**【译者按】**淡水生态系统是地球上生物多样性最丰富的生态系统之一，为人类提供了水资源、食物、调节气候等多种生态服务。由于人类活动的影响，如污染、栖息地丧失、过度捕捞等，全球淡水生物多样性正面临着严重的威胁。影响淡水生物多样性的因素众多且相互作用复杂，包括气候变化、污染、土地利用变化等。而传统的水质监测方法，主要关注物理和化学指标，难以全面反映生态系统的健康状况；缺乏长期、大尺度的淡水生态系统监测数据，就难以全面评估生物多样性变化趋势。
“海洋与湿地”（OceanWetlands）小编注意到一项于2025年1月21日发表在《环境DNA》期刊上的最新研究，来自英国伯明翰大学的研究团队通过对英国多个湖泊的宏基因组学分析，揭示了景观尺度上影响淡水生物多样性动态的复杂机制。这项研究通过创新性的方法，揭示了人类活动对淡水生物多样性的负面影响，为保护淡水生态系统提供了重要的科学依据。该研究不仅在方法上取得了突破，而且在推动相关政策制定方面也具有重要意义。（按/王芊佳）淡水湖泊生态系统是地球上重要的生态资源，它们为人类提供了众多宝贵的生态服务。但是由于人类活动的干扰，这些生态系统的生物多样性正面临严峻挑战。湖泊不仅受到河流流入、农业径流和城市污水排放等因素的影响，而且由于环境污染，它们的生态平衡也逐渐被破坏。为了更好地监测生物多样性变化，越来越多的研究开始采用DNA技术，因为它不仅高效，而且能够提供更精确的数据。但是生物多样性的变化并不是单一因素造成的，通常是多种环境因素复杂交织的结果。要准确找出这些变化的根本原因，仍然面临着很多挑战。
在这项最新的研究中，研究人员采用了一种先进的多模态机器学习方法，可以整合生物学、化学以及物理等多种数据，帮助识别可能影响生物多样性变化的环境因素。这种方法的独特之处在于，它通过分析52个湖泊生态系统的环境驱动因素（如植物保护产品、物理化学参数及生态类型等），揭示了生物多样性变化的深层原因。
这项研究发现，湖泊中的生物多样性与环境因素之间确实存在显著的关系，尤其是植物保护产品（例如杀虫剂和杀菌剂）对生物多样性造成了较大的影响。此外，研究还发现，重金属等43种物理化学因素同样是影响生物多样性的重要因素。这些发现表明，环境污染，特别是化学品的使用，正在对湖泊生态系统的生物多样性产生深远的影响。
通常来说，湖泊的水生生物多样性容易受到影响，主要是因为湖泊是一个相对封闭的生态系统，环境变化对其影响较为显著。水质的变化、温度的波动以及污染物的排放等因素，都会直接或间接地影响湖泊中的生物群落。尤其是化学污染物、过度的养分输入（如氮、磷）和人为活动（如农业和工业废水排放）可以导致水体富营养化、缺氧等问题，进而破坏原有的生态平衡。此外，气候变化也可能引发湖泊水温升高、降水模式改变等变化，从而影响物种的生长、繁殖和生存环境，导致生物多样性的下降。上图：巴尔干半岛最大的淡水湖——斯库台湖，位于黑山共和国与阿尔巴尼亚边境。这个湖，是地中海盆地最大的淡水湖水域，湖区也成了阿尔巴尼亚和黑山间的跨境保护区。摄影：王之佳 ©绿会融媒·“海洋与湿地”（图文无关）
研究综述
在过去三十年间，全球生物多样性以空前的速度下降，气候变化、栖息地破碎化和化学污染是主要推动因素。这种快速的生物多样性丧失与生态系统服务的衰退密切相关，超过60%的生态系统服务，包括清洁水源、食物供应和气候调节等，均受到影响。淡水生态系统是全球受环境变化影响最严重的生态系统之一，自1970年以来，这些生态系统的生物多样性已损失高达83%。淡水生态系统的脆弱性可能与其资源的多重利用性有关，这使得生态和经济优先事项的平衡变得更加困难。尤其是淡水湖泊，它们广泛受到开发利用，但通常未能成为保护工作的重点，尽管这些湖泊作为“接收者”生态系统，易受土地利用带来的污染和其他人类活动的影响。因此，了解这些生态系统的生物多样性现状对于评估其健康状况和制定保护计划至关重要。
