结合水动力学模型与预测性生态学模型,预测气候变化对城市溪流大型无脊椎动物的影响
《Journal of Environmental Management》:Integrating hydrodynamic and predictive ecological modelling to forecast the effects of climate change on urban stream macroinvertebrates
【字体:
大
中
小
】
时间:2026年07月05日
来源:Journal of Environmental Management 9.2
编辑推荐:
安德雷伊娜·泽雷加|努诺·爱德华多·西蒙斯|安娜·拉克尔·卡拉佩斯|豪尔赫·桑托斯|亚历山德拉·里贝罗|贾尼娜·P·达席尔瓦|玛丽亚·若昂·费奥
MARE——海洋与环境科学中心/ARNET——水生研究网络,科英布拉大学科学与技术学院生命科学系,葡萄牙科英布拉庞巴尔侯爵广场,邮
安德雷伊娜·泽雷加|努诺·爱德华多·西蒙斯|安娜·拉克尔·卡拉佩斯|豪尔赫·桑托斯|亚历山德拉·里贝罗|贾尼娜·P·达席尔瓦|玛丽亚·若昂·费奥
MARE——海洋与环境科学中心/ARNET——水生研究网络,科英布拉大学科学与技术学院生命科学系,葡萄牙科英布拉庞巴尔侯爵广场,邮编3004-517
**摘要**
城市溪流同时面临气候变化和持续人为压力的影响,预测其在未来条件下的生态响应仍具挑战性。本研究通过将水动力模拟与预测性机器学习模型相结合,评估了不同气候情景下城市溪流中大型无脊椎动物群落可能发生的变化。研究利用葡萄牙中部的区域数据集构建了HYDRA模型,该模型能够根据环境变量预测大型无脊椎动物的出现情况。水动力模型则用于模拟四种气候变化情景下的流量变化,这些情景分别对应中等期(2041–2060年)和长期期(2081–2010年)的不同排放路径。随后,这些模型被用于预测葡萄牙科英布拉14处城市溪流中大型无脊椎动物群落的变化情况。气候预测表明,气温将持续上升,极端降雨事件也会愈发频繁,从而导致春季基流量增加。不同地点的群落响应存在差异,且受当地城市化程度的影晌。那些城市化程度较低的溪流,其生物多样性更为丰富且更敏感,在高排放情景下,其分类单元多样性、IBMWP评分以及EPT类群的比例都会出现更大降幅。而高度城市化的溪流则表现出较弱或中性的响应,这可能是由于此前生物多样性已有所降低所致。从分类学变化来看,适应寒冷环境及对水流变化敏感的类群数量减少,而耐受性强、适应性广的类群则依然存在或开始占据优势。总体而言,尽管城市化程度较低的溪流生态状况恶化得更严重,但其生物质量仍高于那些严重退化的系统,这一事实凸显出保护与修复城市溪流以提升其应对气候变化能力的重要性。
**1. 引言**
淡水生态系统极易受到气候变化的影响,因为温度和降水量的变化,以及干旱和洪水的频率与持续时间,都会直接对其造成影响(Ledger和Milner,2015)。降水变化会影响径流模式,而水温上升则会改变物理化学过程,包括氧溶解度、代谢速率以及营养物质动态(Van Vliet等人,2011;Woodward等人,2010)。所有这些变化都会给水生生物带来生理压力,扰乱其生命周期和繁殖行为,进而增加生物多样性丧失的风险(Calapez等人,2017;Feio等人,2010;Pyne和Poff,2017;V?r?smarty等人,2010)。水温与流量是决定底栖大型无脊椎动物群落组成的主要因素(Arthington等人,2006;Dewson等人,2007;Domisch等人,2017)。由于大型无脊椎动物分布范围有限、生命周期较短,且依赖当地的生境和水质条件,因此它们被广泛用作生态质量的生物指示物(Furse等人,2006)。在地中海地区的溪流中,预计夏季流量会减少,水体流动性增强,极端降雨事件也会更加频繁,这些因素都将进一步加剧生态压力(Ali等人,2022;Cardoso Pereira等人,2020;Feio等人,2010)。实验和建模研究表明,气候变率与极端事件可能导致群落跨越生态阈值,从而引发非线性且可能不可逆的变化(Aspin等人,2019;Bailey和van de Pol,2016;Theodoropoulos和Karaouzas,2021)。城市溪流则是气候变化与现有人为压力相互作用的典型场所。城市化通过增加不透水表面、改变河道形态、破坏河岸带、过度取水以及污染等途径改变水文过程,从而导致水位波动加剧、基流减少、水质下降以及生境改变(Paul和Meyer,2001;Walsh等人,2005)。这些压力会影响大型无脊椎动物群落的构成,导致生物多样性降低,耐受性强的类群占据主导地位。因此,气候变化对城市溪流的影响可能因受损程度不同而呈现不同的响应特征(Feio等人,2010)。尽管有越来越多的证据表明气候变化正在影响淡水生物,但评估生态变化仍然是一项艰巨任务。虽然已有许多研究探讨了升温或流量变化对大型无脊椎动物群落的影响(Haase等人,2019;Hogg和Dudley Williams,1996;Karaouzas等人,2019;Li等人,2013;Mouton等人,2020;Poff和Zimmerman,2010;EPA,2008;Van Looy等人,2016),但明确基于未来气候情景进行建模的研究相对较少(Daneshvar等人,2017;Kakouei等人,2018;Orr等人,2024;Theodoropoulos和Karaouzas,2021;Thompson等人,2013),而且针对城市溪流生态系统的应用也极为罕见(Feio等人,2010、2015;Floury等人,2013;Kuemmerlen等人,2015)。然而,推进这类建模应用对于指导城市溪流的适应性管理,提升城市的长期可持续性及气候适应能力至关重要。为此,本研究通过将水动力模拟与预测性机器学习模型相结合,评估气候变化对城市溪流中大型无脊椎动物群落的影响。研究首先利用葡萄牙中部的区域数据集构建了一个机器学习模型,该数据集涵盖了不同程度的人为压力。随后,根据IPCC的预测结果调整降水、温度和流量参数,以此模拟不同气候情景,再利用该模型预测未来条件下大型无脊椎动物的出现情况。研究的目的是探究人为压力是否会影响城市溪流对气候变化的响应。通过将气候预测、水动力模拟与生态预测模型有机结合,本研究采用了一种整合性的新方法,用于在多重压力背景下评估气候变化对城市淡水生态系统的影响。
