农业溪流农药对大型无脊椎动物群落相关性的再评估:SPEARPesticides、参照点选择与多变量排序的作用

《Journal of Freshwater Ecology》:Relevance of pesticides for macroinvertebrate communities in agricultural streams – a re-evaluation

【字体: 大 中 小 】 时间:2026年10月16日 来源:Journal of Freshwater Ecology 1.4

编辑推荐:

  将农业溪流中的生态受损归因于单个压力源是淡水监测中的常见挑战,因为农药暴露常与栖息地退化、营养富集、氧耗竭及其他环境压力共同发生。德国“小水体监测项目”(Kleingew?ssermonitoring,KgM)为利用大规模野外数据集检验这一挑战提供了机会。Kg

  
将农业溪流中的生态受损归因于单个压力源是淡水监测中的常见挑战,因为农药暴露常与栖息地退化、营养富集、氧耗竭及其他环境压力共同发生。德国“小水体监测项目”(Kleingew?ssermonitoring,KgM)为利用大规模野外数据集检验这一挑战提供了机会。KgM于2018—2019年开展,用以评估小型农业水道的化学和生物状况。在101个溪流站点,对水样中的农药活性物质、药品和其他城市污染物进行了分析。采集水生大型无脊椎动物以确定群落组成。KgM的作者主要基于使用SPEARPesticides(SPEcies At Risk,物种风险)指数的分析得出结论:农药暴露是影响脆弱昆虫和大型无脊椎动物群落的主导压力源。由于关于压力源相关性的结论可能取决于生物指标、参照条件和分析方法,研究人员利用公开可得的KgM数据集重新评估了原始解释的稳健性。基于重新评估,研究人员认为指标选择会强烈影响压力源相关性的解释。此外,SPEARPesticides结果受到纳入森林主导站点的影响,这些站点不仅农药暴露与农业站点不同,其他化学污染物和非生物因子也不同。使用多变量排序方法分析完整大型无脊椎动物群落,而非使用为识别单一压力源敏感性而设计的指数,表明群落与若干影响生态质量的环境因子存在关联。研究人员的发现表明,关于农药相对重要性的推断取决于研究设计、参照条件和分析方法。更广泛地说,该研究强调了当沿相关多压力源梯度评价生态响应时,与淡水监测项目国际相关的挑战,并支持使用整合的多压力源评估框架。关键政策要点:基于压力源特异性大型无脊椎动物的指数支持诊断,但不支持压力源排序;农药效应应在多压力源框架内评估;有效的溪流修复需要改善栖息地质量、氧气条件和其他共同发生的压力源,以及农药管理。
研究背景与问题:农业溪流在全球范围内受到多种相互作用压力源影响,包括农药污染、营养富集、水文改变、栖息地退化、氧耗竭和水温升高。这些压力常沿土地利用梯度共同发生,因此将生态受损归因于单个压力源是淡水生态和环境监测的主要挑战之一。识别不同压力源的相对重要性对管理和修复至关重要,但结论常取决于生物指标和分析方法。基于性状的指数用于检测压力源特异性生态响应,其中SPEARPesticides(SPEcies At Risk,物种风险指数)专门用于响应农药压力。德国KgM项目由Helmholtz Centre for Environmental Research(UFZ)代表German Environment Agency(Umweltbundesamt,UBA)于2018—2019年开展,涵盖101个站点,测量农药、金属、营养物、水文形态和大型无脊椎动物。Liess et al. 2021a基于SPEARPesticides等分析认为农业农药压力对无脊椎动物群落组成具有首要相关性,并建议在植物保护产品环境风险评估中增加评估因子20。由于这些结论可能依赖生物指标、参照条件和分析方法,研究人员利用公开KgM数据集重新评估其稳健性。具体目标为:分析纳入预期低农药负荷的森林站点对田边水体农药效应分析的影响;讨论SPEARPesticides计算的透明度及其假设;对完整大型无脊椎动物丰度数据应用排序方法,识别与群落组成相关的环境变量,而不施加农药特异性状分类。该研究与Nguyen et al. 2026的再分析互补,聚焦站点选择、SPEAR计算和全群落排序。

