海洋学研究 >

2025 , Vol. 43 >Issue 1: 57 - 68

DOI: https://doi.org/10.3969/j.issn.1001-909X.2025.01.006

研究论文

基于贝叶斯网络的人工岛周边海域生态修复效果评价

  • 侯宗浩 ,
  • 张亦飞 , * ,
  • 方欣 ,
  • 段怡心
展开
  • 自然资源部第二海洋研究所,浙江 杭州 310012
*张亦飞(1964—),男,研究员,主要从事海岸工程规划及综合评价方面的研究,E-mail:。

侯宗浩(2000—),男,山东省临沂市人,主要从事海洋生态修复方面的研究,E-mail: 。

收稿日期: 2024-02-28

  修回日期: 2024-05-28

  网络出版日期: 2025-05-30

基金资助

国家重点研发计划(2022YFF0802203)

中央级公益性科研院所基本科研业务费专项资金资助项目(JG1917)

收起

Evaluation of ecological restoration effect in the surrounding sea area of artificial island based on Bayesian network

  • HOU Zonghao ,
  • ZHANG Yifei , * ,
  • FANG Xin ,
  • DUAN Yixin
Expand
  • Second Institute of Oceanography, MNR, Hangzhou 310012, China

Received date: 2024-02-28

  Revised date: 2024-05-28

  Online published: 2025-05-30

Fold

摘要

人工岛建设在满足土地需求的同时会不可避免地对海洋生态环境造成损害,开展人工岛海洋生态修复及效果评价是海岛海岸带生态修复工作的热点和难点。该文基于压力-状态-响应(pressure-state-response,PSR)模型构建人工岛周边海域生态修复效果评价指标体系,利用最佳-最差方法(best-worst method,BWM)进行评价指标权重赋值,并结合贝叶斯网络(Bayesian network,BN)对海南日月岛附近海域生态恢复效果进行评价。结果表明,2016年至2019年,在“自然恢复为主,人工修复为辅”的修复策略下,日月岛附近海域生态环境取得了一定的修复效果,旅游休闲娱乐区、农渔业区和保留区生态环境质量的期望值分别提升了32.6%、31.7%和22.7%,其中水环境压力和沉积物环境压力明显下降,但生物状况未见改善。敏感性分析的结果表明,三个海洋功能区的生态环境质量对沉积物指标的敏感性较低,对底栖生物栖息密度的敏感性最高。未来修复措施的重点应聚焦于生物生态指标的改善。本研究可为海洋生态修复效果评价提供有益参考。

关键词： 人工岛; 贝叶斯网络; 生态修复; 效果评价; 最佳-最差方法; 压力-状态-响应模型; 海洋功能区

本文引用格式

侯宗浩 , 张亦飞 , 方欣 , 段怡心 . 基于贝叶斯网络的人工岛周边海域生态修复效果评价[J]. 海洋学研究, 2025 , 43(1) : 57 -68 . DOI: 10.3969/j.issn.1001-909X.2025.01.006

Abstract

The construction of artificial island will inevitably cause damage to the marine ecological environment while satisfying the land demand. Therefore, evaluating the effects of marine ecological restoration around artificial islands is a key and challenging aspect of island and coastal ecological restoration work. Based on pressure-state-response (PSR) model, the evaluation index system of ecological restoration effect in the sea area around artificial islands was constructed, and the best-worst method (BWM) was used to assign weights to the evaluation indexes, and combined with Bayesian network (BN) to evaluate the ecological restoration effect of the sea area around Riyue Island in Hainan. The results indicated that from 2016 to 2019, under the restoration strategy “natural recovery as the main and artificial restoration as the auxiliary”, the marine ecological environment around Riyue Island had shown some restoration effectiveness. The expected values of the ecological environment quality in the tourism and leisure area, agriculture and fisheries area, and reserve area increased by 32.6%, 31.7%, and 22.7% respectively. Although water environmental pressure and sediment environmental pressure significantly decreased, there was no improvement in the biological conditions. The results of sensitivity analysis showed that the ecological environment quality of the three marine functional zones was less sensitive to sediment indicators, while it was most sensitive to the density of benthic organisms. Therefore, future restoration measures should focus on improving biological ecological indicators. This study provides valuable insights for the evaluation of marine ecological restoration effects.