**2. 方法**
为了解决预测城市溪流对气候变化生态响应的难题,本研究开发了一个集成建模框架。机器学习技术与环境预测因子相结合的方法,提升了复杂淡水系统中的预测精度,也为在不断变化的环境条件下进行生物评估提供了有力工具(Feio等人,2014a、2014b;Jovem-Azevêdo等人,2020)。基于物理原理的水动力模型则提供了一种互补的方法。与纯数据驱动的方法不同,水动力模型以物理定律和特定地点的条件(包括地形、土地利用类型、流域及河道几何结构、边界条件以及流体动力学原理)为基础,因此能够模拟超出观测数据范围的情景,比如极端事件以及缺乏监测数据的流域。不过,将气候变化、水动力过程与生物响应相联系,并同时考虑多种相互作用压力的集成应用仍然十分少见,尤其是在城市环境中(Theodoropoulos和Karaouzas,2021)。为了预测城市溪流对未来气候变化情景的生物响应,本研究采用了两步法(见图1)。第一步,利用实地采集的真实数据(包括无脊椎动物样本和环境数据),通过训练机器学习算法,让模型能够根据环境预测因子预测大型无脊椎动物群落的结构。第二步,将未来气候预测结果转化为新的非生物环境条件,再利用模型预测在每种气候情景下各监测点的大型无脊椎动物群落组成。最后,将预测得到的群落结构与基准观测数据进行分析比较,以此评估气候变化带来的生物响应。
**下载**:下载高分辨率图像(1MB)
**下载**:下载全尺寸图像
图1. 研究方法框架。
**2.1 训练数据集**
本研究使用的训练数据集包含位于葡萄牙中部的72处溪流监测点(见图2),这些监测点分布在沃加河、蒙德戈河和里斯河的流域内,这些流域的总面积约为11,200平方公里,最终汇入大西洋。这些流域涵盖了从大西洋性气候到地中海性气候的不同类型,从由花岗岩和片岩构成的山区源头,到沿海地区的石灰岩低地及冲积平原(Feio等人,2007、2009a)。
**下载**:下载高分辨率图像(763KB)
**下载**:下载全尺寸图像
图2. 研究区域。图中红色点表示用于校准HYDRA预测模型的监测点——中部地区的溪流(2004/05年数据);蓝色点则表示科英布拉地区的城市溪流(2022年数据)。
在这72个监测点中,有58个点是在2004年和2005年的春季作为国家生态监测项目的一部分而进行采样的(Feio等人,2007、2009a、2009b)。这些监测点中的溪流在采样时被认为处于相对未受干扰的状态,因此被用来为《水框架指令》中规定的葡萄牙河流生态评估提供生物指数参考值(欧洲议会和理事会,2000)。此外,还有一些监测点则受到不同程度的人为压力影响。训练数据集中剩下的14个监测点则是科英布拉市内的城市溪流,这些溪流是在2022年春季进行采样的。它们是蒙德戈河的支流,分布于科英布拉市的各个区域,从高度城市化的地区到较为偏远的乡村地带,这些地区属于温带地中海气候,冬季湿润,夏季干燥(Calapez等人,2023;Sousa等人,2025)。所有72个监测点都被用于训练和验证HYDRA预测模型。之所以同时纳入历史数据(2004/05年数据)和科英布拉城市溪流数据(2022年数据),是为了让训练数据集在环境特征和生物特征方面更具代表性,从而涵盖更广泛的气候、水文形态、物理化学条件以及城市化水平,以及与之相关的大型无脊椎动物群落。尤其是纳入科英布拉城市溪流数据后,高度城市化系统的代表性得到了提升,进而提高了模型在不同干扰程度下的预测能力。如此广泛的环境覆盖非常重要,因为后续研究中,该模型还被应用于基于未来气候变化情景生成的非生物环境预测因子,以此预测大型无脊椎动物群落的情况。
所有监测点的底栖大型无脊椎动物群落特征及环境条件均被记录下来(见表1)。在每个监测点,研究人员都使用手网(网目大小为500微米,网孔面积为0.25×0.25米)进行采样,采样范围为6×1米的可行生境区域,采集到的样本随后用10%的福尔马林保存(INAG,2008)。在对样本进行分类后,研究人员会在体视显微镜下,根据现有的分类鉴定手册,尽可能精确地确定各类物种的身份,这些鉴定手册包括Tachet等人(2000)和Vieira Lanero(2000)所编写的资料。
表1. 非生物环境矩阵中的各种环境变量,列出了训练数据集中所有监测点以及科英布拉城市溪流子集的均值、标准差、最小值和最大值。
变量 | 描述 | 单位 | 所有监测点的最小/最大值 | 科英布拉城市溪流子集的最小/最大值
---|---|---|---|---
characterisational_titude | 采样点海拔高度 | 米 | 176.1±212.9,2.7/10 | 39.6±27.5,17.9/10
area_catchment | 采样点所在流域的面积 | 平方公里 | 52.5±76.4,1.5/467 | 11.6±16.9,1.5/62.6
dist_source | 采样点到流域最上游点的距离 | 米 | 11,100.7±968,870.4/37,232 | 1,859.9±412,888.1/14,160
slope | 从流域最上游点到采样点的坡度 | % | 3.3±2.7,0.3/17.5 | 3.2±1.4,1/5.8
t_mean | 4月、5月、6月月平均温度的均值 | 摄氏度 | 16.7±1.1,3.2/18.2 | 16.7±0.3,16/17.4
