Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2024 , Vol. 43 >Issue 4: 86 - 97

DOI: https://doi.org/10.11978/2023088

Coastal Hydrodynamics

A novel pattern for predicting the effects of mangrove ecological reconstruction

  • WU Hongbo , 1 ,
  • LUO Feng , 1, 2, 3 ,
  • CHEN Zhipeng 1 ,
  • ZHU Fei 1 ,
  • ZENG Jingwei 1 ,
  • ZHANG Chi 1 ,
  • LI Ruijie 3
Expand
  • 1. College of Harbour, Coastal and Offshore Engineering, Hohai University, Nanjing 210098, China
  • 2. Nantong Ocean and Coastal Engineering Research Institute, Hohai University, Nantong 226004, China
  • 3. Key Laboratory of Ministry of Education for Coastal Disaster and Protection, Hohai University, Nanjing 210098, China
LUO Feng. email:

Copy editor: SUN Cuici

Received date: 2023-06-26

  Revised date: 2023-09-11

  Online published: 2023-10-09

Supported by

National Key Research and Development Program of China(2022YFC3106100)

Marine Science and Technology Innovation Project of Jiangsu Province(JSZRHYKJ202105)

Nantong Science and Technology Bureau(MS12022009)

Nantong Science and Technology Bureau(MS22022082)

Nantong Science and Technology Bureau(MS22022083)

Fold

Abstract

Mangroves are an integral part of ecological civilization and hold significant importance in achieving carbon neutrality goals. In recent years, numerous conservation and restoration efforts have been undertaken to protect mangrove ecosystems. However, there is currently a lack of predictive methods for comparing and selecting effective conservation measures to guide mangrove ecological reconstruction. Therefore, a novel research approach combining “numerical simulation models” with “classification models” is proposed. In the application of this approach, the hydrodynamic and sedimentary environment of the Zhelin Bay in Guangdong Province was simulated for one year. By considering factors such as flooding time, relative peak bed shear stress, and bed level change, the stressors faced during the process of mangrove colonization were described. And ecological reconstruction effects of mangroves distributed on the inner tidal flats of the Ligang tidal inlet were predicted under four different conditions. The results indicate that restoring the inlet depth slightly alters the regional hydrodynamics and sediment environment, leading to a decrease of 3.12% in the success rate of ecological reconstruction. Elevating the bed elevation significantly reduces flow velocity and intensifies outer-side scouring. Raising the elevation by 0.5 meters and 1.0 meter increases the success rate of ecological reconstruction by 16.43% and 32.75%, respectively.

Key words： mangroves; ecological restoration; numerical simulation; logistic regression; Zhelin Bay

Cite this article

WU Hongbo , LUO Feng , CHEN Zhipeng , ZHU Fei , ZENG Jingwei , ZHANG Chi , LI Ruijie . A novel pattern for predicting the effects of mangrove ecological reconstruction[J]. Journal of Tropical Oceanography, 2024 , 43(4) : 86 -97 . DOI: 10.11978/2023088

红树林, 一种生长在海陆交错带的特殊生态系统, 占据了18.1×104km2的热带和亚热带海岸线(Alongi, 2002), 分布在世界各地的地貌环境中(Ellison, 2000; Sandilyan et al, 2012)。它不仅具有强大的固滩护岸功能(Kathiresan, 2012; Guannel et al, 2016), 还能够固定碳源(Alongi, 2012), 并维持复杂的食物链(Kathiresan, 2012), 对底栖生物和水生鸟类的生存至关重要(Kathiresan et al, 2001; Sandilyan et al, 2012)。然而, 环境变化和人类活动对红树林造成的不利影响日益加剧。在海平面上升(Woodroffe, 1990; Gilman et al, 2008; Lovelock et al, 2015)、水质恶化(Odum et al, 1975; Alongi, 2002)、沉积环境变化(Odum et al, 1975)和极端天气条件(Sippo et al, 2018)等的压力下, 红树林经常面临超出其生存极限的挑战。全球范围内, 红树林每年正在以1%至2%的速度减少(Duke et al, 2007)。因此, 为减缓红树林的大规模退化, 保护红树林势在必行。由于红树植物对潮汐(张乔民 等, 1997)、温度(Lugo et al, 1974)、盐度(Ball, 1988; Yan et al, 2007)、底质(Lugo et al, 1974)和水动力环境(Friess et al, 2012)等环境因素有特定要求, 故可通过人为创造适宜条件, 可以促进红树植物的生长、生存和繁殖(张乔民 等, 2001; 陈鹭真 等, 2006)。
其中, 对于适宜红树生长的区域, 可以采用生态重建的方法。红树林生态重建是一个从无到有的过程, 意为在原本的光滩上根据适生高程人工种植红树幼苗, 并予以保护使其成林。根据Balke的“机会窗口”理论(Balke et al, 2011, 2015), 红树幼苗在定植过程中会受到水动力和底床冲淤的压力, 超过其承受能力将导致定植失败。实际上, 生态重建失败的情况时有发生(Barnuevo et al, 2017; Phong et al, 2017; Rodríguez-Rodríguez et al, 2021)。如果能够在重建前预测效果, 将有助于选择高效的保护措施并节省资源。常见的预测方法包括生态学模型(Chen et al, 1998; Berger et al, 2008; Cavanaugh et al, 2015)和遥感模型(Chen et al, 2013; Etemadi et al, 2018), 它们可以综合考虑多种主要胁迫因素, 有效预测红树林的生长和消亡的动态。然而, 红树幼苗尤为特殊, 其定植的效果对水沙动力条件非常敏感且高度相关, 而常规方法无法捕捉到各动力因素的空间状况和时间动态, 故难以模拟红树林生态重建过程中所受到的压力。
为了解决这一难题, 本文提出了一种基于“数值模拟模型+分类模型”的新模式, 用于预测红树林生态重建的效果。首先, 需要采用计算流体力学的数值模拟方法。该方法基于流体力学原理, 通过将流体运动方程的离散化和求解, 模拟流体在给定的几何空间中的行为。通过建立数值模拟模型, 可以模拟研究区域每个网格点处连续的水沙动力过程。其次, 由于红树幼苗受到多种因素的共同影响, 仅仅依靠一个阈值来判断生态重建的效果是不现实的。而分类模型是一种出色的统计学解决方案, 它能够综合多个因素进行二分类或多分类, 得到给定自变量下的因变量预测结果。

