ABSTRACT

Qixing River Wetland is a typical wetland in high latitude and cold region. Based on 3 surveys conducted on Qixing River Wetland in May, July and September 2017, the fish community structure was studied, and the Shannon-Wiener diversity index and grey correlation analysis were used to analyze the water quality of the area. The results showed that 10,446 fish samples were collected, belonging to 4 orders, 6 families, 11 genera and 14 species. The fish community was mainly based on low-temperature and low-oxygen-resistant small bottom fish. The dominant species were Perccottus glehni, Phaxinus percnurus and Carassius auratus gibelio. The Shannon-Wiener diversity index was generally low, which was related to the lower water level in the region. The results of the water quality evaluation of Qixing River Wetland based on Shannon-Wiener diversity index and the grey correlation analysis were basically corresponded, showing moderate pollution. The water quality of Sumer was inferior to spring and autumn, which was related to the increase of summer agricultural activity intensity. The agricultural production activities had a certain impact on the fish and water resources in Qixing River Wetland. The protection of fish and water resources in this area should be moderately strengthened.

Keywords:Fish, Community Structure, Grey Correlation Analysis, Water Quality Evaluation, High Latitude and Cold Region

高寒地区典型湿地鱼类多样性研究及水环境评价——以七星河湿地为例

张译文¹，柴方营²，于洪贤^1*

¹东北林业大学，野生动物资源学院，黑龙江 哈尔滨

²黑龙江省水利厅，黑龙江 哈尔滨

收稿日期：2018年12月30日；录用日期：2019年1月17日；发布日期：2019年1月24日

摘 要

七星河湿地是典型高寒地区湿地，本研究于2017年5月、7月和9月对七星河湿地进行3次调查，对该区域鱼类群落结构进行研究，并采用Shannon-Wiener多样性指数和灰色关联分析法对该区域进行水质评价。结果表明：本次调查共采得鱼类样本10,446尾，隶属于4目6科11属14种，以耐低温、耐低氧的小型底层鱼类为主，优势种为葛氏鲈塘鳢(Perccottus glehni)、湖鱥(Phaxinus percnurus)和银鲫(Carassius auratus gibelio)，Shannon-Wiener多样性指数整体偏低，这与该区域水位较低有关。Shannon-Wiener多样性指数和灰色关联分析法对七星河湿地水质评价基本相符，呈中度污染。夏季水质劣于春季、秋季水质情况，这与夏季农业活动强度增大有关。农业生产活动对七星河湿地鱼类及水资源保护造成一定影响，对于该段区域的鱼类及水资源保护力度应适度予以加强。

关键词 :鱼类，群落结构，灰色关联分析，水质评价，高寒地区

Copyright © 2019 by authors and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

1. 引言

鱼类作为水生态系统顶级群落，对人类干扰敏感且鉴定分类信息完善，在环境监测中起重要作用。七星河是乌苏里江左岸二级支流，位于黑龙江省东部，发源于岚棒山南侧，流经宝清、双鸭山、友谊、富锦4市县交界。两岸地势平坦低洼，中下游为三江平原腹地，多沼泽湿地。七星河流域年平均气温4.4℃，历史极端最低气温−39.6℃，冬季漫长，严寒干燥。全年活动积温为2300℃~2700℃，每年11月中旬至次年4月上旬为结冰期，多年平均最大冰厚0.84米，属于典型高寒地区湿地。

本文拟通过对七星河湿地鱼类资源调查，分析该湿地鱼类群落结构特征，并通过鱼类Shannon-Wiener多样性指数及灰色关联分析法，对七星河湿地水质情况进行评价，为该区域及高寒地区湿地鱼类资源保护及水资源开发利用提供理论依据。

2. 材料与方法

2.1. 采样点设置

三环泡自然保护区与七星河自然保护区分别位于七星河左右两岸，坐落于七星河湿地。本次调查共设置8个采样点，1#~4#采样点位于三环泡自然保护区，5#~8#位于七星河自然保护区(见图1)，于2017年5月、7月和9月(即春、夏、秋)进行3次调查。

图1. 七星河湿地鱼类采样点

2.2. 采样方法

鱼类样品通过地笼(规格40 cm × 27 cm × 200 cm)获得，放置时间为24 h。野外对样品进行分类鉴定测量。对于现场不能鉴定的样品，选取3~5尾保存于5%甲醛溶液中带回实验室进行鉴定。分类鉴定主要参照《东北地区淡水鱼类》进行。

