CN115545521A - 一种沿海滩涂生态健康评估方法 - Google Patents
一种沿海滩涂生态健康评估方法 Download PDFInfo
- Publication number
- CN115545521A CN115545521A CN202211290092.2A CN202211290092A CN115545521A CN 115545521 A CN115545521 A CN 115545521A CN 202211290092 A CN202211290092 A CN 202211290092A CN 115545521 A CN115545521 A CN 115545521A
- Authority
- CN
- China
- Prior art keywords
- index
- ibi
- indexes
- sub
- core
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000036541 health Effects 0.000 title claims abstract description 25
- 244000005700 microbiome Species 0.000 claims abstract description 61
- 230000000813 microbial effect Effects 0.000 claims abstract description 40
- 241000203069 Archaea Species 0.000 claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000001580 bacterial effect Effects 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 241000894006 Bacteria Species 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 20
- 241000894007 species Species 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000013535 sea water Substances 0.000 claims description 5
- 230000006866 deterioration Effects 0.000 claims description 4
- 239000003921 oil Substances 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 241001465754 Metazoa Species 0.000 claims description 3
- 238000012408 PCR amplification Methods 0.000 claims description 3
- 238000012925 biological evaluation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 241000425347 Phyla <beetle> Species 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 231100000027 toxicology Toxicity 0.000 claims 2
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims 1
- 241000206602 Eukaryota Species 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 239000013049 sediment Substances 0.000 description 5
- 241000192700 Cyanobacteria Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 241000927967 Marine Group II Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001112741 Bacillaceae Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000206751 Chrysophyceae Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241001137853 Crenarchaeota Species 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 241000191025 Rhodobacter Species 0.000 description 1
- 241001662468 Rubrobacteraceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003766 bioinformatics method Methods 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 125000001997 phenyl group Chemical group [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009919 sequestration Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000002110 toxicologic effect Effects 0.000 description 1
