵宁等[17]则运用遥感手段研究了1973—2013年红碱淖水域面积和水质的变化,得出气候和高强度的人类活动是主要驱动因素。James等[18]针对南佛罗里达州的7个大型湖泊的研究表明,湖泊水质不仅受气象和水文作用,更多是受流域当地污染负荷的影响。Lin等[19]利用遥感影像监测土地利用分类和变化,发现了土地利用与水资源变化的相关性及其驱动机制。Skoulikidis等[20]通过研究希腊29条河流表明河水成分的季节变化除了受地质和水文的影响,还与夏季城市废水的排入和农业活动相关。

尽管前期已有一些关于水质动态变化驱动因素的研究,但是大部分研究案例局限于淡水区域,对海岸带和海洋水质的研究较少,对水产养殖水体的研究绝大部分局限于对水体水质的评价[21- 22],对于其水质变化驱动力的分析非常少,且多为定性讨论。2018年和2019年中央1号文件、全国农业工作会议以及《2018年渔业渔政工作要点》也明确提出了“持续推进渔业绿色、安全、融合、开放、规范发展”、“出台推进水产养殖绿色发展的政策措施”、“切实开展养殖水域滩涂环境整治”、“压减近海过密网箱养殖,推进海洋牧场建设”、 “开展专项督导和绩效评价”等重要指示。针对以上国内外研究不足和国家战略需求,本文将水质评估和水质驱动力分析结合,以福建宁德海水养殖区作为研究对象,系统地分析水产养殖区域的水质变化及其驱动力。值得注意的是,上述水质变化驱动力研究绝大部分是基于时间维度的水质变化分析,即某地水质的变化随着年份变化的相互关系研究,而对于结合空间尺度水质变化的驱动力研究则很少,这种驱动力分析更多地出现在土地利用变化的案例中[23]。本文将借鉴分析土地覆盖和利用变化驱动力的方法,将水质采样点作为分析单元,以不同季节的水质动态变化值作为因变量,通过遥感影像和地理信息数据获得养殖类型和各种空间距离等驱动因子数据作为自变量,构建多元回归模型并分析水质动态变化的驱动因子和机制。具体研究内容包括：(1)研究宁德水产养殖区海水水质现状；(2)开展该地区水质时空动态变化的驱动力分析。本文采用土地覆盖和利用变化的驱动分析方法研究了影响水质变化的主要驱动因素,为海岸带生态系统和水产养殖水质研究提供了较好的参考案例,为海洋经济和海洋牧场建设提供了决策依据。

1 研究区域概况

研究区域主要为福建省宁德市内海水产养殖海域,地处福建省海岸带东北方位(119°30′—120°5′E,26°50′—26°33′N)。宁德总海域面积达4.46万km2,约占福建省的1/3,海岸线长达878 km,约占全省26.4%。得天独厚的地理位置使之成为有名的水产养殖产业地,素有“大黄鱼之乡”的美誉,盛产大黄鱼、紫菜、海参、鲍鱼、海带、龙须菜等海产品,其水产养殖产业规模和产量均居全国首位[24- 25]。宁德霞浦海域目前也已经被列入2017—2025国家级海洋牧场示范区的规划建设当中。2017年宁德市大黄鱼产量约13.6万t,占全国产量近80%[26]。因此,本文将宁德作为研究区域进行水质采样和评估分析。结合养殖网箱和浮筏的分布,按照相距约2 km的规则在宁德内海较均匀地布设了39个测点,其中夏天测点为1—32,为了更全面地进行水质评价,在已有采样经验和更好采样条件的情况下,冬季增设了33—39这7个测点,共计39个测点(图1)。

图1 宁德内海水质监测采样点分布Fig.1 Sampling points for monitoring sea water quality in Ningde

2 数据来源与方法

2.1 数据来源及处理

本文使用的数据主要包括水质监测数据、GPS定位数据和遥感影像等。GPS定位数据是在水质监测采样时期实地获取的,遥感影像数据主要通过中国科学院遥感与数字地球研究所获得,包括2017年8月20日的ZY1-02C、2017年12月21日的GF- 2和2018年1月12日的GF- 1遥感影像。具体处理过程为：首先通过ENVI 5.3将GF- 2和GF- 1遥感影像进行拼接获得冬季所需完整的遥感影像数据。其次将水质采样时获得的GPS定位数据导入到遥感影像中,同时对含采样点的影像进行简单的目视解译获得水产养殖分类数据。最后在ArcGIS 10.2中计算获取各类地理空间数据等,包括动物性水产养殖(网箱)和植物性水产养殖(浮筏)的距离和密度、到海港、海岸线和居民点的距离等。

