Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2023 , Vol. 42 >Issue 1: 182 - 191

DOI: https://doi.org/10.11978/2022120

Marine Environmental Protection

Identification and quantitative analysis of key controlling factors of water quality response to human activities in the Daya Bay, China

  • JIANG Xun , 1 ,
  • WU Wen , 1, 2 ,
  • SONG Dehai 3
Expand
  • 1. College of Oceanic and Atmospheric Sciences, Ocean University of China, Qingdao 266100, China
  • 2. Institute of Marine Development of Ocean University of China, Qingdao 266100, China
  • 3. Key Laboratory of Physical Oceanography, Ministry of Education, Ocean University of China, Qingdao, 266100, China
WU Wen. emails:

Copy editor: YAO Yantao

Received date: 2022-05-25

  Revised date: 2022-07-06

  Online published: 2022-07-06

Supported by

National Natural Science Foundation of China(41806132)

Fold

Abstract

With the rapid development of economy and population in coastal areas, the water quality of the main bays around the world has been affected by human activities which results in the deterioration of the ecological environment. Based on the survey and statistical data from 1995 to 2014 in the Daya Bay, Guangdong Province, China, coefficient of variation method, bivariate correlation analysis, principal component analysis and linear regression analysis were used to identify the key controlling indicators from the anthropogenic pressure indicators and coastal carrying indicators, which have significant impact on the water quality of the Daya Bay. The proportion of the carrying capacity of each important controlling factor was used to quantify the water quality effect. The results showed that the key controlling indicators contained three anthropogenic pressure indicators, including land reclamation, domestic sewage discharge and industrial wastewater discharge. The key controlling indicators had remarkable variation and greater loading values, and they were significantly correlated to the CDIN which was the main pollutant in the Daya Bay. The quantitative assessment results showed that the carrying capacity of key controlling indicators (land reclamation, domestic sewage discharge and industrial wastewater discharge) were 6.19%, 5.07% and 17.51%, respectively, of which the proportion of industrial wastewater discharge is the highest and has the greatest impact on the Daya Bay. Therefore, human activities were the main cause for the deterioration of water quality in the Daya Bay. These results illustrated that the control of land-based pollution and the regulation of the coastline should be implemented to promote the sustainable development of social economy around the Daya Bay.

Key words： Daya Bay; water quality; indicators identification; quantitative analysis; human activities

Cite this article

JIANG Xun , WU Wen , SONG Dehai . Identification and quantitative analysis of key controlling factors of water quality response to human activities in the Daya Bay, China[J]. Journal of Tropical Oceanography, 2023 , 42(1) : 182 -191 . DOI: 10.11978/2022120

海湾因具有独特的区位优势和丰富的海洋资源而成为人类进行开发利用活动的热门区域。近年来, 随着沿海地区经济和人口的不断发展, 海岸带开发强度的不断增加, 以及陆源污染物的超标排放导致海湾水质状况逐渐恶化, 海湾的可持续发展面临严峻的考验。国内外学者对于海湾环境的研究主要集中于两个方面: 海湾生态系统健康评价(Pantus et al, 2005; Munawar et al, 2012; 李纯厚 等, 2013; Baek et al, 2014; Sun et al, 2019)和海湾生态承载力评估(Byron et al, 2011; 翁骏超 等, 2015; Wu et al, 2021)。生态系统健康评价最常用的两种方法为指示物种法(罗先香 等, 2009; Ogden et al, 2014; Purvaja et al, 2018)和指标体系法(陆志强 等, 2015; Schrandt et al, 2021), 生态承载力则主要通过层次分析法、状态空间法、生态足迹法等进行计算(Wei et al, 2014; 曲修齐 等, 2019; Bu et al, 2020)。
对于大亚湾, 目前更多学者着眼于探讨其生态系统的健康状况, 基于层次分析法、综合指数法等方法, 构建理论模型及指标体系, 分析人类活动对大亚湾海洋生态环境的影响及变化趋势(Wang et al, 2008; 杨进 等, 2011; 李纯厚 等, 2015; Li et al, 2021)。这些研究大多是选取有机污染指数、营养水平指数等表征水质状况的综合性指标对人类活动产生的压力进行衡量, 关注海湾生态系统整体健康状态的变化, 但缺乏对于海湾水质与人类活动和海域承载要素之间的关联性分析, 故而无法确定导致大亚湾水质发生变化的主要因素。要明确近海水质与人为压力和近海承载要素之间的关联性, 既包括关键控制指标识别, 也包括关键控制指标水质效应的量化评价。通过关联性分析, 可识别出对海湾水质产生主要影响的关键控制指标; 只有在关键控制指标识别的基础上进行海湾状态的评价, 才能更好地体现评价指标的准确性和协同性(Simeonov et al, 2003; Borja et al, 2006)。对于近海水质控制指标识别, 目前广泛运用主成分分析、聚类分析、多元回归分析等多元统计分析法(Simeonov et al, 2003; Ouyang et al, 2006; Ye et al, 2017; Wang et al, 2017; Zhang et al, 2017); 水质效应的量化评价则多采用情景模式/数值实验或承载力计算等方法(Wang et al, 2017; Zhang et al, 2017)。本文通过对1995—2014年大亚湾水质的变化与人为压力要素和海域承压要素之间的关联性分析, 结合指标自身的变动性和指标之间的独立性, 识别出对大亚湾水质产生显著影响的关键控制指标, 随后通过承载力的计算量化解析关键控制指标的水质效应。根据要素指标筛选和量化评估的结果, 提出有针对性的、合理的海湾水质管理对策建议, 以期更有效地改善大亚湾的海洋环境, 推动大亚湾的可持续发展。

