Review of influences of filter-feeding bivalves aquaculture on planktonic community
-
摘要: 滤食性贝类是世界上产量最大的养殖种类，规模化养殖极大地增加了近岸水域中贝类的数量。贝类生理过程和养殖活动对海洋生态系统的影响是海洋生态学的重要研究领域。文章梳理了目前关于贝类对浮游生物影响的研究进展，总结了规模化贝类养殖对养殖区及毗连水域的浮游生物数量和群落结构的主要影响机制：贝类的滤食对浮游生物产生强烈的下行控制作用而降低浮游生物的数量；选择性捕食改变了浮游生物群落结构；贝类的排泄增加了水体中的营养元素，促进了浮游植物的生长；贝类的生物沉积则导致硅 (Si) 元素的沉积和埋藏，改变了生源要素的比例，对硅藻等浮游植物产生了限制；贝类养殖设施的阻流作用使浮游生物在养殖区的滞留时间延长，增加了浮游生物被捕食的概率；贝类养殖显著增加了海鞘等滤食性附着生物的数量，从而也对浮游生物产生了影响。此外，还提出了有待继续深入研究的科学问题。Abstract: Filter-feeding bivalves is one of the most productive species in the world. Large scale aquaculture has increased the number of shellfish in coastal waters greatly. The influences of bivalves' physiological processes and aquaculture activities on the marine ecosystem have drawn lots of attention from scientists. This paper summarizes the current research progress on the impact of shellfish on plankton, and conclude that the influences of bivalves aquaculture on plankton communities in farming areas and its adjacent area include: the filter feeding leads to a grazing pressure and exerts a ‘top-down’ control of planktonic communities in farming areas, resulting in a significant depletion of plankton concentration; selective predation changed plankton community structure; the excretion of shellfish increased the nutrient elements in the water and promoted the growth of phytoplankton; the biodeposition process lead to a deposition and burial of silicon (Si) which resulted in a change in biogenic elements ratio and a limit of diatom; the rearing infrastructures decreased the hydrodynamic and water flow velocity, and prolonged the residence time of plankton inside farming areas, which tends to increase the risk of predation of planktonic populations, reducing biomass and production; bivalves can increase the amount of fouling organisms and have an impact on plankton. Finally, the paper summarizes the scientific problems to be further studied.
-
Keywords:
- Filter-feeding bivalves /
- Plankton /
- Selective feeding /
- Top-down control /
- Fouling organisms
-
水质预测是通过对研究区域现有水质资料系统的分析后所作出的水质状况预报[1]，可进一步掌握当地水环境质量的演变趋势，从而为水环境领域决策者提供科学的水质参考信息，以实施正确的管理政策来防治评价水域内水质恶化或对当地的水资源进行规划和管理[2]。但水 (海) 域作为一个动态时变系统，其本身存在基础资料难以获取、内在规律复杂及数据波动等问题[3]，这使得传统的预测方法 (线性回归模型和神经网络模型等[4]) 面临着数据样本不足，拟合效果差等问题，给水质预测的实际应用带来了很大困难。
近年来，诸多学者针对河流、湖泊、水库等内陆水域进行了水质预测方法的研究工作，如岳遥和李天宏[5]将模糊集理论中级别特征值的概念引入马尔可夫模型，利用基于投影距离的方法(M2) 对1992—2004年黄河干流潼关、三门峡两个断面的生化需氧量(BOD5)、氨氮 (NH3-N)、溶解氧(DO)等3项水质指标进行浓度预测，发现除潼关的BOD5误差较大以外，其余水质指标的预测结果均具有较高的精度；张颖和高倩倩[6]利用改进的灰色预测方法与模糊神经网络方法相结合建立了针对太湖流域3个断面监测点的综合水质预测模型，结果表明该方法对水质数据的综合趋势预测应用效果较好；张茜和冯民权[7]以灰色关联分析为基础，利用 BP 神经网络马尔可夫模型对漳泽水库水质进行预测，验证了该方法在水质预测上的可行性，并提出利用灰色系统与神经网络结合，灰色系统和模糊系统的结合等方法，是今后研究水质预测的方向。目前针对海湾水质的预测研究鲜有报道[8]。
灰色模型以微分方程为描述形式，揭示事物发展的连续过程，符合海洋水质状况的渐变规律[9]。因此，本研究基于灰色系统理论中残差修正的GM (1,1) 模型[10]和灰色拓扑预测的方法对2007—2017年春 (5月)、秋(10月) 海州湾海洋牧场人工鱼礁区的DO、化学需氧量 (COD)、BOD5和溶解无机氮 (DIN) 4个监测指标进行水质预测的应用，探讨两种方法在海洋水质预测的可行性并选择模型精度较高的方法预测2018—2022年的水质变化趋势，最终与2018年春秋季实际调查所得水质数据进行对比，以期为海湾的水质预测提供科学的方法，同时为海州湾海洋牧场的水质监测和生态修复工作提供参考。
1. 材料与方法
1.1 研究区域
海州湾位于黄海北部，属于典型的开放型海湾。为了修复海州湾生态环境，养护渔业资源，原农业部渔业局、原江苏省海洋与渔业局和原连云港市海洋与渔业局于2007年在海州湾海域实施了“江苏省海州湾海洋牧场示范区建设”项目[11]。本文在2007—2017年海州湾人工鱼礁区 (119º20'E—119º34'E，34º51'N—34º58' N) 选取了均匀分布的9个站点的水质数据作为海湾水质预测的研究试点 (图1)，海州湾历史调查的水质数据均为表层海水数据且严格按照国标GB 17378.4—2007《海洋调查规范》中的相关方法进行实验获得。
![]()
图 1 海州湾人工鱼礁区站点示意图Figure 1. Schematic diagram of stations in artificial reef area of Haizhou Bay1.2 残差修正的GM (1,1) 模型
1.2.1 GM (1,1) 模型
GM (1,1) 模型是作为灰色预测的核心，是由一个单变量的一阶微分方程构成的灰色模型[12]。GM (1,1) 符号含义为：G代表Grey (灰色)，M代表Model (模型)，两个“1”代表1个变量和1阶方程。方法步骤如下：
设有原始数据
$ {x^{\left( 0 \right)}}$ 为：$$ {x^{\left( 0 \right)}} = \left[ {{x^{\left( 0 \right)}}\left( 1 \right),{x^{\left( 0 \right)}}\left( 2 \right) \ldots \ldots {x^{\left( 0 \right)}}\left( n \right)} \right] $$ (1) 对原始数列
$ {x^{\left( 0 \right)}}$ 进行一次累加生成，得到1−AGO序列$ {x^{\left( 1 \right)}}$ 为：$$ {x^{\left( 1 \right)}} = \left[ {{x^{\left( 1 \right)}}\left( 1 \right),{x^{\left( 1 \right)}}\left( 2 \right) \ldots \ldots {x^{\left( 1 \right)}}\left( n \right)} \right] $$ (2) 其中