t_max | 4月、5月、6月月平均最高温度的均值 | 摄氏度 | 22.7±1.2,19.3/25 | 22.4±0.6,22/23.4
t_min | 4月、5月、6月月平均最低温度的均值 | 摄氏度 | 11.1±0.7,8.9/12.5 | 10.8±0.2,10.7/11.3
precipitation | 春季的累计降水量 | 毫米 | 130.2±59.5,34.5/290.2 | 95.5±0.6,95.3/97.7
t_water | 水温 | 摄氏度 | 15±2.6,10.3/21.3 | 15.7±1.9,12.6/19.4
percent_ox | 溶解氧含量百分比 | % | 97.2±3.1,10/167.8 | 53.6±27.1,10/92.3
ox_dissolved | 溶解氧浓度 | 毫克/升 | 9.7±2.9,0.9/16.1 | 5.3±2.7,0.9/9.6
phpH | pH值 | | 7.1±0.8,5.8/8.8 | 8.2±0.4,7.3/8.8
conductivity | 水的电导率 | 微西门子/厘米 | 417.7±144,222.2 | 11.8/12,300
nitrate | 硝酸盐浓度(毫克/升 NO3?) | | 5.8±5.8,0/23.9 | 6.7±5.3,0/18
nitrite | 亚硝酸盐浓度(毫克/升 NO2) | | 0.2±0.4,0/2.3 | 0.3±0.6,0/2.3
ammonia | 氨浓度(毫克/升 NH4+) | | 0.2±0.4,0/2.2 | 0.2±0.4,0/1.4
p_total | 总磷浓度(毫克/升 P) | | 0.1±0.1,0/0.7 | 0.1±0.2,0/0.6
phophate | 正磷酸盐浓度(毫克/升 PO4) | | 0.1±0.3,0/1.9 | 0±0
fame_1 | 土地利用变化程度,1表示自然状态,5表示完全改变 | | 3±1,1/43±1,2/4
fame_2 | 城市化覆盖程度,1表示自然状态,5表示完全改变 | | 2±1,1/53±1,1/5
fame_3 | 河岸带变化程度,1表示自然状态,5表示完全改变 | | 3±1,1/53±1,1/5
fame_4 | 沉积物负荷程度,1表示高质量,5表示低质量 | | 2±1,1/53±1,1/5
fame_7 | 形态学变化程度,1表示自然状态,5表示完全改变 | | 2±1,1/53±1,1/5
fame_8 | 有机污染与营养富集程度,1表示高质量,5表示低质量 | | 2±1,1/53±12/5
fame_10 | 纵向连通性程度,1表示自然状态,5表示完全改变 | | 2±1,1/42±1,1/3
area_imp | 流域不透水面积占比 | % | 6.4±10.8,0/52.8 | 21.1±17.3,1.3/52.8
hqa | 河流生境质量评估得分 | | 37±9,15/57 | 30±9,17/45
hms | 生境修改得分 | | 172±40,40/229 | 582±57,213/229
width | 河道宽度 | 米 | 8.8±8.1,1.5/43 | 33.4±1.7,1.5/7
q_median | 春季流量的中位数 | 立方米/秒 | 0.098±0.27,20/2.08 | 0.004±0.011,0/0.04
q95 | 春季流量的第95百分位数 | 立方米/秒 | 0.33±0.73,30/5.19 | 0.029±0.032,0/0.101
p5 | 春季流量的第5百分位数 | 立方米/秒 | 0.069±0.20,90/1.63 | 0.002±0.006,0/0.024
rbi | Richards Baker闪现指数 | | 0.026±0.057,70/0.458 | 0.042±0.024,0.002/0.073
cv | 流量变异系数 | | 2.3±1.6,0.6/9.1 | 3.9±1.4,1.2/5.3
max_duration_p5 | 流量低于第5百分位数的最长持续时间 | 小时 | 73.1±30.2,0/112.8 | 67.7±13.1,63.6/112.8
q_mean_apr | 4月的平均流量 | 立方米/秒 | 0.183±0.54,20/4.30 | 0.01±0.017,0/0.066
q_mean_may | 5月的平均流量 | 立方米/秒 | 0.16±0.52,28/4.28 | 0.004±0.009,0/0.036
q_mean_jun | 6月的平均流量 | 立方米/秒 | 0.086±0.23,30/1.76 | 0.004±0.007,0/0.027
n_events_q95 | 流量超过第95百分位数的事件次数 | 次 | 16.1±26.8,1/22 | 19.1±7.9,3/30
q_max | 春季的最大流量 | 立方米/秒 | 14.488±84.92,60/0.019 | 338.041±0.275,0.022/0.915
q_min | 春季的最小流量 | 立方米/秒 | 0.029±0.08,0/0.456 | 0.002±0.006,0/0.023