1 数据资料与方法

1.1 研究区域概况

大亚湾是位于广东省的一个大型半封闭海湾(113°29′42″—114°49′42″E, 23°31′12″—24°50′00″N), 海岸线长92km, 面积约600km2, 水深较浅, 最大水深小于21m, 平均水深9.7m。湾内岛屿众多、生境多样、生物资源丰富, 位于我国南方最大的珠三角经济圈南段, 具有重要的经济效益。同时, 大亚湾也是一个极易受到人类活动影响的海湾, 围填海、陆源排污及海水养殖等人类活动造成了大亚湾海洋环境的恶化(彭云辉 等, 2002; Qi et al, 2019)。自1987年起, 大型石化工程及核电群落的建设造成大亚湾自然岸线的属性发生变化, 从而导致海湾水文动力场的变化, 海湾纳潮能力减小。根据前人对大亚湾海域营养状况的研究, 自20世纪80年代以来, 大亚湾的营养状况已经从贫养变成了中等营养, 有些海区甚至已经出现了富营养化(王肇鼎 等, 2003); 海湾的营养盐结构发生了变化, 无机氮浓度增加, 磷酸盐含量下降, 限制因子由氮限制转变为了磷限制(王友绍 等, 2004; Wu et al, 2017; Yang et al, 2020)。2001—2007年间, 大亚湾海域发生赤潮20余次, 大多集中于坝光和东升等海水养殖区域。同时, 溶解无机氮和磷酸盐浓度从近岸向远海递减, 说明近海的人类活动可能对大亚湾水质造成了比较显著的影响(杨文超 等, 2020)。大亚湾水质的恶化使海湾生态系统遭到了严重破坏, 出现了生物多样性降低、生物资源衰退、红树林湿地面积锐减等生态问题(王友绍 等, 2004; 柯东胜 等, 2010)。然而, 海湾水质是人为压力要素和海域承压要素共同作用的结果, 海域承压要素如水动力环境、生物地球化学迁移过程等也是影响海湾水质的重要因素。因此, 对影响海湾水质的要素指标按照其对水质的影响程度进行筛选和识别, 可以明确对海湾产生较大影响的指标, 从而更有目标性和针对性地对大亚湾海域的生态环境进行管理。

1.2 数据来源与处理

本文所涉及的围填海数据主要参考2016年《大亚湾涉海工程建设对海洋生态环境影响及其承载力综合评估》中给出的大亚湾围填海相关数据; 渔业、人口、经济、排污数据来源于1995—2014年《惠州市统计年鉴》; 水温、pH、溶解氧数据主要参考相关的文献资料(王友绍, 2014)以及广东大亚湾海洋生态系统国家野外科学观测研究站(http://dyb.cern.ac.cn/)发布的数据; 叶绿素、浮游动物丰度、风速、流速等数据来源于《营养物质对海湾生态环境影响的过程与机理》一书(黄小平 等, 2019)。
由于本文侧重于研究水质的长期变化, 且将对不同指标与水质变化之间的关联性进行分析, 因此所有指标都采用年均值进行计算, 且指标须有连续性。对于部分年份缺失的数据, 若指标的年际变化显著, 则采用线性内插法补齐数据; 若趋势不显著, 则通过前后2年均值估算补齐数据。同时, 为了消除不同指标之间取值范围及量级的差异, 需要对指标进行标准化处理。本文采取极差法标准化的方法, 对原始数据进行线性转换, 正向指标(指标数值越大, 对海湾环境造成的压力越小, 海湾水质越好)的转换公式为:
x * = x i - x m i n x m a x - x m i n
负向指标(指标数值越大, 对海湾环境造成的压力越大, 海湾水质越差)的转换公式为:
x * = x m a x - x i x m a x - x m i n
式中: x*为指标标准值; x i为指标原始值; x m a x为原始数据的最大值; x m i n为原始数据的最小值。

1.3 研究内容与方法

1.3.1 大亚湾水质对人类活动的响应评价指标体系

近岸海域的水质变化是人为压力要素和海域承压要素共同作用的结果(Papatheodorou et al, 2006; Elliott et al, 2007)。根据大亚湾周边社会经济发展的主要趋势及对大亚湾周边主要人类活动的分析, 构建了大亚湾水质对人类活动的响应评价指标体系(图1), 将对大亚湾水质产生影响的主要人为压力指标分为围填海、海水养殖和陆源排污3个一级指标。海域承压指标则主要包含近海水动力输运和生物地球化学迁移2个一级指标。
图1 大亚湾水质对人类活动的响应评价指标体系

Fig. 1 Indicator system for water quality response to human activities in the Daya Bay

