Tempo-spatial distribution and ecological risk assessment of heavy metals in surface sediments of Daya Bay during 2010−2018
-
摘要:
为了解大亚湾2010—2018年表层沉积物中重金属铜 (Cu)、铅 (Pb)、锌 (Zn) 的时空分布特征及其潜在生态风险,该研究于2010、2012、2015和2018年在大亚湾海域采集表层沉积物并进行分析研究。结果表明,近十年来大亚湾表层沉积物中Cu、Pb、Zn的含量较稳定,未出现明显的增加,3种重金属的空间分布情况大致相同,高值区均集中于澳头至石化区一带的近岸海域。3种重金属间具有明显的同源性,沿岸工业企业排放以及澳头海域水产养殖等可能是近岸海域Cu、Pb和Zn的主要来源。沉积物中重金属污染程度为Zn>Cu>Pb,3种沉积物重金属的潜在生态风险为轻微程度。
Abstract:In order to understand the tempo-spatial distribution characteristics and potential ecological risks of heavy metals (Cu, Pb, Zn) contents in the surface sediments of Daya Bay from 2010 to 2018, we collected and analyzed the surface sediments in Daya Bay in that period. The results show that the Cu, Pb and Zn contents in the surface sediments had been relatively stable in the past ten years without a significant increase. The spatial distribution of the three heavy metals was roughly the same with the high-value areas in the district from Aotou to the petrochemical area. The Cu, Pb and Zn presented a significant homology, mainly coming from coastal industrial enterprises and marine aquaculture in Aotou area. Their pollution degree showed a descending trend of Zn>Cu>Pb, and the overall potential ecological risk was slight.
-
Keywords:
- Daya Bay /
- Sediments /
- Cu, Pb, Zn /
- Potential ecological risk assessment
-
黄鳍金枪鱼 (Thunnus albacares) 作为全球金枪鱼渔业中产量仅次于鲣 (Katsuwonus pelamis) 的捕捞对象,具有极高的生态和经济价值[1]。基于黄鳍金枪鱼在金枪鱼渔业中的重要地位,利用更精准的预测模型来预测其对气候变化的响应,有助于实现该渔业的可持续发展和制定有效的管理措施。
国内外专家对金枪鱼渔场时空分布和资源丰度受气候变化的影响进行了研究,如郭爱和陈新军[2]通过时间序列分析法研究认为厄尔尼诺-南方涛动 (ENSO) 现象与金枪鱼渔场空间分布和资源丰度均有密切的关系;林泓羽等[3]采用统计方法发现暖池重心经度与鲣渔场重心有显著相关性;周为峰等[4]使用广义加性模型 (GAM) 研究认为厄尔尼诺-拉尼娜现象导致的温跃层变化对黄鳍金枪鱼资源丰度有显著影响;王啸等[5]利用动态自回归移动平均 (ARIMA) 模型研究发现厄尔尼诺-拉尼娜现象是影响黄鳍金枪鱼年单位捕捞努力量渔获量 (CPUE) 的关键因素;沈建华等[6]研究发现围网鲣渔获量时空分布明显受南方涛动 (SOI) 影响。Lu等[7]分析发现厄尔尼诺-拉尼娜现象与黄鳍金枪鱼的渔获量有密切的联系;李鹏等[8]分析发现SOI大于0时,金枪鱼渔场重心向东偏移,SOI小于0时,金枪鱼渔场重心向西偏移。以上研究均认为黄鳍金枪鱼渔场空间分布和资源丰度与气候变化存在密切关系。相关研究也表明,金枪鱼渔场空间分布和资源丰度方面受长期气候波动以及海表面温度 (SST) 、海表面高度 (SSH) 和 叶绿素a (Chl-a) 浓度等海洋环境因子的影响[9-13]。
已有研究主要以传统模型来探究海洋环境因子以及气候发生模式转换时对金枪鱼渔业的影响,而有关气候变化对金枪鱼渔业长时间影响的研究较少。本研究采用相关性分析、BP神经网络、长短期记忆网络 (Long short term memory, LSTM) 模型、双向长短期记忆网络 (Bidirectional long short term memory, BiLSTM) 模型和卷积神经网络结合双向长短期记忆网络 (Convalutional neural network-Bidirectional long short term memory, CNN-BiLSTM) 模型构建了黄鳍金枪鱼渔情预测模型,探讨了气候变化对黄鳍金枪鱼渔获量的长期影响,以期为我国大洋性黄鳍金枪鱼渔业的可持续开发提供科学依据。
1. 材料与方法
1.1 数据来源
黄鳍金枪鱼渔获量的年度数据由中西太平洋渔业委员会 (Western & Central Pacific Fisheries Commission, WCPFC) 提供,时间跨度为1960—2021年。