Key words： artificial island; Bayesian network; ecological restoration; evaluation of effectiveness; best-worst method; pressure-state-response model; marine functional zone

0 引言

近年来,随着沿海大型机场、港口、桥梁等基础设施建设的持续推进,我国沿海人工岛建设的数量不断增加、规模不断扩大,在满足海岸带土地需求、填补建设用地缺口方面发挥了较大的作用[1]。但是,大规模人工岛建设造成了滨海湿地面积减少、海洋生态系统结构和功能受损。国外,特别是东南亚和中东地区,在进行人工岛建设时也同样面临栖息地退化和生物多样性降低等生态环境问题[2-3]。生态修复是利用生态系统自我修复能力,或通过适当的人工辅助措施,将受损生态系统的结构和功能修复到健康、稳定和可持续利用状态的活动,是减少和缓解人工岛建设对环境影响的常用手段[4]。
针对围填海(包括人工岛)生态修复效果的评价,国内外众多学者开展了大量的研究工作[5-6]。符小明等[7]综合考虑环境质量和渔业资源指标,利用效用函数估算了海州湾生态修复工程的修复效果;杨金艳等[8]从水质环境、生物资源和景观等方面构建评价指标体系,利用多因子综合方法对厦门湾海域生态修复效果进行了评价;张秋丰等[9]将生态系统服务引入生态修复效果评估过程,构建了包括15个指标的海岸带生态修复效果评估体系,通过利率调整不同时期生态系统服务价值,开展天津海岸带生态修复效果评估。评价方法研究方面,于小芹等[10]采用熵权TOPSIS模型对山东省海岸带生态修复政策效果进行了综合了评价,修正了评价方法因个人偏好造成的主观赋权偏差;吴逸凡等[11]构建基于Choquet模糊积分的综合评价方法对秦皇岛周边海域人工鱼礁修复效果进行了评价,有效减少了评价指标相关性带来的冗余信息和权重赋值对评价结果的影响;ANDRICEVIC等[12]通过对指标进行全概率描述,量化了克罗地亚一海湾生态环境质量评价中的不确定性。这些工作为人工岛生态修复效果评价打下了良好的基础。
围填海生态修复效果评价是一类复杂系统问题,存在不确定性和指标之间的非线性相互作用,指标体系构建和指标赋权是评价模型构建中需要解决的两个关键问题[13]。针对不同的海洋生态环境受损状况,修复目标存在差异,宽泛的指标体系设置会增加评价结果的不确定性。选择合适的概念模型,以客观规范的方式梳理评价指标之间的相互关系,能够有效提高评价过程的科学性和评价结果的客观性[14],是构建评价指标体系的前提。另一方面,进行评价指标赋权时,基于专家经验的方法过于主观,而基于数据的权重往往受到数据完整性的限制,主、客观赋权方法的有机融合一直是研究工作的重点。
贝叶斯网络(Bayesian network,BN)是一种基于概率推理的图形化网络,是目前不确定知识表达和推理领域最有效的理论模型之一[15]。基于贝叶斯网络的海洋生态修复效果评价方法能够直观展现各指标间的相互关系,处理评价过程中的不确定性,还可以综合主、客观信息,避免主观偏好和数据过度拟合,因而在环境影响建模中得到了广泛的应用[16]。此外,利用贝叶斯网络逆向推理的能力,可以识别敏感性指标,为海洋生态修复策略的制定提供针对性的建议。
针对人工岛生态修复效果评价问题的本质特征和评价目的,本文基于压力-状态-响应(pressure-state-response,PSR)模型梳理评估指标之间的逻辑关系,构建评价指标体系;继而利用最佳-最差方法(best-worst method,BWM)进行指标赋权,降低专家赋权的主观随意性;最后利用2016年4月和2019年5月两个年度的现场监测数据,基于贝叶斯网络对海南日月岛附近海域生态修复进行效果评价,以期为人工岛生态修复工程效果评估探索可行的技术方法。

1 数据与方法

1.1 研究区域与数据来源

日月岛位于海南万宁日月湾(图1),分为日岛和月岛。其中,日岛于2012年10月开工建设,2014年投入使用,填海面积约48.05万m2;月岛离岸373 m,与日岛的最近距离仅180 m,于2014年1月开工建设,2016年填海完成后未继续开发,填海面积约43.50万m2。
图1 研究区域海洋功能区划和调查站位

Fig.1 Marine functional zoning and survey stations location of the study area

日月岛的建设占据了珊瑚原本的生存空间,施工产生的悬浮物、岸滩冲淤产生的海滩侵蚀和淤积也对珊瑚礁生境产生了不利影响,同时导致珊瑚礁礁栖生物减少。日月岛建成后,岛后波影区波高减小,岛屿两侧波向在岛后发生偏转,导致附近部分海域岸段出现了较为严重的侵蚀后退现象,月岛后方的岛影区有了一定淤积体。为修复日岛和月岛围填海工程带来的生态环境损害,建设单位在日月岛周边采取了一系列修复措施,包括:1)2018年8月向该海域投放人工鱼礁90个,共计2 430空方;2)2018年9月投放珊瑚增殖礁162个。总体上,日岛和月岛周边海域按照“自然恢复为主、人工修复为辅”的策略开展生态修复工作。
日月岛附近海域涉及旅游休闲娱乐区、农渔业区和保留区三种海洋功能区。其中,旅游休闲娱乐区执行一类海水水质标准,一类海洋沉积物标准,一类海洋生物质量标准;农渔业区执行二类海水水质标准,其他要求与旅游休闲娱乐区相同;保留区海洋环境管理按照维持现状要求执行。本文使用数据的调查时间分别为2016年4月和2019年5月,调查站位布设见图1。