关键技术与方法(不超过250字):本再评估基于KgM项目三个来源:Liess et al. 2021a的主科学分析、Liess et al. 2021b的公开站点级数据集、Liess et al. 2022的官方报告。样本队列来源为KgM公开数据集:德国101个溪流站点,2018—2019年,其中11个站点两年监测,共112个站点-年组合。站点分为农业站点86个(流域农业覆盖>20%,中位数82%农业、16%森林)、森林站点15个(中位数99%森林、1%农业)及5个森林参考站点。测量包括农药、金属、药品和废水标志物、营养物、水温、pH、溶解氧、流速、水文形态质量及标准化大型无脊椎动物采样。研究人员用Indicate工具SPEARPesticides Version 2023.03重算SPEARPesticides,用Perlodes计算% EPT、Saprobic Index、Fauna Index和KLIWA Index。统计采用单变量检验、Spearman/Pearson相关、普通线性回归、主成分分析(PCA)、对应分析(CA)和典范对应分析(CCA),软件为SigmaPlot 14和CANOCO 4.56。

研究结果:
3.1 指数选择对压力源解释的影响:研究人员比较SPEARPesticides、% EPT和Saprobic Index与土地利用、水文形态、底栖栖息地、氧、铵、TUppp和TUmetal的相关性。SPEARPesticides与TUppp、% EPT与主要水文形态指数的相关性超过0.5。Liess et al. 2021a的多元回归中,SPEARPesticides模型解释61%方差,TUppp单独占32%;% EPT模型结构变量解释38%,全模型60%;Saprobic Index氧缺乏解释20%,全模型45%。结论:推测的环境压力源相关性强烈取决于所选生态指标,每个性状指数主要与其设计代表的压力源相关。

3.2 农业与森林站点环境差异:通过比较农业、森林和参考站点环境变量,研究人员发现森林站点农药和金属暴露显著更低;农业站点金属浓度接近D. magna的LC50。森林溪流平均结构质量更高,氧更高,营养更低。农业站点中70%氧低于8 mg/L。KLIWA指数提示农业站点温度压力更高,尽管报告温度均值略低。结论:森林站点并非仅农药暴露不同,而是代表与多个压力源和栖息地特征相关的不同环境条件。

3.3 参考站点的环境相似性:PCA显示农业站点和森林站点形成两个很少重叠的聚类,参考站点聚类与农业站点完全不重叠。仅分析农业站点时特征值更小。化学污染(TUmetal和TUppp)强烈贡献站点差异。结论:森林参考站点在多个压力源上不同于农业站点,其用于评估农药压力的适宜性存疑。

3.4 参考点选择对SPEAR归一化的影响:SPEARPesticides归一化参考值在Indicate版本中变化:2018.05为0.31,2019.10为0.27,而KgM用五个森林站点中位数0.44。参考点选择标准不仅低农药毒性,还包括良好水文形态和高EPT比例。质量分级依赖参考点选择;即使分类更新,0.44仍保留。结论:应在性状数据更新时重算参考值,并可基于溪流类型和已有大型无脊椎动物数据定义质量级。

3.5 森林站点纳入对压力源解释的影响:普通线性回归显示SPEARPesticides与TUppp在101个农业和森林站点中解释43%方差。替换约20%极高TU后解释方差从32%升至43%。排除森林站点后,TUppp解释力降至22%。再排除log(TUppp)?1的五个站点后仅10%。部分农业站点log(TUppp)达?0.1仍被SPEARPesticides评为良好质量。结论:回归主要由极低和极高TU站点驱动;农业站点其他压力源可能更大。

3.6 SPEAR分类与可重复性:SPEAR基于四个性状:敏感性、世代时间、暴露和避难所。敏感性基于有机污染物生理敏感性并标准化到Daphnia magna急性LC50,但更新细节不清。世代时间阈值0.5年。暴露定义为农药施用期存在,Gammarids分类不一致。避难所性状基于有限区域经验数据,Silo sp.等分类难理解。用SPEARPesticides Version 2023.03重算与Liess et al. 2021a值不同,部分站点生态状态类改变。结论:性状分类和软件版本变化影响SPEARPesticides值及评估可重复性,需透明记录更新。