2.2 研究方法

2.2.1水质评价

夏季水质监测指标包括pH、高锰酸盐指数(CODMn)、五日生化需氧量(BOD5)、总氮(TN)、总磷(TP)、悬浮物(SS)、叶绿素a(Chla)和大肠菌群(Coliform bacteria)等,在此基础上,冬季增加了溶解氧(DO)、无机氮(DIN)、活性磷酸盐(PO4-P)等指标。

本文采用单因子指数和综合指标及描述统计指标等多方面进行水质评价。单因子指数法[27]即根据水质参数标准计算不同水质指标相对标准值的比值,不同类别的污染参数计算方式不一样,具体计算方法如下：

污染危害程度随参数值增加而增加的因子：

(1)

污染危害程度随参数值增加而降低的因子(DO)：

(2)

对具有最低和最高允许限值的因子(pH值):

(3)

或

(4)

综合指标具体包括综合污染指数[27- 28](Comprehensive Pollution Index,CPI)和营养状态质量指数[10,29](Nutritive Quality Index,NQI)。CPI为各个污染因子的污染等级平均值,表示多项污染物对水环境的综合影响程度,其对应的污染等级见表1。本次研究中用来计算CPI的评价参数为pH、CODMn、BOD5、SS和大肠菌群,具体计算公式为：

CPI=(PpH+PCODMn+PBOD5+PSS+PColiformbacteria)/5

(5)

式中,PpH、PCODMn、PBOD5、PSS和PColiformbacteria分别是pH、CODMn、BOD5、SS和大肠菌群的污染指数。

NQI是评估水体的营养化水平的综合性指标,由CODMn、TP、TN和Chla这4个评价参数计算而成。根据NQI值,水质的营养化水平分级如下：富营养(NQI>3)、中营养(2≤NQI≤3)和贫营养(NQI<2)[10]。NQI的计算公式如下：

(6)

式中,CCODMn、CTP、CTN和CChla为海水测定值,SCODMn、STP、STN和SChla为评价标准值。上述各评价参数参考《海水水质标准》(GB3097—1997)二类水标准,其中TP、TN和Chla的评价标准分别为STP=0.03 mg/L、STN=0.6 mg/L和SChla=5 μg/L[10,29]。

表1 综合污染指数与污染等级[28,30]

2.2.2驱动力分析

基于水质评价和时空分布特征,列出可能影响水质变化的因素,并以其为自变量,分别以水质综合指标变化值(CPI=CPI冬-CPI夏,NQI=NQI冬-NQI夏)为因变量进行多元线性回归分析,找出影响其变化的显著驱动因素并分析其影响机制等。本文主要采用R 3.5.2和Stata 14等软件进行数据分析,显著性水平为α=0.05。驱动因子(表2)主要分为自然条件和人为活动两大类,人为活动类因子主要为水产养殖活动相关因子,包括养殖类型、养殖距离和养殖密度等,其中养殖密度为各测点半径1 km内水产养殖面积的占比,具体计算方式为半径1 km内水产养殖面积除以圆面积(3.1416106m2)。根据驱动因子影响的机制不同也可分为初始静态型驱动因子(包括水产养殖类型、自然条件、夏季的养殖情况等)和动态变化型驱动因子(包括温度变化值和水产养殖情况变化值等)。动态变化型因子的分布中,水产养殖的网箱和浮筏都呈现出密集型增长,特别是浮筏密度的增长,增长了约1.7倍。

表2 水质变化驱动因子列表

N=32,各缩写备注如下： Δtemp：温度变化 Chang of temperature；type_aqu：养殖方式 Aquaculture type；type_p：植物养殖方式 Type of plant；type_a：动物养殖方式 Type of animal；dis_harb：离海港的距离 Distance to harbor；dis_isla：离岛屿的距离 Distance to island；dis_coas：离海岸线的距离 Distance to coastline；dis_resi：离居民地的距离 Distance to residents；dis_cage_s：夏季离网箱的距离 Distance to cage in summer；Δdis_cage：离网箱距离的变化 Change of the distance to cage；dis_raft_s：夏季离浮阀的距离 Distance to raft in summer；Δdis_raft：离浮阀距离的变化 Change of the distance to raft；den_cage_s：夏季网箱密度 Density of cage in summer；Δden_cage：网箱密度变化 Change of density of cage；den_raft_s 夏季浮阀密度 Density of raft in summer；Δden_raft：浮阀密度变化 Change of density of raft；den_aqu_s 夏季养殖密度 Density of aquaculture in summer；Δden_aqu 养殖密度变化 Change of density of aquaculture