1.2 评价指标体系构建

压力-状态-响应(PSR)模型,是国内外生态环境评价中指导指标选择的典型概念模型[17]。该模型中基于因果关系构建的指标体系更具系统性和逻辑性,能够反映海洋生态系统在人类活动和自然压力下的状态变化以及系统做出的响应,与基于因果关系进行推断的贝叶斯网络模型十分契合。目前,PSR模型被广泛应用于生态环境评价等领域[18],如吴逸凡等[11]基于PSR模型从水环境、沉积物环境、生物状况和生物多样性四个方面构建了人工鱼礁区生态修复效果评价指标体系。
对于日月岛附近海域而言,除工程建设外,来自其他社会和经济活动的直接压力较少,如果选择较大空间尺度范围的人口密度、经济发展水平等指标可能会放大外部压力的作用,影响评价结果的合理性[19]。因此,基于PSR构建人工岛生态修复效果评价指标体系时,结合专家经验并参考相关研究成果[7,11,19],将人工岛周边海域水质和沉积物的主要监测指标作为研究区域的生态环境压力指标,用浮游动物丰度和浮游植物细胞丰度等生物指标体现生态环境变化,最后把初级生产力和多样性指数的变化视作生态系统对环境状态改变的响应。此外,为避免指标间相关性对贝叶斯网络模型推理的干扰,提高评价的准确性,本研究进一步利用主成分分析法排除了对主成分贡献较小的悬浮物、叶绿素a含量等指标。最终构建的评价指标体系如表1所示。
表1 日月岛附近海域生态修复效果评价指标体系

Tab.1 Evaluation index system of ecological restoration effect in the sea area around Riyue Island

目标层 准则层 要素层 指标层 正负性
海域生态环境质量A 压力P 水环境压力B1 COD/(mg·L-1) P1 -
PO4-P/(mg·L-1) P2 -
无机氮/(mg·L-1) P3 -
DO/(mg·L-1) P4 +
石油类/(mg·L-1) P5 -
沉积物环境压力B2 硫化物/(×10-6) P6 -
铜/(×10-6) P7 -
锌/(×10-6) P8 -
总汞/(×10-6) P9 -
镉/(×10-6) P10 -
状态S 生物状况B3 浮游动物丰度/(ind·m-3) S1 +
浮游植物细胞丰度/(×104个·m-3) S2 +
仔稚鱼密度/(尾·m-3) S3 +
底栖生物栖息密度/(ind·m-2) S4 +
响应R 生物响应B4 浮游动物多样性指数 R1 +
浮游植物多样性指数 R2 +
底栖生物多样性指数 R3 +
初级生产力/(mg·m-2·d-1) R4 +

1.3 数据处理与权重计算

1.3.1 数据处理

本文结合《海南省海洋功能区划(2011—2020)》以及调查站位分布,将研究区域划分为旅游休闲娱乐区(L区)、农渔业区(N区)和保留区(B区)三个部分,以便更好地探究日月岛附近海域生态修复效果。由于调查站位在各海洋功能区内的分布并不均匀,为避免单一区域受个别站位数据影响过大而影响评价结果的准确性,同时增加样本量便于贝叶斯网络节点先验概率的确定,本文采用反距离权重法对整个研究区域进行插值。此外,通过空间插值能够获得各指标的特征值(平均值和方差),对于满足正态分布的指标可以利用其特征值简便地生成各指标节点概率表[20]。
在指标赋权和综合评价之前应消除各指标量纲和正负性差异,因此需对空间插值后的数据进行标准化处理。其中P1、P2、P3、P5、P6、P7、P8、P9、P10为负向指标,P4、S1、S2、S3、S4、R1、R2、R3、R4为正向指标,其正负性是相对目标层(即海域生态环境质量A)而言的。标准化处理方法如式(1)和式(2)。
正向指标:
x i j *= x i j - x m i n x m a x - x m i n
负向指标:
x i j *= x m a x - x i j x m a x - x m i n
式中:xmax和xmin分别表示指标最大值和最小值,xij为指标观测值, x i j *为指标标准化后数值。归一化后各指标的平均值和方差见表2。
表2 归一化后各指标的平均值和方差

Tab.2 The average and variance of each index after normalization

要素层 指标 2016年4月 2019年5月 要素层 指标 2016年4月 2019年5月
平均值 方差 平均值 方差 平均值 方差 平均值 方差
B1 P1 0.243 4 0.009 8 0.859 8 0.000 6 B3 S1 0.356 3 0.014 5 0.014 3 0.000 0
P2 0.287 7 0.006 9 0.752 2 0.009 6 S2 0.430 2 0.022 0 0.377 7 0.067 6
P3 0.578 4 0.014 1 0.900 5 0.002 2 S3 0.272 1 0.018 8 0.293 1 0.073 5
P4 0.488 1 0.013 4 0.648 8 0.003 8 S4 0.429 5 0.011 9 0.386 6 0.011 9
P5 0.521 2 0.008 9 0.861 0 0.002 0 B4 R1 0.365 9 0.013 6 0.905 3 0.000 5
B2 P6 0.440 8 0.021 4 0.810 3 0.007 5 R2 0.759 9 0.003 4 0.462 1 0.040 3
P7 0.403 6 0.013 7 0.451 9 0.056 1 R3 0.689 0 0.011 3 0.213 9 0.016 0
P8 0.298 2 0.007 9 0.646 6 0.022 0 R4 0.166 4 0.001 0 0.575 2 0.013 4
P9 0.694 8 0.008 0 0.628 8 0.001 2
P10 0.446 4 0.002 5 0.619 6 0.008 0

