近日，南京大學、河海大學等單位組成的聯合科研團隊，借助ZooSCAN成像技術，系統揭示了亞熱帶山區梯級水庫中浮游動物群落對多重環境驅動因子的響應機制，為飲用水源水庫的生態管理提供了可量化的科學依據。

研究背景

飲用水源型梯級水庫在保障區域供水安全的同時，也面臨著復雜的人為擾動。水文調控改變了自然流態，農業與生活污染物輸入加劇了水體富營養化，筑壩導致的生境破碎化進一步削弱了河流的縱向連通性。這些因素共同改變了水體的物理化學特性，進而影響水生生物群落的結構與功能。

浮游動物作為食物網中的關鍵環節，其群落變化能夠靈敏反映水生態健康狀況。然而，傳統人工顯微鏡鑒定方法高度依賴分類學專家，單個樣品的處理往往需要數小時，難以滿足大尺度、多頻次監測對數據通量與一致性的要求。此外，不同操作者的主觀判斷差異，也限制了跨研究、跨時段數據的可比性。

為此，研究團隊引入ZooSCAN技術，結合人工智能生態網絡與混合建模方法，構建多尺度生態交互分析框架，旨在實現浮游動物群落的高通量、標準化監測，并精準量化環境因子與浮游動物之間的復雜響應關系。

研究過程

研究團隊于2022至2024年在亞熱帶山區典型飲用水源水庫（浙江南部飛云江流域，圖1）設置了多個監測斷面，覆蓋水庫區與河流區，系統采集多種水環境參數與浮游動物樣品。

浮游動物樣品經甲醛固定后，采用ZooSCAN浮游動物圖像掃描分析系統（圖2）處理。系統自動提取浮游動物個體輪廓、體長、面積等形態參數，結合EcoTaxa浮游生物大數據共享平臺的機器學習分類模型，對輪蟲、枝角類和橈足類等類群進行快速、準確的分類與計數。

同時，研究采用多種統計與機器學習方法，系統解析浮游動物與水體環境因子的響應關系。

圖1 研究區域概況

圖2 ZooSCAN浮游動物圖像掃描分析系統

實驗結果

1.浮游動物組成與體型分布

研究共鑒定出46屬浮游動物，其中輪蟲20屬、橈足類15屬、枝角類11屬。體長分布顯示：輪蟲（<650μm）在夏季營養鹽富集條件下快速繁殖；橈足類（200-2800μm）全年環境適應性更強，遵循代謝尺度規律（總氮-浮游植物耦合決定系數R2=0.78，圖3）。

空間分布上，水庫區（緩流環境）有利于輪蟲密度升高，河流區（強水動力環境）有利于枝角類和橈足類的分布（圖4）。

圖3 浮游動物體長與密度的時空分布

圖4 不同河段與水庫區間浮游動物密度的空間差異（ANOVA）

2.多維驅動因素分析

水動力梯度（0.12-0.68 m/s）、化學計量失衡（總氮/總磷=18.7±3.2）及低氧條件（溶解氧<4.2 mg/L）共同塑造了浮游動物群落結構。其中，低氧條件下橈足類豐度占比上升至37%-42%。

共現網絡分析（圖5）揭示：水庫區呈現長路徑網絡（路徑長度=4.7）；河流區為高聚類拓撲結構（聚類系數=0.68）。基于主成分分析-循環神經網絡（PCA-RNN）的混合模型（圖6），較傳統方法解釋力提升23.7%；其中藍藻指數（PCY）權重最高（0.378），流速>0.45 m/s時枝角類棲息地遷移達41%。

圖5 a .水庫區空間共現網絡（長路徑網絡）；b.河流區空間共現網絡（高聚類拓撲）

圖6 PCA與RNN識別的主響應元素（PCY、流速等權重）

3.結構方程模型路徑分析

結構方程模型（圖7）進一步量化了各環境因子的直接與間接影響：水溫與藍藻指數（PCY）顯著影響輪蟲和枝角類（路徑系數分別>0.41、>0.56）；橈足類主要響應水動力條件（流速路徑系數0.81）。枝角類與輪蟲間呈顯著負相關（R=0.52），反映營養級間的捕食壓力。

圖7 結構方程模型路徑圖，展示環境因子對輪蟲、枝角類、橈足類的直接/間接影響及相關系數

研究結論

本研究依托ZooSCAN浮游動物圖像掃描分析系統，闡明了亞熱帶山區梯級水庫浮游動物體型介導的生態位分化特征：輪蟲對富營養化條件快速響應，橈足類環境適應性更強，在維持水生態系統結構與功能穩定中發揮重要作用。受水文破碎化與水體富營養化共同影響，浮游動物多樣性呈下降趨勢。

基于ZooSCAN獲得的高精度群落與形態數據，研究提出“總氮/總磷<12:1、流速0.2-0.6 m/s、電導率年際變化<15%"三項生態管理閾值，可為飲用水源梯級水庫的生態健康評估、水環境調控與長效精準管理提供量化依據與技術支撐。

參考文獻

1.Yin J Y, Xia J H, Dou C B, et al. Hierarchical drivers and adaptive strategies of zooplankton to aquatic environment in anthropogenically modified cascade reservoir ecosystems. Journal of Oceanology and Limnology, 2026.