海州湾海洋牧场水环境的承载力
发布日期:2020-03-05
摘要: 海洋牧场是实现海洋环境保护与渔业资源养护的重要举措。本研究以2014年春(5月)、夏(8月)、秋(10月)对海州湾海洋牧场示范区水环境数据为基础,选取高锰酸盐指数(CODMn)、溶解无机氮(DIN)、溶解无机磷(DIP)、生化需氧量(BOD)作为评价指标,利用BP神经网络模型对该海域水环境承载力进行评价。结果显示,2014年海州湾海洋牧场水环境承载力指数平均值高于0.6,承载状态较理想。水环境承载力存在明显的季节变化,呈现出夏季>春季>秋季;海洋牧场区域水环境承载力优于对照区海域;CODMn、DIN浓度过高是导致部分站点轻度超载的主要原因,这可能与陆源污染有关。研究表明,航运对水环境承载状态有负面影响;BP神经网络模型构建方便快捷,评价结果客观合理,可应用于海洋牧场等海域水环境承载力的研究。

  • 近几十年来,人们对全球性环境问题的认识不断深入,逐渐意识到环境问题大多是由于人类活动产生的污染超过了环境承受范围所造成的[1]。承载力的概念逐渐被引入整个生态系统研究中,其内涵随着社会经济的发展不断拓展[2],由最初的自然生态系统种群密度承载力发展到资源、环境、生态承载力。其中,水环境承载力(water environmental carrying capacity,WECC)逐渐成为承载力领域的热点之一[3]。水环境承载力是指在某一时空尺度内,水环境能够维持自身相应的环境功能要求下,所能承受某区域开发活动的最大压力[4]。水环境的承载状况反映了人类与生态环境相互作用的界面特征,科学地评估水环境承载状况,对于保障区域社会经济持续健康发展具有重要的现实意义。

    诸多学者进行了水环境承载力评估方法构建和案例研究工作,如王金南等[5]在应用环境承载力预警分析方法的基础上,采用压力—状态—响应模型,划分水环境承载预警等级,分析了长江三角洲16个城市水环境承载力演变情况,并提出了提高该区域水环境承载能力的建议;李新等[6]根据洱海流域水环境现状,选取关键承载指标,建立了多目标优化模型,并运用指标体系评价法和层次分析法计算出2003—2009年洱海流域水环境承载力;杨丽花等[7]在分析松花江流域水环境承载力与社会经济发展之间关系的基础上,选取人口、经济和社会相关指标,建立了该区域的水环境承载力神经网络模型,并对其进行评价;Lu等[8]采用层次分析法,对2005—2014年淮河流域水环境承载力进行了研究,结合该流域水环境条件和区域社会经济、环境特点,提出了淮河流域水环境保护的对策。

    海洋牧场作为新型海洋资源开发利用模式,与传统海水养殖相比,更加重视海洋生态系统修复与生态环境保护[9]。海洋牧场建设主要是基于海洋生态系统原理,充分利用海洋自然生产力,采用人工鱼礁投放、增殖放流等技术,通过科学养护,达到改善生境生态、增殖生物资源的作用,从而实现渔业资源可持续健康发展[10-11]。目前我国正在掀起海洋牧场建设热潮,各沿海省市也出台了相关支持政策,渔业发展取得一定的成效,但海洋牧场建设,尤其鱼礁投放对环境承载力影响评估的研究还鲜见报道。为有效评估并指导海洋牧场建设,避免环境资源的过度开发与利用,亟需开展海洋牧场区域环境承载力评估研究。为此,本研究以资源养护型海洋牧场—海州湾海洋牧场为研究区域,采用具有较强数据处理能力的误差反向传递算法的BP神经网络技术,构建海州湾海洋牧场水环境承载力评估模型,以期阐明该海域水环境承载力的时空变化,尝试评估海州湾海洋牧场建设的修复效果。

    海州湾位于江苏连云港东侧,是一个开放型海湾,特殊而优越的地理环境为海洋牧场建设提供了有利条件。江苏省海洋与渔业主管部门从2002年起在海州湾海域开始实施人工鱼礁投放、海洋生物增殖放流、贝藻场建设等综合性海洋牧场生态修复工程,已累计投放人工鱼礁总规模近20万空m3,鱼礁类型主要包括混凝土礁、浮鱼礁、旧船礁、石头礁等,为海洋生物提供了良好的生长、发育、繁殖场所;人工增殖放流对虾、梭子蟹、黑鲷(Acanthopagrus schlegelii)等苗种,增加海洋生物资源量;贝藻场建设,通过吊养藻类和贝类、底播放流等手段,实现了贝、藻、海参等综合立体化混养模式[12-13]。2015年12月,海州湾被批准为全国首批国家级海洋牧场示范区,海洋牧场总面积已超过150 km2