1.3.2 权重计算

最佳-最差方法(BWM)作为一种多准则决策方法,最早于2015年由学者REZAEI[21]提出,它通过最佳和最差指标与其他指标两两相比得到最终权重。相较传统的基于矩阵的层次分析法(analytical hierarchy process,AHP),BWM基于向量,这使得两两比较的次数大大减少,降低了专家个人偏好对权重的影响。目前,BWM已被广泛应用于评价[22]、决策[23]等领域。本研究确定各指标及各功能区要素层权重的具体步骤如下:
步骤1:定义各要素层或目标层对应的指标集C={C1, C2, …, Cn},并指定各指标集中最重要的指标CB和最不重要的指标CW;
步骤2:受访专家用数字1~9(1表示同等重要,9表示最重要)表示最重要指标相较其他指标的重要程度,得到比较向量AB=(aB1, aB2, …, aBn),其中,aBj表示最重要指标CB相较第j个指标的重要程度;
步骤 3:同步骤 2,确定最不重要指标相较其他指标的重要程度,并构建向量AW=(a1W, a2W, …, anW),其中,ajW表示第j个指标相较最不重要指标CW的重要程度;
步骤4:设最优权重集 ω 1 , ω 2 ,   … , ω n,根据专家打分结果构建约束优化问题,求解权重集的一般公式如下:
min ξ * s . t . m a x | ω B - α B j ω j | , | ω j - α j W ω W | ≤ ξ * ∑ j = 1 n ω j = 1 , ω j ≥ 0 ; ∀ j ∈ N
式中:ωW和ωB分别表示最重要指标和最不重要指标的权重,ωj表示第j个指标的权重,ζ*表示目标函数值。
步骤5:一致性检验。BWM定义了输入一致性比率和一致性阈值来评价权重计算值的合理性[24],输入一致性比率不超过一致性阈值时认为结果可靠。
本研究邀请了5位海洋环境评价、海洋生态、海洋生态修复领域的专家进行指标权重打分,并基于REZAEI[21]开发的BWM Solvers计算指标权重(表3、表4)。每位专家打分结果均通过一致性检验,最终权重取各专家权重结果的算术平均值。
表3 各要素层指标权重

Tab.3 Weights of the indexes in each element layer

要素层 指标层 权重 要素层 指标层 权重
B1 P1 0.254 8 B3 S1 0.178 8
P2 0.192 6 S2 0.218 8
P3 0.192 6 S3 0.242 8
P4 0.278 9 S4 0.359 7
P5 0.081 2 B4 R1 0.175 2
B2 P6 0.315 1 R2 0.267 9
P7 0.232 8 R3 0.296 4
P8 0.163 8 R4 0.260 5
P9 0.157 7
P10 0.130 6
表4 各功能区要素权重

Tab.4 Weights of the elements in each functional zone

功能区 要素层 权重
旅游休闲娱乐区 B1 0.302 4
B2 0.215 7
B3 0.240 9
B4 0.240 9
农渔业区 B1 0.154 2
B2 0.185 8
B3 0.330 0
B4 0.330 0
保留区 B1 0.255 6
B2 0.259 6
B3 0.259 1
B4 0.225 7

