隐藏的船只,可见的压力:在印太宽吻海豚分布的人为驱动因素评估中纳入小型非AIS船舶

《Marine Pollution Bulletin》:Hidden boats, visible pressure: accounting for small non-AIS vessels in assessments of anthropogenic drivers of Indo-Pacific humpback dolphin distribution

【字体: 大 中 小 】 时间:2026年10月24日 来源:Marine Pollution Bulletin 4.9

编辑推荐:

   • 高分辨率卫星影像映射出珠江口细尺度的船舶交通情况 • 小型非AIS船舶占检测到的船舶总数的三分之一以上 • 渔业和休闲船舶是东珠江口的主要压力来源 • 而西珠江口的首要压力则来自水产养殖 • 随机森林(RF)与广义可加模型(GAM)在总体上显示出一致的生态格局 1. 引

  

• 高分辨率卫星影像映射出珠江口细尺度的船舶交通情况 • 小型非AIS船舶占检测到的船舶总数的三分之一以上 • 渔业和休闲船舶是东珠江口的主要压力来源 • 而西珠江口的首要压力则来自水产养殖 • 随机森林(RF)与广义可加模型(GAM)在总体上显示出一致的生态格局

1. 引言

沿海生态系统是生物生产力最高的海洋环境之一,但它们同时也承受着强烈的人为压力(Watanabe 等,2018)。对于沿海鲸类而言,生态重要性与人类活动之间的重叠尤其具有深远影响。目前约有26%的鲸类物种被列为受威胁物种,且沿海物种面临的灭绝风险明显高于离岸物种(Braulik 等,2023)。船舶交通、渔业、水产养殖和港口基础设施等人类活动,会通过噪声、物理干扰、污染和猎物减少等方式破坏近岸栖息地(Chen 等,2023;Marley 等,2017)。重要的是,这些压力源往往同时发生,并产生累积性相互作用,在不同沿海系统中表现出空间异质性(Ba? 等,2017;Dias 等,2022;Mar?alo 等,2024;Wang 等,2024)。因此,敏感的沿海鲸类可能被驱离其偏好栖息地而进入次优区域(综述见 Karczmarski 等,2016;Bearzi 和 Reeves,2021),并可能对其种群存续能力产生潜在后果(Nabe-Nielsen 等,2018)。因此,量化多种人为压力如何影响鲸类分布,对于有效的保护规划至关重要。

在评估这些影响时,一个主要挑战在于如何在生态上相关的空间尺度上准确刻画人类活动。船舶交通是沿海系统中最为普遍的人为压力之一(Carome 等,2023;Pigeault 等,2024;Pirotta 等,2019),然而基于自动识别系统(AIS)数据的传统监测方式可能会系统性地低估近岸环境的船舶活动。在许多区域,占沿海水域主导地位的小型船舶通常无需配备AIS应答器(Gannier 等,2022;Hermannsen 等,2019),即便配备AIS的渔船也可能关闭或限制公开传输(Hague 等,2025;Russo 等,2019;Seguin 等,2025)。因此,基于AIS推算的船舶密度很可能低估了沿海鲸类实际承受的船舶暴露强度。高分辨率卫星影像提供了一种互补方法,能够在精细空间尺度上检测单体船舶,包括那些常常未配备AIS、长度在10–12米以下的小型船舶(Fan 等,2024;Hao 和 Nabe-Nielsen,2023;Zucchetta 等,2025)。因此,将卫星获取的船舶分布图与AIS数据相结合,可以为鲸类关键栖息地中的船舶压力提供更完整的表征。

除了船舶交通之外,其他人为活动也可能影响鲸类。渔业可通过兼捕和缠绕直接影响鲸类,并可通过减少猎物和改变猎物分布产生间接影响(Burgess 等,2018;Campbell 等,2020)。此外,沿海水产养殖在许多地区迅速扩展,可能通过水质变化、栖息地物理改造和浅海沿岸环境的碎片化造成栖息地退化(Cheng 等,2025;Wang 等,2024;Yong 等,2025)。因此,评估这些压力对于理解人类对沿海环境的利用与鲸类分布之间的关联至关重要。

