基于O/E 模型的浅水湖泊生态系统健康评价

吴俊燕,和雅静,陈 凯,金小伟,王洪铸,崔永德

1.中国科学院水生生物研究所,淡水生态与生物技术国家重点实验室,湖北 武汉 430072

2.中国科学院大学,北京 100049

3.南京农业大学昆虫系昆虫分类与水生昆虫实验室,江苏 南京 210095

4.中国环境监测总站,国家环境保护环境监测质量控制重点实验室,北京 100012

湖泊是陆地表层系统各要素相互作用的节点,具有多种重要的生态功能。 湖区能调节河川径流、减轻洪涝灾害和改善周边生态环境,湖水可以灌溉农田、沟通航运、保障工业和生活用水,还能为水生动植物提供生存环境等[18]。 长江中下游地区是我国淡水湖泊分布最密集的区域,拥有面积在100 km2以上的湖泊共19 个,湖泊面积合计11 644.4 km2[19]。 然而该地区也是我国经济发展最快、人类活动最频繁的区域之一,导致该区域湖泊水环境不断恶化,湖泊生态系统结构与功能不断退化,水生生物类群受到严重影响[20]。 长江中下游湖泊正面临严重的水生态危机,围湖造田、大面积围垦、城镇化和道路建设等导致湖泊面积锐减、湖滨带退化、水生生物适宜栖息地减少,闸坝建设引发的江湖阻隔导致生境异质性降低,生活污水过量排放导致湖泊富营养化及重金属等有害污染物富集,过度捕捞、拖螺耙蚌导致生物资源衰退[21-22]。 因此,亟须开展长江中下游湖泊生态系统健康评价。 同时,长江中下游湖泊众多,健康状况不一,为开展区域尺度的湖泊生态系统健康评价研究提供了有利条件。

本研究整合了本学科组对长江中下游浅水湖泊持续20 余年(1998—2018 年)的野外调查数据,开展基于底栖动物群落的预测模型O/E 指数研究,构建浅水湖泊O/E 指数评价指标体系,用以评价长江中下游浅水湖泊生物完整性,以期为湖泊生态系统健康评价提供科学指导,为湖泊保护和修复提供技术参考。

1 研究方法

1.1 研究区域与数据来源

长江中下游平原湖泊星罗棋布,总面积达15 770 km2[22]。 本研究选取长江中下游91 个阻隔型浅水湖泊共计116 湖次、1 207 个样点的野外调查数据。 这些湖泊在长江中下游五大湖群区均有分布,其中:江汉湖群区研究湖次最多,为93 湖次;其次是赣皖平原湖群区,10 湖次;太湖平原湖群区,8 湖次;苏皖平原湖群区和洞庭湖平原湖群区较少,分别为2 湖次和3 湖次。 研究湖泊总面积 超 过 5 400 km2, 地 理 坐 标 横 跨 112°33′～121°00′E、28°30′～31°40′N(图1)。

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

研究数据来自本研究团队1998—2018 年野外 调 查 结 果, 底 泥 使 用 1/16 m2彼 得 生 式(Peterson)采泥器采集,沉水植物使用镰刀型采草器采集。 为保证数据的可比性和可靠性,各湖次均选择春秋两季的定量数据进行分析。 水栖寡毛类鉴定到属,多毛类和蛭类统一鉴定至科或属,软体动物和节肢动物鉴定至种或属。

水体环境因子中,水温、pH、电导率、溶解氧等指标使用便捷式水质检测仪(美国YSI,Pro Plus)现场测定,水深采用便捷式超声波探测仪(美国Speedtech,SM-5)测定,透明度使用常规Secchi 盘测定。 将水样带回实验室后,参照国家标准测定总氮(TN)、总磷(TP)浓度。 部分TN、TP 和沉水植物数据由项目合作单位提供。

自然预测因子包括地理形态学因子和气候因子。 湖泊地理形态学因子包括湖泊面积、岸线长度、平均水深、湖水平均滞留时间等,气候因子主要来源于WorldClim 提供的1980—2018 年平均气温、平均降雨和生物气候学数据。