- 231100000723 toxicological property Toxicity 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明涉及一种沿海滩涂生态健康评估方法，包括以下步骤：计算综合环境指数，确定参考点和对照点；构建候选参数指标库；筛选细菌、古菌和微型真核生物核心微生物指标；随机森林模型训练，计算核心指标权重，构建亚微生物完整性指数；基于随机森林优化的亚微生物完整性指数的权重，构建综合微生物完整性指数；评价结果可靠性分析。本发明以微生物完整性指数为基础，综合考虑了细菌、古菌和微型真核生物类群，运用随机森林算法，建立了一套针对沿海滩涂湿地的生态健康状况评价体系。
Description
技术领域
本发明涉及一种沿海滩涂生态健康评估方法，属于环境污染监测和环境保护技术的技术领域。
背景技术
沿海滩涂湿地是世界上最独特的生态系统之一，也是经济价值最重要的生态系统之一。滨海滩涂湿地位于海陆交界的生态过渡带，兼具海、陆双重特征，通常与密集的人类活动有关，对人类社会和经济至关重要，为渔业养殖、育苗等生产活动提供重要的保障。此外，潮汐湿地还具有较高的生态价值，因为它们参与了气候调节、防止淤积、固碳和海岸带的养分转化。它们还通过保持独特的栖息地来促进生物多样性。然而，沿海湿地也是地球上最脆弱的生态系统之一。近几十年来，随着人类活动的不断加剧，滨海湿地面临着日益严重的生态环境问题，如富营养化、海岸侵蚀、物种入侵和生物多样性丧失等。自20世纪50年代以来，全国滨海湿地丧失约200多万公顷，相当于滨海湿地总面积的50％。因此，急需对滨海滩涂湿地开展相关的治理和保护工作。科学准确的了解滨海滩涂湿地生态系统的生态状况，是潮汐湿地的开展有效保护重要前提，对形成针对性的解决方案，进行高效的治理具有重要意义。
微生物作为海洋生态系统的重要组成部分，在水环境中数量巨大、遗传与代谢方式多样，其动态变化是全面了解水生生态系统结构和功能的变化是一个重要环节，与传统指标相比，具有更强的可获性、耐受性和敏感性。同时，当前快速发展分子方法和生物信息学分析为微生物类群、群落结构和多样性以及功能基因的鉴定提供了高效便捷的方法，相关的评价应用已经被广泛用于监测淡水生态系统中。滨海滩涂位于海陆交界，其微生物种类多样(细菌、古菌和微真核生物)，在潮汐湿地的生态功能和多样性中发挥着关键作用，可以监测潮汐湿地的健康状况。因此，基于微生物群落开发一种沿海滩涂的生态健康状况评价方法，可以进一步发展和完善沿海滩涂生态健康评价系统，进而更有效地应用于沿海滩涂水生态系统的保护和修复工作。
生物完整性指数法是当前较为成熟的健康评价方法，自1981年提出至今，通过几近四十年的发展，生物完整性指数变得越来越完善，出现了包括鱼类、底栖无脊椎动物完整性指数等。然而，当前绝大多数的生物完整性只关注中大型生物，且绝大多数受限于单一类群。环境压力对生物群落的影响涉及到不同的类群，这导致了不同类群之间形成相互作用的复杂因果链，这些过程共同决定了生态系统层面的响应(食物网稳定性或生态系统功能等)。因此，单一分类类群的健康评价的准确性受到了极大的限制，需要建立反映生态系统健康状况的跨界多营养级生物指数。此外，随机森林、灰色关联度法等方法为不同营养级微生物指标的生态权重计算提供了客观可信的手段。
发明内容
为了解决上述技术问题，本发明综合细菌、古菌以及微型真核动物多个类群的微生物群落，基于有监督随机森林算法提供了一种沿海滩涂生态健康评估技术方法，提供一种再生保温纤维棉混凝土实心砖力的基本力学性能测试方法，其具体技术方案如下：
一种沿海滩涂生态健康评估方法，包括以下步骤：
步骤1：计算综合环境指数(CEI)，确定评估参考点；
步骤2：构建包含细菌、古菌、微型真核生物准则层的沿海滩涂生物评估体系，建立候选微生物参数指标库；
步骤3：筛选细菌、古菌和微型真核类群核心微生物指标，对核心微生物指数进行赋分；
步骤4：基于随机森林模型计算各类群核心微生物指标权重，构建各类群的亚微生物完整性指数；
步骤5：基于随机森林模型优化亚微生物完整性指数权重，并构建综合微生物完整性指数(CM-IBI)，评价等级划分和评价结果可靠性分析。
2、根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤1中计算综合环境指数(CEI)，确定评估参考点，具体的计算方法如下：
步骤1.1、在有待评价的沿海滩涂区域内设置若干采样点，监测各采样点的滩涂生境结构稳定性(潮上带护岸连续性、滩涂面积萎缩比例、滩涂潮间带宽度、滨海连通性)、海水水质质量(COD、TP、TN、NO3 -、NH4 +)、毒理性(Hg、Cd、Pb、油类)、社会功能(水资源开发利用率、水功能区达标率)五个方面的环境指标，构建综合环境候选指标库；
步骤1.2、参考国家《地表水环境质量标准》(GB3838-2002)、《海洋水质标准》(GB3097-1997)和《海洋沉积物质量》(GB18668-2002)进行指标划分，分成五等级，依次赋分为1-5分。标准中未规定的环境指标，将指标的20分位、40分位、60分位、80分位的值作为临界值，将指标分成五等级，依次赋分1-5分，再利用主成分分析的方法对所有的所述环境指标得到各指标的权重，基于加权平均值构建综合环境指数(CEI)；
步骤1.3、对所述综合环境指数(CEI)进行赋分，并以总分值区间的a分位划分参照点和受损点，选取高分位部分为参考点，其中，a为正整数。
进一步的，所述步骤2中建立候选微生物参数指标库具体方法如下：