    在海州湾海洋牧场区域内(34°52′~34°58′ N;119°20′~119°36′E),按照代表性、均匀性的原则,共选取15个采样站点(图1),海洋牧场区站点(RA1~12)选取在海洋牧场区域内,对照区站点(CA1~3)选取在海洋牧场外围,其中CA1为近岸对照点,CA2、CA3为远岸对照点。分别于2014年的5月(春季)、8月(夏季)、10月(秋季)进行水质调查,水样采集、保存和检测均采用《海洋调查规范》[14]中的相关方法。

    图 1

    图 1 海州湾海洋牧场站点示意图
    Figure 1. Map of Haizhou Bay marine ranching stations

    建立客观、合理的评价指标体系是水环境承载力研究的重要内容。在实际应用中,陆域的水环境承载力研究侧重于关注水环境对区域社会发展的支撑能力[4-5],对社会发展与水资源、水环境相结合形成的系统进行评价;而海域中水环境承载力研究更关注对区域排污的容纳能力,通过水环境健康状况间接反映水环境对人类活动产生的各类污染物的承受与自净能力[15]。海洋牧场作为海洋渔业资源养护的重要手段,其区域环境质量是水环境承载能力的最终表现,对污染物的浓度实测值与国家现行海水水质标准[16]的对比表征的水环境承载力进行评价,是一种有效且科学合理的方式[17]

    本研究对2014年海州湾海洋牧场水质调查数据进行分析,选取能反映养殖海域水环境质量状况的主要污染物指标高锰酸盐指数(CODMn)、生化需氧量(BOD)、溶解无机氮(DIN)、溶解无机磷(DIP)作为评价指标。为了更直观地对水环境承载能力进行评价,引入水环境承载力指数(water environmental carrying capacity index,WECCI)[18]的概念,用于表征承载状态的优劣,水环境承载力指数区间范围为[0,1],指数越接近1代表承载状态越好,指数越接近0代表承载状态越差。参考有关文献[19-20],将水环境承载力划分为“良好可承载”、“可超载”、“轻度超载”、“中度超载”、“重度超载”5个等级,并与现行海水水质标准[16]相对应(表1)。海州湾海洋牧场的功能区划分为水产养殖区,执行第Ⅱ类海水水质标准,因此将第Ⅱ类标准作为临界超载的界限,即WECCI<0.6时表示超载。

    表 1 水环境承载力等级划分
    Table 1. Classification of water environment carrying capacity

  • 人工神经网络是基于模仿大脑神经网络结构和功能构建的一种信息处理系统[21]。其中,误差逆向传播算法训练的BP神经网络,工作状态稳定、研究范例较多,便于借鉴,适用于模式识别及数据分类[22]。近年来,在环境承载力评估[23]、环境质量评价[24]、环境预报[25]等方面已有一定应用。

    BP神经网络模型拓扑结构包括输入层、隐含层和输出层,各层之间的激活函数为sigmoid函数(式1)。模型的训练过程分为两部分,前向传递输出值与逆向反馈误差,基本思想:输入样本进入网络的输入层,经隐含层分析处理(式2)后,在输出层得到输出结果(式3),若输出结果与期望输出存在输出误差E(式4)并大于期望误差,则进行误差的反向传播,将误差按照一定的学习算法整理成相应的形式,由隐含层传播至输入层,并将误差分配给各层的所有神经元,从而获得各层神经元的误差信号,此误差信号即作为修正各神经元权值的依据。这种权值修正的过程不断迭代,直至误差达到允许的范围,样本训练结束。

    式中,xi为输入样本,hj为隐含层处理样本,yk为输出结果,dk为期望输出,ijk分别为输入层、隐含层、输出层神经元个数,V为输入层与隐含层的连接权值,b1为隐含层各神经元的阈值,W为隐含层与输出层的连接权值,b2为输出层各神经元阈值,E为输出误差。

    选取CODMn、DIN、DIP、BOD 4项污染物浓度值(mg/L)作为模型输入层指标,输出结果为WECCI。即输入层神经元个数为4,输出层神经元个数为1,隐含层神经元个数采用试错法确定,试错法公式[26]

    式中,t为隐含层神经元个数,m为输入层神经元个数,n为输出层神经元个数,a为1~10的常数。通过试错法,得出隐含层神经元个数为6时,模型误差最小,得到4-6-1的模型拓扑结构。

    模型训练需要较大的数据量,对训练样本进行扩充可以提高模型的可靠性及准确度[27]。运用rand函数对训练样本进行插值,在各类海水水质标准区间内生成足够多的样本,其对应的水环境承载力指数期望值0.1、0.2、0.4、0.6、0.8为输出值。本研究中,在每个指标的分类区间内生成100个样本,共4种污染物指标与5类水质标准,总计2 200个训练样本。网络训练前,运用mapminmax函数对训练样本的输入值与输出值进行归一化处理,以消除单位及数量级对评价结果的影响,可以提高BP神经网络样本训练的效率。另外,海水水质标准中Ⅱ类和Ⅲ类海水,无机磷浓度均为0.03 mg/L,为更加精确地评价,参考以往文献[28-29],对Ⅱ类、Ⅲ类海水标准的无机磷浓度进行了差别化细分,分别取0.03 mg/L、0.037 5 mg/L作为Ⅱ类与Ⅲ类海水无机磷浓度阈值。