土地利用数据来源于国家基础地理信息中心全球30 m 地表覆盖数据(GlobeLand30)。 提取500 m 湖岸带缓冲区土地利用数据,根据耕地与人造地表所占比例,将湖泊分为农村湖泊和城市湖泊两大类。 长江流域底图下载自中国科学院资源环境科学与数据中心(https:/ /www. resdc. cn/Default.aspx)。

在语言学中，会涉及到“迁移”一词。对于语言学习而言，迁移即在掌握某种语言过后，学习另一种语言时会先入为主的运用已有语言运用的语调、发音等进行新的学习，从而出现口音有部分重合的现象。在本次论文研究中，迁移即方言在学习普通话中的影响力。在居民从掌握的方言到普通话后来逐渐运用到语言的习得中，表示一种语言对另一种语言的学习过程及结果产生的影响。

1.2 O/E 指数模型构建

参照已有文献方法[15,23]构建O/E 指数。①依据湖泊理化条件和生境状况,确定参照湖泊和监测湖泊。 选定参照湖泊的标准:湖泊岸线基本维持自然状态,生境条件较好,有一定面积的沉水植物分布;湖泊周围无面源污染或污染较少;湖泊内无养殖渔业干扰或干扰较少。 此外,结合理化指标,将不符合以上条件的湖泊归为受损湖泊,并从监测湖泊中确定严重受损湖泊,用于O/E 指数表现力测试。 ②根据参照湖泊中底栖动物的出现/不出现数据,对参照湖泊的底栖动物组成进行聚类分析。 聚类分析时,剔除在所有参照湖泊中的出现频率小于等于5%的物种。 ③利用随机森林(Random Forest,RF)模型[16],基于参照湖泊生物聚类结果,选择参照湖泊的自然预测因子。 利用基于这些预测因子构建的模型,预测监测湖泊属于以上各聚类类群的可能性,以此加权参照湖泊聚类类群中物种出现的概率,得到监测湖泊中每个物种可能被采集到的概率(Probability of Capture,Pc)。 Pc 值越大,说明该物种出现的可能性越高,即为常见类群;Pc 值越小,说明该物种出现的可能性越低,即为稀有类群。 ④设定不同的Pc 阈值,将大于设定阈值的出现物种的Pc 值相加,得到不同阈值下的监测湖泊的丰富度期望值,即E。 将大于设定阈值的真实观测物种的Pc 值相加,得到该湖泊的丰富度观测值,即O。 ⑤计算O/E 值。 O/E 值理论上介于0～1,远离1 时,表明该湖泊生物完整性状况较差。

计算不同阈值下的O/E 值,并比较不同阈值下的O/E 指数模型表现力,分析并剔除稀有物种对模型的影响。 模型表现力评价参数包括精确度、敏感性、响应性、误差。 精确度是以指数值的标准差来衡量,标准差越小,表明精确度越高;敏感性是通过计算处于非参照状况的监测湖泊的百分比来衡量;响应性是利用t检验的t值的绝对值,测量参照湖泊和严重受损湖泊的生物参数均值的差异大小来衡量;误差是通过模型验证是否有残余的未被解释的自然变异来衡量。 同时,设定Pc>0 和Pc≥0.5 的阈值条件,并计算未控制自然梯度影响的原始O/E 值(O/E-null)。 计算原始O/E 值的基本假设是所有物种的Pc 值均一致。 比较仅基于常见类群(Pc≥0.5)和基于包括稀有物种在内的所有类群(Pc>0)构建的O/E 模型(分别记为O/E50和O/E0)的差异,使用线性回归分析O/E 模型与富营养化因子的关系。 通过参照湖泊O/E 值的标准差确定评价标准,使用±1倍标准差作为参照标准阈值范围,并确定长江中下游湖泊群的生物完整性状况。