气候变化表征因子数据包括厄尔尼诺相关指标 (Niño1+2, Niño3, Niño4, Niño3.4)、北大西洋涛动 (North Atlantic Oscillation, NAO)、南方涛动指数 (Southern Oscillation Index, SOI)、太平洋年代际涛动 (Pacific Decadal Oscillation, PDO) 以及北太平洋指数 (North Pacific Index, NPI) 的月度数据由美国国家海洋和大气管理局 (https://www.esrl.noaa.gov) 提供。全球海气温度异常指标 (dT) 的月度数据由英国气象局哈德利中心 (https://www.metoffice.gov.uk) 提供,时间跨度为1960—2021年。
1.2 方法
1.2.1 数据预处理
为将气候变化表征因子数据和黄鳍金枪鱼渔获量数据均统一在[−1, 1]之间,运用公式 (1) 计算9个气候变化表征因子均值,运用公式 (2) 对9个气候变化表征因子和黄鳍金枪鱼渔获量数据进行归一化[14]。
$$ {X_{{i}}} {\text{=}} \frac{{{1}}}{{{{12}}}}\sum\limits_{j {\text{=}} 1}^{12} {{X_{ij}}} $$ (1) $$ \rlap{--} C {\text{=}} \frac{{C {\text{−}} {{{{{C}}}}_{{{\min}}}}}}{{{{\rm{C}}_{{{\max}}}} {\text{−}} {C_{\min }}}} $$ (2) 式中:Xi为i年的气候因子平均数据;Xij为气候因子i年j月的数据;
$\rlap{--} C $ 、C、Cmax、Cmin 分别为年度气候因子数据和黄鳍金枪鱼渔获量数据的归一化数据、实际数据、实际数据最大值、实际数据最小值。1.2.2 筛选气候因子
Spearman秩相关分析是将两个变量之间的因子从大到小排列,依据排列位次代替实际数值来研究变量之间的相关度,可以较好地分析变量间在统计学上是否具有显著相关性[14]。本研究选用Spearman秩相关系数来度量黄鳍金枪鱼渔获量与气候因子之间的相关关系,计算公式[15]为:
$$ P {\text{=}} 1 {\text{−}} \frac{{6\sum d _i^2}}{{n({n^2} {\text{−}} 1)}} $$ (3) 式中:di为两个变量排列位次差值;n为样本数量;P为两个变量间的Spearman秩相关系数,一般 |P|≤1,其绝对值越大则渔获量与气候因子之间的相关性越强。
1.2.3 黄鳍金枪鱼滞后年限
互相关分析 (Cross-correlation analysis) 可以计算出气候变化表征因子与黄鳍金枪鱼渔获量相关性程度最大时的时间差[14],即可得到黄鳍金枪鱼渔获量在气候因子影响最大时的滞后年限。有研究表明[16-18]气候变化因子在渔业上的影响有15年的滞后性,本研究选取的最大滞后年限为15年,比较气候变化表征因子与黄鳍金枪鱼不同滞后年限的互相关系数绝对值,绝对值最大时的滞后年限为气候变化表征因子的最佳滞后年限,表达式[14]为:
$$ R(t) {\text{=}} E({X_{S {\text{+}} T}}Y{}_S{\text{'}}) $$ (4) 式中:t为滞后年限;X为气候变化表征因子序列;Y为黄鳍金枪鱼渔获量序列;E为期望值函数;R(t) 描述了在滞后年限t年时,气候变化表征因子序列XS+T 与黄鳍金枪鱼渔获量序列Ys的相关性程度,两个序列的相关程度越大,R(t) 越大。
1.2.4 各个气候因子重要性分析
计算气候因子的滞后数据与黄鳍金枪鱼渔获量的Spearman相关系数,根据其相关系数得出每个气候因子对黄鳍金枪鱼渔获量的相对重要性,相对重要性计算公式[19]为:
$$ {D_i} {\text{=}} \frac{{|{P_i}|}}{{\sum\limits_{i {\text{=}} m} {|{P_i}|} }} $$ (5) 式中:Di表示气候因子i对渔获量的相对重要性;Pi表示气候因子i和渔获量的Spearman相关系数;m表示气候因子的总数。
1.2.5 黄鳍金枪鱼渔获量预测和验证
卷积神经网络 (Convolutional neural network, CNN) 结构主要由输入层、卷积层、池化层和全连接层组成,能够较好的抽取输入数据的高维特征,同时还具有权重共享的特点[20],输入数据经过4个CNN层进行特征提取后,能够得到高质量的特征序列。
长短期记忆网络 (LSTM) 是递归神经网络 (Recursive neural network, RNN) 改进后的产物,有充分记忆和有效利用历史信息的特点[21]。LSTM是在其神经元内加入门的结构来更新细胞状态信息的保留情况,能有效解决递归神经网络梯度消失的问题[22],每个LSTM单元都由遗忘门、输入门、输出门构成[23]。计算公式[22]为:
$$ {f_t} {\text{=}} \alpha [{W_f}({h_{t {\text{−}} 1}},{x_t}) {\text{+}} {b_f}] $$ (6) $$ {i_t} {\text{=}} \alpha [{W_i}({h_{t {\text{−}} 1}},{x_t}) {\text{+}} {b_i}] $$ (7) $$ {g_t} {\text{=}} \tanh [{W_g}({h_{t {\text{−}} 1}},{x_t}) {\text{+}} {b_g}] $$ (8) $$ {o_t} {\text{=}} \alpha [{W_o}({h_{t {\text{−}} 1}},{x_t}) {\text{+}} {b_o}] $$ (9) $$ {c_t} {\text{=}} {f_t}{c_{t {\text{−}} 1}} {\text{+}} {i_t}{\rlap{--} c_t} $$ (10) $$ {h_t} {\text{=}} {o_t}\tanh ({c_t}) $$ (11) 式中:ft为遗忘门的计算变量;α和tanh分别为激活函数;ht−1、ht为前一个向量对当前向量的输出;xt为t时刻输出;it和gt为输入门更新率;Wf、Wi、Wg、Wo分别为遗忘门、输入门、输出门的权重;ot为输入值对应的当前输出;bf、bi、bg、bo为相应门的偏置值;ct−1、ct分别为t−1、t时刻的状态记忆变量;