步骤2.1、首先是对滩涂湿地微生物群落信息鉴定，将采集的滩涂湿地的泥样进行DNA提取，细菌、古菌和微型真核生物分别以341F-806R、Arch519F-Arch915R和TAReuk454FWD1-TAReukREV3为引物进行PCR扩增；检测得到的PCR产物，切割目的条带进行纯化，定量所得PCR产物，进行测序；经过质量分析和筛选后获得有效序列；基于97％的相似度，将测得的序列进行比对后进行OTU聚类，获得微生物种类与丰度信息；然后将序列与基因文库比对，计算样品覆盖率，以确定测序的可靠性；
步骤2.2、基于得到的物种信息，排除无法鉴定和相对丰度较低的物种，并将微生物群落进行门、纲、目、科、属五个分类水平划分，并将各个水平的物种相对丰度作为优选的微生物群落组成候选指标；
步骤2.3、基于得到的物种信息，计算微生物群落的alpha多样性，优选采用Shannon、Simpson、Evenness多样性指数作为微生物群落多样性指数候选指标。
进一步的，所述步骤3中筛选细菌、古菌和微型真核类群核心微生物指标，对核心微生物指数进行赋分，具体方法如下：
步骤3.1、首先进行时空分布检验，以保障指标的普适性，候选指标库中筛选出各类群至少80％以上空间或时间序列的样点都能检测出现的指标，若某指标在20％以上的采样点内相对丰度或者分数为0，即排除该指标；
步骤3.2、其次进行判别能力检验，筛选出参照点和受损点具有高辨识度的候选指标，对A3中筛选出的各类群候选参数进行Mann-WhitneyU检验，筛选出参照点和受损点具有显著差异(p＜0.05)的候选指标；
步骤3.3、最后进行冗余性检验，以减少指标信息的重叠程度，对步骤3.2筛选的各类群候选指标进行pearson检验，以p＜0.05，R2＝0.7为基准，若R2≥0.7，则表明两指标信息重叠程度大，剔除其中之一，若R2＜0.7，则表明两指标信息重叠程度小，二者皆可保留；最后保留下来的为核心微生物参数；
步骤3.4、为减少峰值的影响，将步骤3.3中最后得到的核心微生物指标(xi，xi表示第i个核心微生物指标的数值)进行处理，其中比例变量(百分比数据)进行平方根反正弦变换
对其余变量进行对数变换(lg(xi))。
步骤3.5、如果核心微生物指数随着环境恶化而降低，则按照公式1进行计算；如果核心微生物参数随着环境恶化而增加，则按照公式2进行计算：
分值＝100×(观测值-下临界值)/(上临界值-下临界值) 公式1
分值＝100×(观测值-上临界值)/(下临界值-上临界值) 公式2
公式1和公式2中下临界值和上临界值分别表示核心微生物指数数字的5％、95％分位点。
进一步的，所述步骤4中利用随机森林模型训练，计算各核心微生物指标权重，构建各类群的亚微生物完整性指数方法如下：
步骤4.1、以步骤1建立的综合环境指数(CEI)作为因变量，以步骤3.5处理后的各类群核心微生物参数作为解释变量，利用随机森林模型训练，随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树；
步骤4.2、对核心微生物指标进行类群划分，采用均方误差百分比(Ai)和节点纯度增量(Bi)作为衡量指标，分别确定步骤4.2中各类群的解析变量对因变量的相对影响影响，将Ai和Bi的归一化的平均值作为各类群核心微生物参数的权重(ωi)，具体计算公式如下：
式中：ωBi、ωAi、ωEi表示细菌类群、古菌类群和微型真核动物类群的第i个核心微生物指标的权重，ABi、AAi、AEi表示细菌类群、古菌类群和微型真核动物类群第i个均方误差百分比，BBi、BAi、BEi表示细菌类群、古菌类群和微型真核动物类群第i个核心微生物指标的节点纯度增量；
步骤4.3、将步骤4.2得到各类群核心微生物参数的权重，基于加权平均值计算分别构建细菌亚生物完整性指数(Ba-IBI)、古菌亚生物完整性指数(Ar-IBI)和微型真核生物亚完整性指数(Eu-IBI)，计算公式如下：
式中：Ba-IBI、Ar-IBI、Eu-IBI表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核亚生物完整性指数，MBi、MAi、MEi表示细菌类群、古菌类群和微型真核动物类群第i个核心物种得分。
进一步的，所述步骤5中利用随机森林模型训练，计算各核心微生物指标权重，并构建综合微生物完整性指数(CM-IBI)，评价等级划分和评价结果可靠性分析，具体方法如下：
步骤5.1、以步骤1建立的综合环境指数(CEI)作为因变量，以步骤4.4得到的各类群亚微生物完整性作为解释变量，利用随机森林模型训练，随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树；
步骤5.2、继续采用均方误差百分比(Ai)和节点纯度增量(Bi)作为衡量指标，分别确定步骤5.1中各类群的解析变量对因变量的相对影响影响，将Ai和Bi的归一化的平均值作为各亚微生物完整性指数的的权重，构建综合微生物完整性指数(CM-IBI)，具体计算公式如下：
CM-IBI＝ωBa-IBIMBa-IBI+ωAr-IBIMAr-IBI+ωEu-IBIMEu-IBI 公式9
式中：ωEa-IBI、ωAr-IBI、ωEu-IBI分别表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核生物亚完整性指数的权重，MBa-IBI、MAr-IBI、MEu-IBI表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核生物亚完整性指数的的得分；
步骤5.3、基于步骤5.2得到的综合微生物完整性指数分值从高到低划分的五个等级，分别为非常健康、健康、亚健康、不健康和病态，将各采样点的得分对应到每个等级，从而得到最终评价结果。
进一步的，在步骤5.3以后还可将加权计算的CM-IBI值与CEI值进行最小二乘法回归分析，检验结果的可靠性。