1.3 数据处理

气候因子数据根据WorldClim 提供的1980—2018 年平均气温、平均降雨量等,使用ArcGIS 10.6 中的Zonal 工具提取。 物种数分布图在ArcGIS 10.6 中完成,数据统计分析使用Excel 2016、SPSS 20.0 和R 3.5.2 完成,其中RF 模型在R 软件中使用Random Forest 软件包实现。

2 结果分析

2.1 大型底栖动物的种类组成

长江中下游阻隔型浅水湖泊116 湖次野外调查共记录到底栖动物190 种(属),隶属于3 门7纲66 科167 属。 其中,水生昆虫最多,为100 种(属),占总数的52.6%;其次是软体动物,41 种(属),占总数的21.6%;再次是寡毛类,25 种(属),占总数的13.2%;其他类群最少,24 种(属),占总数的12.6%。

从不同湖群区来看(图2),江汉平原湖群区物种数最多,达123 种(属);其次是赣皖平原湖群区,68 种(属);洞庭湖平原湖群区和苏皖平原湖群区最少,分别为45 种(属)和47 种(属)。

图2 长江中下游不同湖群区大型底栖动物种(属)数Fig.2 Taxa number of macrozoobenthos in different district of lake groups of the mid-lower Yangtze River Basin

2.2 O/E 指数结果

根据参照湖泊筛选标准,共筛选出21 个参照湖泊。 对所有参照湖泊进行聚类分析,共选择了4 个聚类类群,每个聚类类群包含的参照湖泊数量介于4～8 个。 基于RF 模型选择最终用于O/E模型构建的自然预测因子。 基于Gini 系数(Mean Decrease Gini)的自然预测因子重要性排序为平均日温差(bio_2) >湖水平均滞留时间(Res_time)>采样月份降雨标准差(prec_SD)>湖泊面积(Area)>最冷季平均温度(bio_11)(图3)。 自然预测因子组合可以预测86%的模型准确度。在4 个参照湖泊类群中,组1 和组2 的湖泊面积、平均日温差较大,组3 和组4 较小;组1 的湖水平均滞留时间远高于其他3 组,而采样月份降雨标准差低于其他3 组。

基于通过模型筛选得到的以上5 个自然预测因子,分别构建控制自然梯度的指数模型(Modeled O/E)以及零模型(Null O/E)。 结果显示,不同Pc阈值下的O/E 指数的表现力有所不同(图4):所有控制自然梯度的O/E 值和原始O/E 值的标准差均随着Pc 值的增加而减小,即精确度随着Pc 值的增加而减小;控制自然梯度的O/E 值的敏感性均较高,而原始O/E 值的敏感性在Pc>0.6 后逐渐降低;所有控制自然梯度的O/E 值和原始O/E 值的响应性均随着Pc 值的增加而先降后升。

Pc>0 和Pc≥0.5 阈值条件下的O/E 模型的表现力比较结果显示(表1),原始O/E 模型的误差均大于控制自然梯度的O/E 模型,控制自然梯度的O/E50模型的误差为0。

表1 模型控制自然梯度的O/E0、O/E50 与原始O/E0、O/E50 评价指数表现力的比较Table 1 Comparison of index performance among modeled O/E0,O/E50 and null O/E0,O/E50

应用Pc>0 和Pc≥0.5 阈值条件下的O/E 模型预测监测湖泊的期望丰富度(图5)。 结果显示,监测湖泊在Pc>0 和Pc≥0.5 阈值条件下的丰富度观测值和期望值均存在一定的变化范围,观测值的变化范围均大于期望值,Pc>0 时的观测值变异最大,且Pc>0 时的观测值和期望值中位数远高于Pc≥0.5 时。 另外,模型控制自然梯度后的O/E 值与原始O/E 值差别不大。

图5 Pc>0 和Pc≥0.5 阈值条件下所有湖泊的物种丰富度观测值和期望值以及控制自然梯度的O/E 模型和原始O/E 模型的箱型图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 指数和环境因子的关系