${\rlap{--} c_t }$ 为状态更新向量。双向长短期记忆网络 (BiLSTM) 是在LSTM模型的基础上改进,通过正序训练和逆序训练来捕捉过去和将来的信息[24-25]。
本研究将气候因子的滞后数据作为训练数据,黄鳍金枪鱼渔获量数据作为预测数据,1960—2012年数据作为训练集,2013—2021年数据作为测试集,分别运用BP、LSTM、BiLSTM、CNN-BiLSTM模型进行预测,利用平均绝对误差 (Mean absolute error, MAE) 和均方根误差 (Root mean squard error, RMSE) 来验证预测值的准确度对所用模型进行对比分析。MAE为预测值和实际值之间绝对误差的平均值,其值越小则预测精度越高,RMSE为预测值和实际值的样本标准差,RMSE越小则离散程度越低,根据RMSE和MAE取值结果绘制最优预测模型的预测效果图。BP、LSTM、BiLSTM、CNN-BiLSTM模型的预测使用matlab R2023a 软件进行,计算公式为[26]:
$$ {X_{{\rm{MAE}}}} {\text{=}} \frac{1}{n} \times \sum\limits_{t {\text{=}} 1}^n {|{Y_t} {\text{−}} {W_t}|} $$ (12) $$ {X_{{\rm{RMSE}}}} {\text{=}} \sqrt {\frac{1}{{\text{n}}} \times \sum\limits_{t {\text{=}} 1}^n {{{({Y_t} {\text{−}} {W_t})}^2}} } $$ (13) 式中:XMAE为平均绝对误差;XRMSE为均方根误差;Yt为t年的黄鳍金枪鱼渔获量预测值;Wt为t年黄鳍金枪鱼渔获量实际值;n为测试集个数。
2. 结果
2.1 气候变化表征因子相关性分析
由图1可见,因子Niño1+2、Niño3、Niño4以及Niño3.4间除Niño1+2与Niño4相关系数为0.603外,其余因子间相关系数绝对值均超过0.7,为高度相关。SOI与Niño3、Niño4以及Niño3.4间的相关系数绝对值也均超过0.7,为高度相关,与Niño1+2的相关系数绝对值为0.678。NAO与其他因子的相关性指标绝对值均在0.2以下,为无相关关系。PDO与其他因子的相关性指标绝对值除与NAO在0.2以下,为无相关关系外,其余均介于0.4~0.6,为中等强度相关关系。NPI与其他因子的相关性指标绝对值除与PDO在0.674外,其余均在0.5以下,为中等强度相关或弱相关关系。dT指数与其他因子的相关性指标绝对值均在0.4以下,为弱相关关系。从高度相关的气候因子集Niño1+2、Niño3、Niño4、Niño3.4间和SOI、Niño3、Niño4、Niño3.4间各选其一,气候因子Niño3、Niño4以及Niño3.4在两个高度相关的气候因子集重复,因此从因子的独立性角度看可得到Niño1+2、SOI、NAO、PDO、NPI、dT这6个相对独立的气候变化表征因子集。
2.2 气候因子与黄鳍金枪鱼渔获量互相关分析
由表1可知,各个气候因子与黄鳍金枪鱼渔获量的互相关系数绝对值从大到小依次为dT、PDO、NPI、NAO、Niño1+2,其对应的互相关系数依次为0.892、0.314、−0.203、−0.172、0.159。其中dT的相关程度远远大于其他气候变化表征因子。各个气候变化表征因子的最佳滞后年限也各不相同,Niño1+2、SOI、NAO、PDO、NPI、dT的滞后年限依次为6、11、0、5、15、0 年,各个气候变化表征因子的最佳滞后年限最大相差15年。最大滞后年限时的互相关系数与0年时的互相关系数分别相差 3.1、2.1、1、1.3、3.9、1.0 倍,最大为NPI的3.1 倍,最小为NAO和dT的1.0 倍。
表 1 气候表征因子与黄鳍金枪鱼互相关关系Table 1. Cross-correlation between climate change characterization factors and T. albacares滞后年限
Lagging yearNiño1+2 SOI NAO PDO NPI dT 0 0.051 −0.078 −0.172 0.25 −0.052 0.892 1 0.065 −0.087 0.03 0.291 −0.101 0.845 2 0.08 −0.085 0.016 0.312 −0.12 0.794 3 0.117 −0.081 0.032 0.301 −0.129 0.743 4 0.135 −0.079 0.015 0.298 −0.145 0.69 5 0.147 −0.087 0.005 0.314 −0.179 0.638 6 0.159 −0.104 −0.006 0.299 −0.177 0.582 7 0.115 −0.101 −0.024 0.266 −0.189 0.52 8 0.063 −0.091 −0.028 0.226 −0.142 0.457 9 0.054 −0.109 −0.033 0.23 −0.17 0.41 10 0.065 −0.112 −0.011 0.248 −0.191 0.371 11 0.07 −0.164 −0.008 0.274 −0.189 0.335 12 0.062 −0.161 0.037 0.261 −0.186 0.281 13 0.035 −0.128 0.038 0.246 −0.19 0.244 14 0.042 −0.143 0.047 0.263 −0.193 0.209 15 0.068 −0.126 0.048 0.278 −0.203 0.164 注:加粗字体表示气候变化表征因子的最佳互相关系数。 Note: Bold fonts represent the optimal cross-correlations coefficients of climate change characterization factors. 2.3 气候变化表征因子相对重要性