q_mean | 春季流量的均值 | 立方米/秒 | 0.149±0.43,70/3.47 | 70.008±0.013,1.1/0.052每个变量都被赋予1分(接近自然条件)到5分(与自然条件差异极大)的评分。气温(最低值、平均值、最高值;摄氏度)是通过取相应采样年份春季月份(4月、5月、6月)的葡萄牙海洋与大气研究所网站上的气象观测数据平均值来计算的(IPMA,2025a)。其他非生物变量则来自GIS数据,包括海拔高度(米)、集水区面积(平方公里)、距水源距离(米)、河道坡度(百分比)、不透水面积(百分比)以及河道宽度(米)。这些数值是通过ArcGIS Pro,利用欧盟哥白尼项目的10米分辨率数字高程模型和不透水率地图获得的(欧洲环境署哥白尼陆地监测服务,2020年;欧盟哥白尼计划,2022年)。这些数据还被用来确定每个采样点的河流网络、集水区及子集水区,这些都是水动力模型的必要输入数据(见下文)。所有的流量变量都是通过使用MIKE+软件开发的针对特定地点的水动力模型得出的(DHI,2024年)。MIKE+是一个基于物理原理的建模平台,它运用基本的物理定律来模拟水文和水力过程。模型输入包括降水量时间序列,这些数据是为每个集水区在相应采样年份的1月1日至6月22日期间,根据葡萄牙国家水资源信息系统中的最新气象站数据生成的(SNIRH;APA,2025年);还有潜在蒸散量时间序列,这些数据则是基于1971-2000年参考期的集合模型气候正常值,利用葡萄牙气候门户网站上的季节性数据为整个葡萄牙大陆生成的(IPMA,2025b)。集水区的径流是通过结合两种降雨-径流成分来模拟的:一种是对透水区域应用的、考虑地表水和地下水流动的降雨依赖型入渗模型,另一种是对不透水表面应用的线性水库模型,用于描述城市集水区典型的直接地表径流。这些组合模型被用来估算每个集水区的总径流以及随后每个采样点在春季时期(3月20日-6月22日)的各类流量变量:中位数、第95百分位数、第5百分位数、平均值、最大值、最小值以及4月、5月、6月的月平均流量(立方米/秒)、超过第95百分位数的事件次数、流量低于第5百分位数的最大连续持续时间(小时)、理查兹-贝克瞬变指数以及流量变异系数。之所以选择春季时期(3月20日-6月22日)来计算这些流量变量,是为了能够反映出同时期以及近期影响大型无脊椎动物群落的水文状况。这些水动力模型旨在为所有采样点生成在水文上合理且内在一致的水流状况,从而便于在气候变化情景下对比评估生态系统的响应情况。由于全球大多数小型集水区都尚未设置监测站点(Hrachowitz等人,2013年;Sivapalan等人,2003年),因此无法获得连续的水文观测数据来进行模型校准和验证。为了解决这一问题,传统的方法是使用文献中的参数(Paniconi和Putti,2015年)。因此,模型参数值(如时间常数和入渗率)是根据欧洲土壤数据库中的土壤质地分布确定的(Panagos等人,2022年),并遵循MIKE+用户手册中的建议(DHI,2024年)以及Butler等人的研究结果(2018年)。为了评估模型性能,该建模框架在科英布拉的一条城市河流(M38_2022 Vale das Flores)上进行了验证,该河流在2017年的流量监测数据可从之前的研究中获取(Serra等人,2019年)。模拟结果与实际观测到的径流曲线在径流事件的时间和强度方面均表现良好(见图S1)。平均流量和累计径流量の误差相对较小,分别为3.0%和3.4%,不过峰值流量则被低估了。一致性指数为0.75,表明实测流量与模拟流量之间的整体对应关系较为满意(Moriasi等人,2015年)。对径流曲线的直观观察表明,模型很好地再现了主要的径流动态,包括事件的发生、变化程度以及消退规律。对于其余的城市河流站点,则是利用2022年采样期间收集的实地测量数据来估算近似瞬时流量。流量是通过测量水深、河道宽度以及使用FP101全球水文仪器数字流量计获得的流速来估算的。这些估算值被用作额外的合理性检验,以确认模拟流量与实地观测到的水文状况一致(见表S2)。3. 结果
3.1 监测点环境特征
训练数据集涵盖了广泛的环境梯度,包括从低地到高地的河流(海拔2.7-1029米)以及从小到大的流域(1.5-467平方公里),水化学和水文条件变化较大(见表1)。溶解氧浓度从缺氧状态到高氧状态不等(0.9-16.1毫克/升),部分地点的养分浓度也很高(硝酸盐高达23.9毫克/升;总磷高达0.7毫克/升)。作为训练数据集的一个子集,这些研究地点代表了科英布拉的城市河流,其物理特征较为相似,但在城市化压力方面存在明显梯度,这一梯度可通过整合人类活动干扰各方面的FAME得分来体现。
3.2 冗余度分析
RDA分析显示,群落组成与环境预测因子之间存在显著关联(伪F值=1.43,p值=0.001;见图S1),这些因素共同解释了总方差的59.5%(调整后R2值为0.18)。第一个约束轴(RDA1)具有高度显著性(p值=0.001),解释了总方差的12.2%,反映了城市化和水质的梯度,其主要预测因子包括不透水面积、电导率以及相关的FAME指标(城市化和有机污染)。训练数据集中所包含的各种环境条件与科英布拉城市河流的实际情况一致,这说明HYDRA模型适用于预测在气候变化情景下环境变量改变时的大型无脊椎动物群落组成。
3.3 HYDRA模型
在模型训练之前,那些仅出现在一个训练地点的类群已被剔除,最终共有142个类群被纳入模型(见表S3)。所选的HYDRA模型能够预测这142个类群,其中至少有一种算法的准确率超过0.5(支持向量机:111个类群,平均准确率为0.94±0.09;多层感知器:24个类群,准确率为0.77±0.15;K近邻算法:7个类群,准确率为0.88±0.12)。因此无需再排除其他类群。整体模型性能良好(平均O/E值为0.82±0.18),O/E回归结果也在可接受范围内(R2值为0.85,斜率为0.90,截距为-1.485;见图S2)。验证地点的模型性能也相当不错(平均O/E值为0.73±0.22),表明该模型对新地点也有良好的预测能力。随机验证子集包含了来自三个流域的地点,其中包括一条科英布拉的城市河流(M13_2022 Coselhas S?o Rom?o;见表S4)。
3.4 气候变化情景模拟
3.4.1 非生物响应