3.7 基于大型无脊椎动物数据的站点排序:CA对log转换丰度数据排序,第一、二轴解释4.5%和3.5%,共8%。第一轴分离农业站点与森林/参考站点,但存在重叠。NH4、TUppp、TUmetal和结构质量指数指向农业站点;O2、底栖栖息地质量(BHI)和流速指向森林/参考站点。As与第二轴相关但浓度低于生态毒理相关水平。结论:群落数据总体结构较弱,但存在清晰土地利用梯度。

3.8 群落组成的环境驱动因子:CCA全站点自动前选显示,所有环境变量解释18.3%总方差;显著变量为O2、HM_bed、pH、TUmetal、HM_land和流速,共解释11.1%。TUppp未被自动选为显著变量。仅农业站点CCA中,O2、HM_bed、pH和流速显著;TUppp边际效应占总群落方差1.20%、占已选变量方差9.93%,但不显著。结论:在当前CCA设定下,不支持农药为全群落组成主导独立预测因子,也不排除其作为相关多压力源梯度贡献者。排序与指数回答不同问题,应视为互补证据。

3.9 压力源相互作用与指数行为:SPEARPesticides等性状指数对为其优化的压力源最敏感,但群落水平主导压力源取决于指标类型。SPEARPesticides可指示潜在农药效应,但不应单独用于判断不同压力源的总体相关性。排序不预先加权物种,未显示农药效应主导,而是多压力源影响群落结构。站点选择关键:森林主导流域作为低农药参考站点与农业流域并用,强烈影响SPEAR分析中农药压力的作用。SPEAR可能响应营养富集、栖息地改变、水文形态退化及其相互作用。结论:SPEARPesticides在KgM中可能反映农业强化多压力源综合响应,而非单纯农药压力。

讨论与结论翻译:讨论部分强调,指标选择、参照条件、分析方法会强烈影响压力源归因;多压力源共变使单一压力源排序困难。SPEARPesticides适合识别与农药暴露一致的群落模式,可补充关注其他压力源的指数。Nguyen et al. 2026表明农药毒性在多种建模方法中仍是稳定且有影响的预测因子,但营养物、农业土地利用和水文形态退化也贡献显著,推断的排序取决于毒性聚合方式和生态指标。研究人员的分析从互补角度得出收敛结论:完整群落排序在考虑相关环境变量后,不将TUppp识别为主导独立预测因子。因此,SPEARPesticides应在多指标和多模型评估框架内使用,而不是作为压力源排序或推导额外危害评估因子的独立基础。依赖SPEARPesticides-TU关系的监管提案应谨慎解释,例如Liess et al. 2021a提出的对急性毒性数据推导额外评估因子20。SPEARPesticides-TU关系受生态质量较高站点和农药浓度远超监管可接受浓度(RAC)站点强烈影响。该提案假设降低RAC会直接增加SPEAR类群丰度,却忽视其他压力源和非标签合规农药输入的重要影响。尽管高于临界水平的农药暴露可不利影响脆弱类群,群落组成还受营养水平、溶解氧和栖息地结构等因素影响。要改善田边水体生态质量,需要更整体方法,考虑水体及周边结构质量。分析表明,需要更细致评估环境因子和进入途径,以识别不良水体状态的主要驱动因子。基于SPEAR指数分析提出额外安全因子可能不会提高溪流生态质量,因为安全因子不适用于缓解通过废水和农场庭院污水(点源)进入溪流的植物保护产品相关部分。SPEARPesticides提供群落脆弱性模式的有价值信息,但在KgM数据集中的响应似乎强烈受共同压力源和大规模野外监测固有方法限制影响。SPEARPesticides作为综合评估框架的一个组成部分,明确考虑多压力源、时间暴露动态和区域生态背景时最有信息量。在此框架内,SPEARPesticides可促进假设生成和比较评估,但不应被解释为单独的独特农药特异性诊断指标。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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