2.3.1 富营养化因子

线性回归分析(图6)表明,O/E 指数与TP呈显著负相关关系,与沉水植物生物量(BMac)呈显著正相关关系,表明控制自然梯度的O/E0指数、O/E50指数均能够反映湖泊营养状态的变化。 但拟合优度值R2并不高,数据点分布较散,说明湖泊状况复杂,影响因素较多,TP、BMac均不是唯一的限制因子。

图6 模型控制自然梯度后的O/E0 指数、O/E50 指数与TP(mg/L)、BMac(g/m2)的关系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

图7 展示了O/E 指数在不同湖泊类型下的指数值分布情况。 结果显示,可通过O/E 指数显著区分两种土地利用类型的湖泊,且城市湖泊的指数值明显低于农村湖泊。

图7 O/E0 指数和O/E50 指数在不同类型湖泊的指标分值箱式图Fig.7 Box-plot of modeled O/E0 and O/E50 index in different lake patterns

2.4 O/E 指数评价结果

根据健康评价标准(表2)对长江中下游浅水湖泊进行评价(表3)。 结果显示,控制自然梯度的O/E0指数、O/E50指数的评价结果近似,分别有44%、41%的湖泊处于亚健康及以上水平。 而原始模型的评价结果高于控制自然梯度的O/E指数,O/E0-null 指数、O/E50-null 指数评价结果中,分别有49%、50%的湖泊处于亚健康及以上水平,且仅有少数湖泊属于差、极差水平。 相较控制自然梯度的O/E 指数,零模型的O/E 指数高估了湖泊的健康状况水平。

表2 长江中下游浅水湖泊O/E 指标体系健康评价标准Table 2 Classes for health assessment of O/E index for the mid-lower Yangtze River Basin

表3 长江中下游浅水湖泊O/E 指数健康评价等级占比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,健康状况较好的湖泊有牛山湖(1998 年,采样年份,下同)、陶家大湖(2003 年)、严东湖(2008 年)、梁子湖(2011 年)、斧头湖(2011 年)、龙感湖(2013 年)、后官湖(2018 年)、武湖(2018 年)、太湖东部湖区(2018年)等;健康状况较差的湖泊有沙湖(2018 年)、莲花湖(2018 年)、墨水湖(2012 年)、南湖(2003年)、龙阳湖(2003 年)等。

3 讨论

3.1 长江中下游湖泊健康状况

长江中下游湖泊面临着多重胁迫,生态健康状况不容乐观。 本研究构建O/E 指数对20 世纪90 年代末至今的湖泊健康状况进行了总体评价。结果显示,仅约20%的湖泊处于健康水平,近50%的湖泊健康状况一般,约30%的湖泊健康状况相对较差。 在2012 年调查研究的41 个浅水湖泊中,仅12.2%的湖泊健康状况较好,41.5%的湖泊健康状况较差[24]。 可以看到,长江中下游湖泊群大部分湖泊的生态健康状况较差,健康状况较好的湖泊所对应的数据大部分来源于较早年份的调查,当时的人为干扰较少,且有沉水植物分布,生境状况良好,如20 世纪90 年代对黄湖、龙感湖、保安湖、汤逊湖等的调查,以及21 世纪初对老江河、武昌东湖、后官湖、淀山湖等的调查。 近几年,健康状况较好的湖泊有武湖、梁子湖、太湖东部湖区、东太湖、张家大湖、王家涉等。

本文研究数据仅为研究团队多年积累数据,缺少连续性监测数据,因此,仅进行了定性评估,缺乏对湖泊健康状况演变趋势的定量评估。 在以后的研究中,可以通过广泛合作,进一步收集数据,从而完善分析。 另外,从O/E 指数评价结果来看,O/E0指数、O/E50指数评价结果近似,表明选用常用物种还是所有物种,对湖泊健康状况评价结果的影响不大,两指数均能反映湖泊的生物完整性状况。 而原始模型O/E0-null 指数、O/E50-null 指数的评价结果会高估湖泊健康状况,说明控制自然预测因子能够提高评价结果的准确性。