本发明的有益效果是：
1、本方法填补了沿海滩涂区域生态健康评价的空白，具有较强敏感性与适用性，并且通过对样本的机器学习模型训练，能够获得合理、科学且符合实际的指标相对重要性信息，保证了指标权重的客观性和实用性。
2、本研究充分将细菌、古菌以及微型真核生物群落考虑纳入综合微生物完整性指数中，完善了以往指数的不足。
3、本方法通过随机森林优化的核心指标权重以各类群亚生物完整性指数的权重。
4、本方法将微生物完整性指数(CM-IBI)与综合环境指数(CEI)建立联系，R2＝0.58显示，我们构建的微生物完整性指数能很好的反映滩涂环境的变化。
5、本方法可以快速、灵敏、准确、全面客观地反映沿海滩涂湿地生态系统健康状况。
附图说明
图1为评价流程流程图，
图2为随机森林优化的微生物指数CM-IBI与综合环境指数CEI的回归分析。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
本发明融合基于随机森林模型并综合细菌、古菌和微型真核生物构建一个综合生物完整性指数法对沿海滩涂进行评价，以江苏省盐城市沿海滩涂为研究对象，构建综合微生物生物完整性指数(Comprehensive index of microbialbiotic integrity以下简称CM-IBI)，构建过程包括以下步骤：
第一步：计算综合环境指数(CEI)，确定参考点：
A1、首先沿着盐城的沿海滩涂采样点布设，布设点位涵盖不同的土地利用类型，共设置了47个采样点。采集表层海水和5cm顶部沉积物样品，保存在4℃下进行后续处理。为了最大限度地减少采样操作误差的影响，在每个样点在采用棋盘式采样法重复采集9个平行样，并混合在一起得到一个复合典型沉积物样品。复合样品分别置于无菌管(50mL)中，-80℃保存，直至提取DNA。
B1、通过GIS对47个采样点的滩涂生境结构稳定性进行监测，主要包括潮上带护岸长度、历史滩涂面积萎缩比例、滩涂潮间带宽度、滨海连通性五个指标；并将收集到的表层海水和复合沉积物样品送的实验室，对其理化参数(pH、COD、TP、TN、NO3 -、NH4 +)和毒理性(Hg、Cd、Pb、油类)进行检验。最后通过江苏省生态环保部和水利部公布的信息，收集水资源开发利用率、水功能区达标率，作为社会服务功能指标。
C1、上述保留的参数中的pH、COD、TP、TN、NO3 -、NH4 +和Hg、Cd、Pb、油类，按照分别按照国家《地表水环境质量标准》(GB3838-2002)、《海洋水质标准》(GB3097-1997)和《海洋沉积物质量》(GB18668-2002)进行赋分等级划分，如表1所示。潮上带护岸长度、历史滩涂面积萎缩比例、滩涂潮间带宽度、滨海连通性、水资源开发利用率、水功能区达标率等指标尚未有标准赋分方法，因此我们把上述指标分布范围的20％分位、40％分位、60％分位、80％分位的值作为临界值，将指标分成五类，依次赋分。
表1水质参数赋分表
将上述保留的理化参数的赋分值累加得到各个样点CEI的值。我们发现在选取的47个样点，CEI的值分布在3.2到8.8，选取15％高分位点的作为参考点。
第二步：构建包含细菌、古菌、微型真核生物准则层的沿海滩涂生物评估体系，建立候选微生物参数指标库：
A2、首先是对滩涂湿地微生物群落信息鉴定，将采集的滩涂湿地的泥样进行DNA提取，细菌、古菌和微型真核生物分别以341F-806R、Arch519F-Arch915R和TAReuk454FWD1-TAReukREV3为引物进行PCR扩增；经过质量分析和筛选后获得有效序列；基于97％的相似度，将测得的序列进行比对后进行OTU聚类，获得微生物种类与丰度信息。基于OUT单元计算Shannon、Simpson、Evenness多样性指数作为多样性候选指标；同时，基于OUT单元物种注释的结果构建物种组成候选指标。排除无法鉴定鉴定和相对丰度较低的物种，并计算了各类群的微生物群落的aloha多样性，最终本研究共选取了75个候选指标。如表2所示。
表2
％表示为相对丰度数据；phylum，class，order，family，genus，species分布表示门纲目科属种水平的微生物组成指标。
第三步：筛选细菌、古菌和微型真核类群核心微生物指标，对核心微生物指数进行赋分：
对候选参数指标库进行时空分布差异、判别能力敏感性、冗余性检验，筛选出各个类群的核心微生物参数
A3、首先进行时空分布检验，33个样点给排除。候选参数指标库中筛选出至少80％以上空间或时间序列的样点都能检测出现的指标，最终33个候选给排除指标。
B3、其次进行判别能力检验，筛选出参照点和受损点具有高辨识度的候选指标。利用R语言wilcox.test函数对A3中筛选出的候选参数进行Mann-Whitney U检验，筛选出参照点和受损点具有显著差异(p＜0.05)的候选指标最终保留了11个细菌指标、14个古菌指标和22个微真核指标用于进一步检测。
C3、最后进行冗余性检验，以减少指标信息的重叠程度。利用R语言cor函数步骤B3筛选候选指标进行pearson检验，以p＜0.05，R2＝0.7为基准。最后保留下来12个核心微生物参数。其中蓝藻纲(Cyanobacteria_Class)、脱硫杆菌科(Desulfobacteraceae_Family)、细菌群落均匀度指数(Evenness of bacteria)、红色杆菌科(Rubrobacteraceae_Family)作为细菌类群核心微生物指标；泉古菌门(Crenarchaeota_phylum)、海洋异养古菌类群(Marine Group II_Order)、Hadesarchaeaeota_Species和Nitrosopumilaceae_Genus作为估计类群核心微生物指标；Rhizophydiales_Order、寡毛亚目(Oligotrichia_Family)、金黄藻纲(Chrysophyceae_Class)和微型真核生物群落香浓指数(Shannon ofmicroeukaryotes)作为微型真核生物类群核心微生物指标。参照点与受损点的核心生物参数在所有的点位都广泛的分布着，并在参考点和对照点之间具有良好的敏感性与差异性(参见表3-5)，可以应用于的构建细菌亚完整性指数(Ba-IBI)、古菌亚完整性指数(Ar-IBI)和微型真核生物亚完整性指数(Eu-IBI)以及综合微生物完整指数(CM-IBI)。