在人为压力指标选取方面, 用大亚湾围填海面积和大亚湾渔业产值这2个二级指标来表征大亚湾围填海和海水养殖的程度。陆源排污涵盖范围较广, 人口压力、社会经济发展都与陆源排污强度有直接联系, 因此选取大亚湾常住人口数、生活污水排放量2个人口压力指标和人均GDP、第三产业占比、工业废水排放量3个社会经济发展指标来表征陆源排污强度。在海域承压指标选取方面, 研究表明海流和风对大亚湾的水交换能力影响较大, 特别是风对大亚湾的水交换速率有极大的加速作用(王聪 等, 2009), 而海湾的水交换能力则决定着被污染的水体能否通过对流和扩散进入外海, 使海湾水质状况得到改善。因此, 结合大亚湾水动力的实际状况, 选取影响物质输运过程的风速和流速这2个二级指标。生物地球化学迁移过程则选取了水温、pH、溶解氧3个水介质指标, 以及叶绿素a浓度和浮游动物丰度2个生物指标。水温的变化与大亚湾海域的碳循环过程息息相关, 对浮游植物的群落结构也会产生重要影响(谢艳辉 等, 2015); 溶解氧、pH在生物活动的重要过程如光合作用、呼吸作用中都起到重要作用, 因此也是判断海湾水质好坏的重要指标。生物指标的选取重点关注的是浮游动植物量, 叶绿素a浓度反映了大亚湾海区的初级生产力, 一定程度上可用于表征海湾的浮游植物量。
根据评价指标的自身变动性和对大亚湾水质影响的程度, 可将其分为影响指标、控制指标和关键控制指标3个等级。影响指标是理论上对大亚湾水质有影响、但还未探明其实际作用的指标; 控制指标是指从影响指标中筛选出来的、自身变动性幅度较大且具有独立性的指标; 关键控制指标是指自身变动幅度很大且对大亚湾水质有显著影响的指标。

1.3.2 控制指标的筛选和关键控制指标的识别

评价指标体系构建完成后, 需将选取的指标进行筛选和识别, 明确对大亚湾水质产生较大影响的关键控制指标。
首先, 采用变异系数法和双变量相关性分析来筛选控制指标(王淑萍, 2017)。通常来说, 变异系数较大的指标说明其年际变化比较显著, 故而更具有评价分析的价值。变异系数的计算公式如下:
V j = S j / X j
式中: Vj、Xj、Sj分别为计算标准化后各项指标的变异系数、均值和标准差。
对通过变异性分析的指标, 结合其自身代表的信息进行双变量相关性分析, 剔除信息重叠度高的指标, 保证保留的指标均具有横向独立性。本文涉及的双变量相关性分析运用SPSS 20.0来实现。
其次, 运用主成分分析法和线性回归分析法进行关键控制指标的识别(Zhang et al, 2017)。主成分分析是基于降维的思路, 在不损失原始信息的前提下, 将具有一定相关性的多个变量转换为具有代表性的几个变量, 以达到简化数据、提高分析结果可靠性的目的。本文采用SPSS 20.0进行主成分分析, 选出特征根大于1的主成分, 用指标的综合载荷数来衡量各控制指标对主成分变化影响程度的大小, 综合载荷数的计算公式如下:
H i j 2 = ∑ j = 1 m ∂ i j 2
式中: H i j 2为综合载荷数; ∂ i j为第j个指标在第i个公共因子中的载荷数。
线性回归分析一般用来确定2个或2个以上变量的相互依赖程度, 是应用最广泛的统计技术之一。本文将筛选出来的水质控制指标分别与大亚湾海域主要污染物溶解无机氮的含量做线性回归分析, 从而判断大亚湾水质的变化与控制指标之间是否具有相关性。最后将综合载荷数较高且与溶解无机氮含量变化有显著相关性的指标识别为关键控制指标。

1.3.3 关键控制指标的验证及量化解析

海湾水质状况与其环境承载力密切相关, 海湾承载力的改变在一定程度上决定了整体水质的好坏(曲修齐 等, 2019)。因此, 本文对于关键控制指标的量化解析主要借鉴运用状态空间法定量评估环境承载力的思路(Wang et al, 2017), 将1.3.2节筛选出来的9个控制指标进行承载力计算。承载力是多个指标承载力叠加的结果, 用每一个关键控制指标承载力占大亚湾海洋环境总承载力的比例来计算该指标对大亚湾海洋环境承载力的贡献, 占比越高表明对大亚湾海洋环境的影响越大。该方法在一定程度上可对关键控制指标产生的水质效应进行量化解析。
承载力指数的计算方法如下:
C C = ∑ i = 1 n w i x i 2
式中: CC为承载力指数; n为指标个数; xi为各指标的标准值; wi为每一个指标的权重。本文采取熵值法确定指标权重, 熵值法是一种客观的确定指标权重的方法, 主要是根据指标原始数据所包含的信息和相互关系来分配指标的重要性。本文的目的是通过数据分析来明确1995—2014年间不同指标在大亚湾水质变化过程中产生的实际作用, 因此采用熵值法来进行指标权重的确定(Wei et al, 2014)。
各关键控制指标对综合承载力的贡献率计算方法如下:
ω = 1 m ∑ j = 1 m C C i 2 C C 2 = C C i 2 C C 2
式中: ω为贡献率, m为年份, CCi为第i个指标的承载力。