1 生态重建效果预测模式

1.1 胁迫因素甄别

红树植物生活在高温、高盐度、强潮汐和厌氧土壤环境中, 其形态发达, 对极端环境有很强的适应能力(Kathiresan et al, 2001)。然而, 在定植过程中, 红树植物受到水沙动力的影响很大(Balke et al, 2011)。以下总结了三个主要的胁迫因素, 并使用特征值来描述每个因素。
一是淹没时间。适量的淹没时间有助提高于红树植物茎叶生物量, 并增加成熟叶片的肉质化程度(陈鹭真 等, 2005)。然而, 植株淹水时间过长, 不仅会使得生长速度放缓, 还可能使植株缺氧, 间接导致其死亡(陈鹭真 等, 2006) 。
各取样点的淹没时间(flooding time, FLT) (Chen et al, 2023)计算方法如下。
FLT = T flood T sim
其中, T flood为底床被淹没时间, T sim为模型模拟时间。
二是底床切应力。红树幼苗的定植成功在短期内需要克服水流的底床切应力, 主要依靠根系的锚固力(Balke et al, 2011)。锚固力主要取决于植株大小(Kibler et al, 2022)和根系的最大长度(Balke et al, 2011), 故在定植的早期, 红树幼苗尚未得到充分成长, 受到的底床切应力胁迫应较为显著。在不考虑极端情况的前提下, 本生态重建区域受到潮流的水动力作用较大, 而波浪的影响较小。
各取样点的底床切应力公式推导如下:
τ = g M 2 h 1 / 3 ρ u 2
其中, g为重力加速度, M为曼宁系数, h为水深, ρ为水的密度, u为流速。
在此采用相对底床切应力(relative peak bed shear stress, RPBSS) (Chen et al, 2023)来评估植株受到的底床切应力胁迫。
RPBSS = ∑ i = 1 n τ p ( i ) n ⋅ τ e
其中, τ p ( i )为每个半日潮期间的底床峰值切应力, n为底床峰值切应力个数, τ e为底床临界侵蚀切应力。当取样点的底床峰值切应力频繁大于底床临界侵蚀切应力时, RPBSS的值较大, 植株较难成功定植。
三是底床冲淤。在年泥沙沉积速率小于1cm时, 大多数红树植物不会受到不利影响(Ellison, 1999)。然而, 当泥沙沉积速率过大时, 红树植物的气根可能会被堵塞, 导致缺氧而死亡。即使沉积物掩埋的高度低于植株的气根高度, 植株的生长或生存仍会受影响(Ellison, 1999)。
当底床发生冲刷时, 红树植株的根系会逐渐暴露在泥沙之外, 可能导致植株的锚固力减弱, 甚至被水流冲刷拔起(Balke et al, 2011; Kibler et al, 2022)。在底床冲刷情况下, 红树植株的根部发育得到促进, 但地上部分的发育受到抑制, 其整体生存率显著低于没有发生冲淤的情况(潘炜杰 等, 2021)。
各取样点的底床冲淤量通过底床高程变化(bed level change, BLC)体现。
BLC = h 1 − h 0
其中, h 1为取样点处模型模拟一段时间后的底床高程, h 0为取样点处的初始底床高程。

1.2 预测模式构建

研究模式的主要构成部分见图1b。首先, 设置输入文件并调整参数, 构建包含研究区域的数值模拟模型, 得到水动力和冲淤结果。然后, 对水动力和冲淤结果进行精度检验, 若精度不满足要求则需校正数值模拟模型, 若精度满足要求则对模拟结果进行再处理, 提取各取样点的FLT、RPBSS、BLC这三个特征值。最后, 将取样点的特征值数据用于分类模型的训练, 若分类效果达到要求即可对红树幼苗的定植结果进行预测。
图1 概念模型

a. 红树幼苗定植的三个特征值; b. 研究模式的流程

Fig. 1 Conceptual model.

(a) Three characteristic values of mangrove seedling colonization; (b) workflow of the research pattern

该模式的特点在于, 数值模拟模型和分类模型作为组成部分的核心, 其选择相对自由。常用的数值模拟模型可以通过MIKE、Delft3D、TELEMAC、OpenFOAM等软件进行构建。各建模方案各有所长, 可以进行灵活选择以满足个性化要求。常用的分类模型主要包括支持向量机、逻辑回归、朴素贝叶斯、k-近邻等。由于各分类模型具有明显的优缺点, 故应主要根据数据特点和需求对其进行选择。

2 模式应用

2.1 研究区域

本应用分析选定的区域为红树林生态重建区域, 位于广东省潮州市饶平县笠港潮汐汊道的内侧滩涂, 位置如图2c所示。笠港潮汐汊道连接着柘林湾和南海外海, 呈西南—东北走向, 总长约5km, 最窄处约180m, 总体呈现淤积态势。此海域的潮汐属于不正规半日潮, 平均潮差为1.69m(蔡爱智, 1994), 平均高潮位为1.42m(85高程)(杨克用, 1990)。落潮流速大于涨潮流速, 实测最大落潮流速可达71.1cm·s-1。
图2 研究区域位置图

图2a 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2023)2765号的标准地图制作; 图2b和2c基于遥感底图制作

a. 研究区域的总体方位; b. 柘林湾及周边水道、岛屿位置, 各测点位置; c. 生态重建区域及潮汐汊道恢复区域位置

Fig. 2 Location of the study area.