$ {x^{\left( 1 \right)}}\left( {{k}} \right) = \displaystyle\sum\limits_{{{i}} = 1}^{{k}} {{{x}}^{\left( 0 \right)}}\left( {{i}} \right){{,i = 1,2 \ldots ,n}}$ 。累加生成的目的在于消除数列的随机性，增加数列的指数律，以适应GM (1,1) 模型的建模要求。根据1−AGO序列x(1)进行邻均值序列生成，得到邻均值序列
$ {z^{\left( 1 \right)}}$ 为：$$ {z^{\left( 1 \right)}} = \left[ {{z^{\left( 1 \right)}}\left( 1 \right),{z^{\left( 1 \right)}}\left( 2 \right) \ldots \ldots {z^{\left( 1 \right)}}\left( n \right)} \right] $$ (3) 其中
$ {{{z}}^{{\rm{(1)}}}}\left( {\rm{k}} \right){\rm{ = }}\dfrac{1}{2}{{[}}{{{x}}^{{{(1)}}}}\left( {{k}} \right){{ + }}{{{x}}^{{{(1)}}}}{{(k - 1)],k = 2,3 \ldots ,n}}$ 那么可建立灰微分方程：
$$ {x^{\left( 0 \right)}}\left( k \right) + a{z^{\left( 1 \right)}} = b $$ (4) 记参数向量
$ \hat a = {\left( {a,b} \right)^T}$ ，则微灰分方程的最小二乘估计数列满足：$$ \hat a = {\left( {{B^T}B} \right)^{ - 1}}{B^T}Y $$ (5) 其中
$$ {{Y = }}\left[ {\begin{array}{*{20}{c}} {{{\rm{x}}^0}\left( 2 \right)}\\ {{{\rm{x}}^0}\left( 3 \right)}\\ \vdots \\ {{{\rm{x}}^0}\left( {\rm{n}} \right)} \end{array}} \right]\;\;\;\;\;\;\;\;\;\;{{B = }}\left[ {\begin{array}{*{20}{c}} { - {{{z}}^{\left( 1 \right)}}\left( 2 \right)}&1\\ { - {{{z}}^{\left( 1 \right)}}\left( 3 \right)}&1\\ \vdots & \vdots \\ { - {{{z}}^{\left( 1 \right)}}\left( {\rm{n}} \right)}&1 \end{array}} \right] $$ (6) 称
$ \dfrac{{d{x^{\left( 1 \right)}}}}{{dt}} + a{x^{\left( 1 \right)}} = b$ 为灰微分方程的白化方程，则白化微分方程的解 (时间响应函数)为：$$ {\hat {x}^{\left( 1 \right)}}\left( {k + 1} \right) = \left( {{x^{\left( 0 \right)}}\left( 1 \right) - \frac{b}{a}} \right){{\rm e}^{ - ak}} + \frac{b}{a},\;\;\;{{k = 1,2 \ldots ,n - 1}} $$ (7) 累减还原得预测公式：
$$ \begin{split} &{\hat x^{\left( 0 \right)}}\left( k \right) = {\hat x^{\left( 0 \right)}}\left( {k + 1} \right) - {\hat x^{\left( 0 \right)}}\left( k \right) = \left( {1 - {{\rm e}^a}} \right)\left( {{x^{\left( 0 \right)}}\left( 1 \right) - \frac{b}{a}} \right){{\rm e}^{ - ak}},\\ & {{k = 1,2,3,4 \ldots ,n - 1}} \end{split} $$ (8) 1.2.2 残差修正
传统GM (1,1) 模型对波动性较大的数据进行预测往往难以取得理想的模拟精度，这时可以对残差序列建立GM (1,1) 模型来进行修正，以提高模型精度[10]。
建立残差数列
$ {\varepsilon ^{\left( 0 \right)}}\left( k \right)$ ：$$ {\varepsilon ^{\left( 0 \right)}}\left( k \right) = {x^{\left( 0 \right)}}\left( k \right) - {\hat x^{\left( 0 \right)}}\left( k \right) $$ (9) 平移变换得到非负序列
$ {\eta ^{\left( 0 \right)}}\left( k \right)$ ：$$ {\eta ^{\left( 0 \right)}}\left( k \right) = {\varepsilon ^{\left( 0 \right)}}\left( k \right) + 2\left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right| $$ (10) 其中
$ \left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right|$ 为残差序列中最小负数的绝对值非负处理的残差序列建立GM (1,1) 模型得到残差预测值
$ {\hat \eta ^{\left( 0 \right)}}$ ，建模方法见1.2.1。残差预测值的还原：
$$ {\hat \varepsilon ^{\left( 0 \right)}}\left( k \right) = {\hat \eta ^{\left( 0 \right)}}\left( k \right) - 2\left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right| $$ (11) 将残差模型叠加到原模型上：
$$ {\hat x_1}^{\left( 0 \right)}\left( k \right) = {\hat x^{\left( 0 \right)}}\left( k \right) + {\hat \varepsilon ^{\left( 0 \right)}}\left( k \right) $$ (12) 1.3 灰色拓扑模型
灰色拓扑预测是灰色系统理论中针对波动序列而提出的一种预测方法，其运用等高线 (阈值) 将图形分割成多个序列，建立GM (1,1) 模型群，来对整个图形的发展趋势进行预测[13]。模型特点能很好地适应波动但不具有明显周期性的海洋水质数据。
1.3.1 等高线的选择
灰色拓扑模型与传统的GM (1,1) 模型相比，增加了等高线将序列图形分割成多个序列的步骤，其实质为将波动序列转化成多个递增有序的等高时刻序列的数据转化过程，以满足GM (1,1) 模型建模数据需具有一定指数律的要求。
在形式上，等高线 (阈值) 一般是等间距的且与横轴平行的直线。等高线选择方法是在满足GM (1,1) 模型至少要4个点的前提下通过经验法得到，即对实际数据的区间以及波动规律等图形先验知识做出分析，以进行选择合适的阈值和等高线个数。
1.3.2 GM (1,1) 模型群
灰色拓扑预测是通过GM (1,1) 模型群来进行波形预测，建模方法参考1.2.1。不同的是，在式(8)中得到的预测 (拟合) 值xi(k)是所对应阈值下一个将要出现的时间，以这些时间为x值，其相对应的阈值为y值才可描绘出预测的波形曲线。
1.4 精度检验
灰色模型的预测结果只有经过精度检验才能判断模型能否用作预测。为了更好地探讨灰色拓扑预测与残差修正的GM (1,1) 模型对海湾水质预测的可行性，本文采用了残差大小检验、后验差检验、关联度检验及实际检验4种精度检验。方法如下：
1.4.1 残差大小检验
$$ \begin{split} &{\rm{K}}{\text{点的模拟相对误差}}{\Delta _k} = \left| {\frac{{\varepsilon \left( k \right)}}{{{x^{\left( k \right)}}}}} \right|,\\ &{\text{平均相对误差}}\bar \Delta = \frac{1}{n}\mathop \sum \limits_{k = 1}^n {\Delta _k} \end{split} $$ (13) 式中残差序列