2 结果与讨论

2.1 评价指标的年际变化趋势分析

在过去20年中, 影响大亚湾水质的人为压力要素和海域承压要素呈现出不同的变化趋势。在人为压力方面, 围填海面积变化十分显著(图2a), 2000年之前大亚湾几乎不存在围填海建设, 确权填海仅有一宗; 2000—2014年间确权填海48宗, 围填海面积增加至近3000hm2。渔业总产值大体呈现先上升后下降, 之后又持续上升的趋势(图2a), 根据Yang等(2020)的调查显示, 大亚湾渔业资源在不断衰退, 海水养殖业兴起, 网箱养殖面积已从20世纪90年代初的数十公顷发展到2017年的近800hm2, 而海水养殖规模的扩大很可能是后期渔业产值增加的主要原因。与陆源排污相关的社会经济和人口压力指标均呈现大幅上涨的趋势(图2b、2c、2f), 这主要是由于大亚湾国家经济技术开发区的成立使大亚湾地区的经济得到了飞速发展, 经济发展的同时带动了人口增长, 从而也加剧了陆源排放物对大亚湾海域的污染。
图2 1995—2014年大亚湾水质评价指标的年均变化

Fig. 2 Annual changes of the indicators in the Daya Bay from 1995 to 2014

在表征水动力输运过程的指标方面, 大亚湾海流流速和风速的变化呈波动状态, 风速有整体下降趋势(图2d)。与生物地球化学迁移过程相关的水介质指标中, pH值在1995—2003年间不断减小, 大亚湾海域海水出现酸化趋势, 随后至2014年pH值波动上升, 说明在这期间海水的酸化问题得到了一定程度的缓解(图2e)。海水溶解氧的变化呈现先下降再上升后又持续下降的趋势, 两个峰值点分别出现在1995年和2004年(图2e)。海水水温整体变化不大, 在1995—2001年间有上升趋势, 这主要是由于大亚湾核电站的运行导致的; 2001年之后水温变化平缓, 呈现波动状态(图2f)。在生物指标方面, 表征浮游植物现存量的叶绿素a浓度在1995—1999年间呈现上升趋势, 表明浮游植物数量在增加; 2002年之后叶绿素a浓度先下降后上升, 最低值出现在2009年, 最高值出现在2011年(图2g)。浮游动物的丰度在前期则一直维持较低的水平, 自2003年开始大幅度增长, 在2009年达到最高值(图2g)。

2.2 关键控制指标的识别

本文将选取年际变化显著且具有横向独立性的指标作为控制指标。将人为压力指标和海域承压指标进行变异性分析, 结果显示, 相较于其他指标, pH和水温的年际变化极不显著, 变异系数远小于0.05。本研究认为, 变异系数大、年际变化显著的指标更具有评价分析的价值, 因此将pH和水温这2个指标从控制指标中剔除。
根据水质控制指标与大亚湾海域主要污染物溶解无机氮含量的相关性分析结果(表1)显示, 围填海面积(C1)、年末常住人口(C3)、生活污水排放量(C4)、人均GDP(C5)、工业废水排放量(C6)、第三产业占比(C7)、风速(C9)这7个指标与其他指标的相关性较高。考虑到围填海是表征大亚湾周边土地围垦强度的关键指标, 以及风速是影响大亚湾水动力的主要因素, 因此将围填海面积和风速这2个指标予以保留。与人口压力和社会经济相关的指标信息重叠程度较高, 因此各选取一个予以表征。最后保留围填海面积(C1)、渔业产值(C2)、生活污水排放量(C4)、工业废水排放量(C6)、流速(C8)、风速(C9)、溶解氧(C12)、叶绿素a浓度(C13)、浮游动物丰度(C14)这9个指标作为控制指标, 进行主成分分析和线性回归分析。
表1 Pearson相关性分析结果

Tab. 1 Result of the pearson correlation analysis

指标 围填海(C1) 渔业(C2) 人口(C3) 生活污水(C4) 人均GDP(C5) 工业废水(C6) 第三产业(C7) 流速(C8) 风速(C9) DO(C12) 叶绿素a (C13) 浮游动物(C14)
围填海(C1) 1
渔业(C2) 0.104 1
人口(C3) 0.955** 0.021 1
生活污水(C4) 0.941** 0.008 0.948** 1
人均GDP(C5) 0.962** 0.09 0.937** 0.966** 1
工业废水(C6) 0.891** -0.158 0.930** 0.892** 0.889** 1
第三产业(C7) 0.874** -0.28 0.890** 0.846** 0.868** 0.916** 1
流速(C8) -0.033 -0.08 -0.023 -0.074 0.007 -0.127 0.083 1
风速(C9) 0.635* -0.101 0.659** 0.611** 0.551** 0.726** 0.650** -0.416 1
DO(C12) -0.289 0.089 -0.181 -0.087 -0.216 -0.297 -0.397 0.172 -0.398 1
叶绿素a (C13) 0.004 0.396 -0.066 0.003 0.114 -0.087 -0.183 0.308 -0.35 0.088 1
浮游动物(C14) -0.282 0.129 -0.357 -0.218 -0.187 -0.304 -0.482* -0.06 -0.596** 0.27 0.476* 1