印度洋—太平洋驼背海豚(*Sousa chinensis*)是一种沿海物种,分布于南亚和东南亚的浅水近岸海域(Jefferson 和 Hung,2004)。在其分布范围内的许多区域,该物种均承受着强烈的人为压力(Jefferson 和 Smith,2016)。在中国水域,印度洋—太平洋驼背海豚被列为国家一级保护物种,但已在多个种群中记录到数量下降(Jefferson 和 Smith,2016;Lin 等,2021;Luo 等,2025;Sun 等,2022)。栖息于珠江口(PRE)的驼背海豚构成了中国已知最大的种群,并受到了广泛研究,但该种群同样面临严重威胁。珠江口是全球城市化进程最快的河口系统之一,海豚面临多种人为压力,包括密集的船舶交通、活跃的渔业、不断扩展的水产养殖以及持续进行的海岸开发(Luo 等,2025;Wang 等,2024;Yong 等,2025;Serres 等,2026)。过去十年中观察到的种群持续下降(Luo 等,2025;Sun 等,2022)引发了紧迫的问题:哪些压力源最强烈地影响海豚,以及保护干预应优先针对哪些区域。

重要的是,人为压力在珠江口各区域之间并非空间均一的(Serres 等,2026)。东部子区域(珠海、澳门和香港水域)以高船舶交通密度为特征,这与繁忙的港口综合体以及广泛的轮渡和商业航运路线相关(Wang 和 Slack,2000);而西珠江口(江门沿岸水域)则以广泛且不断扩展的水产养殖为主导(Serres 等,2026;Wang 等,2024)。因此,海豚的分布可能在两个子区域中与不同的人为压力相关。因此,识别各子区域中与海豚分布最强烈相关的细尺度人为压力,并确定这些关联在两个子区域之间是否存在差异,对于支持空间针对性的保护规划是必要的。

弥补这一缺口需要将细尺度的人类活动数据与生态建模框架相结合。物种分布模型(SDMs)被广泛用于将物种出现数据与环境及人为预测因子相关联(El-Gabbas 等,2021),从而有助于推断栖息地关联以指导保护工作。然而,模型推断对算法选择较为敏感,因为不同的建模方法在处理非线性关系、变量交互和变量选择方面的根本方式各异(Elith 和 Leathwick,2009)。因此,为了改进推断结果,比较互补的建模方法是有用的。随机森林(RF)等机器学习方法能够捕捉复杂的非线性关系(Fox 等,2017),而广义可加模型(GAMs)则可提供更具可解释性的函数关系(Hastie 和 Tibshirani,2014;Wood,2012)。同时应用两种方法,使我们能够评估所推断的栖息地关联在不同建模框架之间是否一致。

在本研究中,我们使用高分辨率卫星获取的船舶检测数据来评估基于AIS的监测可能存在的低估问题,并将这些数据与环境及其他细尺度人为活动图层相结合,以建立珠江口东部和西部印度洋—太平洋驼背海豚的分布模型。我们同时应用RF和GAM方法,以评估海豚出现与人为压力之间所推断关系的一致性。具体而言,我们的目标是:(1) 评估基于AIS的监测在该区域可能低估近岸船舶压力的程度;(2) 识别各子区域中与驼背海豚分布最强烈相关的自然环境和人为变量,并确定这些关联是否存在区域差异。通过考虑细尺度的非AIS船舶活动和人为压力的区域异质性,本研究为理解一个数量下降中的沿海鲸类种群所承受的人类影响的空间结构提供了新的洞见。研究结果可以为使用高度密集的沿海生态系统制定更有针对性的保护规划提供支持。

2. 方法

2.1 研究区域

本研究聚焦于位于南海北部的珠江口(PRE)。该地区是中国生态意义最为重要的沿海生态系统之一,支撑着中国已知最大的印度洋—太平洋驼背海豚种群(Jefferson 和 Smith,2016)。参照Serres 等(2026)的方法,我们将分析范围限定在水深小于30米的区域,这与驼背海豚的已知分布范围一致(Jefferson 和 Smith,2016)。由此确定的研究区域面积约为5376平方公里。该水深标准使得船舶分布及其他人为活动的分析聚焦于浅水沿岸水域——海豚与人类活动最可能发生重叠的区域(图1)。我们进一步将研究区域划分为西部(West-PRE)和东部(East-PRE)两个子区域,以考察驼背海豚分布与环境及人为预测因子之间的关联是否在区域间存在差异。

下载:下载高分辨率图片(851KB)
下载:下载全尺寸图片
图1. 研究区域(珠江口;PRE)地图,展示了提取的船舶位置。深灰色虚线边界标示出West-PRE子区域,点状边界标示出East-PRE子区域。黄色多边形表示无可用影像的区域。黑色三角形标示主要港口。(关于图中颜色引用的解读,请参阅本文的网络版本。)

2.2 船舶数据提取与处理

2.2.1 船舶数据提取

使用Google Earth Pro存档的高分辨率卫星影像对船舶进行识别和分类。主要影像来源为Maxar和CNES/Airbus。对于这两类来源未覆盖的区域,则通过吉林-1遥感平台获取空间分辨率约为0.5×0.5米的补充影像,途径包括其在线存档或瓦片式影像服务(https://www.jl1mall.com/)。可用影像的采集日期跨度为2016–2025年,但97.2%的检测到的船舶来自2019至2024年之间采集的影像(见附录A中图A1)。

针对每个位置,依据采集日期的新近程度、云覆盖情况、分辨率和光照条件选择最合适的卫星影像,以确保船舶检测的可靠性。由于每年伏季休渔期(5月1日至8月15日)采集的影像数量有限,且休渔期可能显著改变渔船分布,我们优先选择非休渔期采集的影像。因此,所得数据集主要代表渔业活动期的船舶分布。仅对少数确实无合适替代影像的小区域例外处理。

我们假设在开阔水域中检测到的船舶代表活跃航行中的船舶,而停泊于港口、码头或水产养殖区域的船舶则视为静止。静止船舶及非机动船舶(如皮划艇)被排除在外,因为它们不太可能产生会影响海豚的发动机噪声。每艘检测到的船舶均进行测量,并归入三类之一:渔船、休闲船或其他(包括货船、拖船、渡轮、执法艇、科考船、工程船等)。分类依据包括船舶大小、外形、船上物料以及渔业相关设备(如渔具)等可观察特征。当识别存在困难时,至少咨询一位有丰富野外工作经验的专家作出判断;仍然无法辨认的船舶标记为"未知"。

2.2.2 船舶数据处理

为识别潜在渔场,我们记录了在影像采集时看似正在作业的渔船位置(见图2示例)。作业中的渔船主要通过其展开的渔具(如渔网或延绳)及其处于开阔水域中的状态来识别。在每个作业渔船位置周围生成半径为1.5公里的圆形缓冲区,以近似渔业活动的空间范围。该半径的选取依据是:在所有卫星影像中识别出的作业渔船群体中,群体内任意两艘船之间的最大距离通常小于此数值。随后使用R(R Core Team,2025)中的"sf"包(Pebesma 和 Bivand,2023)合并这些缓冲区以表示潜在渔场。

下载:下载高分辨率图片(581KB)
下载:下载全尺寸图片
图2. 通过Google Earth Pro卫星影像在珠江口识别出的作业渔船示例。左上图展示了围网捕鱼时包围鱼群的船只,其余图片展示了不同的拖网渔船。

为绘制船舶存在的空间分布图,我们对每种船舶类型(渔船、休闲船和其他)与尺寸类别(小型船舶 <12米;大型船舶 ≥12米)的组合分别应用核密度估计(KDE),共生成六个密度图层。船舶尺寸分类依据《中国渔业统计年鉴》(2024)的标准。KDE曲面使用R中的"spatstat"包生成(Baddeley 等,2016)。在所有船舶类别中统一应用固定的带宽和网格分辨率,以确保相对船舶密度模式的可比性。所得船舶密度图层随后按West-PRE和East-PRE子区域进行空间提取,并作为后续驼背海豚分布模型的预测变量。

2.3 海豚分布建模

2.3.1 印度洋—太平洋驼背海豚的观测记录与伪消失点

为建立印度洋—太平洋驼背海豚的分布模型,我们整理了来自两个数据源的观测记录。第一个数据集来自2019年1月11日至2025年8月13日之间开展的系统随机样线调查。该数据集包含125个调查日采集的1494个观测位置(调查路径见附录A中图A2)。由于这些调查未覆盖香港水域,第二个数据集来自香港特别行政区政府渔农自然护理署(AFCD)于2019年4月至2025年4月间发布的《海洋哺乳动物监测报告》,包含969条观测记录。这些记录主要通过标准样线调查获得。

这些带有调查区域的报告可通过渔护署(AFCD)网站公开获取(https://www.afcd.gov.hk,最后访问日期为2025年12月)。为确保与船舶交通预测变量在时间上的一致性,记录了季节性禁渔期(5月1日至8月15日)内的观测数据被排除。由于部分调查以短时间间隔连续记录海豚位置,对出现记录进行了空间和时间上的稀疏化处理,最小时间间隔为15分钟,最小空间分离距离为1公里,以减少观测值之间的自相关性。最终数据集包含459个出现位置,其中东PRE区有339条记录,西PRE区有120条记录。背景点针对每个子区域分别生成,并限制在已调查水域内。调查覆盖范围包括香港以外沿岸带状航迹周围区域,以及从监测报告中数字化提取的香港渔护署预设调查区域。调查区域多边形被栅格化为1公里×1公里网格,所有与陆地相交的网格单元均被排除。随后移除任何海豚出现位置1公里范围内的海洋网格单元,剩余网格保留为背景点。

2.3.2. 预测变量

我们准备了一组12个环境类和人为类候选预测变量,这些变量此前被认为与驼背海豚栖息地利用相关(例如Jefferson, 2000; Jefferson et al., 2023; Jefferson and Hung, 2004; Lu et al., 2023)。环境类预测变量包括水深(bathy;m)、海表温度(SST;°C)、叶绿素a浓度(Chla;mg m?3)和距最近海岸线的距离(d_coast;m)。为区分与不同类型海岸线的关联,我们还纳入了距人工改造海岸线的距离(d_HumanCoast;m)和距自然海岸线的距离(d_NatureCoast;m)。人为类预测变量包括渔船的相对密度(dnsty_FV)、休闲船舶的相对密度(dnsty_RV)、其他类型船舶的相对密度(dnsty_OV),以及距最近海水养殖区的距离(d_MC;m)、距最近港口的距离(d_port;m)和距最近渔场的距离(d_FG;m)。所有预测变量图层均投影至UTM Zone 49 N(EPSG:32649)并重采样为统一的1公里网格。

东PRE和西PRE分别使用皮尔逊相关系数评估多重共线性(附录A中图A3)。相关系数绝对值|r| > 0.80的预测变量对被视为强相关,每一对中移除一个变量。在西PRE中,叶绿素a浓度与渔船密度强相关(r = 0.89),而距最近海岸线的距离与距人工改造海岸线的距离强相关(r = 0.94)。因此排除了叶绿素a浓度和距最近海岸线的距离,保留了具有特定活动意义的船舶预测变量以及自然海岸线与人工改造海岸线的区分。两个子区域使用相同的10个预测变量集合(表1)。在模型拟合之前,所有保留的预测变量图层均重新缩放到[0,1]范围,以确保不同算法间的数值稳定性以及平滑函数估计值之间的可比性。

表1. 海豚分布模型中使用的预测变量及数据来源。

| 预测变量名 | 描述 | 分辨率(m) | 覆盖时段 | 来源 | 数据处理 |
|---|---|---|---|---|---|
| sst | 海表温度 | 1060 × 1060 | 2019–2024 | NOAA CoastWatch | 月平均海表温度 |
| bathy | 水深 | 435 × 435 | 静态 | GEBCO | 见附录B |
| d_HumanCoast | 距最近人工海岸线的距离 | 1000 × 1000 | 2023 | RESDC | 见附录B |
| d_NatureCoast | 距最近自然海岸线的距离 | 1000 × 1000 | 2023 | RESDC | 见附录B |
| dnsty_FV | 渔船相对密度 | 500 × 500 | 2016–2025 | 本研究 | 见第2.2节 |
| dnsty_OV | 其他类型船舶相对密度 | 500 × 500 | 2016–2025 | 本研究 | 见第2.2节 |
| dnsty_RV | 休闲船舶相对密度 | 500 × 500 | 2016–2025 | 本研究 | 见第2.2节 |
| d_FG | 距最近渔场的距离 | 435 × 435 | 影像:2016–2025 | 本研究 | 见第2.2节 |
| d_MC | 距最近海水养殖区的距离 | 435 × 435 | 站点:2020–2022 | Serres et al. (in Press) | 见附录B |
| d_port | 距最近港口的距离 | 435 × 435 | 静态 | Google Maps | 见附录B |

注:海表温度数据不包含5月至8月(禁渔期)。

2.3.3. 建模框架

分别针对东PRE和西PRE,使用两种互补算法对海豚出现情况进行建模:带降采样的随机森林(RFd)和广义加性模型(GAM)。模型评估基于五折空间块交叉验证,使用"blockCV"包(Valavi et al., 2019)。每个子区域被划分为10×10公里的空间块,然后分配到五个折中。块内的所有出现点和背景点观测分配到同一折中,从而减少校准数据与验证数据之间的空间依赖性。RFd和GAM使用相同的空间折。超参数仅在每折的校准集内调整,以防止信息泄露。每种算法、子区域和验证折的选定超参数见附录A表A1。

RF模型使用"biomod2"包(Guéguen et al., 2026)拟合。为减少类别不平衡,在模型拟合过程中对背景点进行随机降采样,生成类别均衡的样本(Valavi et al., 2021)。每次分裂时考虑的预测变量数(mtry)在1至10的值范围内调整。最小终端节点大小固定为5,每个模型拟合1000棵树。

GAM使用"mgcv"包(Wood, 2012)拟合,采用二项分布和logit链接函数。预测变量效应使用惩罚性薄膜回归样条建模,平滑度通过受限最大似然(REML)估计。额外施加收缩惩罚,以允许信息量较弱的平滑项被惩罚至零(Marra and Wood, 2011)。出现点和背景点观测赋予相同权重以平等参与模型拟合。每个模型内所有平滑项应用统一的基维度,并在k = 3–6范围内调整。

2.3.4. 模型评估与解释

模型性能分别针对每个子区域进行评估,使用每折空间交叉验证中留出验证数据计算的AUC。模型性能报告为五个折的均值 ± 标准差。

RF和GAM使用置换重要性一致地评估预测变量重要性。在每折中,将留出验证数据集中每个预测变量的值随机置换,而所有其他预测变量保持不变。重要性计算为相对于未置换预测的验证AUC下降值,接近或低于零的值表明对留出预测的可重复贡献很小。重要性值在交叉验证折中取平均,报告为均值 ± 标准差。

生成模型响应曲线以可视化预测变量效应。对于每条曲线,一个预测变量在其观测范围内变化,而所有其余预测变量保持在中位数。

2.4. 统计分析

为考察不同类型船舶(渔船、休闲船、"其他")的空间分布与关键环境和社会经济因素之间的关系,选择了三个变量:距海岸线的距离、水深和本地GDP。这些变量分别代表海洋可达性、航行深度限制和本地经济活动,预计会以不同方式影响船舶存在。水深数据(400米分辨率)来自GEBCO全球网格,海岸线数据使用R中的"osmdata"包获取,1公里分辨率的GDP数据来自Xu (2017)。

为理解这些变量如何区分船舶类型,拟合了多项Logistic回归模型。在该模型中,船舶类型作为响应变量,环境和 socioeconomic 变量作为预测变量。距海岸线的距离和GDP进行对数变换,水深使用反双曲正弦函数变换以减少偏度。

所有检验的统计显著性水平设为p < 0.05。除非另有说明,所有统计分析均在Visual Studio Code环境(v1.105.1)中的R版本4.5.1中完成。

3. 结果

3.1. 船舶特征

从卫星影像中识别出总共3339艘船舶,其中204艘无法分配船舶类型。平均船长为31.3 ± 36.5米,其中37.4%的船舶长度小于12米(图3)。分类为"其他"的船舶占比最大(n = 1324;42.2%),其次是渔船(n = 1195;38.1%),休闲船舶占比最小(n = 616;19.6%)。

图3. PRE的船长密度分布。密度在各船舶类型内标准化;船长(x轴)以对数标度(log10)显示。

3.2. 不同类型和尺寸类别船舶相对密度的空间格局

船舶的空间分布在子区域之间以及船舶类别之间有所不同(图4)。大型和小型渔船主要集中在西PRE区和东PRE区的西部水域。休闲船舶和"其他"船舶更集中于东PRE区。大型"其他"船舶主要出现在中部和北部水域,而小型休闲船舶集中于东部沿岸水域。大型休闲船舶和小型"其他"船舶在整个PRE的相对密度较低。

图4. 核密度估计(KDE)地图,显示不同尺寸类别的渔船、休闲船舶和其他船舶在PRE的相对空间分布。虚线边界表示西PRE,点线边界表示东PRE。

3.3. 船舶出现的环境和社会经济关联

不同船舶类型在环境和 socioeconomic 关联方面存在差异(图5;附录A表A2)。相对于渔船,休闲船舶出现在更靠近海岸的地方(β = ?0.298,p < 0.001)、较浅水域(β = ?0.061,p = 0.041)以及本地GDP较高的区域附近(β = 0.793,p < 0.001)。"其他"船舶也与较高的GDP显著相关(β = 0.482,p < 0.001),但出现在较深水域(β = 0.068,p = 0.009)。

图5. 不同类型船舶的出现情况与平均距海岸线的距离、GDP和水深的关系。所有变量均重新缩放到0–1范围。

3.4. 模型性能与预测空间格局

两种算法在东PRE的预测性能均高于西PRE。在东PRE,RFd的平均AUC为0.74 ± 0.04,GAM为0.73 ± 0.04。在西PRE,RFd的平均AUC为0.67 ± 0.04,GAM为0.65 ± 0.07。折间变异性在西PRE的GAM中最大。

RFd和GAM在整个PRE产生了大致相似的印太驼背海豚出现空间格局预测(图6)。在东PRE,两种算法识别出重叠的高出现概率区域。然而,GAM预测的高出现概率覆盖范围更广,包括更广泛的沿岸水域。相比之下,RFd的预测更具空间异质性,高出现概率的区域更为局部化。

图6. 基于五折RFd和GAM模型的东PRE和西PRE印太驼背海豚预测平均出现概率。虚线和点线边界分别表示西PRE和东PRE。

3.5. 预测变量重要性

RFd和GAM在每个子区域中产生了大致相似的预测变量排序,且东PRE和西PRE的前列预测变量有所不同(图7)。

图7. 西PRE和东PRE中随机森林和GAM模型计算的平均变量置换重要性。哑铃旁的数值表示每个变量的重要性排名。完整变量名称和描述见表1。

在东PRE,海表温度(SST)和渔船密度是排名前两位的预测变量。SST在RFd中排名第一,而渔船密度在GAM中排名第一。休闲船舶密度在两种模型中均排名第三。距人工改造海岸线的距离和其他类型船舶密度也排名在前五最重要的预测变量中。

在西PRE,SST在两种算法中均为排名最高的预测变量。距海水养殖区的距离、水深和距自然海岸线的距离也位列前列预测变量,尽管它们在RFd和GAM中的排名有所不同。船舶密度预测变量在西部模型中重要性相对较低。重要性估计在空间折之间有所变化,特别是对于排名较低的预测变量(附录A表A3)。

3.6. 响应模式

模型响应曲线显示RFd和GAM之间总体上相似的模式,尽管某些响应的形状有所不同(图8)。在东PRE,两种算法均预测在中间SST值(约21.5–21.8°C)时海豚出现概率最高。出现概率随渔船密度增加而增加。对休闲船舶密度的响应呈非线性,高密度时出现概率降低。对距人工改造海岸线距离的响应也呈非线性:出现概率在距海岸线约8–12公里处最高,在更大距离处下降。

图8. 西PRE和东PRE中随机森林和GAM模型中每个变量的响应曲线。线和阴影区域表示均值 ± 标准差。预测变量值以反标准化变换后的原始值呈现。

在西PRE,出现概率在约22.2–22.3°C时达到峰值,并在更高温度时下降。出现概率随距海水养殖区距离增加而增加,在距自然海岸线约2–3公里处最高,在更大距离处下降。对水深的响应相对温和,最高相对概率通常出现在浅至中等深度。

4. 讨论

利用高分辨率卫星影像,我们记录了近岸船舶活动中一个显著的组成部分,这部分在基于AIS的评估中可能未被充分代表。模型还揭示了珠江口(PRE)海豚出现的环境和人为关联存在区域差异。在东PRE,渔船和休闲船舶密度以及距人工改造海岸线的距离是最具信息量的预测变量之一,与SST并列。在西PRE,SST是首要预测变量,距海水养殖区的距离是最重要的人为预测变量,而船舶密度重要性相对较低。这些区域差异在RFd和GAM之间基本一致。

因此,保护规划应考虑到两个子区域之间人类活动的差异。

4.1. 卫星图像揭示的小型和非 AIS 船只

在珠江口(PRE)通过卫星图像检测到的所有船只中,超过三分之一的长度小于 12 米。根据当前中国海事法规,AIS 的配备主要强制适用于大型商业船只(总吨位≥200 吨的货船)和客船(中华人民共和国交通运输部,2020)。因此,本研究检测到的许多小型渔船和休闲船只可能未能在标准的基于 AIS 的评估中得到体现。由于点斑原海豚(Indo-Pacific humpback dolphins)通常栖息于浅海沿海生境,仅依赖 AIS 数据可能会严重低估这些生境中的船只活动量及海豚的潜在暴露风险。

尽管体型较小,小型非 AIS 船只仍可能产生相当大的干扰。这些船只经常在近岸作业,航行速度相对较快,且移动轨迹不规则,从而增加了干扰和碰撞的风险(Hermannsen et al., 2019; Ng and Leung, 2003; Pirotta et al., 2015; Wright et al., 2007)。它们也是沿海地区中至高频水下噪声的主要来源(Hermannsen et al., 2019)。这种噪声经常与齿鲸用于交流和回声定位的频率重叠,并可能干扰觅食和社会行为(Erbe et al., 2019; Hao et al., 2024; Hermannsen et al., 2019; Li et al., 2015)。此类影响可能会在浅水且声学环境复杂的水域(如珠江口)中得到放大,因为那里的声音传播特性与近海开阔水域不同。其他沿海地区也报道了基于 AIS 的船只记录与实际小型船只活动之间的类似差异(Hague et al., 2025; Hermannsen et al., 2019),并且小型船只活动也与鲸豚类动物的行为干扰有关(Oakley et al., 2017; Pirotta et al., 2015)。因此,我们的研究结果强调了将 AIS 记录与高分辨率卫星图像或能够解析沿海鲸豚类生境中细粒度船只活动的其他监测方法相结合的价值。

4.2. 点斑原海豚分布的环境和沿海生境相关性因子

海表温度(SST)在两种算法和两个子区域中始终具有影响。预测的海豚出现率在珠江口东部约为 21.5–21.8 °C 时最高,在西部约为 22.2–22.3 °C 时最高,这表明两个子区域的海豚可能与不同的 SST 最适值有关。然而,SST 也可能作为水团变化、猎物可用性或其他海洋过程变化的代理变量,而这些过程未直接在模型中体现。因此,不应将这些关系解释为对温度直接生理反应的证据。

两个子区域之间的岸线关系有所不同。在珠江口东部,距人类改造岸线的距离比距自然岸线的距离具有更大的预测重要性,预测的海豚出现率在距改造岸线约 8–12 公里处最高。相比之下,珠江口西部的自然岸线比东部更为广阔(Wang et al., 2021),在该区域,距自然岸线的距离是更具信息量的岸线预测因子。珠江口西部预测的海豚出现率在距自然岸线约 2–3 公里处最高,这表明在自然近岸生境仍然可用的情况下,海豚与之存在关联。在珠江口东部,自然岸线的广泛丧失和破碎化(Li and Damen, 2010)可能改变了适宜近岸生境的可获得性或空间配置,这可能促成了在距改造岸线更远处观测到出现率峰值。这种解释仍属初步,因为其他相关的环境和人为因素也可能产生类似的模式,但它与填海造地已被证实与珠江口东部点斑原海豚数量变化有关(Jefferson et al., 2023)的证据是一致的。

4.3. 珠江口东西部之间对比鲜明的人为驱动因素

海豚出现率的人为相关性因子在珠江口东西部之间存在差异,表明海豚与人类活动之间的空间关系在整个河口范围内有所不同。在珠江口东部,渔船密度是两种建模方法中排名最高的人为预测因子。海豚更有可能出现在渔船密度相对较高的区域。其他研究也报告了沿海海豚类动物与渔业活动之间存在类似的空间重叠(Barbieri et al., 2026)。这种关联的产生可能是因为海豚和渔业都倾向于集中在猎物丰富的生产力水域。先前的研究报告了珠江口点斑原海豚与区域渔业之间的食物重叠(Barros et al., 2004),以及与渔业作业相关的机会主义觅食行为(Jefferson, 2000; Ng and Leung, 2003; Serres et al., 2025)。这种正相关不应被解释为渔业活动改善了海豚生境的证据。相反,与渔船的空间重叠可能会增加海豚面临被缠绕、受伤和死亡的风险,这些风险已在珠江口种群中被记录在案(Serres et al., 2023; Sun et al., 2022)。南海渔业资源的持续过度开发(Kang et al., 2018; Wang et al., 2022)也可能加剧猎物竞争并增加海豚与渔业之间的互动(Luo et al., 2025)。因此,模型预测的重叠区域识别出了渔业相关风险可能集中的地方。

休闲船只密度也是珠江口东部的重要预测因子。在休闲船只密度较低时,预测的海豚出现率变化不大,但在密度较高时则有所下降。点斑原海豚和其他暴露于船只干扰的沿海海豚类动物也报道了与密集船只活动的这种负相关(Lin et al., 2020, Lin et al., 2023; Pirotta et al., 2015),这可能反映了重复或累积暴露造成的干扰。由于珠江口的休闲船只活动主要集中在香港水域附近,其影响在东部子区域内可能是不均匀的。

相比之下,“其他”船只(主要由商业船舶和渡轮组成)的密度仅具有中等程度的预测重要性,尽管主要航运路线与海豚生境存在重叠(Sun et al., 2022; Wang and Slack, 2000)。这可能是因为大型商业船只通常沿固定路线航行,产生更具空间可预测性的暴露模式,而小型船只在近岸生境中移动更为多变。此外,仅船只密度可能无法完全捕捉大型船只干扰中对海豚最相关的方面,如噪声强度、船只速度或累积声学暴露。

与珠江口东部相比,距海水养殖区的距离是珠江口西部最重要的人为预测因子,在地图所示的海水养殖设施附近,预测的海豚出现率较低。鉴于该地区贝类和鱼类养殖正在迅速扩张(Serres et al., 2026; Wang et al., 2024),这种关联特别值得关注。海水养殖设施可能通过物理占用、生境破碎化及相关船只活动,降低浅海沿海生境的可获得性或适宜性,尽管本次分析无法区分观测模式背后的具体机制。海水养殖在珠江口东部预测重要性较低,进一步表明其与海豚出现率的关系在两个子区域之间有所不同。

4.4. 模型一致性与不确定性

两种算法在珠江口东部的表现均优于西部。西部水域表现较弱可能部分反映了样本量较小的问题,这使得某些空间交叉验证折中保留的验证存在点较少,并增加了模型评估的不确定性。不均匀的样本覆盖、环境异质性以及预测变量未代表的未测量生态过程也可能有所贡献。因此,对珠江口西部的预测应更加谨慎地解读。

尽管存在这些区域性能差异,RFd 和 GAM 就最具影响力的预测因子及其与海豚出现率关系的一般形态达成了广泛共识。这种一致性表明,主要研究结果并非特定于某一种建模算法。其余差异可能反映了模型的基本结构:RFd 可以捕捉复杂的非线性和交互作用,而 GAM 使用平滑加性函数来表示关系。总体而言,它们的一致性支持了以下结论:在珠江口东西部之间识别出的对比鲜明的人为相关性因子对算法选择具有相当的稳健性。

4.5. 对保护的启示

我们的研究结果表明,珠江口点斑原海豚的保护规划应进行空间差异化,因为出现率的人为相关性因子在东部和西部子区域之间有所不同。在珠江口东部,海豚出现率与渔船密度之间强烈的空间关联突显了减少海豚和渔船共同使用区域的渔业相关风险的需求。优先事项可能包括识别互动热点、加强兼捕和渔业相关伤害的监测。休闲船只活动及人类改造岸线的额外影响表明,应综合考虑船只干扰和沿海开发,而不是将其作为孤立的压力进行管理。

在珠江口西部,海豚出现率与靠近海水养殖设施之间的负相关支持对进一步扩张采取预防性措施。新设施在可能的情况下,应选址于远离两个模型均预测具有较高相对海豚出现率的区域,特别是当这些区域与剩余的自然岸线重合时。在设施未经授权使用位于或邻近预测海豚出现率高区域的情况下,可能需要加强执法力度。

有效管理船只相关压力还取决于对近岸船只活动的准确刻画。由于本研究确定的大量船只属于小型非 AIS 船只,仅依赖常规 AIS 监测可能会低估沿海鲸豚类生境中的人为压力。因此,整合互补方法,如高分辨率卫星图像、岸基监测、被动声学监测和无人机调查,可能会显著改善对浅海沿海系统中细粒度人类活动的检测和评估。

4.6. 局限性与结论

在解释我们的研究结果时,应考虑若干局限性。首先,船只分布数据来自每个位置的单张卫星图像,因此代表的是船只活动的快照,而非交通模式的季节性或昼夜变化。因此,生成的密度图层代表船只出现的相对空间模式,而非绝对丰度。其次,渔业活动主要是根据图像中可见的挂网船只推断得出的;未留下可检测表面特征的 subsurface 或小型渔业活动未得到体现,并且一些支腿已部署的船只可能并未在积极捕鱼。因此,我们绘制的渔场地图应被视为渔业活动空间范围的近似值。

分析中使用的一些数据集在时间上也未完全重叠,这意味着我们的分析提供了人为压力的一般代表性。此外,尽管预测因子筛选和空间块交叉验证减少了一些偏误来源,但存在 - 背景模型估计的是相对空间关联,无法隔离因果效应或考虑所有未测量的生态过程。珠江口西部较低且多变的性能也表明该子区域的预测存在更大的不确定性。

尽管存在这些局限性,高分辨率卫星图像记录了小型船只的活动,这些活动在常规 AIS 记录中可能未被充分代表。纳入这些观察结果揭示了人为相关性因子在珠江口范围内的显著空间变异。在珠江口东部,海豚出现率主要与渔船和休闲船只活动以及靠近人类改造岸线有关,而在珠江口西部,靠近海水养殖区的影响更为显著。结果表明,将河口视为单一、均匀的管理单元可能会掩盖海豚与人类活动之间局部重要的重叠模式。更广泛地说,本研究展示了在小型非 AIS 船只广泛存在的浅海沿海生态系统中,卫星观测数据如何能够补充常规船只监测数据。本研究使用的框架可以提高细粒度人类活动的代表性,帮助识别潜在的海豚与活动重叠区域,并为空间差异化的监测和管理提供信息。随着全球范围内人类对沿海环境的使用持续加剧(Dunlop et al., 2021; Halpern et al., 2008; Purdon et al., 2020; Schoeman et al., 2020),此类方法正变得越来越相关。

CRediT 作者贡献声明
Xiuqing Hao:撰写 – 审阅与编辑,撰写 – 初稿,可视化,验证,软件,方法论,形式化分析,数据整理,概念化。
Agathe Serres:撰写 – 审阅与编辑,监督,方法论,调查,概念化。
Songhai Li:撰写 – 审阅与编辑,监督,项目管理,资金获取,概念化。

写作过程中生成式人工智能和人工智能辅助技术的声明
在本工作准备过程中,作者使用了 ChatGPT 来润色语言以提高可读性。使用此工具/服务后,作者对内容进行了必要的审阅和编辑,并对发表文章的内容承担全部责任。

Xiuqing Hao|Agathe Serres|Songhai Li
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