1.4 贝叶斯网络建模

贝叶斯网络是一种基于概率推理的图形化网络,由两个部分构成[25]:1)定性的有向无环图(directed acyclic graph,DAG),由父节点指向子节点,用以表示节点之间的相互关系;2)定量的节点概率表,表示节点间依赖关系的强度。贝叶斯定理的表达式如下:
P ( A i | B j ) = P ( A i ) × P ( B j | A i ) ∑ i = 1 n P ( A i ) × P ( B j | A i )
式中:Ai表示子节点指标,Bj表示第j个父节点指标,i表示节点状态,n表示状态数量,P表示概率。
相较其他评价模型,贝叶斯网络能够以直观的图形化方式表达复杂系统的不确定性,它将所有可能的事件组合纳入考虑范围,根据发生的可能性进行加权,得到综合评价的结果[26]。除此之外,贝叶斯网络能够综合主、客观信息,不受缺失数据的限制。目前,贝叶斯网络已被广泛应用于风险评价、诊断和决策分析等领域[16,27]。本研究构建日月岛周边海域生态修复效果评价贝叶斯网络模型的具体步骤如下:
步骤1:确定网络节点和拓扑结构。本研究基于PSR模型构建了评价指标体系,各指标相对要素层的关系明确,因此,利用定义/合成结构建立拓扑结构。该结构中,子节点是由其父节点合成或定义的抽象概念,而不是现实存在且发生过的事件。
步骤2:贝叶斯网络参数学习,该过程是基于已构建的网络结构确定节点概率表。对于一个完备的数据集,参数学习是指找到能够描述指标概率分布的参数[28]。本研究中各指标均服从正态分布,因此利用指标归一化后的均值和方差表达为一个0到1的截断正态分布,其子节点的概率分布由父节点进行加权平均得到[29]。在贝叶斯网络模型中以排序节点(ranked nodes)描述这种分布,因此进一步将各节点在0到1之间的概率分布均等划分,并对应五个等级(非常低、低、一般、高和非常高)。
步骤3:贝叶斯网络推理。利用AgenaRisk软件,将2016年和2019年三个海洋功能区各指标观测值输入到已构建好的贝叶斯网络模型,通过推理得到各年份各功能区的海域生态环境质量在不同水平的概率分布,然后通过时间和空间上的结果比较对日月岛附近海域生态修复效果进行评价。
基于2016年4月和2019年5月两次调查数据构建的日月岛附近海域生态修复效果评价的贝叶斯网络模型如图2所示。
图2 日月岛附近海域生态修复效果评价贝叶斯网络模型

Fig.2 Bayesian network model for evaluation of ecological restoration effect in the sea area around Riyue Island

2 结果与讨论

2.1 贝叶斯网络推理结果

利用日月岛附近海域生态修复效果评价贝叶斯网络模型对旅游休闲娱乐区、农渔业区和保留区2016年4月和2019年5月的海域生态环境质量进行推理,得到的概率分布及其期望如图3和图4所示。
图3 日月岛附近海域生态修复效果评价结果

Fig.3 Evaluation results of ecological restoration effects in the sea area around Riyue Island

图4 各海洋功能区目标层及要素层概率分布的期望

Fig.4 The expectation of the probability distribution at the target layer and the element layers in each marine functional zone

2.1.1 海域生态环境质量A

2016年,旅游休闲娱乐区海域生态环境质量处于高和非常高两个水平的概率之和为13.69%,农渔业区为6.46%,保留区为10.18%;2019年旅游休闲娱乐区海域生态环境质量处于高和非常高两个水平的概率之和为54.44%,农渔业区为30.73%,保留区为31.42%。期望值由2016年的0.46、0.41和0.44提高至0.61、0.54和0.54,分别提升了32.6%、31.7%和22.7%。各海洋功能区海域生态环境质量都有不同程度的改善。

2.1.2 水环境压力B1

相较2016年,2019年各海洋功能区水环境压力明显降低。具体而言,2016年旅游休闲娱乐区水环境压力处于低和非常低两个水平的概率之和仅为7.90%,农渔业区为3.83%,保留区为3.83%;2019年旅游休闲娱乐区水环境压力处于低和非常低两个水平的概率之和为98.83%,农渔业区为96.05%,保留区为91.90%。期望值分别由2016年的0.55、0.59和0.59降低至0.17、0.22和0.25。

2.1.3 沉积物环境压力B2

2016年三个海洋功能区的沉积物环境压力处于低和非常低两个水平的概率之和均为17.02%;2019年旅游休闲娱乐区沉积物环境压力处于低和非常低两个水平的概率之和为93.52%,农渔业区为99.36%,保留区为63.42%。2016年,各海洋功能区的沉积物环境压力水平接近,期望值均为0.50;到2019年,农渔业区的沉积物环境压力改善最为明显,期望值降低至0.16,其次是旅游休闲娱乐区和保留区,期望值分别降至0.24和0.36。

2.1.4 生物状况B3

2016年,旅游休闲娱乐区生物状况处于一般及以上水平的概率之和为55.77%,农渔业区为10.22%,保留区为23.23%;2019年旅游休闲娱乐区生物状况处于一般及以上水平的概率之和为20.47%,农渔业区为4.72%,保留区为4.30%。期望值分别由2016年的0.42、0.27和0.32降至0.31、0.23和0.22,说明日月岛附近海域生物状况有所下降。

2.1.5 生物响应B4

从2016年至2019年,旅游休闲娱乐区和保留区的生物响应水平几乎没有变化,而农渔业区有一定程度的改善,处于高和非常高两个水平的概率之和由19.38%提升至37.11%,期望值由0.51提高至0.56。

2.2 敏感性分析

敏感性分析指通过对各属性设置不同的水平或数值,探究这些属性变动对模型输出结果的影响程度,是检查模型有效性的方法之一[30]。贝叶斯网络中,敏感性分析能够定量分析各指标对目标节点的影响。对于日月岛附近海域生态修复来说,期望该海域生态环境质量处于更高的水平,因此将目标层设置为非常高。此时,通过AgenaRisk进行敏感性分析得到的结果如图5所示。横条表示某一指标发生变化时生态环境质量A处于非常高水平的概率波动范围,p表示边际概率(图中黑色竖线),横条越长表示对该指标越敏感,图中按降序排列。
图5 日月岛周边海域生态修复效果评价指标敏感性分析结果

[p(A=非常高)表示生态环境质量处于非常高水平的边际概率, 即图中黑色竖线;横条表示概率波动范围。]

Fig.5 Results of sensitivity analysis of ecological restoration effect evaluation indexes in the sea area around Riyue Island

[p(A=very high) represents the marginal probability of the ecological environment quality being at a very high level, indicated by the black vertical line in the figure. The horizontal bars show the range of probability fluctuations.]