注: *表示在0.05水平相关性显著; **表示在0.01水平相关性显著

将上文筛选出的控制指标进行主成分分析, 结果如表2、表3所示, 共提取了3个主成分, 对方差的累计贡献率为74.353%。主成分1(F1)对方差的贡献率为37.402%, 其中围填海(C1)、生活污水排放量(C4)和工业废水排放量(C6)这3个指标的载荷值均大于0.9, 且远大于其他指标, 主要反映了人为压力要素的贡献; 主成分2(F2)对方差的贡献率为19.971%, 其中渔业总产值(C2)、叶绿素a浓度(C13)这2个指标的载荷值较高, 超过了0.7, 这主要反映了人为压力要素和海域承压要素的共同贡献; 主成分3(F3)对方差的贡献率为16.980%, 其中流速(C8)的载荷数较高, 这反映了海域承压要素特别是流速这个指标的主要贡献。随后, 根据指标的综合载荷值做进一步排序, 从大到小依次为: 围填海面积(C1)>工业废水排放量(C6)>生活污水排放量(C4)>风速(C9)>流速(C8)>叶绿素a浓度(C13)>渔业产值(C2)>浮游动物丰度(C14)>平均溶解氧(C12)。可以看出, 前3个均为人为压力指标, 表明人为压力对大亚湾水质产生的影响要大于海域承压要素。
表2 主成分分析的解释总方差

Tab. 2 Total variance for explanation

成分 初始特征值 旋转载荷平方和
总计 方差百分比/% 累积/% 总计 方差百分比/% 累积/%
1 3.776 41.952 41.952 3.366 37.402 37.402
2 1.754 19.488 61.44 1.797 19.971 57.373
3 1.162 12.912 74.353 1.528 16.98 74.353
4 0.926 10.288 84.641
5 0.832 9.245 93.886
6 0.341 3.786 97.672
7 0.115 1.275 98.947
8 0.071 0.793 99.741
9 0.023 0.259 100
表3 主成分矩阵及综合载荷数

Tab. 3 Principal component matrix and sum loading

指标 主成分 Fsum
F1 F2 F3
围填海(C1) 0.972 0.03 -0.07 0.951
渔业(C2) 0.044 0.742 -0.2 0.593
生活污水(C4) 0.953 0.025 -0.018 0.909
工业废水(C6) 0.935 -0.151 -0.116 0.910
流速(C8) 0.024 -0.084 0.925 0.863
风速(C9) 0.678 -0.358 -0.526 0.865
溶解氧(C12) -0.258 0.203 0.41 0.276
叶绿素a (C13) 0.078 0.767 0.389 0.746
浮游动物(C14) -0.323 0.677 0.134 0.581

注: Fsum为综合载荷数

同时, 将控制指标与溶解无机氮的含量进行线性回归分析(图3), 结果显示, 围填海面积(C1)、生活污水排放量(C4)、工业废水排放量(C6)都与溶解无机氮的含量显著相关(P<0.05)。指标按R2值由大到小依次排序为: 工业废水排放量(C6)>生活污水排放量(C4)>围填海面积(C1)>风速(C9)>溶解氧(C12)>浮游动物丰度(C14)>叶绿素a浓度(C13)>流速(C8)>渔业产值(C2)。其中, 风速(C9)、溶解氧(C12)、浮游动物丰度(C14)、叶绿素a浓度(C13)、渔业产值(C2)、流速(C8)与溶解无机氮的含量变化无显著的相关关系(P>0.05), 而工业废水排放量(C6)、生活污水排放量(C4)和围填海面积(C1)这3个指标的R2值均大于0.5, 且远大于其他指标, 说明陆源排污和围填海等人类活动与大亚湾海水环境中溶解无机氮的变化息息相关。
图3 控制指标线性回归分析结果

Fig. 3 Result of the linear regression analysis

通过线性回归分析和主成分分析的结果可以看出, 人为压力要素对大亚湾水质产生的影响更大, 因此选取围填海面积、生活污水排放量和工业废水排放量这3个与溶解无机氮含量变化有显著相关性且综合载荷数较高的指标作为影响大亚湾水质的关键控制指标进行量化解析。

2.3 关键控制指标的量化解析

本文通过关键控制指标的承载力占总承载力的比值来量化解析各关键控制指标对于大亚湾水质变化的贡献率。大亚湾海域承载力为9个控制指标承载力叠加的结果, 1995—2014年大亚湾承载力指数的变化如图4所示, 其中围填海面积、生活污水排放量和工业废水排放量这3个关键控制指标的承载力占比分别为6.19%、5.07%和17.51%。可以发现, 3个关键控制指标中, 工业废水排放量的承载力占比最高, 围填海次之, 生活污水排放量最低。这说明在1995—2014 年间工业排污是对大亚湾水质产生最大影响的人类活动之一, 围填海和居民生活污水的排放对大亚湾水质变化产生的效应较为接近, 生活污水排放产生的影响稍小于围填海。
图4 1995—2014年大亚湾海湾承载力指数变化