中期(2041-2060年;CC1-CC2情景)和长期(2081-2100年;CC3-CC4情景)的预测结果显示,在所有气候变化情景下气温都会上升,且在高排放路径下的升温幅度更大,具体见表2。预测的降水量和流量数值仍在HYDRA模型校准数据集所涵盖的范围内(见表S5)。在某些情景下,预测的空气温度略高于校准数据的上限(最高超出值约为1.2摄氏度),这说明该模型在处理超出其训练时所依据的环境范围之外的数据时能力有限。用于水动力模拟的基准降水量时间序列为2022年1月1日至6月22日,其日降水量第95百分位数为8毫米,这一数值被用作判定“极端”降水日的标准。在整个水文模拟期间(173天)里,有7天被判定为极端降水日,而51天降水量大于0毫米,被归为“正常”降水日。在极端降水日中,湿小时数会应用RX1day变化因子,而在正常降水日中则应用总降水量变化因子。在春季(2022年3月20日至6月22日)期间,有4天被判定为极端降水日,27天降水量大于0毫米,被归为正常降水日。预测的降水量变化范围在+3.9%到-5.3%之间。不过,对于“极端”降水日而言,其降水量变化因子多为正值(RX-1day变化因子在+18.4%到+20.7%之间),这就使得在所有情景下,春季的累计降水量都会增加。因此,所有气候变化情景都会导致累计降水量上升。相应地,大多数地点的流量指标在各种情景下也都有所增加(见图3),这使得基流值上升,峰值流量也保持相近水平。这样一来,水文曲线变得更加平滑,变化幅度也有所降低,这一点可从较低的变异系数和富兰奇斯指数中看出来。由于流量长时间维持在阈值以上,而非出现多次短暂超过阈值的峰值,因此大多数地点中,流量超过基准Q95值的情况有所减少。在所有情景下,Q值小于P5值的最长持续时间基本保持不变。
下载:下载高分辨率图像(492KB)
下载:下载全尺寸图像
图3. 在不同气候变化情景下,各城市河流站点流量の第5百分位数(P5)、中位数(Q50)和第95百分位数(Q95)的对数10尺度值、变异系数、理查兹-贝克瞬变指数以及超过基准Q95阈值的天数の箱线图。BS表示基准情景,中期预测情景为CC1-SSP1-2.6、CC2-SSP5-8.5,长期预测情景为CC3-SSP1-2.6、CC4-SSP2-4.5。
3.4.2 群落对气候变化情景的响应
NMDS排序分析(应力值为0.20)表明,与基准气候条件相比,气候变化情景下大型无脊椎动物群落的组成发生了变化。如图S4所示,高排放情景(CC2-CC4情景)下群落与基准群落的差异比低排放情景(CC1-CC3情景)更大。进一步的PERMANOVA分析表明,在所有气候变化情景下,无脊椎动物群落都与基准群落存在显著差异(见表S6)。不过,低排放情景下群落组成的变化较小(CC1情景的R2值为0.036,CC3情景的R2值为0.049),而高排放情景下群落变化更为显著(CC2情景的R2值为0.17,CC4情景的R2值为0.23)。与基准条件相比,多种类群在不同气候变化情景下的出现频率都发生了变化(见表3和表S3)。Oulimnius属和Helophorus属的物种在所有气候变化情景下出现频率都有所上升,而Ceratopogoninae亚科的物种则完全消失。在更极端的情景(CC2-CC4情景)下,还有多个类群的数量大幅减少,包括Clinocerinae亚科、Ephemerella属物种、Dixa属物种以及Psychodidae科的物种。相反,Aphelocheirus属物种、Nepa属物种和Physa属物种则新出现或出现频率有所上升。有一类普遍适应性较强的类群,包括寡毛类动物以及摇蚊科的多个亚科(Chironomini亚科、Orthocladiinae亚科、Tanypodinae亚科和Tanytarsini亚科),这类群在所有地点和所有情景下都保持稳定存在。尽管摇蚊科包含的物种生态习性和敏感性各异,但其中有一些物种通常存在于受干扰或城市化的淡水环境中(Serra等人,2017年;Popovi?等人,2022年;Osoh等人,2025年)。
表3. 在与基准情景相比,气候变化情景下分布变化最显著的类群。气候预测情景包括中期情景CC1(SSP1-2.6)和CC2(SSP5-8.5),以及长期情景CC3(SSP1-2.6)和CC4(SSP2-4.5)。每个类群都给出了伊比利亚生物监测工作组指数。数值表示在14个研究地点中,预测该类群会出现的地点数量。红色和绿色阴影分别表示出现频率较低和较高。
至于所选的指示性类群(见图4),Ephemerella属物种在CC1-CC3情景下出现频率下降,在CC2-CC4情景下则完全消失。Caenis属物种在所有情景下出现频率都在下降,尤其是在CC2-CC4情景下,但其分布地点与基准情景相同。
下载:下载高分辨率图像(763KB)
下载:下载全尺寸图像
图4. 在基准情景以及不同气候变化情景下,14个城市河流站点中Ephemerella属物种和Caenis属物种的存在/缺失情况预测图。圆形分割图中的左半部分代表Ephemerella属物种,右半部分代表Caenis属物种。绿色表示预测为存在,白色表示预测为不存在。各子图展示了不同情景下的模型预测结果。
不同生物指标对气候变化情景的响应因地点而异(见表4)。多元分析表明,地点特性对生物指标有着重要影响(PERMANOVA分析,R2值为0.848,p值小于0.001)。在考虑了地点效应之后,气候情景仍能解释剩余多元方差的一小部分,但这一比例也相当显著(R2值为0.025,p值等于0.032),而残差方差则占到了总方差的12.8%。
表4. 在基准情景以及预测的气候情景下,各研究地点的生物指标情况:中期情景为CC1(SSP1-2.6)、CC2(SSP5-8.5),长期情景为CC3(SSP1-2.6)、CC4(SSP2-4.5)。各地点是按照基准综合压力指数进行排序的。指标包括在每种气候情景下与基准情景相比仍保留下来的类群比例(%Persisted)、科的丰富度、蜉蝣目-石蛾目-毛翅目类群的比例(%EPT)以及摇蚊科物种的比例,还有伊比利亚生物监测工作组指数。颜色阴影用于表示各指标的相对数值,绿色和红色分别表示数值较高和较低。对于IBMWP指数,颜色对应着水质等级:蓝色表示水质非常好,绿色表示水质良好,黄色表示水质存疑,橙色表示水质较差。