根据公式 (5) 计算可知,Niño1+2、SOI、NAO、PDO、NPI、dT等气候变化表征因子对渔获量的相对重要性分别为0.2130、0.2189、0.0235、0.1484、0.1449、0.2512。因此,6个气候表征因子对黄鳍金枪鱼渔获量的影响,从大到小依次为dT、SOI、Niño1+2、PDO、NPI、NAO。从图2中可以看出,Niño1+2、dT、SOI与NPI、NAO、PDO有明显差距。前3个气候表征因子的重要性约占70%,因此气候表征因子Niño1+2、dT、SOI可作为影响黄鳍金枪鱼渔获量的关键气候因子。
2.4 黄鳍金枪鱼渔获量预测验证及模型对比
由图3预报误差统计结果可知,BP模型的RMSE和MAE均最高,分别为0.3和0.236。其次从大到小依次为LSTM、BiLSTM、CNN-BiLSTM模型,这3个模型的RMSE分别为0.236、0.209、0.154,MAE分别为0.167、0.134、0.125。CNN-BiLSTM模型的预测结果相较于BiLSTM模型的RMSE和MAE分别降低了0.055和0.009,相较于LSTM模型分别降低了0.082和0.041,相较于BP模型分别降低了0.146和0.11,CNN-BiLSTM模型的RMSE和MAE均最低。综上,CNN-BiLSTM模型的预测效果更好,能够更精准地预测黄鳍金枪鱼的渔获量。
图4为CNN-BiLSTM模型预测的黄鳍金枪鱼渔获量与实际值对比,可以看出,预测值与实际值均随时间的变化呈现递增趋势,变化趋势也基本一致,1990年后的预测值和实际值相较于1990年前更为接近。对渔获量的实际值与预测值线性拟合 (图5),R2为0.887 2,表明线性拟合的拟合优度好;显著性小于0.001,表明线性拟合具有显著性;回归方程为y=0.861x+151 996.2,线性拟合结果表明CNN-BiLSTM模型对黄鳍金枪鱼渔获量的预测值与实际值的线性拟合效果良好。
3. 讨论
越来越多的研究发现,在渔业研究中气候因子起了不可忽视的作用,大范围的气候波动将导致黄鳍金枪鱼种群分布及洄游移动的变化,海洋渔业资源也将重新分配,高纬度海域的捕捞潜力将增加30%~70%,低纬度海域的捕捞潜力将降低40%[27-30]。本文通过Spearman秩相关分析得到NAO、PDO、NPI、Niño1+2、dT、SOI这6个独立的气候因子,其对应的最佳滞后年限分别为0、5、15、6、0、11年,而影响黄鳍金枪鱼渔获量最主要的是dT、Niño1+2、SOI这3个气候变化表征因子,其重要性约占6个气候变化表征因子的70%。本研究结果与其他学者[2-13,31]的研究结果基本一致,厄尔尼诺-南方涛动现象对黄鳍金枪鱼渔业有显著影响,可能因为黄鳍金枪鱼属于暖水性鱼类,受温度的影响程度较大,其栖息和产卵期间对水温都有一定的要求。而厄尔尼诺期间温跃层的上界深度较拉尼娜期间浅,强度也相应减弱,导致黄鳍金枪鱼的适宜生存区间减小,因此其渔获量在拉尼娜年比厄尔尼诺年高。同时厄尔尼诺年间浮游生物的繁殖减少从而降低了水层养分[4],导致黄鳍金枪鱼获得的养分更少,其渔获量也相应降低;而在拉尼娜年,浮游生物繁殖提高,水层养分也随之升高,黄鳍金枪鱼获得更多养分,其渔获量相应上升。CNN-BiLSTM模型对1990年后黄鳍金枪鱼的预测效果相较于1990年前更好,可能是由于早年的渔业数据收集不完整,这与官文江等[32]研究认为的部分渔业数据缺失,从而导致模型预测精度下降相呼应。
本研究使用BP、LSTM、BiLSTM、CNN-BiLSTM 4种模型对黄鳍金枪鱼渔获量进行预测,结果显示CNN-BiLSTM模型的预测精度最好。这与其他学者所使用传统预测模型有别,如BP神经网络模型[33-35],在预测中缺乏记忆单元,只能凭借经验反复调整神经元间的权值及增加隐含层的层数来达到预测的目的。随机森林模型[36],在结合多种气候因子对渔获量进行预测时存在预报误差偏大的现象,且在高维数据处理方面存在短板。而本研究所使用的LSTM神经网络模型,通过增加的4个门来避免梯度消失的问题,同时具有记忆信息的特点,并且能够更好地应对数据间的差异[26]。而BiLSTM模型[37-38],利用LSTM模型对数据进行正向和逆向两种方向的预测,减少了单方向预测的误差。在此基础上,增加了CNN层,能够对所输入的序列提取高维的特征序列,进一步减少了预测误差。本研究构建了基于CNN-BiLSTM模型的黄鳍金枪鱼渔获量预测的新模型,该模型能够有效降低渔获量的波动性与无序性对结果的影响,利用BiLSTM记忆信息的特点,减少了预报误差,弥补了传统模型的不足。CNN-BiLSTM模型对黄鳍金枪鱼渔获量预测结果的拟合优度为0.8872,显著性小于0.001,回归方程为y=0.861x+151 996.2,这表明CNN-BiLSTM模型能够很好地在渔业预报中使用,并且预测效果良好。
对于本研究提出的影响黄鳍金枪鱼渔获量的气候变化表征因子,已有众多研究表明其对渔业的影响。在厄尔尼诺-南方涛动方面,鱼类种群的分布[39-40]、繁殖[41]、渔获量[42-43]、渔场空间分布[44]等均与之密切相关;在全球海气温度异常指标方面,气候通过影响海水温度进而影响鱼类种群的补充量[45-46];在NAO方面,Wu等[47]发现北太平洋的海气耦合作用通过NAO等气候因子调节全球的气候变化,肖启华[16]认为,NAO调节着40 °N—60 °N之间西风的强弱,正NAO时西风增强且北移,温度升高,负NAO时则相反;在PDO方面,分为暖冷两个阶段[18],暖期时热带东太平洋海温偏高,北太平洋海温则显著降低,冷期时相反。对于气候变化对渔业产量的影响[18],主要通过调节海水温度、上层洋流、海洋密度层结等过程,影响海水pH、营养盐分等,进一步对金枪鱼渔业资源产生影响。本研究所探讨的Niño1+2、SOI、dT、NAO、PDO、NPI等气候因子对黄鳍金枪鱼的影响机理尚未完全清晰,后续需要进一步研究。