2.3. 数据处理

采用IRI指数 [1] 表示各采样点不同种类鱼类优势度。采用Shannon-Weiner多样性指数(H’)。由于不同种类鱼类及同种类鱼类个体间差异很大，Wilhm [2] 提出用生物量表示的多样性更接近种类间能量的分布，故本研究中群落多样性及鱼类与环境因子关系根据生物量进行计算。

IRI指数计算公式如下：

$IR{I}_i=\left(N_i+W_i\right)F_i$

上式中IRI_i表示i种鱼的优势度。N_i为第i种鱼的相对多度(%)，W_i为第i种鱼的相对重量(%)，Fi第i种鱼在多次采样中的出现频率(%)。IRI值大于500定为优势种，100~500为重要种，10~100的为常见种，小于10为罕见种 [3] 。

Shannon-Wiene多样性指数计算公式如下：

$H^{\prime }=–{\displaystyle \sum P_i{\log }_e{P}_i}$

其中，P_i代表各采样点鱼类物种i的生物量占该采样点总生物量的比例。

采用灰色关联分析法分析七星型湿地水体理化因子，确定各采样点水体水质级别。

将各采样点水质实测值看作灰色变量，水质级别标准值作为灰类，通过多个水体断面的水质实测值与水质级别标准值的距离进行综合分析，根据计算所得关联度确定采样点水质级别，与采样点水质实测值关联度最大的标准值即为该点水质级别。本文将七星河湿地水体各采样点理化因子实测值作为参考数列，《地表水环境质量标准》(GB3838-2002)中各级标准值作为比较数列，求取数列各级之间的关联度，进而确定多七星河湿地水体各采样点水质级别。

1) 确定参考数列和比较数列

参考数列： $\left\{X_i=X_i\left(k\right)|k=1,2,\cdots ,n;=i\ge 1\right\}$ ；

比较数列： $\left\{Y_j=Y_j\left(k\right)|k=1,2,\cdots ,n;=i\ge 1\right\}$ 。

2) 数据无量纲化

由于各理化因子的量级不同，关联分析前需进行无量纲化处理。本文使用min-max归一化方法。

$x^{\prime }=\frac{x-\min }{\max -\min }$

其中min是样本的最小值，max是样本的最大值。

处理后的比较数列及参考数列分别用a_i、b_j表示。

3) 求关联系数

参考数列(水质数据) X_i与比较序列(水质标准) X_j在第k点(指标k)的关联系数为：

${\xi }_i\left(k\right)=\frac{\Delta \min +\rho \cdot \Delta \max }{{\Delta }_i\left(k\right)+\rho \cdot \Delta \max }$

式中： ${\Delta }_i\left(k\right)$ 为第k项指标a_i和b_j的绝对差； $\Delta \min$ 和 $\Delta \max$ 分别为各项因子绝对差中的最小值和最大值； $\rho$ 为分辨系数，其作用为提高灰关联系数之间的差异显著性， $\rho$ 越小，分辨力越大，通常在0~1，本文取0.5。

4) 求关联度

对关联系数进行加权求关联度，可得不同水质级别的关联度。 当权重取值为 $\frac{1}{n}$ 时，关联度为：

${\gamma }_i=\frac{1}{n}\cdot {\displaystyle \underset{k=1}{\overset{n}{\sum }}{\xi }_i(k)}$

5) 比较各关联度的大小，关联度越大则表示两者越接近。关联度最大者对应的比较数列(水质标准)即为该采样点水质评价等级。

数据统计及图表绘制使用Microsoft Office Excel和SPSS19.0完成。

采用Arc GIS 10.2绘制调查采样点分布图，底图来源Landsat 8 OLI_TIRS卫星数字产品。

3. 结果与分析

3.1. 鱼类种类组成

本次调查共采得鱼类样本10,446尾，隶属于4目6科11属，共计14种。其中鲤形目鱼类种数最多，共10种，占总种数71.4%；鲈形目2种，占14.3%；鲑形目和鲶形目各1种，分别占7.1%。其中鲤科和鳅科鱼类种类数最多，各有5种，占总种类数35.7%；狗鱼科、鳢科、塘鳢科和鲶科均为1种，各占7.1%。