$ {\varepsilon ^{\left( 0 \right)}}\left( k \right) = {x^{\left( 0 \right)}}\left( k \right) - {\hat x^{\left( 0 \right)}}\left( k \right)$ ，$ {\hat x^{\left( 0 \right)}}\left( k \right)$ 为预测模型模拟序列。一般来说，$ \bar \Delta $ <20%为可以接受的程度，最佳为$ \bar \Delta $ <10%。1.4.2 后验差检验均方差比值C：
$$ {{C}} = \frac{{{s_2}}}{{{s_1}}} = \dfrac{{\sqrt {\dfrac{1}{n}\displaystyle \sum \limits_{k = 1}^n {{\left( {{\rm{}}{\varepsilon ^{\left( 0 \right)}}\left( k \right) - \bar \varepsilon } \right)}^2}} }}{{\sqrt {\dfrac{1}{n}\displaystyle \sum \limits_{k = 1}^n {{\left( {{\rm{}}{x^{\left( 0 \right)}}\left( k \right) - \bar x} \right)}^2}} }} $$ (14) 小误差概率P是残差
$ {\varepsilon \left( k \right)}$ 与残差均值$ {\bar \varepsilon }$ 之差小于定值0.674 5s1的概率，即：$$ {{P}} = {{P}}\left\{ {\left| {\varepsilon \left( k \right) - \bar \varepsilon } \right| < 0.674\;5{s_1}} \right\} $$ (15) 均方差比值C越小，小误差概率P越大，表明模型精度越高。
1.4.3 关联度检验灰色绝对关联度：
$$ \begin{split}&\;\\ &{\varepsilon _{0i}}{\rm{ = }}\frac{{1 + \left| {{s_0}} \right| + \left| {{s_i}} \right|}}{{1 + \left| {{s_0}} \right| + \left| {{s_i}} \right| + \left| {{s_i} - {s_0}} \right|}} \end{split} $$ (16) $$ \left| {{s_0}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} x_0^0\left( k \right) + \frac{1}{2}x_0^0\left( n \right)} \right|,\left| {{s_i}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} x_i^0\left( k \right) + \frac{1}{2}x_i^0\left( n \right)} \right| $$ (17) $$ \left| {{s_i} - {s_0}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} \left( {x_i^0\left( k \right) - x_0^0\left( k \right)} \right) + \frac{1}{2}\left( {x_i^0\left( n \right) - x_0^0\left( n \right)} \right)} \right| $$ (18) 一般要求ε0i>0.7即可。关联度越大，表明模型的预测效果越好。
灰色预测模型精度等级见表1。
本文采用针对参考序列为区间的灰色关联法[14]得到预测模型精度指标与评判标准 (表1)的关联度，以此作为依据综合评定预测模型的精度等级，因而可以让多个精度指标参与到模型的整体精度判断上，且更加直观，便于比较。
表 1 精度检验等级参照表Table 1. Reference table for accuracy atspection level精度等级
Accuracy level平均相对误差α
Average relativeresidual均方差比值C
Post-test difference ratio小误差概率P
Small error probability关联度ε
Correlation degree一级 Level 1 ≤0.01 ≤0.35 ≥0.95 ≥0.9 二级 Level 2 0.01<α ≤ 0.05 0.35<C ≤ 0.5 0.80 ≤P<0.95 0.9<ε0≤0.8 三级 Level 3 0.05<α ≤ 0.10 0.50<C≤ 0.65 0.70 ≤P<0.80 0.8<ε0≤0.7 四级 Level 4 >0.10 >0.65 <0.70 <0.7 注：模型的精度等级三级即为合格，三级以上则可较好用作预测 Note: Level 3 of accuracy of the model is qualified, and Level 3 or higher level can be better used for prediction. 1.4.4 实际检验[15]
实际采样获得的实验值与同一时间点的预测值对比，以了解预测可信度。误差在20%内则说明模型可靠，预测结果可信。
2. 结果
2.1 选取数据
本文运用2007—2017年春 (5月)、秋 (10月) 海州湾人工鱼礁区9个监测站点的DO、COD、BOD5和DIN水质数据，做平均处理以表示海州湾人工鱼礁区整体的水质状况 (表2)。
表 2 2007—2017年海州湾人工鱼礁区各监测站点水质指标的平均浓度值和标准偏差Table 2. Average concentration and standard deviation of water quality indicators at monitoring stations in Haizhou Bay artificial reef area from 2007 to 2017年-月
Year-Month溶解氧
DO化学需氧量
COD生化需氧量
BOD5溶解无机氮
DIN2007-05 8.67±0.2 3.96±0.3 1.22±0.1 0.02±0.004 2007-10 9.94±0.2 4.50±0.5 2.13±0.3 0.12±0.01 2008-05 9.46±0.4 5.28±0.5 2.35±0.5 0.50±0.04 2008-10 10.03±0.2 3.54±0.2 0.85±0.3 0.03±0.006 2009-05 8.37±0.1 0.88±0.1 0.78±0.2 0.07±0.008 2009-10 9.52±0.3 0.67±0.1 0.08±0.01 0.17±0.05 2010-05 9.77±0.3 1.52±0.2 1.36±0.3 0.09±0.02 2010-10 8.53±0.1 0.99±0.1 1.12±0.3 0.10±0.01 2011-05 10.29±0.3 2.96±0.3 3.88±0.6 0.11±0.01 2011-10 7.36±0.4 1.36±0.2 1.23±0.2 0.85±0.05 2012-05 9.21±0.2 0.77±0.2 4.56±0.2 0.25±0.05 2012-10 8.05±0.1 0.43±0.1 2.82±0.4 0.29±0.02 2013-05 8.50±0.1 1.29±0.2 4.06±0.5 0.73±0.06 2013-10 7.56±0.3 2.15±0.1 2.23±0.3 0.20±0.02 2014-05 6.79±0.4 1.84±0.3 1.44±0.2 0.28±0.04 2014-10 6.92±0.1 0.95±0.2 0.91±0.2 0.51±0.04 2015-05 7.83±0.2 1.03±0.3 2.79±0.3 0.30±0.02 2015-10 9.27±0.3 2.44±0.1 4.51±0.5 0.11±0.01 2016-05 9.72±0.2 4.69±0.2 3.63±0.4 0.25±0.02 2016-10 9.81±0.3 1.06±0.1 4.37±0.3 0.65±0.04 2017-05 8.98±0.2 2.71±0.2 2.87±0.1 0.27±0.01 2017-10 8.52±0.1 1.32±0.1 1.77±0.2 0.17±0.01 2.2 残差修正的GM (1,1) 模型