Fig. 4 The variation of carrying capacity in the Daya Bay from 1995 to 2014

3 结论

1995—2014年间, 大亚湾水质不断恶化, 水体中的溶解无机氮含量严重超标, 本文从人为压力要素和海域承压要素两方面考虑, 构建了大亚湾水质对人类活动响应的评价指标体系。综合运用变异系数评价、双变量相关性分析、主成分分析、线性回归分析等方法, 对影响大亚湾水质的人为压力要素和海域承压要素所包含的指标进行了筛选识别。结果表明, 大亚湾水质的变化既与围填海、排污等人为压力要素有关, 也与水动力输运过程和生物地球化学迁移过程所涉及到的海域承压要素有关。其中, 人为压力要素中的围填海、工业废水排放和生活污水排放这3个指标的主成分综合载荷数最高, 且与大亚湾海域中溶解无机氮含量的变化呈显著相关性, 被识别为影响大亚湾水质的关键控制指标。表征海水养殖强度的渔业产值由于综合载荷数不高且与溶解无机氮的含量变化无相关性, 因此从关键控制指标中剔除。由此推论, 高强度的陆源排污和围填海是大亚湾水质恶化的主要人为压力来源。此外, 关键控制指标承载力占比分析的结果也表明, 对大亚湾海域产生最大影响的人类活动是陆源排污中的工业废水排放, 围填海对海湾环境产生的影响要大于生活污水的排放。
综上所述, 控制陆源排污和围填海强度是改善大亚湾水质环境的主要措施。对于入海污染物的控制应首先从工业废水的排放管控入手, 加强规范化、程序化、制度化管理, 推动产业绿色转型, 同时也要加强生活污水排放处理基础设施的建设改造, 从源头上减少污染物排放入海。其次, 在国家严格控制围填海工程的背景之下, 大亚湾周边在建围填海已经呈下降趋势, 接下来需要重点关注海岸带的生态保护与修复, 科学实施岸线整治措施。
本文通过对大亚湾水质关键控制指标的识别, 有针对性地提出了提高大亚湾海洋环境质量的对策建议, 以期能有效地控制人类活动对大亚湾环境产生的不良影响, 提高大亚湾海域的水质, 促进大亚湾地区社会经济的可持续发展, 进而推动我国海洋生态文明建设的进程。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
黄小平, 黄良民, 宋金明, 等, 2019. 营养物质对海湾生态环境影响的过程与机理[M]. 北京: 科学出版社. (in Chinese)

[2]
柯东胜, 李秀芹, 彭晓鹃, 等, 2010. 大亚湾生态环境问题及其调控策略[J]. 生态科学, 29(2): 186-191.

KE DONGSHENG, LI XIUQIN, PENG XIAOJUAN, et al, 2010. The Daya Bay Ecological problems and corresponding controlling strategies[J]. Ecological Science, 29(2): 186-191. (in Chinese with English abstract)

[3]
李纯厚, 林琳, 徐姗楠, 等, 2013. 海湾生态系统健康评价方法构建及在大亚湾的应用[J]. 生态学报, 33(6): 1798-1810.

LI CHUNHOU, XU SHANNAN, et al, 2013. Establishment of integrated methodology for bay ecosystem health assessment and its application in Daya Bay[J]. Acta Ecologica Sinica, 33(6): 1798-1810. (in Chinese with English abstract)

DOI

[4]
李纯厚, 徐姗楠, 杜飞雁, 等, 2015. 大亚湾生态系统对人类活动的响应及健康评价[J]. 中国渔业质量与标准, 5(1): 1-10.

LI CHUNHOU, XU SHANNAN, DU FEIYAN, et al, 2015. Responses of the Daya Bay ecosystem to human activities and health assessment[J]. Chinese Fishery Quality and Standards, 5(1): 1-10. (in Chinese with English abstract)

[5]
陆志强, 李吉鹏, 章耕耘, 等, 2015. 基于可变模糊评价模型的东山湾生态系统健康评价[J]. 生态学报, 35(14): 4907-4919.

LU ZHIQIANG, LI JIPENG, ZHANG GENGYUN, et al, 2015. Ecosystem health assessment based on variable fuzzy evaluation model in Dongshan Bay, Fujian, China[J]. Acta Ecologica Sinica, 35(14): 4907-4919. (in Chinese with English abstract)

[6]
罗先香, 杨建强, 2009. 海洋生态系统健康评价的底栖生物指数法研究进展[J]. 海洋通报, 28(3): 106-112.

LUO XIANXIANG, YANG JIANQIANG, 2009. Progress in researches on benthic indices of assessing marine ecosystem health[J]. Marine Science Bulletin, 28(3): 106-112. (in Chinese with English abstract)

[7]
彭云辉, 孙丽华, 陈浩如, 等, 2002. 大亚湾海区营养盐的变化及富营养化研究[J]. 海洋通报, 21(3): 44-49.

PENG YUNHUI, SUN LIHUA, CHEN HAORU, et al, 2002. Study on eutrophication and change of nutrients in the Daya Bay[J]. Marine Science Bulletin, 21(3): 44-49. (in Chinese with English abstract)

[8]
曲修齐, 刘淼, 李春林, 等, 2019. 生态承载力评估方法研究进展[J]. 气象与环境学报, 35(4): 113-119.