(a) General location of the study area; (b) location of the Zhelin Bay and surrounding waterways and islands, location of each measuring points; (c) location of the ecological reconstruction area and tidal inlet restoration area

柘林湾为典型的溺谷型海湾, 拥有南澳岛、汛洲岛、西澳岛的天然遮蔽, 使得湾内波高很小(杨克用, 1990)。湾内滩涂密布, 泥沙主要来源于黄冈河和外海(蒋睢耀, 1993), 底床沉积物平均中值粒径约为10μm。20世纪70年代以来, 以“澄饶联围”为主的围垦行为使得湾内纳潮面积减小近半, 水动力强度明显减弱(欧素英 等, 2016)。同时, 以水产养殖污水为首的污水排放, 造成柘林湾水质急剧恶化。笠港潮汐汊道连年淤积, 使得人工恢复其汊道原有水深成为必要, 因其能够提升附近海域的水交换能力并改善水质。
21世纪以来, 中国大陆的红树林面积从1.86万公顷恢复至2.8万公顷, 但相较于其他陆地森林系统的增长速度, 红树林的恢复力度有待加强(黄凡非 等, 2023)。2020年, 自然资源部等印发的《红树林保护修复专项行动计划(2020-2025年)》中明确, 一要科学营造红树林, 二要修复现有红树林(自然资源部 等, 2020)。广东省自然资源厅等印发的《广东省红树林保护修复专项行动计划实施方案》中提到, 潮州市每年需营造红树林3公顷, 修复红树林3.6公顷。
柘林湾海域拥有潜在的红树林营造修复区, 包括叠石埭浅滩区域、笠港浅滩区域和高沙闸外区域等, 这些区域掩蔽条件较好, 且拥有红树的适生高程。其中, 本文的研究区域为这些区域中面积最大、向海延伸距离最远的一部分, 故选取此区域作为案例进行分析。此区域只有零星红树林分布, 但底质为淤泥质, 且有机质含量较高, 适合进行红树林的种植。

2.2 条件设置

为研究多种条件下的红树林生态重建效果, 设置了4种模型输入的高程条件, 如表1所示, 各高程均参照国家85高程标准。
表1 模型输入的高程条件

Tab. 1 Elevation conditions for model inputs

高程条件设置 潮汐汊道恢复区域底床高程 生态修复区域滩面高程
条件1 原始高程 原始高程
条件2 -3.0m 原始高程
条件3 -3.0m 加高0.5m
条件4 -3.0m 加高1.0m
条件2的设置旨在评估潮汐汊道恢复对生态重建效果的影响, 而条件3和条件4的设置旨在评估加大滩面高程对红树林重建的保护效果。高程变化的范围分别局限于图2c中的“潮汐汊道恢复区域”和“生态重建区域”。
加大滩面高程是一种常用的生态重建手段, 可以使区域的水动力减弱, 底床的淹水时间减少, 有利于红树植物的定植和生存。然而, 人工加高滩面也会加剧底床的冲刷, 可能使红树植物承担额外的生存压力。参考自然资源部办公厅发布的用海用岛规定, “不得将潮间带、潮下带改造为潮上带”, 而国家标准中规定潮上带应为平均大潮高潮位之上的区域。由于缺少提供平均大潮高潮位的水文资料, 故将加大滩面高程的上限设为低于平均高潮位的1.40m(85高程)。也就是说, 若某网格处的高程在加高后大于1.40m, 则将其设为1.40m。

2.3 数值模拟

2.3.1 数值模拟方法

本研究使用MIKE21进行数值模拟建模, 选取的计算区域包括柘林湾及其外海海域, 位于116.68°E—117.88°E, 22.86°N—23.77°N之间。模型共有节点21812个, 网格41855个, 图2b中展示了近岸海域的部分网格。模型采用非结构三角形网格, 最大空间网格步长为3500m, 在笠港潮汐汊道处网格进行局部加密, 最小空间网格步长达到30m。开边界潮位条件采用TPXO9潮汐模型。计算时间步长为变时间步长, 取0.1~10s, 满足CFL数(Courant-Friedrichs-Lewy number) < 0.9。部分模型参数如表2所示。
表2 模型部分参数

Tab. 2 Part of model parameters

参数 取值 单位
曼宁系数 0.0167 m-1/3·s
沉降速度系数 10 m·s-1
临界沉积切应力 0.12 N·m-2
侵蚀系数 5×10-5 kg·s·m-2
临界侵蚀切应力 0.25 N·m-2
底床密度 800 kg ·m-3
底床糙率 0.0001 m

2.3.2 模型验证

本研究选取了2016年的水文调查站位实测数据与模型模拟结果进行对比验证。调查站位包括三个潮位测点(C1—C3)和四个潮流悬沙测点(H1—H4)。潮位测点的观测历时如图3所示, 潮流悬沙测点的观测历时为6月22至23日(大潮期间)。
图3 水沙动力模型验证图(潮位、流速与流向、悬沙浓度)

图中点代表实测数据, 而线代表模型模拟数据的拟合曲线。其中, 在流速流向图中, 实线代表流速, 虚线代表流向

Fig. 3 Hydrodynamic and sediment dynamic model validation (tide level; flow velocity and flow direction; suspended sediment concentration).