结合鱼类调查与走访保护区工作人员所得信息，制得七星河湿地鱼类名录(见表1)，隶属于4目6科13属，共计16种。

表1. 七星河湿地鱼类名录

3.2. 鱼类优势种

相对重要指数(IRI)计算结果如表2所示。春季优势种为葛氏鲈塘鳢、银鲫、湖鱥和黑龙江花鳅，优势种占春季总种类数的33.3%，占个体总数的87.5%；夏季优势种为葛氏鲈塘鳢、银鲫、湖鱥、黑龙江花鳅和黑龙江泥鳅，优势种占夏季总种类数的41.7%，占总个体数的81.0%；秋季优势种为葛氏鲈塘鳢、银鲫、湖鱥和黑龙江泥鳅，占秋季总种类数的28.6%，占总个体数的96.6%。

葛氏鲈塘鳢、湖鱥和银鲫在3次调查中均为优势种鱼类，这些优势种鱼类在群落结构中占主体，对群落的结构和功能起决定性作用。

3.3. 鱼类物种多样性

七星河湿地Shannon-Wiener多样性指数结果见图2。春季各采样点Shannon-Wiener多样性指数平均值为1.22，波动范围为0.79~1.73，最高为8#采样点，最低为7#采样点；夏季各采样点Shannon-Wiener多样性指数平均值为1.04，波动范围为0.68~1.78，最高为5#采样点，最低为6#采样点；秋季各采样点Shannon-Wiener多样性指数平均值为1.20，波动范围为0.78~1.44，最高为4#采样点，最低为1#采样点。

表2. 七星河湿地鱼类名录

注：“^****”表示优势种，“^***”表示重要种，“^**”表示常见种，“^*”表示罕见种，“-”表示该季节未出现。

图2. 七星河湿地Shannon-Wiener多样性指数

采用单因素方差分析对Shannon-Wiener多样性指数的季节变化进行分析，结果见表3。结果未通过置信度95%的显著性检验(P > 0.05)。

表3. 多样性指数ANOVA单因素方差分析结果

3.4. 水质评价

根据Shannon-Wiener多样性指数对七星河湿地水质进行生物学评价，评价标准见表4。采用灰色关联分析法，通过分析各采样点总氮(TN)、总磷(TP)、化学需氧量(COD_Cr)、5日生化需氧量(BOD₅)，对水质级别进行评价。各采样点理化因子见表5。评价结果见表6。

表4. Shannon-Wiener多样性指数评价标准

表5. 七星河湿地水体理化因子

表6. 七星河湿地水质评价

4. 讨论

4.1. 鱼类群落结构

群落组成对种群动态及生态系统功能有重要影响，被认为是生态系统稳定性、营养动态、对入侵敏感性等功能的重要决定因子 [4] 。本次对七星河湿地的鱼类资源调查结果中，各季节获渔获物种类组成较为相近，以底层鱼类为主。优势种为葛氏鲈塘鳢、银鲫、湖鱥3种鱼类，皆耐低温、耐低氧，可以在沼泽湿地里越冬。七星河湿地鱼类种类较少，缺少中上层鱼类和大型鱼类。本次调查结果与2006年记载 [5] 相比，未发现鲢、草鱼和鳊鱼等，与走访当地居民所得鱼类名录相比，实际鱼类调查中未发现鲤与䱗。

造成这些差异与采样点水域水深较浅，不满足这些鱼类生存条件有关。根据同时进行的水文要素调查结果可知，本次调查采样点处平均水深为48.9 cm。鱼类的生活习性、形态结构及其饵料资源分布决定了鱼类生活的水层 [6] 。䱗、鲢和鳊鱼是上水层鱼类，不耐低氧，这些种类与草鱼和鲤等中下层鱼类在冬季皆需潜入深水层越冬，七星河湿地水深不满足这些鱼类生存需求。水深决定了七星河湿地适合耐低温、耐低氧的小型底层生存，这与际调查结果相符合。

根据3次鱼类调查的结果分析，七星河湿地鱼类组成麦穗鱼、黑斑狗鱼和花江鱥为罕见种。麦穗鱼在春、秋两次调查分别有1尾，黑斑狗鱼在夏、秋分调查别有1尾，花江鱥仅在秋季调查中发现4尾。麦穗鱼通常分布于河流湖泊的静水水域，花江鱥和黑斑狗鱼分布于缓流河溪中，采样点所在的沼泽湿地不是适宜它们的生境，出现于七星河湿地可能是沿河流偶然进入。