QU XIUQI, LIU MIAO, LI CHUNLIN, et al, 2019. Review of the research on ecological carrying capacity evaluation methods[J]. Journal of Meteorology and Environment, 35(4): 113-119. (in Chinese with English abstract)

[9]
王聪, 林军, 陈丕茂, 等, 2009. 年平均风场作用下大亚湾水交换的数值模拟[J]. 上海海洋大学学报, 18(3): 351-358.

WANG CONG, LIN JUN, CHEN PIMAO, et al, 2009. Numerical simulation of annual average wind’s impact on water exchange in Daya Bay[J]. Journal of Shanghai Fisheries University, 18(3): 351-358. (in Chinese with English abstract)

[10]
王淑萍, 2017. 青岛近海环境质量效控要素量化解析研究[D]. 青岛: 中国海洋大学.

WANG SHUPING, 2017. Quantitative analysis of environmental quality control factors in Qingdao offshore Numerical simulation of annual average wind’s impact on water exchange in Daya Bay[D]. Qingdao: Ocean University of China. (in Chinese with English abstract)

[11]
王友绍, 王肇鼎, 黄良民, 2004. 近20年来大亚湾生态环境的变化及其发展趋势[J]. 热带海洋学报, 23(5): 85-95.

WANG YOUSHAO, WANG ZHAODING, HUANG LIANGMIN, 2004. Environment changes and trends in Daya Bay in recent 20 years[J]. Journal of Tropical Oceanography, 23(5): 85-95. (in Chinese with English abstract)

[12]
王友绍, 2014. 大亚湾生态环境与生物资源[M]. 北京: 科学出版社.

WANG YOUSHAO, 2014. Ecological environments and biological resources of Daya Bay[M]. Beijing: Science Press. (in Chinese with English abstract)

[13]
王肇鼎, 练健生, 胡建兴, 等, 2003. 大亚湾生态环境的退化现状与特征[J]. 生态科学, 22(4): 313-320.

WANG ZHAODING, LIAN JIANSHENG, HU JIANXING, et al, 2003. Characteristics of degraded ecosystem in Daya Bay China[J]. Ecologic Science, 22(4): 313-320. (in Chinese with English abstract)

[14]
翁骏超, 袁琳, 张利权, 等, 2015. 象山港海湾生态系统综合承载力评估[J]. 华东师范大学学报(自然科学版), (4): 110-122.

WENG JUNCHAO, YUAN LIN, ZHANG LIQUAN, et al, 2015. Integrated carrying capacity assessment of Xiangshan bay ecosystem[J]. Journal of East China Normal University (Natural Science), (4): 110-122. (in Chinese with English abstract)

[15]
谢艳辉, 李涛, 简伟军, 等, 2015. 海水升温对大亚湾浮游植物群落结构和光合活性的影响[J]. 热带海洋学报, 34(2): 24-31.

XIE YANHUI, LI TAO, JIAN WEIJUN, et al, 2015. Influence of ocean warming on the community structure and photosynthetic efficiency of phytoplankton in Daya Bay[J]. Journal of Tropical Oceanography, 34(2): 24-31. (in Chinese with English abstract)

DOI

[16]
杨进, 李纯厚, 贾晓平, 等, 2011. 大亚湾杨梅坑人工鱼礁区生态系统健康评价[J]. 生态科学, 30(4): 399-405, 410.

YANG JIN, LI CHUNHOU, JIA XIAOPING, et al, 2011. Ecosystem health assessment of artificial reef area in the Yangmei Delve of Daya Bay[J]. Ecological Science, 30(4): 399-405, 410. (in Chinese with English abstract)

[17]
杨文超, 黄道建, 陈继鑫, 等, 2020. 大亚湾海域2009—2015年氮、磷营养盐时空分布及富营养化评价[J]. 南方水产科学, 16(2): 54-61.

YANG WENCHAO, HUANG DAOJIAN, CHEN JIXIN, et al, 2020. Spatio-temporal distribution and eutrophication assessment of nutrients in Daya Bay during 2009-2015[J]. South China Fisheries Science, 16(2): 54-61. (in Chinese with English abstract)

[18]
BAEK S H, SON M, KIM D, et al, 2014. Assessing the ecosystem health status of Korea Gwangyang and Jinhae bays based on a planktonic index of biotic integrity (P-IBI)[J]. Ocean Science Journal, 49(3): 291-311.

DOI

[19]
BORJA Á, GALPARSORO I, SOLAUN O, et al, 2006. The European Water Framework Directive and the DPSIR, a methodological approach to assess the risk of failing to achieve good ecological status[J]. Estuarine, Coastal and Shelf Science, 66(1-2): 84-96.

DOI

[20]
BU JIUHE, LI CHUNHUI, WANG XUAN, et al, 2020. Assessment and prediction of the water ecological carrying capacity in Changzhou city, China[J]. Journal of Cleaner Production, 277: 123988.

DOI

[21]
BYRON C, LINK J, COSTA-PIERCE B, et al, 2011. Calculating ecological carrying capacity of shellfish aquaculture using mass-balance modeling: Narragansett Bay, Rhode Island[J]. Ecological Modelling, 222(10): 1743-1755.