表3
表4
表5
D3、将蓝藻纲(Cyanobacteria_Class)、脱硫杆菌科(Desulfobacteraceae_Family)、红色杆菌科(Rubrobacteraceae_Family)、泉古菌门(Crenarchaeota_phylum)、海洋异养古菌类群(Marine Group II_Order)、Hadesarchaeaeota_Species和Nitrosopumilaceae_Genus、Rhizophydiales_Order、寡毛亚目(Oligotrichia_Family)、金黄藻纲(Chrysophyceae_Class)进行平方根反正弦变换
对细菌群落均匀度指数(Evenness of bacteria)和微型真核生物群落香浓指数(Shannon ofmicroeukaryotes)进行对数变换(lg(xi))。
E3、如果核心微生物指数随着环境恶化而降低，则按照(公式1)进行计算；如果核心微生物参数随着环境恶化而增加，则按照(公式2)进行计算，结果如表3所述。
表6各类群核心参数的上临界值、下临界值以及得分计算公式
a表示为数据进行平方根反正弦变换；a表示数据进行对数变换。
第四步：基于随机森林模型计算各类群核心微生物指标权重，构建各类群的亚微生物完整性指数
A4、以上述建立的综合环境指数(CEI)作为因变量，以A4处理后的各类群核心微生物参数作为解释变量，在r语言中，利用软件包“randomForest”的“randomForest”函数进行随机森林模型训练。随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树。
B4、在r语言中，调用importance函数计算各核心微生物指标均方误差百分比(Ai)和节点纯度增量(Bi)，将Ai和Bi的归一化的平均值作为各类群核心微生物参数的权重(ωi)，权重结果如表4所示。
C4、将得到各类群核心微生物参数的权重，按照公式6、7、8构建各亚微生物完整性指数，结果如表7所示：
表7
作为本申请的一种优选技术方案：所述第五步中基于随机森林模型优化亚微生物完整性指数权重，并构建综合微生物完整性指数(CM-IBI)，评价等级划分和评价结果可靠性分析如下：
A5、以上述建立的综合环境指数(CEI)作为因变量，以各类微生物亚完整性指数作为解释变量，在r语言中，利用软件包“randomForest”的“randomForest”函数进行随机森林模型训练。随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树。
B5、继续采用均方误差百分比(Ai)和节点纯度增量(Bi)作为衡量指标，分别确定Ba-IBI、Ar-IBI和Eu-IBI对CM-IBI的影响。将Ai和Bi的归一化的平均值作为各亚微生物完整性指数的权重，
C5、将得到各类群核心微生物参数的权重，按照公式9构建综合微生物完整性指数，结果如表8所示：
表8
D5、基于将综合微生物完整性指数分值，将指标分布范围的20％分位、40％分位、60％分位、80％分位的值作为临界值，从高到低划分的五个等级，分别为非常健康、健康、亚健康、不健康和病态，将各采样点的得分对应到每个等级，从而得到最终评价结果。
E5、作为一种优选指标方案，将加权计算的CM-IBI值与CEI值进行最小二乘法回归分析，检验结果的可靠性，结果如图2所示。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。
Claims (9)
1.一种沿海滩涂生态健康评估方法，其特征在于：包括以下步骤：
步骤1：计算综合环境指数(CEI)，确定评估参考点；
步骤2：构建包含细菌、古菌、微型真核生物准则层的沿海滩涂生物评估体系，建立候选微生物参数指标库；
步骤3：筛选细菌、古菌和微型真核类群核心微生物指标，对核心微生物指数进行赋分；
步骤4：基于随机森林模型计算各类群核心微生物指标权重，构建各类群的亚微生物完整性指数；
步骤5：基于随机森林模型优化亚微生物完整性指数权重，并构建综合微生物完整性指数(CM-IBI)，评价等级划分和评价结果可靠性分析。
2.根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤1中计算综合环境指数(CEI)，确定评估参考点，具体的计算方法如下：
步骤1.1、在有待评价的沿海滩涂区域内设置若干采样点，监测各采样点的滩涂生境结构稳定性、海水水质质量、毒理性、社会功能五个方面的环境指标，构建综合环境候选指标库；
步骤1.2、指标的20分位、40分位、60分位、80分位的值作为临界值，将指标分成五等级，依次赋分1-5分，再利用主成分分析的方法对所有的所述环境指标得到各指标的权重，基于加权平均值构建综合环境指数(CEI)；
步骤1.3、对所述综合环境指数(CEI)进行赋分，并以总分值区间的a分位划分参照点和受损点，选取高分位部分为参考点，其中，a为正整数。
3.根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤2中建立候选微生物参数指标库具体方法如下：