本文通过传统GM (1,1) 模型 [式 (1)—(8)] 对2007—2017年春 (5月)、秋 (10月)海州湾人工鱼礁区DO、COD、BOD5及DIN水质数据的尾端序列 (至少6个，视模型精度而定) 进行尝试建模，时间横轴取近似等距，建模精度见表3。
表 3 传统GM (1,1) 模型的精度检验Table 3. Accuracy test of traditional GM (1,1) model水质指标
Water quality index尾端序列个数
Tail end number精度指标 Accuracy index 精度等级
Accuracy gradeα C P ε 溶解氧 DO 8 8.91% 0.454 1 0.29 0.699 8 三级 化学需氧量 COD 10 48.05% 0.994 5 0.33 0.841 0 四级 生化需氧量 BOD5 6 13.46% 0.546 6 0.80 0.870 5 三级 无机氮 DIN 10 50.15% 0.999 8 0.56 0.682 8 四级 注：精度等级是由灰色关联法评价得到 Note: The accuracy grade is evaluated by the improved grey correlation method. 发现传统GM (1,1) 建模精度均不佳 (表3)，故采用残差修正 [式 (9)— (12)] 以提升模型精度，修正过程的精度变化见表4。
表 4 灰残差GM (1,1) 模型在修正过程中的精度变化Table 4. Precision changes of grey residual GM (1,1) model in process of correction水质指标
Water quality index修正次数
Correction times精度指标 Accuracy index 精度等级
Accuracyα C P ε 溶解氧 DO 一次修正 7.35% 0.628 1 0.50 0.621 3 三级 二次修正 4.00% 0.153 9 1.00 0.687 5 一级 化学需氧量 COD 一次修正 51.11% 0.982 7 0.38 0.741 8 三级 二次修正 54.77% 0.976 7 0.57 0.666 9 三级 生化需氧量 BOD5 一次修正 14.18% 0.517 6 0.75 0.771 0 三级 二次修正 9.14% 0.002 3 1.00 0.994 7 一级 溶解无机氮 DIN 一次修正 53.15% 0.991 0 0.50 0.926 3 三级 二次修正 58.28% 0.974 0 0.57 0.764 3 三级 参考表4中各水质预测模型的精度等级变化可知，传统的GM (1,1) 模型对海洋水质数据的浓度预测并不理想，4个水质指标的精度均在三级 (合格) 和四级 (不合格) 之间。其缘由来自GM (1,1) 模型本身更适用于齐次指数序列，对于波动序列建模误差较大。从二次残差修正的GM (1,1) 模型的拟合结果来看，DO和BOD5的精度得到了很大提升，精度等级均提升至一级 (好)，两者的预测模型达到了可以进行浓度预测的程度。而COD和DIN残差修正前后，预测的整体精度并没有明显提升。由于COD和DIN的数据波动振幅较大，波动频率高，在残差修正过程中总存在1至2个拟合值误差较大，使得修正后的整体模型精度仍然偏低。就本文结果而言，残差修正的GM (1,1) 模型并不能对所有指标的海洋水质数据达到较高的预测精度。
2.3 灰色拓扑预测
根据2007—2017年春(5月)、秋(10月)海州湾人工鱼礁区的DO、COD、BOD5及DIN的浓度变化趋势可知，历年海洋水质的监测数据波动性较大，不具备典型的分布规律，故采用灰色拓扑预测的方法对其建立水质预测模型，并分别选取合适的等高线 (阈值) 将波动的图形分割 (图2)。
![]()
图 2 2007—2017年海州湾鱼礁区溶解氧、化学需氧量、生化需氧量和溶解无机氮平均浓度变化趋势及等高线Figure 2. Trends and contours of DO, COD, BOD5 and DIN concentrations in reef areas of Haizhou Bay from 2007 to 2017结合公式(1)—(8)对图形与等高线构成的等高时刻序列 (交点横坐标序列) 建立GM (1,1) 模型群，并得到GM (1,1) 模型群的精度，结果见表5。
表 5 灰色拓扑预测模型及精度检验Table 5. Grey topological prediction model and accuracy test水质指标
Water quality index阈值
ThresholdGM (1,1) 模型群
GM (1,1) model group精度指标
Accuracy index精度等级
Accuracy levelα C P ε 本处在海水水质标准溶解氧 DO 7.4 x(1)(k+1)=40.10e0.23k−30.12 4.32% 0.312 8 1.0 0.902 0 一级 8.0 x(1)(k+1)=36.93e0.25k−27.15 0.85% 0.236 7 1.0 0.976 9 一级 8.6 x(1)(k+1)=19.76e0.21k−14.84 11.19% 0.248 7 1.0 0.994 6 一级 9.2 x(1)(k+1)=18.48e0.20k−17.03 10.96% 0.221 1 1.0 0.982 7 一级 9.8 x(1)(k+1)=12.92e0.36k−9.70 16.48% 0.316 0 1.0 0.924 5 二级 化学需氧量 COD 0.7 x(1)(k+1)=20.42e0.30k−14.56 12.18% 0.425 4 1.0 0.829 6 一级 1.5 x(1)(k+1)=53.23e013k−48.46 9.23% 0.221 8 1.0 0.976 6 一级 2.3 x(1)(k+1)=27.77e0.34k−23.30 14.83% 0.432 1 1.0 0.819 4 二级 3.1 x(1)(k+1)=14.430.46k−13.34 46.35% 0.558 3 0.67 0.766 2 三级 3.9 x(1)(k+1)=14.43e0.46k−12.82 53.86% 0.586 8 0.67 0.500 1 三级 生化需氧量 BOD5 1.6 x(1)(k+1)=5.29e0.49k−3.42 27.41% 0.410 6 1.0 0.818 8 二级 2.2 x(1)(k+1)=10.96e0.41k−9.32 2.79% 0.153 6 1.0 0.894 2 一级 2.8 x(1)(k+1)=11.26e0.40k−9.85 2.63% 0.067 6 1.0 0.949 7 一级 3.4 x(1)(k+1)=5.53e0.34k−4.35 10.83% 0.151 2 1.0 0.983 0 一级 4.0 x(1)(k+1)=14.66e0.34k−11.83 14.22% 0.419 5 1.0 0.829 6 二级 溶解无机氮 DIN 0.2 x(1)(k+1)=14.18e0.29k−10.18 8.78% 0.240 0 1.0 0.879 3 一级 0.3 x(1)(k+1)=14.27e0.25k−12.24 4.24% 0.115 0 1.0 0.949 1 一级 0.4 x(1)(k+1)=14.65e0.25k−12.40 6.68% 0.183 5 1.0 0.918 8 一级 0.5 x(1)(k+1)=15.05e0.24k−12.57 11.93% 0.264 4 1.0 0.900 9 一级 0.6 x(1)(k+1)=10.90e0.38k−8.19 29.86% 0.570 5 0.67 0.774 2 三级 由灰色拓扑预测模型与模型精度关联分析的结果(表5)可知，除了COD阈值为3.1和3.9及DIN阈值为0.6的GM (1,1) 模型精度等级只有三级 (合格) 外，其余阈值的GM (1,1) 模型综合精度等级均在二级 (较好) 及以上，说明该模型用于水质预测较为可靠，可为海州湾人工鱼礁区的水质浓度变化趋势进行预测。
综上，灰色拓扑预测较残差修正的GM (1,1) 模型更适用针对海洋水质数据的预测并选择该方法对2018—2022年内海州湾人工鱼礁区水质的浓度趋势进行波形预测。
2.4 预测与评价
利用表5中灰色拓扑预测的GM (1,1) 模型群对未来的水质浓度进行预测，得到各阈值2018—2022年内可能出现的未来预测时刻，并进行整数化处理，即落入区间[k−0.5, k+0.5]的预测时刻对应的阈值均为第k年的预测值[16]。在建模过程中会形成不同阈值处于相同年份的预测无效点，这是如阈值选取过密集或者是模型本身存在的模拟误差等多因素造成的，该类失效点可以用一个区间来描述[17]。其中出现频率= 2018—2022年内相应阈值出现时间点的个数/2018—2022年总时间点个数 (表6)。