本研究将气候变化因子作为唯一影响因素对黄鳍金枪鱼渔获量进行研究,凸显了气候因子在黄鳍金枪鱼资源量和渔场变化等方面的作用,这有别于将气候变化表征因子当作影响因素之一或者在气候发生转换的时候进行探讨,采取长时间序列的低频气候变化参数对黄鳍金枪鱼的影响也有别于采用短期海洋环境因素进行的研究。研究结果可为我国黄鳍金枪鱼渔业管理决策提供参考依据。
-
表 1 潜在生态风险评价等级
Table 1 Level of potential ecological risk assessment
序号
No.潜在生态风险系数
Er i潜在生态风险指数
RI等级
Level1 <30 <100 轻微 2 30~50 100~150 中等 3 50~100 150~200 较强 4 100~150 200~300 很强 5 ≥150 ≥300 极强 表 2 大亚湾表层沉积物中重金属质量分数
Table 2 Mass fractions of heavy metals in sediments from Daya Bay
mg·kg−1 年份
Year监测值
Monitoring data监测项目
Monitoring indicator铜 Cu 铅 Pb 锌 Zn 2010 范围 4.5~30.0 16.0~53.0 26.1~105.0 均值±标准差 15.4±6.9 32.7±9.3 72.9±22.1 2012 范围 2.5~35.9 8.4~55.3 41.8~154.0 均值±标准差 16.1±9.2 37.4±13.9 110.6±37.5 2015 范围 6.4~110.0 20.0~45.8 44.0~112.0 均值±标准差 22.8±26.2 31.7±7.0 81.9±23.2 2018 范围 8.5~58.7 21.6~44.8 50.2~116.0 均值±标准差 18.9±13.3 33.2±6.2 83.1±19.6 表 3 沉积物中重金属评价结果汇总
Table 3 Summary of heavy metal evaluation results in sediments
年份
Year污染指数 Cji 综合污染指数
Cd潜在生态风险系数 Eri 潜在生态风险指数
RI铜 Cu 铅 Pb 锌 Zn 铜 Cu 铅 Pb 锌 Zn 2010 2.39 1.51 2.80 6.70 11.96 7.54 2.80 22.30 2012 2.50 1.73 4.25 8.48 12.50 8.63 4.25 25.38 2015 3.54 1.46 3.15 8.15 17.70 7.31 3.15 28.16 2018 2.93 1.53 3.19 7.65 14.67 7.66 3.19 25.52 表 4 沉积物中重金属相关性分析
Table 4 Correlation analysis of heavy metals in sediments
年份
Year要素
Factor铜
Cu铅
Pb锌
Zn备注
Note2010 Cu 1.000 n=15 Pb 0.884** 1.000 Zn 0.742** 0.856** 1.000 2012 Cu 1.000 n=20 Pb 0.845** 1.000 Zn 0.869** 0.899** 1.000 2015 Cu 1.000 n=13 Pb 0.400 1.000 Zn 0.563* 0.884** 1.000 2018 Cu 1.000 n=13 Pb 0.815** 1.000 Zn 0.824** 0.976** 1.000 注:*. 显著相关;**. 极显著相关 Note: *. Significant correlation; **. Very significant correlation 表 5 大亚湾与其他海域沉积物中重金属含量对比
Table 5 Comparison of heavy metals contents in sediments of Daya Bay and other seas
采样时间
Sampling time地点
Areaw(Cu)/(mg·kg−1) w(Pb)/(mg·kg−1) w(Zn)/(mg·kg−1) 参考文献
References/ 大亚湾背景值 6.44 21.67 26.01 [25] 2018 大亚湾 8.5~58.7 (18.90) 21.6~44.8 (33.20) 50.2~116.0 (83.10) 本研究 2015 大亚湾 6.4~110.0 (22.80) 20.0~45.8 (31.70) 44.0~112.0 (81.90) 本研究 2015 大亚湾 8.0~40.5 (23.60) 6.3~56.5 (33.20) 22.4~149.0 (88.60) [21] 2015 大亚湾 1.3~47.4 (13.90) 3.7~61.2 (29.10) 37.3~175 (82.30) [22] 2012 大亚湾 2.5~35.9 (16.10) 8.4~55.3 (37.40) 41.8~154.0 (110.60) 本研究 2011 大亚湾 6.12~22.50 (10.90) 20.31~80.96 (44.18) 31.54~87.25 (59.34) [15] 2010 大亚湾 4.5~30.0 (15.40) 16.0~53.0 (32.70) 26.1~105.0 (72.90) 本研究 2008 大亚湾 1.00~39.50 (16.46) 11.00~56.00 (37.01) 13.00~125.00 (87.81) [14] 2006—2007 大亚湾 2.61~64.68 (12.46) 11.52~45.95 (28.50) 30.58~85.07 (61.76) [23] 2014—2016 珠江口 44.38 49.94 153.27 [29] 2014—2016 粤东 17.76 37.08 73.37 [29] 2016 莱州湾 3.98~23.1 (11.90) 5.22~19.7 (12.10) 26.3~81.7 (45.30) [38] 2016 厦门海域 5.1~44.5 (26.70) 19.0~82.5 (48.00) 30.5~233.0 (136.60) [39] 2015 胶州湾 5.5~120.0 (38.80) 17.8~325.0 (55.20) 15.2~347.0 (107.40) [40] 注:括号内为均值 Note: Means are in parentheses. -