整体上,三个海洋功能区均对S4(底栖生物栖息密度)最为敏感,而对沉积物环境压力指标(特别是P7~P10)的敏感性较低。其中,旅游休闲娱乐区对水环境压力指标和生物指标更为敏感,保留区对各类指标的敏感性较为均衡。对于农渔业区,生物状况(S1~S4)和生物响应(R1~R4)指标集中于前半部分,而水环境压力(P1~P5)和沉积物环境压力(P6~P10)指标集中于后半部分,说明农渔业区对生物生态指标更加敏感。

2.3 讨论

日月岛周边海域各海洋功能区的生态环境质量在以“自然恢复为主,人工修复为辅”的生态保护修复策略下得到了不同程度的改善,其中水环境压力和沉积物环境压力的改善效果最为明显,而生物状况有所下降,因此未来修复措施的重点应聚焦于生物生态指标的改善。日月岛附近海域的污染物主要来自施工过程中的陆源输入,而2016年完工后未有进一步的开发活动,这为该海域水体和沉积物中污染物的迁移和稀释创造了有利条件,故而2019年的水环境压力和沉积物环境压力明显下降。此外,相关单位于2018年8月和9月向该海域投放了人工鱼礁和珊瑚增殖礁,但由于距离评价时间较短,对生物生态的修复效果尚未凸显。张晗旭等[31]的研究结果同样表明,海岸带大型底栖生物的恢复需要更长的时间,生物多样性的提升存在滞后性。此外,不规范的渔业经济活动,如船只抛锚和拖网作业,也会对珊瑚和礁栖生物造成破坏,进而阻碍种群和栖息地的恢复[32]。根据敏感性分析的结果,S4(底栖生物栖息密度)是三个海洋功能区对生态环境质量最敏感的指标。ZHANG等[33]的研究表明,底栖生物是海岸带生态环境变化的优良指示生物,其群落结构和空间分布能够及时反映人类活动引起的水文和沉积物特性的改变。在未来的修复工作中,可重点关注底栖生物的变化状况,以帮助管理者了解日月岛海域生态环境质量,及时制定和调整生态修复措施。
评价指标体系的选择和确定,需要考虑综合评价的目的和评价对象数据的可得性、客观性等要求。本文基于PSR模型的理论和逻辑构建了人工岛周边海域生态修复效果评价指标体系,具有从自然环境(水环境压力和沉积物环境压力)到生物生态要素(生物状况和生物响应)的清晰逻辑链条。从空间尺度上,压力、状态和响应指标从评价区域实际出发,主要考虑人工岛建设引起的生态环境受损状况和修复措施效果的区域性,具有很好的空间一致性,避免了三类指标空间尺度不协调带来的评价结果扭曲问题,能够较好地反映日月岛生态修复的实际状况,评价结果具有较好的客观性。
本文基于定义/合成结构构建的贝叶斯网络的子节点概率分布由父节点进行加权平均得到,因此指标的权重值会直接影响子节点的概率分布。传统的层次分析法成对比较指标重要性的次数为m(m-1)/2次,而BWM的成对比较次数减少为(2m-3)次,比较次数明显减少,降低了专家主观偏好对权重的影响,权重计算结果具有更好的一致性和可靠性。此外,该方法更容易计算并已具有较成熟的应用模型。后续可以将BWM与其他多准则决策方法结合,使赋权过程和结果更加符合所研究问题的需要。
海洋生态修复是一个长期的过程,需要长期的跟踪监测和实时的评价。下一步,将基于已构建的生态修复效果评价贝叶斯网络模型,结合最新的调查数据对日月岛周边海域的生态恢复效果进行跟踪评价。就贝叶斯网络方法而言,本文采用的贝叶斯网络实际上是一种静态模型,也即2016年和2019年采用同样拓扑结构分开进行评价。事实上,海洋生态修复是一个连续的过程,离散时间贝叶斯网络和连续时间贝叶斯网络应该能够更好地反映问题的本质[34]。在年度监测数据连续的情况下,可以进行动态贝叶斯网络(dynamic Bayesian network,DBN)在海洋生态修复效果评价中的应用探索,预期能够得到更加符合实际的评价结果。