3.2 O/E 指数在湖泊生态系统评价中的应用

基于底栖动物的RIVPACS 模型首先由英国构建[7,25],后来传播至澳大利亚、加拿大等国,并在美国得到了很大的发展,由VAN SICKLE 等[26]构建了零模型。 该模型也被应用于湖泊和湿地生态系统评价[27]。 但在我国,目前有关O/E 指数的研究仅限于溪流[5,16]。 本研究首次尝试构建了适用于我国长江中下游浅水湖泊的O/E 指数,并提出了利用O/E 指数评价浅水湖泊的标准。

本研究构建的O/E 指数模型显示,随着阈值的增大,控制自然梯度的O/E 指数的模型表现力(包括精确度、敏感性、响应性)优于原始O/E 指数,证明剔除稀有物种可以增加指数的表现力。湖泊之间相互隔离,不同湖泊的生态类型不同,尽管在人为干扰日益加剧的影响下,湖泊所含物种趋向单一化、简单化,但不同湖泊之间仍存在差异,拥有不同的稀有物种。 因此,与溪流中的研究类似[28],剔除稀有物种可以提高指数的表现力。从物种丰富度预测值来看,期望丰富度中位数在Pc>0 时远高于Pc≥0.5 时,说明自然预测因子的梯度变异范围较大,特别是湖泊面积和湖水滞留时间差异较大。 观测值中位数均低于预测值,说明大部分湖泊的健康状况存在不同程度的退化,这与指数评价结果一致。 O/E 指数与环境因子的关系分析显示,模型均能够反映湖泊营养状况的变化,显著区分不同土地利用类型的湖泊。 从模型误差来看,控制自然梯度的O/E50模型误差为0,且评价结果更为客观、真实,因此,O/E50指数是开展浅水湖泊生态系统健康评价的最适指数。

一直以来,我国的水生态完整性评价发展滞后,多直接借鉴国外已有方法,缺乏对适应我国水生态系统特征的完整性指数基础方法和技术体系的深入研究[17,29],特别是对基于预测模型的O/E指数的研究。 O/E 指数可利用RF 模型控制自然梯度的影响,有效区分自然变量和人为干扰变量对生物完整性的影响。 虽然模型方法比较复杂,但能够更有效地控制自然梯度,优于生态区分区的方法[30],因此,可以深入了解和研究预测模型方法,加强模型应用研究,将基于模型的评价指数推广应用于我国生态系统生物完整性评价。

本文在国内首次尝试构建浅水湖泊生态系统O/E 指数评价体系,是对预测模型法的初步探索,仍有许多需要完善和深入研究的地方。 例如,如何通过加大采样努力程度或提高参照质量来提升模型的评价能力[31],如何优化预测模型的选择等。 O/E 指数模型在我国应用较少主要可归结于两个原因:一是模型构建过程需要收集大量自然预测因子数据,二是模型方法较复杂。 因此,如若推广O/E 指数方法,首要任务是建立针对我国不同地理区域、不同水体类型的环境基础数据库,同时建立并不断完善生物数据库。 构建生态系统生物完整性健康评价平台,将O/E 指数的构建方法和过程标准化,也可以通过平台将MMI 标准化,推进指数模型在环境监测业务管理中的应用。分别对不同水体类型、不同生物类群构建指数模型,为我国不同地区的生物完整性评价提供基础技术支撑。 对于水生态完整性评价,仍需在研究中不断发展:首先,要完善生态环境总体评价;其次,要摸清生态环境退化的原因,做到“早诊断、早治疗”;最后,要坚持长期监测,特别是修复后的长期监测,在生态评价的基础上,不断推进我国湖泊、河流、溪流、湿地等生态系统的修复与可持续利用。

4 结论

在长江中下游湖泊,通过构建基于预测模型的O/E 指数来评价湖泊生态系统健康状况具有可行性。 模型预测结果显示,控制自然梯度的模型的表现力优于原始模型,剔除稀有物种能够提高模型的准确度以及评价结果的准确性,因此,O/E50模型是最有效的指数模型。 在以后的研究中,可以逐步完善模型方法在湖泊健康评价中的应用,优化模型选择,增强模型方法的应用性。