[1] MACHADO A A D, SPENCER K, KLOAS W, et al. Metal fate and effects in estuaries: a review and conceptual model for better understanding of toxicity[J]. Sci Total Environ, 2016, 541: 268-281. doi: 10.1016/j.scitotenv.2015.09.045
[2] 钱晓佳, 段舜山. 珠海近岸海域表层沉积物中的重金属及生态危害评价[J]. 生态环境学报, 2010, 19(9): 2123-2129. doi: 10.3969/j.issn.1674-5906.2010.09.018 [3] DOU Y G, LI J, ZHAO J T, et al. Distribution, enrichment and source of heavy metals in surface sediments of the eastern Beibu Bay, South China Sea[J]. Mar Pollut Bull, 2013, 67: 137-145. doi: 10.1016/j.marpolbul.2012.11.022
[4] 方利江, 葛春盈, 蒋红, 等. 舟山海域表层沉积物重金属分布、来源及潜在生态风险评价[J]. 海洋环境科学, 2019, 38(5): 769-775. doi: 10.12111/j.mes20190518 [5] 吴斌, 宋金明, 李学刚. 黄河口表层沉积物中重金属的环境地球化学特征[J]. 环境科学, 2013, 34(4): 1324-1332. [6] LIU J, WANG P, WANG C, et al. Heavy metal pollution status and ecological risks of sediments under the influence of water transfers in Taihu Lake, China[J]. Environ Sci Pollut Res, 2017, 24: 2653-2666. doi: 10.1007/s11356-016-7909-1
[7] LIU H, ZHANG K J, CHAI L Y, et al. A comparative evaluation of different sediment quality guidelines for metal and metalloid pollution in the Xiangjiang River, Hunan, China[J]. Arch Environ Contam Toxic, 2017, 73(4): 593-606. doi: 10.1007/s00244-017-0436-3
[8] 李亚琳, 姜欣, 汪天祥, 等. 蛤蜊岛附近海域重金属的分布特征及污染评价[J]. 海洋湖沼通报, 2019(6): 98-105. [9] SUN R X, LIN Q, KE C L, et al. Polycyclic aromatic hydrocarbons in surface sediments and marine organisms from the Daya Bay, South China[J]. Mar Pollut Bull, 2016, 103: 325-332. doi: 10.1016/j.marpolbul.2016.01.009
[10] 刘开珍, 杜飞雁, 李亚芳, 等. 大亚湾大型底栖动物近30年次级生产力变化特征[J]. 南方水产科学, 2018, 14(2): 1-9. doi: 10.3969/j.issn.2095-0780.2018.02.001 [11] QU B X, SONG J M, YUAN H M, et al. Intensive anthropogenic activities had affected Daya Bay in South China Sea since the 1980s: evidence from heavy metal contaminations[J]. Mar Pollut Bull, 2018, 135: 318-331. doi: 10.1016/j.marpolbul.2018.07.011
[12] LIU J J, DIAO Z H, XU X R, et al. In situ arsenic speciation and the release kinetics in coastal sediments: a case study in Daya Bay, South China Sea[J]. Sci Total Environ, 2019, 650: 2221-2230. doi: 10.1016/j.scitotenv.2018.09.389