生物多样性指数能够定量地反映生物群落内物种多样性程度，是用来判断生物群落结构变化或生态系统稳定性的指标，对于掌握群落动态变化以及合理利用生物资源具有重要的意义 [7] [8] 。Shannon-Wiener多样性指数受种类数及各种间个体分配的均匀性影响，各种之间，个体分配越均匀，Shannon-Wiener多样性指数值就越大。本次调查中，各采样点Shannon-Wiener多样性指数平均值春季最高，秋季最低。各采样点间多样性指数存在差异，表明该区域鱼类群落存在一定的空间异质性 [9] 。

通过单因素方差分析，可知Shannon-Wiener多样性指数各季节变化并不显著，由此可以推断七星河湿地鱼类物种较为稳定，但鱼类多样性整体偏低。七星河湿地附近人口较多且农业生产活动频繁，灌溉农田大量用水导致七星河水位降低，这可能是引起该区域多样性指数相对较低的一个因素，因此对于该段区域的鱼类及水资源保护力度应适度予以加强。

4.2. 水质评价分析

本文结合生物和非生物方法对七星河湿地水质进行评价。生物学方法使用鱼类Shannon-Wiener多样性指数。Shannon-Wiener多样性指数是最常用的反应群落物种多样性的指标。非生物评价法利用了灰关联分析法，该评价方法考虑了水质分级界线的单因子性，可以避免水质单因子分级临界值以及综合污染指数的微小变化对评价结果的影响 [10] 。

Shannon-Wiener多样性指数水质评价结果显示，七星河湿地整体水质情况主要为中污和重污，春季和秋季水质优于夏季水质。春季结果中1#和7#采样点为重污，其他采样点为中污；夏季结果中1#、3#、4#、6#及8#采样点为重污，2#、5#及7#为中污；秋季结果中，1#、6#和7#采样点为重污，其余采样点为中污。

灰色关联分析水质评价结果显示，七星河湿地水体水质春季和秋季优于夏季。春季1#、7#和8#采样点为III类水质，2#、3#、5#、6#采样点为II类水质，4#为I类水质；夏季1#、3#、4#、6#采样点为IV类水，8#为III类水，其余采样点为II类水质；秋季1#、5#采样点为III类水质，其余采样点为II类水质。

生物多样性指数评价结果与灰色关联分析法评价结果的变化趋势基本一致，整体为中度污染水平。部分采样点Shannon-Wiener多样性评价结果显示的水体污染程度高于灰色关联分析法评价结果。如7#采样点，Shannon-Wiener多样性指数评价结果表明春季与夏季水质均为重污，而灰色关联分析法评价结果则分别为III类和II类水质，差别较大，这与七星河湿地鱼类Shannon-Wiener整体偏低有关。

结合生物与非生物两种评价结果，1#、3#、4#、6#采样点水质相对较差。1#采样点位于月牙泡管理站附近，7#采样点位于宝平管理站附近，3#、4#、6#采样点临近农田灌溉沟渠。这些采样点距居民居住地较近，受生活污水排放、农业污染和鱼类捕捞活动的影响较大。七星河湿地水质情况季节变化主要与周边农田耕种活动有关。七星河湿地四周环绕农田，主要种植作物为水稻。夏季降水增加以及农田周期性排水形成地表径流，将农作活动使用的农药化肥带入七星河湿地水体，造成面源的氮、磷等污染，对七星河湿地水质情况和鱼类种群造成较大影响。

5. 结论

1) 本次调查共采得鱼类样本10,446尾，隶属于4目6科11属，共计14种，以耐低温、耐低氧的小型底层鱼类为主，优势种为葛氏鲈塘鳢、湖鱥和银鲫。

2) 七星河湿地鱼类Shannon-Wiener多样性指数整体偏低，农业活动大量用水造成的水位降低可能是导致该现象的重要因素。

3) Shannon-Wiener多样性指数和灰色关联法对七星河湿地水质评价变化趋势基本相同，呈中度污染。夏季水质劣于春季、秋季水质情况，主要是由于夏季农业活动强度增大，所使用农药化肥进入七星河湿地水体有关。

基金项目

迁徙水鸟重要栖息地食源增殖技术与示范(2016YFC0500406)。

文章引用

张译文,柴方营,于洪贤. 高寒地区典型湿地鱼类多样性研究及水环境评价——以七星河湿地为例
Study on Fish Diversity and Water Environment Assessment of Typical Wetland in High Latitude and Cold Region: A Case Study of Qixing River Wetland[J]. 环境保护前沿, 2019, 09(01): 17-25. https://doi.org/10.12677/AEP.2019.91004

参考文献