在初始类群数量较多的地点(如M13和M5地点),预计科的丰富度会下降,尤其是在最湿润的CC3情景下。相反,在初始多样性较低的地点(如M20、M6、M7地点),预计科的丰富度会上升,尤其是在最温暖的CC4情景下。CC1情景和CC3情景下的预期丰富度差异不大。表4显示,初始丰富度处于中等水平的地点(类群数量为19-29个科),在所有气候变化情景下都能保留大部分原有群落,仅在CC2和CC4情景下会有中等程度的损失。而丰富度最高的地点(M13地点,有34个科)以及丰富度较低的地点(类群数量少于14个科),其群落保留率都会出现显著下降,尤其在CC2和CC4情景下,M7和M20地点在CC4情景下仅能保留33%的初始类群。
IBMWP指数在不同情景下也表现出因地点而异的响应特征。那些初始指数较高的地点,即使指数值有所下降,其水质等级也能保持不变。相反,初始指数较低的地点,其水质等级会有所提升,比如M6地点在CC1-CC3-CC4情景下,水质等级从“存疑”提升到了“良好”,M20地点在CC2-CC4情景下,水质等级从“较差”提升到了“存疑”。而初始指数处于中等水平的地点(如M24、M38、M18、M11、M16地点),其IBMWP指数往往会有所下降,尤其是在CC2和CC4情景下。
属于蜉蝣目-石蛾目-毛翅目类群的敏感类群比例在气候变化情景下总体上有所下降(见表4),尤其是在CC2和CC4情景下。而适应性较强的类群(如摇蚊科物种)的响应则几乎呈对称趋势:在蜉蝣目-石蛾目-毛翅目类群比例较高的地点,这类群的比例较低;而在几乎不存在这类群的地点,这类群的比例则较高,尤其是在CC4情景下。
生物响应与最初的生态压力水平密切相关。回归分析表明,生物变化的大小和方向与基准综合压力指数有关,而且在不同气候情景下,各项指标的这种关联均不显著(Scenario×PI组合的p值大于0.4),这说明压力与生物变化之间的关系在各种情景下都保持一致。统一线性回归模型的回归统计结果见表S7,预测因子的重要性则见表S8。由统一模型得出的、针对各项生物指标及所有气候情景的预测回归线如图5所示。
下载:下载高分辨率图像(461KB)
下载:下载全尺寸图像
图5. 城市河流站点中大型无脊椎动物生物指标的变化与基准综合压力指数之间的关系。图中显示了在各种气候情景下,与基准条件相比,科的丰富度、IBMWP指数、蜉蝣目-石蛾目-毛翅目类群与摇蚊科物种的群落比例的变化情况:中期预测情景为CC1(SSP1-2.6)、CC2(SSP5-8.5),长期预测情景为CC3(SSP1-2.6)、CC4(SSP2-4.5)。图中的点代表每个气候情景下各个地点的响应情况,颜色根据所在情景而定。实线则表示基于统一回归模型得出的、基准综合压力指数与各项指标变化之间的线性趋势,其中正数值表示相对于基准条件有所上升,负数值则表示有所下降。
科的丰富度变化与生态压力呈正相关关系(R2值为0.25,p值小于0.001),这说明在受干扰较少的地点,科的丰富度下降幅度更大,而在压力较大的地点,其变化则为中性或略有上升。IBMWP指数和%EPT指标也呈现出类似的趋势(R2值分别为0.21,p值小于0.001;R2值为0.33,p值小于0.001)。相比之下,摇蚊科物种比例的变化则与压力增加呈负相关关系(R2值为0.26,p值小于0.001),这说明在初始压力较低的地点,这类适应性较强的物种比例相对上升得更多。
不同气候情景下,功能性取食群组的组成存在显著差异(PERMANOVA分析,F值为2.37,R2值为0.127,p值等于0.001)。最明显的变化是,在所有情景下,捕食者类群的数量都在下降,而滤食者以及刮食/啃食类群的数量则在上升,尤其是在CC2-CC4情景下。此外,碎屑食者类群在CC1-CC3情景下有轻微上升,但在CC2-CC4情景下又有所下降(见图S5)。
4. 讨论
4.1城市溪流对气候变化预测的生物响应在针对城市溪流的研究中,高排放情景会导致大型无脊椎动物群落发生更大程度的变化,而低排放情景则带来较为温和的变化。在高排放情景下,物种流失最为严重,有几种物种预计会从原本存在的多数地点消失。其中一些物种偏好较低温度(如Ceratopogoninae和Dixa sp.)以及缓慢的流速条件(如Psychodidae、Ephemerella sp.和Caenis sp.;Tachet等人,2000年),这很可能解释了它们在流速和温度较高的情景中数量减少的原因。这一现象与Theodoropoulos和Karaouzas(2021年)的研究结果一致,他们发现适度升温只会引发有限的生物响应,而极端升温则会导致适应寒冷环境的物种迅速减少。相反,有一些物种预计会在气候变化情景中出现。诸如Oulimnius sp.、Helophorus sp.和Dryops sp.这样的小型甲虫在所有情景下都可能出现,这可能是因为它们具备空中传播的能力(有利于殖民扩散;Piggott等人,2015年)以及能够适应多种环境条件,包括温度和流速(Poff等人,2018年;Theodoropoulos和Karaouzas,2021年)。在其他预计会在温暖情景中出现的物种中,如Aphelocheirus sp.、Nepa sp.、Boyeria sp.和Atrichops sp.,它们拥有有助于在更高流速和温度条件下进行殖民的繁殖和抗逆策略。例如,这些物种会将卵以固定块状附着在基质上,或将卵单独嵌入植物组织中(内生卵沉积;Tachet等人,2000年),这样可以防止卵被较强的水流冲走。这些物种中普遍存在的广温性或喜温性特征进一步支持了它们在气候变暖情景中仍有可能存活下去。然而,对于某些预计会出现的物种,需谨慎对待。例如,Aphelocheirus sp.、Nepa sp.