步骤2.1、首先是对滩涂湿地微生物群落信息鉴定，将采集的滩涂湿地的泥样进行DNA提取，细菌、古菌和微型真核生物分别以341F-806R、Arch519F-Arch915R和TAReuk454FWD1-TAReukREV3为引物进行PCR扩增；检测得到的PCR产物，切割目的条带进行纯化，定量所得PCR产物，进行测序；经过质量分析和筛选后获得有效序列；基于97％的相似度，将测得的序列进行比对后进行OTU聚类，获得微生物种类与丰度信息；然后将序列与基因文库比对，计算样品覆盖率，以确定测序的可靠性；
步骤2.2、基于得到的物种信息，排除无法鉴定和相对丰度较低的物种，并将微生物群落进行门、纲、目、科、属五个分类水平划分，并将各个水平的物种相对丰度作为优选的微生物群落组成候选指标；
步骤2.3、基于得到的物种信息，计算微生物群落的alpha多样性。
4.根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤3中筛选细菌、古菌和微型真核类群核心微生物指标，对核心微生物指数进行赋分，具体方法如下：
步骤3.1、首先进行时空分布检验，以保障指标的普适性，候选指标库中筛选出各类群至少80％以上空间或时间序列的样点都能检测出现的指标，若某指标在20％以上的采样点内相对丰度或者分数为0，即排除该指标；
步骤3.2、其次进行判别能力检验，筛选出参照点和受损点具有高辨识度的候选指标，对A3中筛选出的各类群候选参数进行Mann-WhitneyU检验，筛选出参照点和受损点具有显著差异(p＜0.05)的候选指标；
步骤3.3、最后进行冗余性检验，以减少指标信息的重叠程度，对步骤3.2筛选的各类群候选指标进行pearson检验，以p＜0.05，R2＝0.7为基准，若R2≥0.7，则表明两指标信息重叠程度大，剔除其中之一，若R2＜0.7，则表明两指标信息重叠程度小，二者皆可保留；最后保留下来的为核心微生物参数；
步骤3.4、为减少峰值的影响，将步骤3.3中最后得到的核心微生物指标(xi，xi表示第i个核心微生物指标的数值)进行处理，其中比例变量(百分比数据)进行平方根反正弦变换
对其余变量进行对数变换(lg(xi))。
步骤3.5、如果核心微生物指数随着环境恶化而降低，则按照公式1进行计算；如果核心微生物参数随着环境恶化而增加，则按照公式2进行计算：
分值＝100×(观测值-下临界值)/(上临界值-下临界值) 公式1
分值＝100×(观测值-上临界值)/(下临界值-上临界值) 公式2
公式1和公式2中下临界值和上临界值分别表示核心微生物指数数字的5％、95％分位点。
5.根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤4中利用随机森林模型训练，计算各核心微生物指标权重，构建各类群的亚微生物完整性指数方法如下：
步骤4.1、以步骤1建立的综合环境指数(CEI)作为因变量，以步骤3.5处理后的各类群核心微生物参数作为解释变量，利用随机森林模型训练，随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树；
步骤4.2、对核心微生物指标进行类群划分，采用均方误差百分比(Ai)和节点纯度增量(Bi)作为衡量指标，分别确定步骤4.2中各类群的解析变量对因变量的相对影响影响，将Ai和Bi的归一化的平均值作为各类群核心微生物参数的权重(ωi)，具体计算公式如下：
式中：ωBi、ωAi、ωEi表示细菌类群、古菌类群和微型真核动物类群的第i个核心微生物指标的权重，ABi、AAi、AEi表示细菌类群、古菌类群和微型真核动物类群第i个均方误差百分比，BBi、BAi、BEi表示细菌类群、古菌类群和微型真核动物类群第i个核心微生物指标的节点纯度增量；
步骤4.3、将步骤4.2得到各类群核心微生物参数的权重，基于加权平均值计算分别构建细菌亚生物完整性指数(Ba-IBI)、古菌亚生物完整性指数(Ar-IBI)和微型真核生物亚完整性指数(Eu-IBI)，计算公式如下：
式中：Ba-IBI、Ar-IBI、Eu-IBI表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核亚生物完整性指数，MBi、MAi、MEi表示细菌类群、古菌类群和微型真核动物类群第i个核心物种得分。
6.根据权利要求1所述的沿海滩涂生态健康评估方法，其特征在于：所述步骤5中利用随机森林模型训练，计算各核心微生物指标权重，并构建综合微生物完整性指数(CM-IBI)，评价等级划分和评价结果可靠性分析，具体方法如下：
步骤5.1、以步骤1建立的综合环境指数(CEI)作为因变量，以步骤4.4得到的各类群亚微生物完整性作为解释变量，利用随机森林模型训练，随机选取70％的样本作为训练集，剩余百分30为预测集，生成1000棵经典决策树；
步骤5.2、继续采用均方误差百分比(Ai)和节点纯度增量(Bi)作为衡量指标，分别确定步骤5.1中各类群的解析变量对因变量的相对影响影响，将Ai和Bi的归一化的平均值作为各亚微生物完整性指数的的权重，构建综合微生物完整性指数(CM-IBI)，具体计算公式如下：
CM-IBI＝ωBa-IBIMBa-IBI+ωAr-IBIMAr-IBI+ωEu-IBIMEu-IBI 公式9
式中：ωBa-IBI、ωAr-IBI、ωEu-IBI分别表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核生物亚完整性指数的权重，MBa-IBI、MAr-IBI、MEu-IBI表示细菌亚生物完整性指数、古菌亚生物完整性指数和微型真核生物亚完整性指数的的得分；
步骤5.3、基于步骤5.2得到的综合微生物完整性指数分值从高到低划分的五个等级，分别为非常健康、健康、亚健康、不健康和病态，将各采样点的得分对应到每个等级，从而得到最终评价结果。
7.根据权利要求6所述的沿海滩涂生态健康评估方法，其特征在于：在步骤5.3以后还可将加权计算的CM-IBI值与CEI值进行最小二乘法回归分析，检验结果的可靠性。