表 6 不同水质数据的浓度阈值2018—2022年的出现时间序预测Table 6. Prediction of concentration thresholds for different water quality data during 2018−2022水质指标
Water quality index阈值
Threshold预测时间点
Predicted time point出现频率
Occurrence frequency溶解氧 DO 7.4 2019 (春) 0.1 8.0 2020 (春) 0.1 8.6 2019 (春)、2022 (秋) 0.2 9.2 2018 (秋)、2020 (春)、2021 (秋)、2022 (秋) 0.4 9.8 2022 (秋) 0.1 失效点 Failure point 2019 (春)：[7.4,8.6]，2022 (秋)：[9.2,9.8] 化学需氧量 COD 0.7 2018 (春)、2022 (春) 0.2 1.5 2020 (春)、2022 (春) 0.2 2.3 2020 (秋)、2022 (秋) 0.2 3.1 无 0 3.9 无 0 失效点 Failure point 2022 (春)：[0.7,1.5] 生化需氧量 BOD5 1.6 2022 (春) 0.1 2.2 2021 (秋) 0.1 2.8 2020 (春)、2021 (春) 0.2 3.4 2018 (秋)、2022 (春) 0.2 4 2018 (春)、2019 (秋)、2020 (秋)、2022 (秋) 0.4 失效点 Failure point 2022 (春)：[1.6,3.4] 溶解无机氮 DIN 0.2 2019 (秋)、2022 (春) 0.2 0.3 2018 (秋)、2020 (秋) 0.2 0.4 2018 (秋)、2020 (秋) 0.2 0.5 2018 (春)、2020 (春)、2022 (秋) 0.3 0.6 2019 (秋) 0.1 失效点 Failure point 2018 (秋) ：[0.3,0.4]，2019 (秋) ：[0.2,0.6] 注：2021—2022年的预测有效性<2018—2020年的预测有效性，但其仍具一定参考价值 Note: The predictive validity of 2021−2022 is lower than that of 2018–2020, but it still has some reference value. 根据表6做出海州湾海洋牧场人工鱼礁区的水质拓扑预测包络曲线，灰色区域表示预测区间 (图3)。未出现预测值的年份则需再添加阈值通过建模补全。
![]()
图 3 2018—2022年海州湾人工鱼礁区溶解氧、化学需氧量、生化需氧量和溶解无机氮的预测包络曲线Figure 3. Prediction envelope curves of DO, COD, BOD5 and DIN in artificial reef area of Haizhou Bay from 2018 to 2022以灰色拓扑模型的预测结果来评价海州湾人工鱼礁区的水质状况和人工鱼礁的环境修复效果 (表6和图3)，DO的9.2阈值浓度2018—2022年的出现频率为0.4，其余4个阈值浓度出现频率均在0.2以下。图形趋势有小幅波动，整体呈上升趋势，但海水DO浓度存在上限，因此在2018—2022年内海州湾人工鱼礁区水质趋势维持在相当高的DO浓度可能性较大。总体平均质量浓度为8.615 mg·L−1，超过海水水类标准Ⅰ类标准 (6 mg·L−1)。COD在0.7~2.3 mg·L−1的阈值范围出现频率为0.6、3.1和3.9的阈值浓度在2018—2022年内未出现预测值，图形波动平缓，主要集中在0.7~2.3 mg·L−1。总体平均质量浓度为1.76 mg·L−1，基本处在海水水质标准在Ⅱ类 (3 mg·L−1) 以上，表明海州湾人工鱼礁区内受有机物污染的程度有整体下降的趋势，可能原因在于高水平的DO浓度促进了COD的降解。DO和COD均呈现良好水质状态表明，海洋牧场人工鱼礁区的建设对水环境质量具有一定的修复作用，这与展卫红等[18]的研究结果类似。
BOD5阈值浓度4的出现频率为0.4，且大部分出现在秋季，其余阈值浓度的出现频率则小于0.2。图形波动较大，总体呈上升趋势，表明在2018—2022年海州湾人工鱼礁区海洋水质的BOD5浓度仍然偏高。总体平均质量浓度为3.15 mg·L−1，BOD5的海水水质标准极大可能介于Ⅱ(3 mg·L−1) 类和Ⅲ类 (4 mg·L−1) 之间。DIN的预测结果不确定性较大，0.2~0.5的阈值浓度出现频率接近。图形呈现出一定周期性的波动变化，可能由于其浓度受到陆源排污的影响较大，且DIN作为海洋生物生长繁殖的所必需的营养物质[19]，海洋具有一定的自消耗能力。总体平均质量浓度为0.38 mg·L−1，说明DIN海水水质标准同样介于Ⅱ (0.3 mg·L−1) 类和Ⅲ类 (0.4 mg·L−1) 之间。从预测结果来看，2018—2022年海州湾人工鱼礁区的BOD5和DIN浓度偏高，存在一定超标风险，相关部门需要引起重视，从源头出发采取相应措施。
2.5 实际检验
灰色拓扑预测的结果与2018年 (春秋) 实际水质数据进行对比检验，结果见表7。
表 7 灰色拓扑预测值与2018年春秋实际水质数据对比Table 7. Comparison of predicted values and actual water quality data in spring and autumn of 2018水质指标
Water quality index时间
Time预测值 (区间)
Predictive value (interval)实际数据
Actual data相对误差/%
Occurrence frequency溶氧 DO 春 (5月) [8.6,9.2] 9.399 1 2.16 秋 (10月) 8.3 8.053 0 6.80 化学需氧量 COD 春 (5月) [0.7,2.7] 3.511 7 23.11 秋 (10月) [1.5,2.3] 2.484 2 7.41 生化需氧量 BOD5 春 (5月) 4.0 3.768 9 6.13 秋 (10月) [3.4,3.7] 3.081 9 10.32 溶解无机氮 DIN 春 (5月) 0.5 0.473 6 5.57 秋 (10月) [0.3,0.4] 0.361 9 0 通过对比预测值与2018年春秋季实际水质数据结果，发现除COD预测模型中2018年春季的数据误差较大 (23.11%) 外，其余2018春秋季的水质预测值 (区间) 与实际数据较为吻合，相对误差均在15%以内，进一步验证了预测结果的可信程度。
3. 讨论
水质中长期预测模型的构建具有一定难度。从本文的模型精度看，残差修正的GM (1,1) 模型虽然具有一定提高模型精度的作用，但对于海洋水质数据并不完全适用，这与郭兰兰[9]的研究略有出入，笔者认为其原因在于海洋水质数据相较于河流波动性更大。而灰色拓扑模型则能够更好地对波动的水质数据进行建模并预测，克服了海洋水质数据的随机波动性所导致建模困难的问题。但灰色拓扑模型作为灰色理论中应用相对较少的一种方法，在建模过程中也存在不足之处[20]，例如针对波动序列进行等高线分割没有相应通用的理论指导，大多通过经验法抑或是多次建模验证；与其他图形预测方法[21-22]结合来对灰色拓扑模型优化的研究较少等。因此，针对灰色拓扑预测的改进仍需要更进一步的研究，只有理论完备的模型基础才能趋向实际的应用。
一个完善的评价指标体系必须具备解释功能、评价功能及预测预报功能[23]，但对于海洋环境评价体系中预测预报功能的研究尚少[24-25]。本文运用灰色拓扑模型对海州湾人工鱼礁区的水质数据进行浓度预测，补充了海洋环境评价体系的水质预测能力，可为海州湾海洋牧场的环境评价体系补充更多科学的论证，还可为海州湾以人工鱼礁为主的海洋环境修复建设提供决策参考和借鉴。而就本文的预测与评价结果来看，它是以当下发展态势为前提，得到2018—2022年水质的变化趋势，具有一定的现实参考意义，而不是精确到某个具体值[26]，未来的趋势仍较大程度取决于政府部门相关的用海政策，对数据进行及时的更新才能保证预测结果的有效性。
4. 结论
本文采用残差修正的GM (1,1) 模型和灰色拓扑理论对海州湾的水质指标数据进行建模，发现灰色拓扑预测相较于残差修正的GM (1,1) 模型针对水质数据具有更好的预测精度，且预测结果与2018年春秋实际值较为吻合。对预测结果分析发现，海州湾人工鱼礁区的DO、COD水质指标在未来5年可以保持良好的水质状态，可见人工鱼礁的建设对海洋环境具有一定的修复作用。但BOD5和DIN仍存在一定的超标风险。灰色拓扑预测的改进仍具有较大的研究空间，如等高线选取理论基础，与其他图形预测方法相结合等将是未来的研究方向之一。
-
[1] FAO. The state of world fisheries and aquaculture[M]. Rome: Food and Aquaculture Organization of the United Nations, 2020: 29-31.