和Polycelis sp.在基准条件下的任何城市溪流中都未被记录到。对5公里半径范围内的当地物种群落的初步评估(Sundermann等人,2011年)也表明,这些物种在这一扩散缓冲区内的所有监测点都不存在,因此尽管模型预测了它们的出现,但它们在未来气候条件下的殖民可能性较低。此外,这些物种的出现还会提高相关站点的IBMWP评分,尤其是Aphelocheirus sp.(IBMWP评分=10)。因此,这些预测可能高估了气候变化情景下的生态质量。更广泛地说,HYDRA模型是根据群落与环境条件之间的关系来预测物种出现的,并未考虑物种的殖民潜力。相比之下,Physa sp.、Helophorus sp.和Limoniidae等物种的预测出现概率可能更高,因为这些物种在5公里缓冲区内的其他城市溪流中就已存在。未来若能将物种殖民潜力纳入考量,将有助于更准确地解读模型预测结果。多元分析显示,虽然气候情景导致综合生物指标出现显著但幅度较小的变化,但站点特性仍是影响变异性的主要因素。这可能反映了城市溪流中的生态过滤效应,即这里的生物群落本身就已经较为简单,且以耐受性强的物种为主,因此气候变化带来的进一步结构变化空间有限(Feio等人,2015年)。实际上,在所有站点和情景中都能观察到一组普遍存在且具有强适应能力的物种,包括Orthocladiinae、Oligochaeta、Tanytarsini、Chironomini、Tanypodinae、Baetis sp.和Simuliidae,它们的特点——体型小、耐热性强、具有抗逆形态以及附着或掘穴的生存策略——使得它们能够抵御温度和水文压力(Tachet等人,2000年)。不同气候情景下,功能性食性类群的组成存在显著差异,这表明预期的环境变化可能会改变生态系统的功能(Pyne和Poff,2017年)。最明显的趋势是,在所有情景下捕食者数量都在减少,而滤食者以及刮食者或食草者的数量则在增加,尤其是在温度较高的预测情景中,这一现象与Bonacina等人(2023年)的研究结果一致。这种变化主要是由于那些偏好较低温度的捕食性物种,如双翅目Ceratopogoninae和Clinocerinae类群的减少所导致的。在中等气候情景下,碎屑食者数量略有增加,但在更为极端的预测情景下则出现下降。在高排放情景下,碎屑食者数量减少,而刮食者、食草者和沉积物食者数量增加,这一现象与预期中的更温暖、树冠更开放、初级生产力更高的生态系统相符(Pyne和Poff,2017年)。不过,由于假设在未来气候情景下水质和栖息地条件保持不变,因此这些预测的功能性响应并未考虑到气候变化可能带来的这些环境条件的改变。所以,这些变化只能被视为温度和流速变化可能引发的潜在生态后果。4.2. 生态压力梯度上的气候驱动响应回归分析进一步表明,基准生态压力会影响溪流对气候变化的响应。总体而言,压力较低的站点在预测情景下会出现更严重的生态衰退,表现为科的丰富度、IBMWP评分以及EPT物种的比例下降,而Chironomidae科的数量则上升。Daneshvar等人(2017年)也报告了类似的趋势,他们发现生态状况良好的溪流对与气候变化相关的水文变化反应更为强烈。这一现象可以放在“城市溪流综合征”(Walsh等人,2005年)的背景下理解,即城市化形成了一个生态梯度,其特征是多样性下降、敏感物种增多,而耐受性强的生物则占据主导地位。训练数据集的RDA分析也支持这一观点,它将城市覆盖度和水质确定为决定群落组成的主要因素,从而证实城市化是塑造基准群落结构的主要生态过滤器。因此,气候变化带来的响应沿着这一压力梯度有所差异。那些受影响较小的溪流,虽然仍保持着较为丰富且敏感的生物群落,但在气候预测下,其丰富度、IBMWP评分以及EPT物种的比例下降幅度最大,尤其是在高排放情景下。相比之下,已经退化的溪流则表现出较弱或中性的响应,有时甚至由于耐受性强或广食性的物种出现而使丰富度略有上升。这表明,气候变化可能会加剧那些目前生态状况较好的溪流的生态退化,而在那些生态群落已经较为简单的重度城市化系统中,其群落组成变化则相对有限。不过重要的是,即便经历了这些预测中的衰退,受影响较小的溪流仍比高度城市化的溪流具有更高的生态质量,这说明更健康的溪流生态系统在气候变化面前仍具备更强的生态恢复能力(Feio等人,2015年)。这些研究结果强调了保护受影响较小的溪流的重要性,同时也要推动对已严重退化系统的修复工作。4.3. 方法学贡献与适用性本研究提出了一种新的方法,通过将基于物理的水动力学模拟与HYDRA框架相结合,来模拟城市溪流大型无脊椎动物群落对气候变化的响应,其中机器学习模型可根据模拟得到的环境变量预测物种的出现情况(Feio等人,2014a年)。此前尚未有研究采用这种方法来评估气候变化对城市溪流的影响。以往也有研究使用类似建模方法来预测淡水生物群落对气候变化的响应。对于大型无脊椎动物,这些方法包括利用水力/水文模型来估算群落响应(Daneshvar等人,2017年;Kakouei等人,2018年;Theodoropoulos和Karaouzas,2021年)。例如,Baldan等人(2021年)成功开发了类似的半机械式建模流程,通过将水动力学模拟与物种分布模型相结合,来评估气候变化导致的沉积物积累对淡水珍珠蚌栖息地及种群的影响。最近,Orr等人(2024年)则将水文模型、水质模型与基于回归的生态模型相结合,用于预测未来气候和土地利用情景下大型无脊椎动物群落指数、丰富度以及特定物种的数量变化。类似的预测方法也被应用于其他淡水生物群体,包括鱼类(Canning等人,2025年)和硅藻群落(Tornés等人,2022年)。与这些方法相比,HYDRA框架提供了一种更为灵活的建模结构,它能利用机器学习技术直接将模拟得到的环境条件与物种出现情况联系起来。这使得人们能够整合水文、水力或水质模型的输出结果,以探讨未来的气候或管理情景,同时还能根据数据可用性和研究目标选择不同的环境预测因子。