3 结果与分析

3.1 水质监测评价

3.1.1水质单因子评价

各水质指标在夏冬季的描述性统计结果参见表3。可以看出除了悬浮物和总磷之外,其他水质指标都呈现出显著的季节性差异。夏季海水总体pH是7.54,相较标准偏酸性(标准范围7.8—8.5),冬季略有升高为7.96,处于正常范围；夏冬季的叶绿素a浓度分别为0.60 mg/L和1.6 mg/L,都远远低于富营养化标准值(5 μg/L)；悬浮物浓度在两季的平均值相差不大,分别为34 mg/L和40 mg/L,但夏季空间分布更不均匀；高锰酸盐指数两个季节的均值分别为0.35 mg/L和0.60 mg/L,但冬季最大检测值为2.88 mg/L,远大于夏季的极值0.63 mg/L；与之相反,BOD5值在冬天急剧下降,均值由6.98 mg/L降至1.16 mg/L,浓度范围从1.1—17.4 mg/L变化为0—4 mg/L；夏季的总氮含量稍高于标准值0.6 mg/L,冬季达到2.52 mg/L,而两季的总磷含量均远高于标准值0.03 mg/L,是其水质富营养化的主要原因；水质生物指标方面,大肠菌群夏季平均含量为21.59 MPN/100mL,冬季增至406.38 MPN/100mL,极大值也由90 MPN/100mL变为3500 MPN/100mL,说明冬季存在大肠菌群浓度特别高的测点,变化相对较大。

表3 夏冬季水质单因子指标

N=32,*P< 0.05,***P< 0.01,***P< 0.001; Chla：叶绿素a Chlorophyll a；SS：悬浮物 Suspended solids；CODMn：高锰酸盐指数 Chemical oxygen demand；BOD5：五日生化需氧量 Biochemical oxygen demand after five days；TN：总氮 Total nitrogen；TP：总磷 Total phosphorus

水质单因子污染指数(图2)表明,在夏季的监测指标中,主要的污染指标为pH、BOD5和悬浮物,污染指数分别为1.73、2.33和3.39。高锰酸盐指数和大肠菌群浓度都远小于标准值。在冬季的监测指标中,主要的污染指标为悬浮物、无机氮和活性磷酸盐,分别为4.03、3.69和3.53,均超标3倍以上。显然BOD5的变化是最明显的,由夏季的2.33降至0.39。悬浮物是夏季冬季最严重的主要污染指标,平均污染指数分别为3.39和4.03。作为评价综合污染指数的重要因子之一,BOD5污染指数在夏季远高于冬季。作为富营养化水平评估的因子,总氮和总磷值都明显超过了其限值。以上单因子指标分布特征可为综合污染指数和富营养化水平评价提供一定参考。

图2 单因子污染指数Fig.2 Single factor pollution indexChla：叶绿素a Chlorophyll a；SS：悬浮物 Suspended solids；CODMn：高锰酸盐指数 Chemical oxygen demand；BOD5：五日生化需氧量 Biochemical oxygen demand after five days；TN：总氮 Total nitrogen；TP：总磷 Total phosphorus

3.1.2水质综合评价

通过综合污染指数和营养状态质量指数(表4)可以对整个研究区域的水质污染和富营养化情况进行整体评估和分析。根据表4,两个季度该水域始终处于重污染状况(夏冬季分别为1.52和1.12),夏天水质的总体污染程度、指数范围和变化均大于冬季。在富营养化水平评价方面,两季均处于富营养化状态,营养状态质量指数分别为5.63和9.13,均远大于标准值3,但其指数范围和变化情况恰与CPI指数相反。冬季NQI值最高达到20.28,最低值也达到了7.87,超过了夏季的平均值5.63。图3和图4(图中横坐标代表水质测点编号,纵坐标代表综合指数及其变化量)则进一步说明了各测点的综合指数分布情况。夏季测点CPI大部分处于1—2之间,属于重污染状态,且有4个测点处于严重污染状况；冬天有较多测点CPI值小于1,处于污染状态。总体看来,夏季综合污染指数较分散,污染等级比冬天严重。在营养状态方面,夏季大部分测点的NQI值处于3—6范围,为富营养化水平,有少量测点位于1—2之间,属于中营养化水平,空间分布差异较大；而冬季明显富营养化程度加剧,都处于富营养化状态,大部分测点位于6—10的指数范围,空间分布较均匀。

表4 夏冬季综合指标

夏季N=32,冬季N=39

图3 夏冬季各测点综合污染指数及变化Fig.3 Comprehensive pollution index and change of measuring points in summer and winter

图4 夏冬季各测点营养状态质量指数及变化Fig.4 Nutritive quality index and change of measuring points in summer and winter

3.2 水质时空变化

图5和图6则更直观展现了水质变化的时空分布状况。大部分测点的综合污染指数变化值呈现出负值,即污染指数冬季较夏季降低。结合图3 ΔCPI结果和图5,大部分测点的CPI变化值在-0.5左右,测点3、4和16的水质变化最大,均下降了1.4以上,同时发现这3个测点同时是夏季污染指数最高的3个点；最小的位于测点19、23,变化值都接近0。大部分测点富营养化水平的变化趋势则与综合污染指数相反,其变化值呈现出正值,且变化相对平稳(图4和图6)。总体看来,大部分点变化值约在4—5之间,测点17变化最大,NQI值增大了16左右；最小变化值是测点3的-0.7。水质变化的空间分布特征并不明显,除了测点3、4和16的结果揭示了夏季初始值大小和水质变化的一定规律外,其他的驱动因素仍需进一步深入探索。

图5 综合污染指数变化空间分布(CPI：综合污染指数变化值,CPI= CPI冬-CPI夏)Fig.5 Spatial distribution of change in comprehensive pollution index (CPI: Change in comprehensive pollution index, CPI= CPIWinter-CPISummer)

图6 营养状态质量指数变化空间分布(NQI：营养状态质量指数变化值,NQI= NQI冬-NQI夏)Fig.6 Spatial distribution of change in Nutritive Quality Index (NQI: Change in Nutritive Quality Index`, NQI= NQIWinter-NQISummer)

3.3 水质现状的相关因子

表5列出了可能与水质现状相关的因子。在水质监测结果分析的基础上,分别将夏冬季CPI和NQI和下表所示因子进行Pearson相关系数分析,找出显著的影响因子。该相关系数的计算公式为：

(7)

表5 水质影响因子列表

夏季N=32,冬季N=39

根据相关性分析结果(图7),夏季影响综合污染指数的显著因素是到海岸线的最近距离,呈现显著的负相关关系(P< 0.05),相关系数为-0.4,表明随着离海岸线距离的增加,综合污染指数越来越小。冬季与CPI有显著关系的因子为水产养殖状态,即该处是否有水产养殖,该因子呈现出显著的负相关性(P< 0.05),相关系数为-0.34,表明冬季有水产养殖的地方污染指数反而较小。NQI与各因子的相关分析结果表明,夏季呈现出显著关系的因子变量有到最近居民地的距离(P< 0.01)和到最近浮筏的距离(P< 0.05),相关系数分别为0.47和0.39,说明离居民地越远的地方,海水富营养化水平越高；离浮筏即植物性养殖越远的地方,富营养化水平越高。冬季未发现显著影响水质富营养化水平的因素。

图7 综合污染指数和营养状态质量指数相关分析结果Fig.7 Correlation analysis results of Comprehensive Pollution Index and Nutritive Quality IndexCPI_Summer：夏季综合污染指数,CPI_Winter：冬季综合污染指数,NQI_Summer：夏季营养状态质量指数,NQI_Winter：冬季营养状态质量指数;*P< 0.05，***P< 0.01，***P< 0.001

3.4 水质变化的驱动力分析

将综合指数的变化值作为因变量,驱动因子为自变量进行多元线性回归分析,并筛掉共线性强的因子,最后得到了通过显著性检验且拟合度较高的模型,且方差膨胀因子都小于10。根据CPI的多元线性回归结果(表6),模型R2值为0.588,由8个自变量构成。其中,温度变化(P< 0.05)、到最近居民地的距离(P< 0.01)、夏季总养殖密度(P< 0.001)和总养殖密度变化量(P< 0.05)对水质CPI变化呈现显著负相关；到海岸线最近距离(P< 0.05)、夏季网箱养殖密度(P<0.05)和网箱养殖密度变化量(P< 0.05)对水质CPI变化呈现出显著正相关。除此之外,影响最大的驱动因子为夏季该点的养殖总密度,标准化回归系数为-0.901,说明夏季初始养殖密度越大的地方,污染指数变化越大。

表6 综合污染指数变化驱动力分析

N=32,R2=0.588,P=0.000,RMSE (Root Mean Squared Error)=0.398,*P< 0.05,***P< 0.01,***P< 0.001。因变量为冬季的综合指数值减去夏季的值

根据营养状态质量指数NQI的多元回归分析结果(表7),模型的R2为0.517,主要的显著性驱动因子是有无植物水产养殖(P< 0.05)、到最近港口的距离(P< 0.05)、到最近居民地的最近距离(P< 0.01)和夏季到最近浮筏的距离(P< 0.05)。其中,到居民地的距离是影响NQI变化的最强因子,回归系数为-0.68,说明离居民地越远的地方,水质变化愈小,水质富营养化程度越不易加剧。

表7 营养状态质量指数变化驱动分析

N=32,R2=0.517,P=0.0001,RMSE=3.322,*P<0.05,***P<0.01,***P<0.001

4 讨论与建议

驱动力分析结果表明影响CPI变化最大的因素是夏季养殖密度,且网箱养殖密度显示出正效应,总养殖密度却呈现负效应,通过遥感影像得知水产养殖密度的变化主要是由植物养殖密度变化引起的,而CPI这一综合指标主要贡献的评价参数是BOD5和悬浮物浓度。因此,推测可能是养殖的植物如紫菜、海带、龙须菜等[31]对悬浮物有一定的吸附和净化作用,从而降低了水质综合污染指数。这一推测正好与3.3中冬季CPI相关因子的结果是一致的：冬季之所以有水产养殖的地方反而污染指数较小,正是因为冬季植物性养殖比例较高,对水质有一定的净化作用。NQI变化的最大驱动因素则是到最近居民地的距离：离居民地越近,富营养化程度越发加剧,说明人类活动依然是影响水体富营养化水平的重要因素。由于码头周边村民和养殖区渔户的生活污水大多没有经过处理而是直接排放到海里,除去本文考虑的水产养殖的影响,生活污水排放应该也是近海水体富营养化的重要驱动因素。

本文完成了对宁德水产养殖地区水质状况的评估和水质变化驱动力的初步分析,主要创新之处在于借鉴土地利用变化分析的方法研究了影响水质变化空间分布的因素。不过,由于观测时间限制,本文仅研究了不同养殖季节之间的变化和驱动力,未来仍然需要监测多年长期的时空动态和驱动机制。在样本有限的情况下,本文仅把养殖类型分为动物和植物两大类。未来在长期监测样本充足的条件下,可将水产养殖类型划分得更详细具体,因为宁德动物性水产养殖类型不仅仅是大黄鱼养殖,还包括海参、鲍鱼、海蛎和其他养殖类型,植物性养殖则有紫菜、海带和龙须菜等,且不同季节养殖的类型和分布情况都是不一样的。其次,生活污水也是水环境污染的重要污染源之一,当地水产养殖渔户产生的生活污水等势必对当地水质造成较大的污染。因此,如果能纳入渔户的社会经济指标如人口、收入、支出和日常生产生活指标作为驱动力分析的因素,必将提升整个驱动力模型的拟合度,更全面地量化水产养殖对当地水质的影响。虽然已经分析了温度对水质及其变化的影响,但是更多水文和气象等方面的因子未能纳入分析体系中的,今后的研究中可以考虑光照、降雨和水动力等因素的作用。此外,水产养殖产业风险较高,各种风险因素如极端天气(暴雨、台风)等对当地的水环境产生的直接和间接影响也是不可忽略的。

针对以上研究的不足和挑战,本文为后续研究提出以下建议：(1)尽量获取多的水质样本,比如可结合地面监测与水质遥感反演[32- 34]等手段获取更多更大范围的水质数据,从而更全面系统地展示水质时空分布、动态变化；(2)将更多人类活动和社会经济因素及水文气象因子等纳入驱动分析,有助于更好地构建驱动机制模型和提升模型拟合度；(3)考虑极端天气等风险因素和政策因素等影响,譬如构建基于代理的空间清晰模型,模拟不同气候条件和政策调控措施下的水质状况和时空变化。

结合本文研究结果和宁德市海洋与渔业局的相关政策公告等,针对水质改善和水产养殖可持续发展这一目标,本文就宁德渔业政策方面提出以下建议：(1)结合高分辨率遥感和地理信息技术对养殖区水面覆盖和利用进行监测[35],对重点区域水环境进行严格监测,对重污染区域进行综合整治；(2)通过立法对海上水产养殖进行规范,科学合理布局养殖品种、控制养殖密度和养殖行为(如饵料类型、饵料加工投放方式),加强生活污水处理；(3)建立水质远程在线监控系统,开展水质长期监测和风险应急管理等,保障养殖社会经济效益的同时降低生态环境影响、防控生态和人体健康风险。

致谢：感谢科邦检测为实地采样和水质测试提供帮助,感谢中国科学院遥感与数字地球研究所提供的遥感影像数据。