DOI

[22]
ELLIOTT M, QUINTINO V, 2007. The Estuarine Quality Paradox, Environmental Homeostasis and the difficulty of detecting anthropogenic stress in naturally stressed areas[J]. Marine Pollution Bulletin, 54(6): 640-645.

PMID

[23]
LI YAFANG, NING JIAJIA, WANG LIANGGEN, et al, 2021. Assessment of benthic ecological status in semi-enclosed Daya Bay (China) in regions exposed to human disturbances based on multiple biotic indices[J]. Regional Studies in Marine Science, 41: 101464.

DOI

[24]
MUNAWAR M, FITZPATRICK M, MUNAWAR I F, et al, 2012. Assessing ecosystem health impairments using a battery of ecological indicators: Bay of Quinte, Lake Ontario example[J]. Aquatic Ecosystem Health & Management, 15(4): 430-441.

[25]
OGDEN J C, BALDWIN J D, BASS O L, et al, 2014. Waterbirds as indicators of ecosystem health in the coastal marine habitats of southern Florida: 1. Selection and justification for a suite of indicator species[J]. Ecological Indicators, 44: 148-163.

DOI

[26]
OUYANG Y, NKEDI-KIZZA P, WU Q T, et al, 2006. Assessment of seasonal variations in surface water quality[J]. Water Research, 40(20): 3800-3810.

PMID

[27]
PANTUS F J, DENNISON W C, 2005. Quantifying and evaluating ecosystem health: A case study from Moreton Bay, Australia[J]. Environmental Management, 36(5): 757-771.

PMID

[28]
PAPATHEODOROU G, DEMOPOULOU G, LAMBRAKIS N, 2006. A long-term study of temporal hydrochemical data in a shallow lake using multivariate statistical techniques[J]. Ecological Modelling, 193(3-4): 759-776.

DOI

[29]
PURVAJA R, ROBIN R S, GANGULY D, et al, 2018. Seagrass meadows as proxy for assessment of ecosystem health[J]. Ocean & Coastal Management, 159: 34-45.

[30]
QI ZHANHUI, SHI RONGJUN, YU ZONGHE, et al, 2019. Nutrient release from fish cage aquaculture and mitigation strategies in Daya Bay, southern China[J]. Marine Pollution Bulletin, 146: 399-407.

DOI PMID

[31]
SCHRANDT M N, MACDONALD T C, SHERWOOD E T, et al, 2021. A multimetric nekton index for monitoring, managing and communicating ecosystem health status in an urbanized Gulf of Mexico estuary[J]. Ecological Indicators, 123: 107310.

DOI

[32]
SIMEONOV V, STRATIS J A, SAMARA C, et al, 2003. Assessment of the surface water quality in Northern Greece[J]. Water Research, 37(17): 4119-4124.

PMID

[33]
SUN BAODI, TANG JINGCHAO, YU DEHU, et al, 2019. Ecosystem health assessment: A PSR analysis combining AHP and FCE methods for Jiaozhou Bay, China1[J]. Ocean & Coastal Management, 168: 41-50.

[34]
WANG SHUPING, LI KEQIANG, LIANG SHENGKANG, et al, 2017. An integrated method for the control factor identification of resources and environmental carrying capacity in coastal zones: A case study in Qingdao, China[J]. Ocean & Coastal Management, 142: 90-97.

[35]
WANG YOUSHAO, LOU ZHIPING, SUN CUICI, et al, 2008. Ecological environment changes in Daya Bay, China, from 1982 to 2004[J]. Marine Pollution Bulletin, 56(11): 1871-1879.

DOI

[36]
WEI CHAO, GUO ZHONGYANG, WU JIANPING, et al, 2014. Constructing an assessment indices system to analyze integrated regional carrying capacity in the coastal zones - A case in Nantong[J]. Ocean & Coastal Management, 93: 51-59.

[37]
WU MEILIN, WANG YOUSHAO, WANG YUTU, et al, 2017. Scenarios of nutrient alterations and responses of phytoplankton in a changing Daya Bay, South China Sea[J]. Journal of Marine Systems, 165: 1-12.

DOI

[38]
WU MINGWAN, WU JINGQUAN, ZANG CHUANFU, 2021. A comprehensive evaluation of the eco-carrying capacity and green economy in the Guangdong-Hong Kong-Macao Greater Bay Area, China[J]. Journal of Cleaner Production, 281: 124945.

DOI

[39]
YANG XI, TAN YEHUI, LI KAIZHI, et al, 2020. Long-term changes in summer phytoplankton communities and their influencing factors in Daya Bay, China (1991-2017)[J]. Marine Pollution Bulletin, 161: 111694.

DOI

[40]
YE RAN, LIU LIAN, WANG QIONG, et al, 2017. Identification of coastal water quality by multivariate statistical techniques in two typical bays of northern Zhejiang Province, East China Sea[J]. Acta Oceanologica Sinica, 36(2): 1-10.

[41]
ZHANG PENG, SU YING, LIANG SHENGKANG, et al, 2017. Assessment of long-term water quality variation affected by high-intensity land-based inputs and land reclamation in Jiaozhou Bay, China[J]. Ecological Indicators, 75: 210-219.

DOI

Options
Outlines

/

〈 〉