    运用matlab R2014b软件构建BP神经网络模型。其中,隐含层、输出层节点传递函数分别为tangsig、purelin,网络训练函数为trainlm,训练最大次数为104,模型期望误差0.000 2,学习速率为0.2,其余网络参数均为默认值。训练结束时,BP神经网络训练步长104次,此时网络输出误差达到规定期望误差ε(ε=0.000 2),BP神经网络模型构建完成。将现行的海水水质标准指标阈值带入模型中进行检验计算,结果见表2

  • 表 2 水环境承载力指数阈值训练结果
    Table 2. Training results of threshold value of water environmental carrying capacity index

  • 可以看出,测试输出结果较为满意,说明BP神经网络模型拟合较好,具有一定的可信度。模型得到的输入层到中间层的连接权值V、隐含层阈值b1、隐含层到输出层的连接权值W、输出层阈值b2

    将2014年春、夏、秋季各站点环境监测数据的污染物CODMn、DIN、DIP、BOD浓度值带入建立的BP网络模型中进行计算,输出结果为水环境承载力指数(表3)。结果显示,2014年春季鱼礁区3个站位低于0.6,占比25%;夏季均高于0.6;秋季4个站位低于0.6,占比33.33%。春季对照区均高于0.6;夏季1个站点低于0.6,占比33.33%;秋季1个站点低于0.6,占比33.33%。总体水环境承载状态较好,能够满足水产养殖功能区要求。根据2014年东海区海洋环境公报[30],海州湾海域环境质量评定为优良,与本研究结果一致。

    表 3

    表 3 BP神经网络模型运行结果
    Table 3. Output of BP neural network model
    下载: 导出CSV

    2014年春季海州湾海洋牧场水环境承载力指数变化见图2-a(指数大于0.6为可承载),WECCI变化范围为0.41~0.84,平均值为0.7 > 0.6,表示该区域春季水环境承载状态较好;WECCI最小值出现在航道渔礁站点RA1,为0.41,属于轻度超载。通过分析超载站点RA1、RA2、RA4的各项污染物指标,发现春季主要污染物为CODMn,平均浓度为3.80 mg/L,劣于海水水质Ⅱ类标准。夏季海州湾海洋牧场区域WECCI均值为0.73,大于0.6的站位占总调查站位数的93.3%(图2-b),说明夏季承载状态良好。其中,超载站点CA1为近岸对照点,WECCI为0.54,属于轻度超载,主要污染物为DIN,浓度为0.37 mg/L,超过第Ⅱ类海水水质标准。与春季相比,夏季海洋牧场区域WECCI均值高于春季,对照区WECCI均值则相对较低。海州湾海洋牧场秋季WECCI变化范围为0.41~0.81,均值为0.66>0.6(图2-c),表明秋季海洋牧场水环境承载状态较好,超载站位为RA1、RA5、RA8、RA9、CA1,属于轻度超载,其中DIN浓度过高是导致秋季水环境超载的主要原因,平均浓度为0.57 mg/L,远超过第Ⅳ类海水水质标准。

    图 2

    图 2 2014年春季(a)、夏季(b)、秋季(c)海州湾海洋牧场水环境承载力指数变化
    Figure 2. Variation of water environmental carrying capacity index of marine ranching in Haizhou Bay in spring (a), summer (b) and autumn (c) in 2014

    总体分析,海州湾海洋牧场水环境承载状态呈现出夏季(0.73)>春季(0.70)>秋季(0.66),WECCI存在明显的季节变化,这与李飞等[31]对海州湾近岸海域环境质量综合分析结果具有相似性。夏季、秋季首要污染物为DIN,可以认为氮营养盐浓度是决定该区域水环境承载力高低的关键因子。春季和夏季是浮游植物生长和繁殖的活跃季节,对营养盐的吸收较大,而秋季由于温度和光照相较于春夏两季较弱,致使秋季浮游植物生长繁殖更为缓慢,同时部分浮游植物残体分解释放出氮、磷等营养盐,加上秋季海州湾风浪较大,上下层水体交换增强,将沉积物释放的营养盐带入表层海水,致使该海域秋季的氮营养盐浓度高于春季和夏季[32],最终表现为秋季WECCI低于春季和夏季。3个季节的对照区站点水环境承载指数均表现为远岸对照点(CA2)>远岸对照点(CA3)>近岸对照点(CA1),春季WECCI均值为0.81,明显高于夏季(0.63)和秋季(0.62),说明承载状态在一定程度上受陆源影响,其中,夏、秋2个季节受影响程度较大。

来源:上海海洋大学