[13] 孙涛, 肖雅元, 王腾, 等. 大亚湾海域水体和沉积物中石油类含量与分布特征[J]. 南方水产科学, 2018, 14(4): 1-9. doi: 10.3969/j.issn.2095-0780.2018.04.001 [14] ZHAO G M, YE S Y, YUAN H M, et al. Distribution and contamination of heavy metals in surface sediments of the Daya Bay and adjacent shelf, China[J]. Mar Pollut Bull, 2016, 112: 420-426. doi: 10.1016/j.marpolbul.2016.07.043
[15] 曹玲珑, 王建华, 黄楚光, 等. 大亚湾表层沉积物重金属元素形态特征、控制因素及风险评价分析[J]. 吉林大学学报(地球科学版), 2014, 44(6): 1988-1999. [16] 周鹏, 李冬梅, 李海涛, 等. 大亚湾西部海域沉积物中生物硅的含量及其分布特征[J]. 应用海洋学学报, 2019, 38(1): 109-117. doi: 10.3969/J.ISSN.2095-4972.2019.01.012 [17] 沈园, 张景平, 张霞, 等. 大亚湾沉积物磷的形态特征及其潜在可释放性[J]. 海洋环境科学, 2017, 36(5): 641-647, 661. [18] 曲宝晓, 宋金明, 袁华茂. 近百年来大亚湾沉积物有机质的沉积记录及对人为活动的响应[J]. 海洋学报, 2018, 40(10): 119-130. [19] YAN W, CHI J S, WANG Z Y, et al. Spatial and temporal distribution of polycyclic aromatic hydrocarbons (PAHs) insediments from Daya Bay, South China[J]. Environ Pollut, 2009, 157: 1823-1830. doi: 10.1016/j.envpol.2009.01.023
[20] YU X J, YAN Y, WANG W X. The distribution and speciation of trace metals in surface sediments from the Pearl River Estuary and the Daya Bay, Southern China[J]. Mar Pollut Bull, 2010, 60(8): 1364-1371. doi: 10.1016/j.marpolbul.2010.05.012
[21] 唐得昊, 刘兴健. 大亚湾表层沉积物中重金属污染与潜在生态风险评价[J]. 亚热带资源与环境学报, 2018, 13(4): 1-7. doi: 10.3969/j.issn.1673-7105.2018.04.002 [22] 林丽华, 魏虎进, 黄华梅. 大亚湾表层沉积物和底栖生物中重金属的污染特征与生物积累[J]. 生态科学, 2017, 36(6): 173-181. [23] 谷阳光, 王朝晖, 方军, 等. 大亚湾表层沉积物中重金属分布特征及潜在生态危害评价[J]. 分析测试学报, 2009, 28(4): 449-453. doi: 10.3969/j.issn.1004-4957.2009.04.016 [24] HAKANSON L. An ecological risk index for aquatic pollution control: a sedimentological approach[J]. Water Res, 1980, 14(8): 975-1001. doi: 10.1016/0043-1354(80)90143-8
[25] 张银英. 大亚湾沉积物中重金属元素背景值研究[J]. 热带海洋, 1991, 10(3): 76-80. [26] 徐争启, 倪师军, 庹先国, 等. 潜在生态危害指数法评价中重金属毒性系数计算[J]. 环境科学与技术, 2008, 31(2): 112-115. doi: 10.3969/j.issn.1003-6504.2008.02.030 [27] 梁庆洋, 齐占会, 巩秀玉, 等. 大亚湾鱼类深水网箱养殖对环境的影响[J]. 南方水产科学, 2017, 13(5): 25-32. doi: 10.3969/j.issn.2095-0780.2017.05.004 [28] 谷阳光, 林钦, 王增焕, 等. 柘林湾及邻近海域沉积物重金属分布与潜在生态风险[J]. 南方水产科学, 2013, 9(2): 32-37. doi: 10.3969/j.issn.2095-0780.2013.02.006 [29] 张起源, 刘谞承, 赵建刚, 等. 广东沿海沉积物重金属含量及风险评价[J]. 中国环境科学, 2018, 38(12): 4653-4660. doi: 10.3969/j.issn.1000-6923.2018.12.033 [30] 熊慧, 杨丽虹, 邓永智. 福建省安海湾、围头湾海域表层沉积物重金属含量分布特征及潜在生态风险评价[J]. 应用海洋学学报, 2019, 38(1): 68-74. doi: 10.3969/J.ISSN.2095-4972.2019.01.008 [31] 夏娜娜, 王军, 史云娣, 等. 海洋重金属污染防治的对策研究[J]. 中国人口•资源与环境, 2012, 22(S1): 343-346. [32] 徐姗楠, 陈作志, 林琳, 等. 大亚湾石化排污海域生态系统健康评价[J]. 生态学报, 2016, 36(5): 1421-1430. [33] 陈文静, 周劲风, 李耀初. 大亚湾海域水质变化趋势及成因分析[J]. 环境科学与技术, 2010, 33(S2): 28-32. [34] LIU J J, NI Z X, DIAO Z H, et al. Contamination level, chemical fraction and ecological risk of heavy metals in sediments from Daya Bay, South China Sea[J]. Mar Pollut Bull, 2018, 128: 132-139. doi: 10.1016/j.marpolbul.2018.01.021