The points in the figures represent measured data, while the lines represent the fitted curves of the model simulation data. In the figures of flow velocity and flow direction, solid lines represent flow velocity, and dashed lines represent flow direction

在图3中, 可以观察到, 潮位、流速和流向的模型数据与实测数据非常吻合, 具有较高的精度。而模型模拟的悬沙浓度数据起伏较大, 特别是在H3测点上, 这可能是由于模型底床高程和泥沙粒径与实际情况存在差异所致。总体而言, 模型能够较好地反映研究海域的水动力和泥沙环境, 其模拟精度满足研究的需要。

2.3.3 结果分析

从流矢分布来看, 涨潮时, 海山岛西侧的涨潮流向北运动抵达岸边, 海山岛东侧涨潮流沿水道向东北方向运动, 到达柘林湾口门位置转为北向。潮流进入柘林湾内的主要通道包括大金门水道和小金门水道。在进入湾内后, 水深变浅, 潮流方向变得更为散乱, 如图4a所示。
图4 区域水动力场

a. 大潮涨急; b. 大潮落急

图4a和图4b均基于广东省标准地图服务网站下载的审图号为粤S(2018)020号的标准地图制作

Fig. 4 Regional hydrodynamic field.

(a) Peak flood tide of the spring tide; (b) peak ebb tide of the spring tide

从流速分布来看, 涨潮时, 海域中的流速由海向岸逐渐减小。流速最大值位于海山岛东南侧的水道中。其他流速较大的区域包括大金门水道、小金门水道和笠港潮汐汊道西南侧海域, 其中小门水道内的流速略小。柘林湾东侧和西北侧海域的流速较小, 这是因为这些区域远离大金门水道和小金门水道。柘林湾西南侧海域的流速也较小, 原因是笠港潮汐汊道的通畅性较差, 导致水交换能力较弱。
落潮时, 潮流流向基本相反, 流速略大于涨潮时的情况, 如图4b所示。
笠港潮汐汊道为通海汇潮水道, 涨潮流汇合于汊道中部, 落潮流分别指向两侧口门(张乔民 等, 1991; 欧素英 等, 2016)。这导致汊道在涨急时刻的流速不大, 而在涨憩时刻流速较大, 如图5的大图所示。涨憩时刻, 笠港潮汐汊道内的流速方向为西南向, 流速最大可达0.9m·s-1。其中, 潮汐汊道东北段和西南口门的流速超过0.7m·s-1, 表明东北侧海域的海水通过潮汐汊道流向西南侧海域的趋势很强烈。
图5 生态重建区域流速分布及变化对比(涨憩时刻)

图5基于广东省标准地图服务网站下载的审图号为粤S(2018)020号的标准地图制作

Fig. 5 Comparison of flow velocity distribution and variations in the ecological reconstruction area (at the moments of rising slack)

潮汐汊道恢复对大范围的流场和冲淤影响微小, 主要影响范围集中在笠港潮汐汊道及其周边海域。红树林生态重建区域的整体流速水平很低, 涨憩时刻的流速主要分布于0~0.4m·s-1, 如图5中条件1的小图所示。流速较大处为区域的西南角和东北角, 因为这两个海域靠近航道且位于汊道岸线的折角处, 水流集中而受到的掩蔽较小。如果不加高生态重建区域的滩面高程, 区域的总体流速会增大, 不利于红树幼苗的定植。图5中的流速差值指当前条件的流速减去条件1 的流速。可以看到, 汊道恢复使得总体流速增大。而随着滩面高程的增加, 区域总体流速趋于减小, 甚至使得部分区域处于不被水淹没的状态, 流速恒为0。
经过一年的时间, 笠港潮汐汊道内的底床总体呈现淤积趋势。图6的大图为条件2下的冲淤结果, 相比于工程前, 航道处的淤积强度明显更大, 一年的淤积量最大可以达到0.25m。生态重建区域在工程前整体趋于微弱淤积, 一年的淤积量在0~0.05m之间。工程对该区域的冲淤态势产生明显影响。如果不加高滩面高程, 区域的西南角淤积强度略微增大, 东北角转淤为冲。而当滩面高程加高0.5和1.0m时, 航道边缘侧的冲刷强度增大。这是由于人为改变了底床高程, 导致泥沙在水流的作用下, 由填沙区域进入挖沙区域。同时, 随着滩面高程的增大, 区域内部水动力作用逐渐减弱甚至无水淹没, 出现不冲不淤的现象。
图6 生态重建区域底床高程变化(历时一年)

图6基于广东省标准地图服务网站下载的审图号为粤S(2018)020号的标准地图制作

Fig. 6 Elevation changes of the seabed in the ecological reconstruction area (over a period of one year)

2.4 分类及生态重建效果预测

2.4.1 分类方法

分类模型能够回答生态重建成功与否的问题。其中, 逻辑回归(logistic regression)是一个简单的监督学习线性模型, 多用于因变量的二分类(Müller et al, 2016)。使用逻辑回归模型的优势包括训练速度快、可解释能力强、输出连续性结果。逻辑回归可通过如下公式表示(Hosmer et al, 2013)。
g ( x ) =   Ln π ( x ) 1 − π ( x ) = β 0 + β 1 x 1 + β 2 x 2 + ⋅ ⋅ ⋅ + β p x p
π ( x ) = e g ( x ) 1 + e g ( x )
其中, g ( x )为中间变量, β 0为回归常数, x i为第 i个变量的取值( i = 1 , 2 , ⋯ , p), β i为第 i个变量的回归系数( i = 1 , 2 , ⋯ , p), π ( x )为概率的预测值[ 0 < π ( x ) < 1]。
在本研究中, 数值模拟模型的结果需要经过再处理, 将某一特定位置下的胁迫因素变化序列转化为一个特征值, 以反映该胁迫因素对该位置的影响程度。