3 结论

本研究基于PSR模型构建贝叶斯网络拓扑结构,利用最佳-最差方法对指标赋权,结合实测数据构建了日月岛周边海域生态环境修复效果评价的贝叶斯网络模型,得到如下主要结论。
1)基于PSR模型和贝叶斯网络的评价模型能够以简单直观的方式表达评价的不确定性,很好地协调了经验知识和客观数据,通过结合最佳-最差方法可使评价结果更加科学准确,可以为类似研究提供参考。
2)在“自然恢复为主,人工修复为辅”的修复策略指导下,自2016年起的3年中,日月岛周边海域三个海洋功能区生态环境均有所改善,生态修复取得了一定的效果。其中,水环境压力和沉积物环境压力明显缓解,但生物状况略有下降,未来生态修复的重点应聚焦于生物生态指标的改善。
3)海洋时空动态变化复杂,评价效果依赖观测数据的时空分辨率,下一步应丰富数据来源,提高数据分辨率,构建更加全面完善的动态贝叶斯网络模型,深入探究海洋环境质量的变化特征和规律。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
肖哲宇, 戚洪帅, 蔡锋, 等. 人工岛建设对海口湾沉积特征与泥沙运移的影响[J]. 海洋学报, 2022, 44(3):137-146.

XIAO Z Y, QI H S, CAI F, et al. The impact of artificial island construction on sedimentary characteristics and sediment transport in the Haikou Bay[J]. Haiyang Xuebao, 2022, 44(3): 137-146.

[2]
AFZAL M S, TAHIR F, AL-GHAMDI S G. Recommendations and strategies to mitigate environmental implications of artificial island developments in the gulf[J]. Sustainability, 2022, 14(9): 5027.

[3]
CHEE S Y, OTHMAN A G, SIM Y K, et al. Land reclamation and artificial islands: Walking the tightrope between development and conservation[J]. Global Ecology and Conservation, 2017, 12: 80-95.

[4]
MARTIN D M. Ecological restoration should be redefined for the twenty-first century[J]. Restoration Ecology, 2017, 25(5): 668-673.

DOI PMID

[5]
WANG J W, LIU Y P, LIU M Y, et al. Multi-phase environmental impact assessment of marine ecological restoration project based on DPSIR-cloud model[J]. International Journal of Environmental Research and Public Health, 2022, 19(20): 13295.

[6]
BASCONI L, CADIER C, GUERRERO L G. Challenges in marine restoration ecology: How techniques, assessment metrics, and ecosystem valuation can lead to improved restoration success[M]//YOUMARES 9—The oceans: Our research, our future. Cham: Springer International Publishing, 2019: 83-99.

[7]
符小明, 唐建业, 吴卫强, 等. 海州湾生态修复效果评价[J]. 大连海洋大学学报, 2017, 32(1):93-98.

FU X M, TANG J Y, WU W Q, et al. Evaluation of ecological restoration performance in Haizhou Bay, Lianyungang[J]. Journal of Dalian Ocean University, 2017, 32(1): 93-98.

[8]
杨金艳, 罗福生, 王爱军, 等. 淤积型海湾整治修复效果综合评价:以厦门湾为例[J]. 应用海洋学学报, 2020, 39(3):389-399.

YANG J Y, LUO F S, WANG A J, et al. Comprehensive evaluation for silted bay restoration: A case study in Xiamen Bay[J]. Journal of Applied Oceanography, 2020, 39(3): 389-399.

[9]
张秋丰, 白洁, 马玉艳, 等. 天津海岸带生态修复效果评估方法研究[J]. 海洋环境科学, 2019, 38(5):782-789,795.

ZHANG Q F, BAI J, MA Y Y, et al. Research on the method for evaluating ecological restoration effect in the coastal zone of Tianjin[J]. Marine Environmental Science, 2019, 38(5): 782-789, 795.

[10]
于小芹, 马云瑞, 余静. 基于熵权TOPSIS模型的山东省海岸带生态修复政策效果评价研究[J]. 海洋环境科学, 2022, 41(1):74-79.

YU X Q, MA Y R, YU J. Evaluation of coastal ecological restoration policy effect based on entropy-weight TOPSIS Model in Shandong province[J]. Marine Environmental Science, 2022, 41(1): 74-79.

[11]
吴逸凡, 张亦飞, 方欣, 等. 基于Choquet模糊积分的人工鱼礁生态修复效果综合评价[J]. 海洋环境科学, 2022, 41(3):467-473.

WU Y F, ZHANG Y F, FANG X, et al. Ecological restoration effect evaluation of artificial reefs with Choquet integral algorithom[J]. Marine Environmental Science, 2022, 41(3): 467-473.

[12]
ANDRICEVIC R. Ecological quality assessment under uncertainty for transitional and coastal waters: Central Eastern Adriatic Sea study[J]. Ecological Indicators, 2022, 138: 108850.

[13]
XU L F, LIU D D. Evaluation of the effect and investment benefit of marine ecosystem protection and restoration[J]. Frontiers in Ecology and Evolution, 2022, 10: 991198.

[14]
NIEMEIJER D, DE GROOT R S. A conceptual framework for selecting environmental indicator sets[J]. Ecological Indicators, 2008, 8(1): 14-25.