因此,这种方法具有很高的可移植性,只要拥有足够的成对环境数据和生物数据用于模型训练,就能应用于不同的地区、生态系统、生物群落或情景分析中。相较于以往的研究,HYDRA框架不仅能预测生物群落,还能通过反映生态系统功能的生态特征来评估生态响应,从而实现对未来情景下生态响应更为全面的预测。4.4. 不确定性与局限性本研究的一个局限性在于,气候情景下水质和栖息地条件的未来变化并未被明确模拟出来。尽管在HYDRA模型中,水质变量(如溶解氧、营养物质、电导率)和栖息地指标被作为预测因子纳入,但在未来情景中只有气候和水文变量会被调整,而其他所有环境预测因子则被假设保持不变。因此,预测得到的生物响应可能低估了气候变化的全部影响。以往的研究表明,气候变化会通过降低溶解氧水平,以及因流速变化和极端降水事件频发而导致的营养物质和污染物输送变化,来改变溪流水质(Whitehead等人,2009年;van Vliet等人,2023年;Zhi等人,2023年)。因此,未来的研究应将水质建模纳入气候变化情景中,以便更全面地评估城市溪流生态系统中的生物响应。在所选的模拟期间,所有气候情景都预测春季极端降雨强度将增加约20%,这将导致累积降水量增加,模拟得到的基流也会随之上升。这一结果与对基准降水量时间序列所采用的扰动方法一致,该方法在保持降雨频率和时间分布的同时调整降雨强度。尽管这种方法在需要高时间分辨率的研究中被广泛使用(如Willems和Vrac,2011年;Zahmatkesh等人,2014年;Zhang等人,2019年),但它无法体现地中海地区预计会出现的降雨天数和单次降雨持续时间减少的趋势(Cardoso Pereira等人,2020年)。因此,春季总降水量及其对应的基流可能被高估了,从而导致实际流速格局比未来情况下更为稳定。不过,基准降水量时间序列的特点是春季异常温暖且整体干燥,降雨主要集中在3月,4月和5月的降水量则低于平均水平(IPMA,2022年)。到该季节末,几乎整个国家都处于严重的气象干旱状态。此外,通过Portal do Clima(IPMA,2026年)提供的基于多区域气候模型集合的气候预测显示,在RCP8.5情景下(2041-2070年),科英布拉地区的春季重降水日数最少为5天,中位数为8天(降水量超过10毫米);而在RCP4.5情景下(2071-2100年),这一数值最少为6天,中位数为10天。鉴于基准降水量时间序列中仅有4天降水量超过8毫米,且仅有2天的日降水量超过10毫米,因此在所选的强迫假设下,预测的春季降水量增加及相应的径流响应在水文上是合理的。也就是说,虽然变化因子法通过保持降雨频率的方式可能高估了季节性降水量,但由于基准时期的异常干燥以及重降水事件数量远少于未来气候预测的结果,这一偏差可能得到一定程度的抵消。尽管如此,预测得到的水文响应仍然受到变化因子方法的限制,而这也被视为本研究的一个重要局限性。因此,按照研究设计,所得到的大型无脊椎动物预测结果应被视为基于情景的估算值,而非精确的预测值。此外,气候模型预测结果之间的差异也带来了额外的不确定性(Kakouei等人,2020年)。虽然本研究中采用了中位数变化因子,但未来的研究应评估多种气候模型集合下生态响应的敏感性。目前的模拟仅限于春季,因为这与大型无脊椎动物的监测时间相吻合,但实际上,地中海地区的气候变化影响预计在夏季最为严重,届时气温升高,降水量可能减少40-80%,伊比利亚半岛的干旱期也会延长(Ali等人,2022年;Cardoso Pereira等人,2020年)。非生物预测因子——流速、温度和降水量——是基于包含采样日期在内的三个月时间段计算得出的,这是因为大型无脊椎动物群落不仅受当前环境条件的影响,还受之前环境条件的影响。社区能够快速应对水文条件的变化,并在受到干扰后相对较短的时间内恢复(Robinson等人,2004年)。然而,群落结构也可能反映出与先前水文条件相关的遗留影响,包括夏季干旱、水流间歇性以及冬季洪水(Hershkovitz和Gasith,2012年;Robinson等人,2004年)。为部分考虑这些影响,研究人员在1月至6月期间进行了水文模拟,从而将之前的冬季水文条件纳入建模框架中。不过,由于HYDRA模型中所使用的预测因子仅限于春季数据,因此可能无法完全体现更长期的季节性水文历史所带来的影响。未来的研究可以在这一框架基础上,引入更多历史水文指标,进一步发挥水动力建模的生态学价值。此外,未来的发展还可以整合多个季节的数据,以便更好地了解大型无脊椎动物群落的动态以及季节性气候的变化。
5. 结论
本研究表明,气候变化对城市溪流的影响不能脱离现有的人为压力来单独理解。那些受影响较小的溪流虽然仍保持着较高的生物多样性以及一些敏感的物种,因而更容易出现生态衰退,但相比高度城市化的溪流,它们具备更强的适应气候变化的能力,因为后者早已因生物多样性的减少而限制了其响应能力。因此,在保护和修复工作中,应优先处理那些生态完整性仍得以保持的溪流,而对于已经退化的城市溪流,则必须在其剩余的适应能力进一步丧失之前加以恢复。总体而言,本研究强调了在分析城市淡水生态系统所面临的多种压力因素时,必须同时考虑气候变化的重要性。
作者贡献说明
Andreina Zerega:概念设计、数据整理、定量分析、研究实施、方法设计、初稿撰写。
Nuno Eduardo Sim?es:概念设计、方法设计、研究指导、审稿与编辑。
Ana Raquel Calapez:研究实施、审稿与编辑。
Jorge Santos:研究实施。
Alexandra Ribeiro:软件应用。
Janine P. da Silva:资源协调、审稿与编辑。
Maria Jo?o Feio:概念设计、定量分析、方法设计、研究指导、审稿与编辑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号