8.根据权利要求2所述的沿海滩涂生态健康评估方法，其特征在于：所述滩涂生境结构稳定性具体为潮上带护岸连续性、滩涂面积萎缩比例、滩涂潮间带宽度和滨海连通性，所述海水水质质量具体包括COD、TP、TN、NO3 -和NH4 +，所述毒理性具体包括Hg、Cd、Pb和油类，所述社会功能具体包括水资源开发利用率和水功能区达标率。
9.根据权利要求3所述的沿海滩涂生态健康评估方法，其特征在于：所述微生物群落的alpha多样性采用Shannon、Simpson、Evenness多样性指数，作为微生物群落多样性指数候选指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211290092.2A CN115545521B (zh) | 2022-10-20 | 2022-10-20 | 一种沿海滩涂生态健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211290092.2A CN115545521B (zh) | 2022-10-20 | 2022-10-20 | 一种沿海滩涂生态健康评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115545521A true CN115545521A (zh) | 2022-12-30 |
| CN115545521B CN115545521B (zh) | 2024-04-26 |
Family
ID=84735301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211290092.2A Active CN115545521B (zh) | 2022-10-20 | 2022-10-20 | 一种沿海滩涂生态健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115545521B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008185455A (ja) * | 2007-01-30 | 2008-08-14 | Institute Of Freshwater Biology | 水域環境の評価方法 |
| CN105868545A (zh) * | 2016-03-28 | 2016-08-17 | 中国科学院城市环境研究所 | 一种地下水生态系统健康评价方法 |
| CN109063962A (zh) * | 2018-06-28 | 2018-12-21 | 河海大学 | 一种基于权重的城市内河生态系统健康评价方法 |
| CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
-
2022
- 2022-10-20 CN CN202211290092.2A patent/CN115545521B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008185455A (ja) * | 2007-01-30 | 2008-08-14 | Institute Of Freshwater Biology | 水域環境の評価方法 |
| CN105868545A (zh) * | 2016-03-28 | 2016-08-17 | 中国科学院城市环境研究所 | 一种地下水生态系统健康评价方法 |
| CN109063962A (zh) * | 2018-06-28 | 2018-12-21 | 河海大学 | 一种基于权重的城市内河生态系统健康评价方法 |
| CN110675036A (zh) * | 2019-09-09 | 2020-01-10 | 河海大学 | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 付会;刘晓丹;孙英兰;: "大沽河口湿地生态系统健康评价", 海洋环境科学, no. 03, 20 June 2009 (2009-06-20), pages 99 - 102 * |
| 付会;刘晓丹;孙英兰;: "大沽河口湿地生态系统健康评价", 海洋环境科学, no. 03, pages 99 - 102 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115545521B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Harvey et al. | Genomic variation in a widespread Neotropical bird (Xenops minutus) reveals divergence, population expansion, and gene flow | |
| Manoylov | Taxonomic identification of algae (morphological and molecular): species concepts, methodologies, and their implications for ecological bioassessment | |
| Yang et al. | eDNA metabarcoding in zooplankton improves the ecological status assessment of aquatic ecosystems | |
| Thomas et al. | Exploring Symbiodinium diversity and host specificity in Acropora corals from geographical extremes of W estern a ustralia with 454 amplicon pyrosequencing | |