[2] 农业农村部渔业渔政管理局. 2019中国渔业统计年鉴[M]. 北京: 中国农业出版社, 2019: 22-23. [3] DAME R F. Ecology of marine bivalves. An ecosystem approach[M]. Leesburg: Taylor & Francis/CRC Press, 2011: 146-148.
[4] WONG W H, TWINING B S. Assimilation of micro- and mesozooplankton by zebra mussels: a demonstration of the food web link between zooplankton and benthic suspension feeders[J]. Limnol Oceanogr, 2003, 48(1): 308-312. doi: 10.4319/lo.2003.48.1.0308
[5] 周毅, 杨红生. 四十里湾几种双壳贝类及污损动物的氮、磷排泄及其生态效应[J]. 海洋与湖沼, 2002, 33(4): 424-431. doi: 10.3321/j.issn:0029-814X.2002.04.012 [6] FIELD C B, BEHRENFELD M J, RANDERSON J T, et al. Primary production of the biosphere: integrating terrestrial and oceanic components[J]. Science, 1998, 281(5374): 237-240. doi: 10.1126/science.281.5374.237
[7] 陈露, 李纯厚, 魏小岚, 等. 南沙群岛海域夏季氮磷添加模拟实验中浮游植物群落的变化[J]. 南方水产科学, 2015, 11(5): 56-66. doi: 10.3969/j.issn.2095-0780.2015.05.007 [8] 汪秀芳, 陈圣宾, 宋爱琴, 等. 植物在硅生物地球化学循环过程中的作用[J]. 生态学杂志, 2007, 26(4): 595-600. doi: 10.3321/j.issn:1000-4890.2007.04.026 [9] HULOT V, SAULNIER D, LAFABRIE C, et al. Shellfish culture: a complex driver of planktonic communities[J]. Rev Aquacult, 2020, 12(1): 33-46. doi: 10.1111/raq.12303
[10] SMAAL A, van STRALEN M, SCHUILING E. The interaction between shellfish culture and ecosystem processes[J]. Can J Fish Aquat Sci, 2001, 58: 991-1002. doi: 10.1139/f01-026
[11] QIANG X U, YANG H. Food sources of three bivalves living in two habitats of Jiaozhou Bay (Qingdao, China): indicated by lipid biomarkers and stable isotope analysis[J]. J Shellfish Res, 2015, 26(2): 561-567.
[12] 沈亚男, 张博, 姜松, 等. 基于脂肪酸标志法的不同海区合浦珠母贝的摄食差异研究[J]. 南方水产科学, 2015, 11(6): 27-33. doi: 10.3969/j.issn.2095-0780.2015.06.004 [13] WONG W H, LEVINTON J S. The trophic linkage between zooplankton and benthic suspension feeders: direct evidence from analyses of bivalve faecal pellets[J]. Mar Biol, 2006, 148(4): 799-805. doi: 10.1007/s00227-005-0096-0
[14] LEHANE C, DAVENPORT J. Ingestion of bivalve larvae by Mytilus edulis: experimental and field demonstrations of larviphagy in farmed blue mussels[J]. Mar Biol, 2004, 145(1): 101-107.
[15] PRATO E, DANIELI A, MAFFIA M, et al. Lipid and fatty acid compositions of Mytilus galloprovincialis cultured in the Mar Grande of Taranto (Southern Italy): feeding strategies and trophic relationships[J]. Zool Stud, 2010, 49(2): 211-219.
[16] MANAHAN D T, WRIGHT S H, STEPHENS G C. Simultaneous determination of net uptake of 16 amino acids by a marine bivalve[J]. Am J Physiol, 1983, 244(6): 832-838.
[17] 张继红, 方建光. 栉孔扇贝对春季桑沟湾颗粒有机物的摄食压力[J]. 水产学报, 2006, 365(2): 103-115. [18] PRINS T C, SMAAL A C, DAME R F. A review of the feedbacks between bivalve grazing and ecosystem processes[J]. Aquat Ecol, 1997, 31(4): 349-359. doi: 10.1023/A:1009924624259
[19] PETERSEN J K, NIELSEN T G, van DUREN L, et al. Depletion of plankton in a raft culture of Mytilus galloprovincialis in Rıa de Vigo, NW Spain: I. Phytoplankton[J]. Aquat Biol, 2008, 4(2): 113-125.
[20] LIN J, LI C, ZHANG S. Hydrodynamic effect of a large offshore mussel suspended aquaculture farm[J]. Aquaculture, 2016, 451: 147-155. doi: 10.1016/j.aquaculture.2015.08.039
[21] OGILVIE S C, ROSS A H, SCHIEL D R. Phytoplankton biomass associated with mussel farms in Beatrix Bay, New Zealand[J]. Aquaculture, 2000, 181(1): 71-80.
[22] STROHMEIER T, DUINKER A, STRAND Ø, et al. Temporal and spatial variation in food availability and meat ratio in a longline mussel farm (Mytilus edulis)[J]. Aquaculture, 2008, 276(12/3/4): 83-90.
[23] YUKIHIRA H, LUCAS J, KLUMPP D. Comparative effects of temperature on suspension feeding and energy budgets of the pearl oysters Pinctada margaritifera and P. maxima[J]. Mar Ecol Prog Ser, 2000, 195: 179-188. doi: 10.3354/meps195179
[24] WANG Y, HU M, WONG W H, et al. The combined effects of oxygen availability and salinity on physiological responses and scope for growth in the green-lipped mussel Perna viridis[J]. Mar Pollut Bull, 2011, 63(5-12): 255-261. doi: 10.1016/j.marpolbul.2011.02.004
[25] NORKKO J, PILDITCH C A, THRUSH S F, et al. Effects of food availability and hypoxia on bivalves: the value of using multiple parameters to measure bivalve condition in environmental studies[J]. Mar Ecol Prog Ser, 2005, 298(1): 205-218.
[26] RICHARD M, ARCHAMBAULT P, THOUZEAU G, et al. Influence of suspended mussel lines on the biogeochemical fluxes in adjacent water in the Îles-de-la-Madeleine (Quebec, Canada)[J]. Can J Fish Aquat Sci, 2016, 63(6): 1198-1213.
[27] FILGUEIRA R, BYRON C, COMEAU L, et al. An integrated ecosystem approach for assessing the potential role of cultivated bivalve shells as part of the carbon trading system[J]. Mar Ecol Prog Ser, 2015, 518: 281-287. doi: 10.3354/meps11048
[28] FOURNIER J, DUPUY C, BOUVY M, et al. Pearl oysters Pinctada margaritifera grazing on natural plankton in Ahe atoll lagoon (Tuamotu Archipelago, French Polynesia)[J]. Mar Pollut Bull, 2012, 65(10-12): 490-499. doi: 10.1016/j.marpolbul.2012.03.026
[29] ROSA M, WARD J E, OUVRARD M, et al. Examining the physiological plasticity of particle capture by the blue mussel, Mytilus edulis (L.): confounding factors and potential artifacts with studies utilizing natural seston[J]. J Exp Mar Biol Ecol, 2015, 473: 207-217. doi: 10.1016/j.jembe.2015.09.005
[30] STROHMEIER T, STRAND Ø, ALUNNO-BRUSCIA M, et al. Variability in particle retention efficiency by the mussel Mytilus edulis[J]. J Exp Mar Biol Ecol, 2012, 412(3): 96-102.
[31] LI W K, RAO D V, HARRISON W G, et al. Autotrophic picoplankton in the tropical ocean[J]. Science, 1983, 219(4582): 292-295. doi: 10.1126/science.219.4582.292
[32] GLOVER H E, CAMPBELL L, PRÉZELIN B B. Contribution of Synechococcus spp. to size-fractioned primary productivity in three water masses in the Northwest Atlantic Ocean[J]. Mar Biol, 1986, 91(2): 193-203. doi: 10.1007/BF00569435
[33] FRAU D, MOLINA F R, MAYORA G. Feeding selectivity of the invasive mussel Limnoperna fortunei (Dunker, 1857) on a natural phytoplankton assemblage: what really matters?[J]. Limnology, 2016, 17(1): 47-57. doi: 10.1007/s10201-015-0459-2
[34] JIANG T, CHEN F, YU Z, et al. Size-dependent depletion and community disturbance of phytoplankton under intensive oyster mariculture based on HPLC pigment analysis in Daya Bay, South China Sea[J]. Environ Pollut, 2016, 219: 804-814. doi: 10.1016/j.envpol.2016.07.058
[35] JACOBS P, RIEGMAN R, MEER J V D. Impact of introduced juvenile mussel cultures on the pelagic ecosystem of the western Wadden Sea, the Netherlands[J]. Aquacult Env Interac, 2016, 8: 553-566. doi: 10.3354/aei00196
[36] LUCAS L V, CLOERN J E, THOMPSON J K, et al. Bivalve grazing can shape phytoplankton communities[J]. Front Mar Sci, 2016, 3: 3-14.
[37] VAQUER A, TROUSSELLIER M, COURTIES C, et al. Standing stock and dynamics of picophytoplankton in the Thau Lagoon (Northwest Mediterranean Coast)[J]. Limnol Oceanogr, 1996, 41(8): 1821-1828. doi: 10.4319/lo.1996.41.8.1821
[38] TOMARU Y, UDAKA N, KAWABATA Z, et al. Seasonal change of seston size distribution and phytoplankton composition in bivalve pearl oyster Pinctada fucata martensii culture farm[J]. Hydrobiologia, 2002, 481(1): 181-185.
[39] ROSA M, WARD J E, HOLOHAN B A, et al. Physicochemical surface properties of microalgae and their combined effects on particle selection by suspension-feeding bivalve molluscs[J]. J Exp Mar Biol Ecol, 2017, 486: 59-68. doi: 10.1016/j.jembe.2016.09.007
[40] KACH D J, WARD J E. The role of marine aggregates in the ingestion of picoplankton-size particles by suspension-feeding molluscs[J]. Mar Biol, 2008, 153(5): 797-805. doi: 10.1007/s00227-007-0852-4
[41] BENINGER P G, DECOTTIGNIES P. What makes diatoms attractive for suspensivores? The organic casing and associated organic molecules of Coscinodiscus perforatus are quality cues for the bivalve Pecten maximus[J]. J Plankton Res, 2005, 27(1): 11-17.
[42] ESPINOSA E P, HASSAN D, WARD J E, et al. Role of epicellular molecules in the selection of particles by the blue mussel, Mytilus edulis[J]. Biol Bull, 2010, 219(1): 50-60. doi: 10.1086/BBLv219n1p50
[43] ESPINOSA E P, CERRATO R M, WIKFORS G H, et al. Modeling food choice in the two suspension-feeding bivalves, Crassostrea virginica and Mytilus edulis[J]. Mar Biol, 2016, 163(2): 40. doi: 10.1007/s00227-016-2815-0
[44] ESPINOSA E P, ALLAM B. Reverse genetics demonstrate the role of mucosal C-type lectins in food particle selection in the oyster Crassostrea virginica[J]. J Exp Biol, 2018, 221: jeb. 174094. doi: 10.1242/jeb.174094
[45] ESPINOSA E P, ALLAM B. Food quality and season affect gene expression of the mucosal lectin MeML and particle sorting in the blue mussel Mytilus edulis[J]. Mar Biol, 2013, 160(6): 1441-1450. doi: 10.1007/s00227-013-2196-6
[46] 齐占会, 王珺, 黄洪辉, 等. 广东省海水养殖贝藻类碳汇潜力评估[J]. 南方水产科学, 2012, 8(1): 30-35. doi: 10.3969/j.issn.2095-0780.2012.01.005 [47] 张继红, 方建光, 唐启升. 中国浅海贝藻养殖对海洋碳循环的贡献[J]. 地球科学进展, 2005, 20(3): 359-365. doi: 10.3321/j.issn:1001-8166.2005.03.014 [48] BRICKER S B, FERREIRA J G, ZHU C, et al. Role of shellfish aquaculture in the reduction of eutrophication in an urban estuary[J]. Environ Sci Technol, 2018, 52(1): 173-178. doi: 10.1021/acs.est.7b03970
[49] 沈伟良, 尤仲杰, 施祥元. 不同规格及不同盐度下毛蚶稚贝耗氧率和排氨率的研究[J]. 海洋水产研究, 2008, 29(2): 53-56. [50] SOUCHU P, VAQUER A, COLLOS Y, et al. Influence of shellfish farming activities on the biogeochemical composition of the water column in Thau Lagoon[J]. Mar Ecol Prog Ser, 2001, 218: 141-152. doi: 10.3354/meps218141
[51] LACOSTE E, GUEGUEN Y, le MOULLAC G, et al. Influence of farmed pearl oysters and associated biofouling communities on nutrient regeneration in lagoons of French Polynesia[J]. Aquacult Env Interac, 2014, 5: 209-219. doi: 10.3354/aei00107
[52] GAERTNER-MAZOUNI N, LACOSTE E, BODOY A, et al. Nutrient fluxes between water column and sediments: potential influence of the pearl oyster culture[J]. Mar Pollut Bull, 2012, 65(10/11/12): 500-505. doi: 10.1016/j.marpolbul.2012.02.013
[53] MAZOUNI N, GAERTNER J C, DESLOUS-PAOLI J M, et al. Nutrient and oxygen exchanges at the water-sediment interface in a shellfish farming lagoon (Thau, France)[J]. J Exp Mar Biol Ecol, 1996, 205(1/2): 91-113.
[54] KELLOGG L M, CORNWELL J C, OWENS M S, et al. Denitrification and nutrient assimilation on a restored oyster reef[J]. Mar Ecol Prog Ser, 2013, 480(2): 1-19.
[55] BROEKHOVEN W V, TROOST K, JANSEN H, et al. Nutrient regeneration by mussel Mytilus edulis spat assemblages in a macrotidal system[J]. J Sea Res, 2014, 88(2): 36-46.
[56] 赵俊梅, 方建光, 包振民, 等. 3种滤食性贝类对塔玛亚历山大藻的摄食研究[J]. 海洋水产研究, 2004, 25(3): 17-22. [57] HÉGARET H, WIKFORS G H, SHUMWAY S E. Diverse feeding responses of five species of bivalve mollusc when exposed to three species of harmful algae[J]. J Shellfish Res, 2017, 26(2): 549-559.
[58] FALKOWSKI P G. Rationalizing elemental ratios in unicellular algae[J]. J Phycol, 2010, 36(1): 3-6.
[59] PAERL H W, MACKENZIE L A. A comparative study of the diurnal carbon fixation patterns of nannoplankton and net plankton[J]. Limnol Oceanogr, 1977, 22(4): 732-738. doi: 10.4319/lo.1977.22.4.0732
[60] GEIDER R, ROCHE J L. Redfield revisited: variability of C: N: P in marine microalgae and its biochemical basis[J]. Eur J Phycol, 2002, 37(1): 1-17. doi: 10.1017/S0967026201003456
[61] NEWELL C R, RICHARDSON J. The effects of ambient and aquaculture structure hydrodynamics on the food supply and demand of mussel rafts[J]. J Shellfish Res, 2014, 32(1): 257-272.
[62] 史洁, 魏皓. 半封闭高密度筏式养殖海域水动力场的数值模拟[J]. 中国海洋大学学报, 2009, 39(6): 1181-1187. [63] STROHMEIER T, AURE J, DUINKER A, et al. Flow reduction, seston depletion, meat content and distribution of diarrhetic shellfish toxins in a long-line blue mussel (Mytilus edulis) farm[J]. J Shellfish Res, 2014, 24(1): 15-23.
[64] O'DONNCHA F, HARTNETT M, NASH S. Physical and numerical investigation of the hydrodynamic implications of aquaculture farms[J]. Aquacult Eng, 2013, 52(7): 14-26.
[65] CERCO C F, NOEL M R. Monitoring, modeling, and management impacts of bivalve filter feeders in the oligohaline and tidal fresh regions of the Chesapeake Bay system[J]. Ecol Model, 2010, 221(7): 1054-1064. doi: 10.1016/j.ecolmodel.2009.07.024
[66] CRANFORD P J, DUARTE P, ROBINSON S M C, et al. Suspended particulate matter depletion and flow modification inside mussel (Mytilus galloprovincialis) culture rafts in the Ría de Betanzos, Spain[J]. J Exp Mar Biol Ecol, 2014, 452(2): 70-81.
[67] CLARISSE O, ABREU P C, CARSTENSEN J. Retention time generates short-term phytoplankton blooms in a shallow microtidal subtropical estuary[J]. Estuar Coast Shelf Sci, 2015, 162: 35-44. doi: 10.1016/j.ecss.2015.03.004
[68] WAGGETT R J, BUSKEY E J. Copepod escape behavior in nonturbulent and turbulent hydrodynamic regimes[J]. Mar Ecol Prog Ser, 2007, 334: 193-198. doi: 10.3354/meps334193
[69] JAKOBSEN H H. Escape of protists in predator-generated feeding currents[J]. Aquat Microb Ecol, 2002, 26(3): 271-281.
[70] TITELMAN J, KIØRBOE T. Predator avoidance by nauplii[J]. Mar Ecol Prog Ser, 2003, 247(1): 137-149.
[71] QI Z, HAN T, ZHANG J, et al. First report on in situ biodeposition rates of ascidians (Ciona intestinalis and Styela clava) during summer in Sanggou Bay, northern China[J]. Aquacult Env Interac, 2015, 6(3): 233-239. doi: 10.3354/aei00129
[72] 齐占会, 方建光, 张继红, 等. 桑沟湾贝藻养殖区附着生物群落季节演替研究[J]. 渔业科学进展, 2010, 31(4): 72-77. doi: 10.3969/j.issn.1000-7075.2010.04.010 [73] COMEAU L A, FILGUEIRA R, GUYONDET T, et al. The impact of invasive tunicates on the demand for phytoplankton in longline mussel farms[J]. Aquaculture, 2015, 441: 95-105. doi: 10.1016/j.aquaculture.2015.02.018
[74] LACOSTE E, GAERTNER-MAZOUNI N. Biofouling impact on production and ecosystem functioning: a review for bivalve aquaculture[J]. Rev Aquacult, 2015, 7(3): 187-196. doi: 10.1111/raq.12063
[75] MAZOUNI N, GAERTNER J C, DESLOUS-PAOLI J M. Influence of oyster culture on water column characteristics in a coastal lagoon (Thau, France)[J]. Hydrobiologia, 1998, 373-374(3): 149-156.
[76] MAZOUNI N, GAERTNER J C, DESLOUS-PAOLI J M. Composition of biofouling communities on suspended oyster cultures: an in situ study of their interactions with the water column[J]. Mar Ecol Prog Ser, 2001, 214: 93-102. doi: 10.3354/meps214093
[77] YAHEL G, EERKES-MEDRANO D I, LEYS S P. Size independent selective filtration of ultraplankton by hexactinellid glass sponges[J]. Can J Zool, 2006, 45: 181-194.
-
期刊类型引用(4)
1. 江满菊，郭禹，秦传新，辛益，赵心冉，于刚，马振华，杨育凯. 红鳍笛鲷幼鱼对不同开孔形状和尺寸人工鱼礁模型的行为偏好探究. 南方水产科学. 2024(05): 42-52 . 
本站查看
2. 曾钰，肖曲，陶佳，高雯媛，张翔宇. 基于人工神经网络构建湖南省企业重金属废水预测模型研究. 科技资讯. 2024(24): 202-204 . 百度学术
3. 马晓霞. 地下水水环境中的非突发性水质风险预测模型研究. 环境科学与管理. 2022(08): 181-185 . 百度学术
4. 徐文哲，朱丽梅，范海莉，王增远，周翠兰. 基于神经网络算法的造纸生产线废水处理水质预测. 造纸科学与技术. 2022(02): 39-43 . 百度学术
其他类型引用(9)
下载:
计量
- 文章访问数: 1692
- HTML全文浏览量: 539
- PDF下载量: 149
- 被引次数: 13
粤公网安备 44010502001741号