2.4.2 模型训练和验证

在研究区域附近海域选取取样点, 其中包括191个红树林取样点和365个光滩取样点。其中, 红树林取样点位于距离研究区域最近的两块红树林集中分布区。为了评估生态重建效果, 共有180个取样点均匀分布在红树林生态修复区内。三种取样点的位置如图7所示。通过对2.3.3小节中的一年模型模拟结果进行计算, 得到各取样点处三个胁迫因素对应的特征值, 即FLT、RPBSS、BLC。使用红树林和光滩取样点的这三组数据训练并验证逻辑回归模型, 以预测生态重建区域取样点植株的生存情况。
图7 取样点分布图

橙色点表示红树林取样点, 黑色点表示光滩取样点, 红色点表示生态重建效果评估点

Fig. 7 The distribution of sampling points.

Orange dots represent mangrove sampling points, black dots represent mudflat sampling points, and red dots represent ecological reconstruction evaluation points

在逻辑回归模型中, 选择了L2正则化, 正则化强度C设置为10, 并选择了“LBFGS(limited-memory Broyden-Fletcher-Goldfarb-Shanno algorithm)”作为优化算法。训练集和验证集利用随机数拆分, 比例为3:1。图8展示了训练集和验证集的三维点图, 其中蓝色点表示红树林取样点, 红色点表示光滩取样点, 不透明点表示分类正确, 半透明点表示分类错误。由于只有三组变量, 故通过公式(5)简化的公式如下。
图8 逻辑回归训练集和验证集三维分布图

蓝色点表示红树林取样点, 红色点表示光滩取样点, 不透明点表示分类正确, 半透明点表示分类错误

Fig. 8 The 3D distribution of the training and validation sets of logistic regression.

Blue dots represent mangrove sampling points, and red dots represent mudflat sampling points. Solid dots indicate correct classification, while translucent dots indicate misclassification

g ( x ) = − 6.57 × FLT − 0.82 × RPBSS + 4.59 × BLC + 5.67
将公式(7)代入公式(6)后得到 π ( x )值, 可用于判断生态重建效果评估区各取样点的红树植株是否成功定植。对于各取样点, 规定若 π ( x ) > 0.5, 则表示定植成功; 若 π ( x ) ≤ 0.5, 则表示定植失败。对于红树林和光滩取样点, 此线性公式的训练集的精度为82.01%, 验证集的精度为74.10%, 表明该方法在该海域中适用且准确度较高。
使用Wald检验(Wald, 1943)分别对三组胁迫因素的系数进行显著性检验。若P值小于0.05, 则说明系数显著。结果显示, FLT和RPBSS系数的P值趋近于0, 而BLC系数的p值为0.0012, 远小于0.05, 表明三组胁迫因素的系数均是显著的。

2.4.3 结果分析

应用逻辑回归模型对生态重建区域的各取样点进行分析后, 得到了图9中展示的重建效果预测图。在该图中, 绿色部分表示预测为重建成功的区域, 透明部分表示预测为重建失败的区域。在条件1下, 重建成功的比率为62.46%。结合图5和图6的结果可以推测, 靠近航道的区域重建失败的原因可能是受到较大的底床切应力胁迫, 而内部区域重建失败的原因可能是底床高程较小导致淹没时间较长。在条件2下, 重建成功的比率略低于条件1, 为59.34%, 主要差异出现在靠近航道的区域。该区域流速增大, 并且底床受到一定程度的冲刷。总体而言, 潮汐汊道恢复对此生态重建区域的不利影响较小。
图9 生态重建效果预测图

Fig. 9 The prediction of ecological reconstruction effect

在条件3下, 即将生态重建区域的底床高程增大0.5m, 重建成功的比率达到了75.77%。此时, 生态重建区域西侧受到的水动力作用明显减弱。尽管人为抬高底床高程会使区域受到一定的冲刷, 但在西侧区域并不明显。因此, 条件3相比于条件2, 在西侧的部分区域得到了更好的保护, 重建成功的比例显著提高。
在条件4下, 即将生态重建区域的底床高程增大1.0m, 重建成功的比率达到了92.09%。由于底床高程的增加, 内部的一部分区域在常规潮汐条件下较少被水淹没, 因此易被判定为重建成功。然而, 靠近航道的部分区域仍然被判定为重建失败, 很大程度上归因于这些区域受到过大的冲刷强度。

3 讨论

3.1 科学性和现实价值

在自然科学研究领域, 研究者普遍认为时间尺度和空间尺度之间存在密切联系(Brommer et al, 2009; Friess et al, 2012)。随着研究区域的空间尺度增大, 影响其的主要因素往往是长时间周期内出现的现象, 而在关注的较小尺度上运行的过程则可以视为干扰因素。
红树林的定植、生长、扩散和消亡过程构成一个涵盖多个时间尺度的复杂过程, 不同时间尺度下的主要胁迫因素存在显著差异。分析跨越百年的红树林扩散和消亡过程时, 气候变化、海平面上升以及周期性的极端事件等因素将成为不可忽视的议题。例如, 台风、海啸等对红树林往往会造成长期的影响, 一片健康的红树林短则需要花费2~3年, 长则需要20~30年才能在自然条件下得到完全恢复(Lewis et al, 2016)。
针对本研究所关注的红树林生态重建过程, 即人为在适宜的滩涂区域种植红树幼苗并施加附加保护措施的过程, 时间尺度为数月至一年。在这个时间范围内, 我们主要考虑了红树幼苗的定植过程。而红树幼苗的定植成功与否, 与水沙动力因素具有最为显著的关系。当红树幼苗的根系和地上部分初步发育完成后, 可以认为它们已经度过了这个危险时期, 常规情况下的水沙动力不足以对幼苗的生存或生长产生主要影响。此时, 本研究中提到的三个主要胁迫因素退化为次要因素。