| Tapolczai et al. | The impact of OTU sequence similarity threshold on diatom‐based bioassessment: A case study of the rivers of Mayotte (France, Indian Ocean) | |
| CN110675036B (zh) | 一种基于随机森林优化微生物指数的高原河流生态健康评价方法 | |
| Santoferrara et al. | Utility of genetic markers and morphology for species discrimination within the order Tintinnida (Ciliophora, Spirotrichea) | |
| CN109063962B (zh) | 一种基于权重的城市内河生态系统健康评价方法 | |
| CN105447248B (zh) | 基于金属定量构效关系的海水急性基准预测方法 | |
| CN110295220A (zh) | 一种红树林湿地沉积物健康状况的微生物指标评估方法 | |
| Salmaso et al. | DNA sequence and taxonomic gap analyses to quantify the coverage of aquatic cyanobacteria and eukaryotic microalgae in reference databases: Results of a survey in the Alpine region | |
| WO2023098239A1 (zh) | 一种基于微生物群落特异性响应的河流生态系统健康评价方法 | |
| Salas et al. | Application of the exergy index as ecological indicator of organically enrichment areas in the Mar Menor lagoon (south-eastern Spain) | |
| CN114707786A (zh) | 一种基于共现性网络的河流生态系统健康评价方法 | |
| CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
| Zhao et al. | Hydrodynamic and anthropogenic disturbances co-shape microbiota rhythmicity and community assembly within intertidal groundwater-surface water continuum | |
| Ji et al. | Estimating aquatic plant diversity and distribution in rivers from Jingjinji region, China, using environmental DNA metabarcoding and a traditional survey method | |
| Tu et al. | Biodiversity assessment in the near-shore waters of Tianjin city, China based on the Pressure-State-Response (PSR) method | |
| Cui et al. | Ecosystem health evaluation of urban rivers based on multitrophic aquatic organisms | |
| Lin et al. | Environmental DNA metabarcoding revealed the impacts of anthropogenic activities on phytoplankton diversity in Dianchi Lake and its three inflow rivers | |
| Costa et al. | Phytoplankton functional responses induced by extreme hydrological events in a tropical reservoir | |
| Yang et al. | Interactome‐based abiotic and biotic impacts on biodiversity of plankton communities in disturbed wetlands | |
| Rimet et al. | Environmental filtering and mass effect are two important processes driving lake benthic diatoms: Results of a DNA metabarcoding study in a large lake | |
| CN115545521A (zh) | 一种沿海滩涂生态健康评估方法 | |
| Schulte et al. | Diversity of freshwater algal assemblages across the United States as revealed by DNA metabarcoding |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |