《海洋牧场生态系统研究取得新进展》

  • 来源专题:中国科学院文献情报系统—海洋科技情报网
  • 编译者: liguiju
  • 发布时间:2023-03-14
  • 海洋牧场是全球海洋渔业发展转型升级的重要方向,受到中央和沿海各地政府的高度重视。中国科学院南海海洋研究所丁德文院士团队针对我国现代海洋牧场发展中存在的生态学问题,持续开展了海洋牧场生态系统研究工作,相关研究成果分别以“Construction and influencing factors of an early warning system for marine ranching ecological security: Experience from China’s coastal areas” “Trophic structure of fishes and macroinvertebrates in relation to environmental indicators in artificial reef ecosystems of Pearl River Estuary” “现代海洋牧场建设的人工生态系统理论思考”为题目发表在Journal of Environmental management、Ecological Indicators、《中国科学院院刊》等国内外知名期刊。
    研究团队在系统总结国内外海洋牧场概念演进过程及其实践发展历程的基础上,剖析了现代海洋牧场建设存在生态学理论缺失、生态工程技术缺少、生态管理缺位等问题,并以问题为导向提出海洋牧场人工生态系统理论,海洋牧场渔业资源关键功能群构造及其生境营造原理方法,及包括方案规划设计、生态工程与智能工程建设、生态适应性管理模式在内的海洋牧场人工生态系统构筑基本范式,为我国现代海洋牧场建设探讨生态系统理论体系。

    研究团队采用综合指标评估模型和系统动力学模型,构建了海洋牧场生态安全预警体系,并将该体系应用于2010-2035年中国沿海国家级海洋牧场生态安全评价与预警,探讨未来不同发展模式下中国海洋牧场生态安全的变化趋势。结果表明广东省、山东省和江苏省海洋牧场生态安全耦合协调性较高,资源成为影响中国63.6%区域海洋牧场生态安全协调发展的主要制约因素。在生态优先发展情景下,到2035年中国沿海海洋牧场生态安全将发展到最高水平,但仍有27%的研究区域(江苏、福建和海南省)存在生态安全高度预警。研究结果可为海洋牧场建设规划、管理维护和管理决策提供参考,实现开发与保护的平衡。

    研究团队采用碳氮稳定同位素方法研究了珠江口万山、庙湾两个国家级海洋牧场示范区鱼类和大型无脊椎动物的食物网结构,结果表明万山海洋牧场以底栖生物/游泳生物食性鱼类为主,浮游生产是万山海洋牧场生态系统食物网的主要驱动能量(鱼类:80%,大型无脊椎动物:52%),海洋牧场生态系统具有较高的营养多样性和较低的营养冗余;而庙湾海洋牧场以底栖生物食性鱼类为主,底栖生产是庙湾海洋牧场生态系统食物网的主要驱动能量(鱼类:91%,大型无脊椎动物:78%)。大型无脊椎动物功能群以碎屑食性和肉食性类群丰度最高,是底栖食物网中的顶级捕食者。研究结果有助于深入了解珠江口海洋牧场生态系统食物网结构状况,可为珠江口海洋牧场人工鱼礁建设和渔业管理政策提供科学依据。

    另外,研究团队完成的广东省管辖海域40个区域的海洋牧场选址生态适宜性评价,为广东省海洋牧场“十四五”规划编制提供了技术依据。研究团队研制的海洋牧场大型底栖生物原位调查设备、海洋牧场增殖放流鱼苗索饵游泳训练装置等装备,为广东省现代化海洋牧场建设提供了实用技术装备。

    研究团队博士研究生焦梦雨、助理研究员周卫国、丁德文院士、索安宁研究员分别是论文的第一作者和通讯作者。研究工作得到南方海洋科学与工程广东省实验室(广州)人才引进重大项目广东省海洋牧场规划、建设与管理工程技术研究项目(GML2019ZD0402)支持。
    相关论文信息:
    https://pubmed.ncbi.nlm.nih.gov/36840997/
    https://www.sciencedirect.com/science/article/pii/S1470160X22002941?via%3Dihub 
    http://www.bulletin.cas.cn/zgkxyyk/ch/reader/view_abstract.aspx?flag=1&file_no=20220916&journal_id=zgkxyyk
    https://link.springer.com/article/10.1007/s00343-022-1423-8

     

  • 原文来源:http://www.scsio.cas.cn/news/kydt/202303/t20230310_6692700.html
相关报告
  • 《中国科学院海洋研究所深海化能生态系统共生体宿主-共生菌互作“微生态位”研究取得新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2020-12-20
    • 近日,Cell子刊iScience在线发表了中国科学院海洋所深海中心李超伦课题组在深海无脊椎动物化能营养共生体的维持和互作机制研究方面的最新成果“Molecular analyses of the gill symbiosis of the bathymodiolin mussel Gigantidas platifrons”,揭示了平端深海偏顶蛤鰓丝组织中非含菌细胞、含菌细胞以及共生菌在维持化能营养共生体的“微生态位”的功能作用。 与化能菌形成共生体是无脊椎动物适应深海热液/冷泉特殊生境的重要生态策略。平端深海偏顶蛤是南海冷泉区最具代表性的无脊椎动物之一,与甲烷氧化菌建立共生关系。平端深海偏顶蛤的鳃丝是宿主细胞与共生菌建立和维持共生关系的场所。鳃丝由含菌细胞以及周边不含共生菌的纤毛细胞、粘液细胞及间质细胞等多种细胞组成,鳃丝组织的复杂性一直困扰着对宿主-共生菌互作机制的解析。 该研究依托海洋所“科学”号科考航次,通过胰蛋白酶降解的方式,富集含菌细胞,并通过比较转录组-宏转录组相结合的方式,对平端深海偏顶蛤鰓丝共生组织中的含菌细胞、非共生细胞及共生菌的基因表达模式进行了分析。研究发现,非共生部分可调节鳃丝的空间结构和运动,维持细胞生长,提供粘液免疫保护,发挥着重要的支持作用;细胞内共生体中的细菌向共生体提供代谢物,控制共生体的数量,并保护共生体免受噬菌体的感染;共生菌从宿主创造的理想环境中获益,并作为共生关系的受益者,致力于甲烷氧化和能量生产过程。平端深海偏顶蛤与共生菌可在组织、细胞和分子水平上协同互作,维持了高效、和谐的化学合成“微生态位”。 文章第一作者为海洋所王昊副研究员,该研究得到了科技部重点研发计划、海洋科学与技术试点国家实验室鳌山创新计划、中国科学院战略先导专项及“科学”号高端用户等项目支持。 文章信息:https://doi.org/10.1016/j.isci.2020.101894
  • 《中国科学院海洋研究所在海洋三维温盐场反演重构方面取得新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2023-06-05
    • 近日,中国科学院海洋研究所尹宝树研究团队在海洋三维温盐场反演重构方面取得新进展,研究成果在国际学术期刊FRONT MAR SCI(影响因子为5.24)发表。 海洋三维温盐场是海洋动力学研究的基础,反映了海洋中水的密度分布和运动方式。准确估计海洋的温度和盐度结构有助于揭示海洋的环流系统、水团形成和运动路径,进而理解海洋动力学过程以及它们对气候变化、海洋生态系统和全球循环的影响。但由于观测技术的限制,目前仍难以实现三维高时空分辨率的温度结构的直接观测,而卫星遥感可以提供高时空覆盖率多种海洋动力环境参数。因此,如何利用高分辨率的卫星遥感资料结合Argo等观测数据反演海洋内部关键动力环境参数场已成为物理海洋学研究的重要内容之一。 尹宝树研究团队基于多源卫星遥感表层数据(包括海表温度、海表盐度、海表高度和海表风场等)以及Argo实测数据,创新性地提出了一种基于Convolutional Block Attention Module-Convolutional Neural Network (CBAM-CNN)的新模型,能够同时反演重构出热带印度洋的三维温盐场。研究结果表明,CBAM-CNN模型在估计热带印度洋中的温盐场结构方面明显优于传统的卷积神经网络(CNN)模型,具备出色的性能。此外,研究团队通过与Argo观测数据的对比验证,证实了CBAM-CNN模型在不同深度上估计海洋温盐场的准确性,并展示该模型在利用海表数据捕捉观测特征方面的有效性。研究还证实CBAM-CNN模型在季节性应用方面表现出良好的适应性。该研究成果将为我们深入了解海洋动力学、推动海洋环境变化研究,以及应对全球气候变化等提供重要支持。 该研究由中国科学院战略性先导科技专项和国家自然科学基金委等共同资助完成。中国科学院海洋所副研究员齐继峰为第一作者,研究员尹宝树为通讯作者,合作者包括中国科学院海洋所副研究员李德磊和中国科学院南海所副研究员池建伟等。  论文链接: https://www.frontiersin.org/articles/10.3389/fmars.2023.1181182/full 文章信息: Qi, J.; Xie, B.; Li, D.; Chi, J.; Yin, B.; Sun, G. Estimating thermohaline structures in the tropical Indian Ocean from surface parameters using an improved CNN model. Front. Mar. Sci. 2023, 10, 1181182. https://doi.org/10.3389/fmars.2023.1181182