3.2 局限性和改进方向

尽管在单一模型中考虑所有因素是不现实的, 但在本研究框架内仍然有许多扩展的空间, 以考虑更多因素对模型的影响, 提高其真实性和准确性。为了实现这一目标, 需要有更多数据来支持模型的调整和验证, 但同时也需要在模型运行中投入更多时间成本。在根据研究重点对模型的功能进行适当扩展方面, 有必要做出明智的选择。
最基本的改进方向是对红树幼苗进行更精细的刻画。首先, 不同的红树树种在各方面都存在显著差异, 它们对三个主要胁迫因素的抗性各不相同。例如, 白骨壤的耐淹没能力大于秋茄, 而秋茄大于木榄; 无瓣海桑的生长速度超过秋茄, 且其发育出的呼吸根有助于缓解淹水条件下的厌氧状况(郭旭东, 2017)。其次, 即使是同一物种, 其最大根长、根的数量等物理参数也会存在差异, 对幼苗的锚固力产生重要影响。
本文案例中采用的逻辑回归二分类模型存在一些局限性。例如, 过短或过长的淹没时间均会对红树幼苗的定植产生不利影响, 然而案例中只使用了单一阈值进行分类, 即只考虑了淹没时间过长的影响。鉴于案例中的训练样本相对较少, 二分类模型能够满足分类准确性的要求; 然而, 对于更复杂的样本分布和应用情境, 多分类模型可能是更好的解决方案。
另一个改进方向可能涉及考虑辅助保护措施的作用。例如, 在生态重建区域的外围边界布置潜堤, 可减少内部的水动力强度和泥沙侵蚀。这在数值模拟模型中相对容易实现。然而, 某些功能的引入则相对复杂。例如, 构建幼苗的生长模型能够描述其对水沙动力抗性的动态变化, 但与其他模块的耦合具有一定难度, 且将会大大提升所花费的时间成本。

4 结论

红树幼苗的定植效果受到多种因素的影响, 因此预测其结果具有相当高的难度。而在红树林重建工作中, 准确预测重建效果又具有重要的意义, 因为这有助于指导和优化相应的管理和保护措施。本研究提出了一种“数值模拟模型+分类模型”的新模式, 并通过研究实例进行了说明。首先, 通过构建研究区域的数值模拟模型, 计算不同条件下红树林生态重建区水沙动力和底床高程的动态变化过程。随后通过提取各取样点的三组特征值, 训练并验证了分类模型。最后, 将该模型应用于预测多种条件下生态重建区的重建效果。主要的结论如下。
(1)“数值模拟模型+分类模型”的模式表现良好。在实例中, 数值模拟模型选择了MIKE21模型, 分类模型选择了逻辑回归模型, 其验证精度较高, 应用于重建效果的预测中, 能够捕捉到各取样点位置胁迫因素影响的差异。构建的逻辑回归公式可解释性强, 三组特征值对重建效果的影响程度明确。此模式能够根据区域特点和研究需求, 灵活应用各种模型及其组合, 并考虑更多种胁迫因素下的综合影响, 具有广阔的应用空间。
(2)实例中四种条件下的生态重建效果存在差异。其中, 潮汐汊道恢复对生态重建影响较小, 而增大底床高程显著提高了生态重建的成功率。在实际应用中, 需要对多种情况下的预期效果进行评估。此模式可以通过改变数值模拟模型的初始条件, 通过该模式得到预测结果, 以对比评估不同保护措施的效果并比选最优方案。
(3)此模式具有明显的科学性和局限性。一方面, 此模式仅适用于红树林的生态重建过程, 因为此时期红树幼苗的存活情况与水沙动力因素密切相关。另一方面, 此模式的多个部分可以得到适当扩展, 例如对幼苗的物种和根系参数进行刻画。研究者应根据自身的研究需求和重点, 选择合适的数值模拟和分类方法, 权衡准确性和时间成本, 以期达到更佳的研究效果。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
蔡爱智, 1994. 粤东柘林湾的泥沙来源与沉积环境[J]. 厦门大学学报(自然科学版), 33(4): 515-520.

CAI AIZHI, 1994. The source and environment of sediment in Zhelin Bay of eastern Guangdong province[J]. Journal of Xiamen University (Natural Science), 33(4): 515-520 (in Chinese with English abstract).

[2]
陈鹭真, 王文卿, 林鹏, 2005. 潮汐淹水时间对秋茄幼苗生长的影响[J]. 海洋学报, 27(2): 141-147.

CHEN LUZHEN, WANG WENQING, LIN PENG, 2005. Influence of waterlogging time on the growth of Kandelia candel seedlings[J]. Acta Oceanologica Sinica, 27(2): 141-147 (in Chinese with English abstract).

[3]
陈鹭真, 林鹏, 王文卿, 2006. 红树植物淹水胁迫响应研究进展[J]. 生态学报, 26(2): 586-593.

CHEN LUZHEN, LIN PENG, WANG WENQIN, 2006. Mechanisms of mangroves waterlogging resistance[J]. Acta Ecologica Sinica, 26(2): 586-593 (in Chinese with English abstract).

[4]
郭旭东, 2017. 全球变化下外来红树植物无瓣海桑和本土红树植物秋茄的响应情况[D]. 厦门: 厦门大学.