[15]
朱明敏. 贝叶斯网络结构学习与推理研究[D]. 西安: 西安电子科技大学, 2013.

ZHU M M. Research on Bayesian network structure learning and reasoning[D]. Xi’an: Xidian University, 2013.

[16]
MARCOT B G, PENMAN T D. Advances in Bayesian network modelling: Integration of modelling technologies[J]. Environmental Modelling & Software, 2019, 111: 386-393.

[17]
HUGHEY K F D, CULLEN R, KERR G N, et al. Application of the pressure-state-response framework to perceptions reporting of the state of the New Zealand environment[J]. Journal of Environmental Management, 2004, 70(1): 85-93.

PMID

[18]
WOLFSLEHNER B, VACIK H. Evaluating sustainable forest management strategies with the analytic network process in a pressure-state-response framework[J]. Journal of Environmental Management, 2008, 88(1): 1-10.

PMID

[19]
何彦龙, 袁一鸣, 王腾, 等. 基于GIS的长江口海域生态系统脆弱性综合评价[J]. 生态学报, 2019, 39(11):3918-3925.

HE Y L, YUAN Y M, WANG T, et al. Integrated assessment of marine ecological vulnerability in the Yangtze River Estuary using GIS[J]. Acta Ecologica Sinica, 2019, 39(11): 3918-3925.

[20]
FENTON N, NEIL M. Risk assessment and decision analysis with Bayesian networks[M]. Florida: CRC Press, 2018: 113-265.

[21]
REZAEI J. Best-worst multi-criteria decision-making method[J]. Omega, 2015, 53:49-57.

[22]
LIU P D, ZHU B Y, WANG P. A weighting model based on best-worst method and its application for environmental performance evaluation[J]. Applied Soft Computing, 2021, 103: 107168.

[23]
SAFARZADEH S, KHANSEFID S, RASTI B M. A group multi-criteria decision-making based on best-worst method[J]. Computers & Industrial Engineering, 2018, 126: 111-121.

[24]
LIANG F Q, BRUNELLI M, REZAEI J. Consistency issues in the best worst method: Measurements and thresholds[J]. Omega, 2020, 96: 102175.

[25]
GUO K, ZHANG X C, KUAI X, et al. A spatial Bayesian-network approach as a decision-making tool for ecological-risk prevention in land ecosystems[J]. Ecological Modelling, 2020, 419: 108929.

[26]
KAIKKONEN L, PARVIAINEN T, RAHIKAINEN M, et al. Bayesian networks in environmental risk assessment: A review[J]. Integrated Environmental Assessment and Management, 2021, 17(1): 62-78.

[27]
杨湘艳, 余静. 基于贝叶斯网络的海洋生态环境状况评价:以山东省为例[J]. 海洋通报, 2021, 40(4):473-480.

YANG X Y, YU J. Assessment of marine ecological environment based on Bayesian networks: A case study of Shandong Province[J]. Marine Science Bulletin, 2021, 40(4): 473-480.

[28]
宫秀军. 贝叶斯学习理论及其应用研究[D]. 北京: 中国科学院研究生院(计算技术研究所), 2002.

GONG X J. Research on Bayesian learning theory and its application[D]. Beijing: Institute of Computing Technology, Chinese Academy of Sciences, 2002.

[29]
FENTON N, NEIL M. Ranked nodes: A simple and effective way to model qualitative judgements in large-scale Bayesian Networks[M]. London: University of London, 2005.

[30]
蔡毅, 邢岩, 胡丹. 敏感性分析综述[J]. 北京师范大学学报:自然科学版, 2008, 44(1):9-16.

CAI Y, XING Y, HU D. On sensitivity analysis[J]. Journal of Beijing Normal University: Natural Science, 2008, 44(1): 9-16.

[31]
张晗旭, 李馨宇, 崔保山, 等. 黄河三角洲湿地生态修复工程对底栖动物的影响效果研究[J]. 环境工程, 2023, 41(1):222-231.

ZHANG H X, LI X Y, CUI B S, et al. Effect of wetland ecological restoration project on macrobenthos community in the Yellow River Delta[J]. Environmental Engineering, 2023, 41(1): 222-231.

[32]
粟丽, 许友伟, 张魁, 等. 南海区拖网渔业发展趋势及其对渔业资源的影响[J]. 南方水产科学, 2023, 19(4):41-48.

SU L, XU Y W, ZHANG K, et al. Development trend of trawl fishery and its impact on fishery resources in South China Sea[J]. South China Fisheries Science, 2023, 19(4): 41-48.

[33]
ZHANG J H, GAO Y, SHI X J, et al. Species composition and diversity of marine organisms from benthic trawling in Daya Bay of the northern South China Sea[J]. Biodiversity Science, 2017, 25(9): 1019-1030.

DOI

[34]
NIE W, FENG D, LOHPAISANKRIT W, et al. A dynamic Bayesian network-based model for evaluating rainfall-induced landslides[J]. Bulletin of Engineering Geology and the Environment, 2019, 78(3): 2069-2080.

Options
文章导航

/

〈 〉