[35] 柯常亮, 林钦, 王增焕, 等. 大鹏澳网箱养殖区沉积物中Cu的分布特征[J]. 南方水产, 2007, 3(1): 20-25. [36] 柯常亮, 林钦, 王增焕, 等. 大亚湾大鹏澳网箱养殖海域沉积物中Pb的分布特征[J]. 南方水产, 2007, 3(5): 26-32. [37] 丘耀文, 颜文, 王肇鼎, 等. 大亚湾海水、沉积物和生物体中重金属分布及其生态危害[J]. 热带海洋学报, 2005, 24(5): 69-76. doi: 10.3969/j.issn.1009-5470.2005.05.008 [38] 赵玉庭, 董晓晓, 王立明, 等. 海洋沉积物重金属生态风险评价方法比较及实例验证——以莱州湾为例[J]. 海洋通报, 2019, 38(3): 353-360. [39] 董炜峰, 张瑜, 戴桂香, 等. 近40a厦门海域表层沉积物重金属时空分布及综合生态风险评价[J]. 海洋学研究, 2018, 36(3): 89-95. doi: 10.3969/j.issn.1001-909X.2018.03.010 [40] 刘兆庆, 徐方建, 田旭, 等. 胶州湾潮间带表层沉积物重金属污染评价[J]. 中国环境科学, 2017, 37(6): 2239-2247. doi: 10.3969/j.issn.1000-6923.2017.06.031 [41] 徐姗楠, 李纯厚, 徐娇娇, 等. 大亚湾石化排污海域重金属污染及生态风险评价[J]. 环境科学, 2014, 35(6): 2075-2084. -
期刊类型引用(20)
1. 陈苏南,孔雪,宋满宗,蔡月凤,智颖,申欣. 低温暴露对菲律宾蛤仔免疫指标和基因表达的影响. 大连海洋大学学报. 2025(01): 12-24 . 百度学术
2. 杨栋,韩雨婷,高葛琪,王杰,牛东红. 不同低盐驯化方式对缢蛏行为及生理的影响. 上海海洋大学学报. 2024(05): 1120-1131 . 百度学术
3. 张文馨,潘霞,沈锡权,徐永健. 盐度胁迫对幼体大海马基因转录表达的影响. 水生生物学报. 2021(05): 995-1004 . 百度学术
4. 张玉晗,谢晶. 包装充氧量对无水活运花鲈鳃组织结构及相关酶活性的影响. 食品科学. 2020(15): 269-274 . 百度学术
5. 李笑,曲艺,张倩倩,张天宇,曹瑞文,赵建民. 海水酸化和热应激对日本鼓虾氧化应激和能量代谢的影响. 海洋与湖沼. 2020(06): 1412-1421 . 百度学术
6. 王尧,曹善茂. 盐度对岩扇贝Na~+/K~+-ATP酶活性的影响. 科技风. 2019(07): 241-243+245 . 百度学术
7. 胡琼,李胜忠,曹景成,初洪伟. 葡萄糖、丙三醇和盐对厚唇裂腹鱼精子活力的调控研究. 南方水产科学. 2019(02): 38-46 . 本站查看
8. 陈丽梅,刘利华,胡宏辉,秦艺铭,周文礼,孙敬锋,郭永军. 温度突变对毛蚶不同组织抗氧化酶活性的影响. 水产科学. 2019(04): 435-442 . 百度学术
9. 朱克诚,刘宝锁,曹明,郭华阳,张楠,张殿昌. 华贵栉孔扇贝MEF2Cs基因克隆及表达特征分析. 淡水渔业. 2018(02): 32-38 . 百度学术
10. 林岗,饶小珍,吴静,岑万. 低盐胁迫对华贵栉孔扇贝抗氧化酶、Na~+/K~+-ATPase活力的影响. 福建师范大学学报(自然科学版). 2018(01): 71-78 . 百度学术
11. 李亚男,张海滨. 海洋无脊椎动物抗氧化酶研究进展. 海洋通报. 2018(03): 241-253 . 百度学术
12. 吕旭宁,王晓芹,吴亚林,姜娓娓,房景辉,方建光,王军威,张义涛,蒋增杰. 温度对凸壳肌蛤能量收支的影响. 渔业科学进展. 2018(04): 119-125 . 百度学术
13. 王芸,李正,段亚飞,王珺,黄忠,林黑着. 红景天提取物对凡纳滨对虾抗氧化系统及抗低盐度胁迫的影响. 南方水产科学. 2018(01): 9-19 . 本站查看
14. 杜俊鹏,王昭萍,于瑞海,马培振,张哲,李玲蔚,李鹏飞. 盐度对香港巨牡蛎♀×葡萄牙牡蛎♂杂交子代早期杂种优势的影响. 中国海洋大学学报(自然科学版). 2018(01): 31-39 . 百度学术
15. 李晓雨,田燚,王伟,李延涛,刘钢,郭然,丛佳. 低盐胁迫对白条双锯鱼相关生理指标的影响. 大连海洋大学学报. 2018(05): 614-619 . 百度学术
16. 罗伟,许艳,刘晓娟,王春芳. 水温对草鱼血清活性氧含量及抗氧化防御系统的影响. 淡水渔业. 2017(04): 3-7 . 百度学术
17. 刘甜雨,王清,陈慕雁. 热刺激对栉孔扇贝免疫功能和热休克蛋白表达的影响. 中国海洋大学学报(自然科学版). 2017(08): 31-43 . 百度学术
18. 方春华,乔琨,刘智禹,陈丽娇. 海洋生物中抗氧化酶的研究进展. 渔业研究. 2016(04): 331-342 . 百度学术
19. 吕小康,刘峰,楼宝,刘阳阳,徐冬冬,陈睿毅,詹炜,王立改,毛国民,马涛. 水温和饥饿对鮸鱼肝脏抗氧化酶的影响. 浙江海洋学院学报(自然科学版). 2016(05): 384-389 . 百度学术
20. 谭杰,陈振江,刘付少梅,唐啸尘,刘志刚. 温度和盐度对大珠母贝稚贝存活和生长的互作效应. 广东海洋大学学报. 2016(06): 44-51 . 百度学术
其他类型引用(13)