GUO XUDONG, 2017. How exotic mangrove species Sonnoratia apetala and native species Kandelia obovata response to global changes[D]. Xiamen: Xiamen University (in Chinese with English abstract).

[5]
黄凡非, 唐丽丽, 李瑞利, 2023. 近四十年来中国大陆红树林保护与恢复措施的生态效益分析[J]. 北京大学学报(自然科学版), 59(5): 813-822.

HUANG FANFEI, TANG LILI, LI RUILI, 2023. Analysis of ecological benefits of mangrove protection and restoration measures in the mainland of China in the past 40 years[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 59(5): 813-822 (in Chinese with English abstract).

[6]
蒋睢耀, 1993. 三百门港泥沙淤积研究[J]. 水道港口, (3): 28-35.

JIANG JUYAO, 1993. Study on the sediment siltation of Sanbaimen Harbour[J]. Journal of Waterway and Harbor, (3): 28-35 (in Chinese with English abstract).

[7]
欧素英, 罗凯文, 田枫, 2016. 柘林湾多口门潮汐汊道动力地貌的演变[J]. 热带海洋学报, 35(2): 83-92.

DOI

OU SUYING, LUO KAIWEN, TIAN FENG, 2016. The mophodynamic evolution of Zhelin tidal inlets[J]. Journal of Tropical Oceanography, 35(2): 83-92 (in Chinese with English abstract).

DOI

[8]
潘炜杰, 祝振昌, 蔡宴朋, 等, 2021. 潮滩冲淤扰动下外来与乡土红树植物幼苗稳定性差异[J]. 热带海洋学报, 40(6): 120-127.

DOI

PAN WEIJIE, ZHU ZHENCHANG, CAI YANPENG, et al, 2021. Performance of exotic and native mangrove seedlings under accretion/erosion disturbances on tidal flats[J]. Journal of Tropical Oceanography, 40(6): 120-127 (in Chinese with English abstract).

DOI

[9]
杨克用, 1990. 汕头柘林湾港区航道浚深后的回淤分析与计算[J]. 海岸工程, 9(3-4): 72-80.

YANG KEYONG, 1990. Analysis and estimation of amount of deposition of suspended matter after dredging in harbour waterway of the Zhelin Bay of Shantou[J]. Coastal Engineering, 9(3-4): 72-80 (in Chinese with English abstract).

[10]
张乔民, 赵焕庭, 宋朝景, 1991. 华南海岸的汇潮水道[M]// 中国地理学会地貌与第四纪专业委员会. 地貌及第四纪研究进展. 北京: 测绘出版社: 211-217 (in Chinese).

[11]
张乔民, 于红兵, 陈欣树, 等, 1997. 红树林生长带与潮汐水位关系的研究[J]. 生态学报, 17(3): 258-265.

ZHANG QIAOMIN, YU HONGBING, CHEN XINSHU, et al, 1997. The relationship between mangrove zone on tidal flats and tidal levels[J]. Acta Ecologica Sinica, 17(3): 258-265 (in Chinese with English abstract).

[12]
张乔民, 隋淑珍, 张叶春, 等, 2001. 红树林宜林海洋环境指标研究[J]. 生态学报, 21(9): 1427-1437.

ZHANG QIAOMIN, SUI SHUZHEN, ZHANG YECHUN, et al, 2001. Marine environmental indexes related to mangrove growth[J]. Acta Ecologica Sinica, 21(9): 1427-1437 (in Chinese with English abstract).

[13]
自然资源部,国家林业和草原局, 2020. 自然资源部国家林业和草原局关于印发《红树林保护修复专项行动计划(2020-2025年)》的通知[R]. 北京: 自然资源部, 国家林业和草原局.

Ministry of Natural Resources, National Forestry and Grassland Administration, 2020. Notice of the national forestry and grassland administration of the ministry of natural resources on the issuance of the special action plan for mangrove protection and restoration (2020-2025)[R]. Beijing: Ministry of Natural Resources, National Forestry and Grassland Administration (in Chinese).

[14]
ALONGI D M, 2002. Present state and future of the world’s mangrove forests[J]. Environmental Conservation, 29(3): 331-349.

[15]
ALONGI D M, 2012. Carbon sequestration in mangrove forests[J]. Carbon Management, 3(3): 313-322.

[16]
BALKE T, BOUMA T J, HORSTMAN E M, et al, 2011. Windows of opportunity: thresholds to mangrove seedling establishment on tidal flats[J]. Marine Ecology Progress Series, 440: 1-9.

[17]
BALKE T, SWALES A, LOVELOCK C E, et al, 2015. Limits to seaward expansion of mangroves: translating physical disturbance mechanisms into seedling survival gradients[J]. Journal of Experimental Marine Biology and Ecology, 467: 16-25.

[18]
BALL M C, 1988. Ecophysiology of mangroves[J]. Trees, 2(3): 129-142.

[19]
BARNUEVO A, ASAEDA T, SANJAYA K, et al, 2017. Drawbacks of mangrove rehabilitation schemes: lessons learned from the large-scale mangrove plantations[J]. Estuarine, Coastal and Shelf Science, 198: 432-437.

[20]
BERGER U, RIVERA-MONROY V H, DOYLE T W, et al, 2008. Advances and limitations of individual-based models to analyze and predict dynamics of mangrove forests: a review[J]. Aquatic Botany, 89(2): 260-274.

[21]
BROMMER M B, BOCHEV-VAN DER BURGH L M, 2009. Sustainable coastal zone management: a concept for forecasting long-term and large-scale coastal evolution[J]. Journal of Coastal Research, 251: 181-188.

[22]
CAVANAUGH K C, PARKER J D, COOK‐PATTON S C, et al, 2015. Integrating physiological threshold experiments with climate modeling to project mangrove species’ range expansion[J]. Global Change Biology, 21(5): 1928-1938.

[23]
CHEN C-F, SON N-T, CHANG NIBIN, et al, 2013. Multi-decadal mangrove forest change detection and prediction in Honduras, Central America, with Landsat imagery and a Markov Chain model[J]. Remote Sensing, 5(12): 6408-6426.

[24]
CHEN RONGHUA, TWILLEY R R, 1998. A gap dynamic model of mangrove forest development along gradients of soil salinity and nutrient resources[J]. Journal of Ecology, 86(1): 37-51.

[25]
CHEN ZHIPENG, LUO FENG, ZENG JINGWEI, et al, 2023. Effects of hydrodynamic disturbance on vegetation development in coastal salt marshes: a model study in Jiangsu, China[J]. Ocean Science Journal, 58(1): 5.

[26]
DUKE N C, MEYNECKE J O, DITTMANN S, et al, 2007. A world without mangroves?[J]. Science, 317(5834): 41-42.

DOI PMID

[27]
ELLISON A M, 2000. Mangrove restoration: do we know enough?[J]. Restoration Ecology, 8(3): 219-229.

[28]
ELLISON J C, 1999. Impacts of sediment burial on mangroves[J]. Marine Pollution Bulletin, 37(8-12): 420-426.

[29]
ETEMADI H, SMOAK J M, KARAMI J, 2018. Land use change assessment in coastal mangrove forests of Iran utilizing satellite imagery and CA-Markov algorithms to monitor and predict future change[J]. Environmental Earth Sciences, 77(5): 208.

[30]
FRIESS D A, KRAUSS K W, HORSTMAN E M, et al, 2012. Are all intertidal wetlands naturally created equal? Bottlenecks, thresholds and knowledge gaps to mangrove and saltmarsh ecosystems[J]. Biological Reviews, 87(2): 346-366.

[31]
GILMAN E L, ELLISON J, DUKE N C, et al, 2008. Threats to mangroves from climate change and adaptation options: a review[J]. Aquatic Botany, 89(2): 237-250.

[32]
GUANNEL G, ARKEMA K, RUGGIERO P, et al, 2016. The power of three: coral reefs, seagrasses and mangroves protect coastal regions and increase their resilience[J]. PLoS One, 11(7): e0158094.

[33]
HOSMER JR D W, LEMESHOW S, STURDIVANT R X, 2013. Applied logistic regression[M]. Hoboken: John Wiley & Sons.

[34]
KATHIRESAN K, BINGHAM B, 2001. Biology of mangroves and mangrove ecosystems[J]. Advances in Marine Biology, 40: 81-251.

[35]
KATHIRESAN K, 2012. Importance of mangrove ecosystem[J]. International Journal of Marine Science, 2(10): 70-89.

[36]
KIBLER K M, PILATO C, WALTERS L J, et al, 2022. Hydrodynamic limitations to mangrove seedling retention in subtropical estuaries[J]. Sustainability, 14(14): 8605.

[37]
LEWIS R R, MILBRANDT E C, BROWN B, et al, 2016. Stress in mangrove forests: early detection and preemptive rehabilitation are essential for future successful worldwide mangrove forest management[J]. Marine Pollution Bulletin, 109(2): 764-771.

DOI PMID

[38]
LOVELOCK C E, CAHOON D R, FRIESS D A, et al, 2015. The vulnerability of Indo-Pacific mangrove forests to sea-level rise[J]. Nature, 526(7574): 559-563.

[39]
LUGO A E, SNEDAKER S C, 1974. The ecology of mangroves[J]. Annual Review of Ecology and Systematics, 5: 39-64.

[40]
MÜLLER A C, GUIDO S, 2016. Introduction to machine learning with Python: a guide for data scientists[M]. Sebastopol: O’Reilly Media, Inc.

[41]
ODUM W E, JOHANNES R E, 1975. The response of mangroves to man-induced environmental stress[M]// WOODE J F, JOHANNESR E, Elsevier Oceanography Series: tropical marine pollution. Amsterdam: Elsevier: 52-62.

[42]
PHONG N T, LUOM T T, PARNELL K E, 2017. Mangrove transplantation in Brebes Regency, Indonesia: Lessons and recommendations[J]. Ocean & Coastal Management, 149: 12-21.

[43]
RODRÍGUEZ-RODRÍGUEZ J A, MANCERA-PINEDA J E, TAVERA H, 2021. Mangrove restoration in Colombia: trends and lessons learned[J]. Forest Ecology and Management, 496: 119414.

[44]
SANDILYAN S, KATHIRESAN K, 2012. Mangrove conservation: a global perspective[J]. Biodiversity and Conservation, 21(14): 3523-3542.

[45]
SIPPO J Z, LOVELOCK C E, SANTOS I R, et al, 2018. Mangrove mortality in a changing climate: an overview[J]. Estuarine, Coastal and Shelf Science, 215: 241-249.

[46]
WALD A, 1943. Tests of statistical hypotheses concerning several parameters when the number of observations is large[J]. Transactions of the American Mathematical Society, 54(3): 426-482.

[47]
WOODROFFE C D, 1990. The impact of sea-level rise on mangrove shorelines[J]. Progress in Physical Geography: Earth and Environment, 14(4): 483-520.

[48]
YAN ZHONGZHENG, WANG WENQING, TANG DANLING, 2007. Effect of different time of salt stress on growth and some physiological processes of Avicennia marina seedlings[J]. Marine Biology, 152(3): 581-587.

Options
Outlines

/

〈 〉