传统的生物多样性监测方法通常依赖于直接观察、遥感技术和标记重捕等方法。尽管这些方法在揭示物种生态学和物种在环境变化中的存续方面提供了重要信息，但它们也存在一些关键局限性。例如，形态学观察无法揭示隐性多样性；同一物种的不同生活阶段可能具有不同的形态特征，容易导致错误分类；物种的识别依赖于环境矩阵中的可见遗留物；物种的鉴定需要专业的分类学技能；而大规模生物多样性监测的通量较低。虽然指示性物种常常作为淡水生态系统生态状态的替代指标，但它们通常不能很好地代表整个生态系统的变化。此外，现有的生物多样性监测工作往往未能同步捕捉到生物多样性丧失的驱动因素。
近年来，基于DNA的方法在大规模生物多样性监测中得到了越来越广泛的应用，标志着从传统形态学方法向更现代的监测技术的转变。这些DNA方法的主要优势在于高通量和高性价比，使得我们能够在不同规模上筛查生物多样性，且不需要依赖保存完好的遗体。此外，DNA技术的非侵入性特征以及通过序列相似性与公共数据库中的记录进行匹配的能力，使得研究人员能够揭示隐性遗传多样性。但是这些方法在热带和极地物种的DNA基线较为稀缺，仍面临一定的挑战。**基于DNA的方法，已被应用于评估人类活动对生物多样性的影响、外来物种入侵的严重性，以及物种在景观中的丰富度和分布等方面。尽管如此，这些方法还未普遍应用于识别生物多样性丧失的驱动因素**，Eastwood等人进行的案例研究是这一领域的一个例外，揭示了生物多样性和环境变化的长期趋势。
土地利用、气候、地形、化学污染、栖息地类型和物理化学变化在塑造淡水水生群落的结构和多样性方面，发挥着至关重要的作用。这些因素既影响水体的非生物环境（如水温、养分水平、水流模式和化学浓度），也影响生物相互作用（如竞争和捕食）。例如，土地利用变化，特别是农业扩展，会导致栖息地破碎化、营养输入改变和化学污染物（如杀虫剂、重金属和药物）浓度升高，这些因素已被证明会改变淡水生态系统中的物种组成和群落动态。化学污染会直接影响敏感物种的生理和存活能力，同时也会通过改变捕食者与猎物之间的关系以及物种间的竞争，间接改变群落结构。气候变化，尤其是极端事件（如洪水和热浪）的增多，可能改变水文模式，从而影响栖息地的可用性和质量，进而影响水体的物理化学参数（如pH、溶解氧和浑浊度），这些变化都会对水生物种的生存和适应能力产生影响。水体的栖息地类型，如水深和水体大小以及海拔高度等，也会影响物种丰富度和群落组装等基本生态过程。所有这些景观级驱动因素共同作用，形成了一个复杂的环境条件和生态过程的“马赛克“，决定了淡水群落在不同空间和时间尺度上的分布、丰度和多样性。但是，大多数研究聚焦于单一环境因素对生物多样性丧失的影响，或采用回归模型假设物种与环境因素之间存在线性相关关系。相比之下，数据驱动建模（DDM），特别是多视角学习和可解释的机器学习方法，作为处理复杂、多样化和非重复数据的有力工具，具有巨大的潜力。这些方法可以同时处理多个数据矩阵，揭示其中（如环境变量）以及矩阵间的非线性关联。例如，Eastwood等人就成功应用这一方法，研究了人类活动对湖泊群落多样性的影响。
在这项研究中，研究人员采用了一种新开发的高通量宏条形码方法，研究了英格兰52个湖泊中浮游和底栖淡水群落的生物多样性动态。通过引入可解释的多模态机器学习流程，该方法能够整合生物学、化学和物理参数等不同类型的数据，揭示影响生物多样性变化的潜在驱动因素。机器学习方法在此前的纵向研究基础上进行了改进，旨在识别影响英格兰范围内淡水生态系统结构、组成和功能的环境驱动因素。本研究考虑的环境驱动因素包括来自全国调查的植物保护产品数据、英国生态与水文中心收集的栖息地类型数据，以及英格兰环境署收集的水质指标数据。研究表明，数据驱动的方法能够揭示生物多样性动态的主要驱动因素，以及在这些驱动因素内外单独或组合影响原核和真核物种相对丰度及其相互作用的具体因素。这种方法能够同时捕捉群落生物多样性变化的驱动因素，并揭示特定环境因素在物种相对丰度变化中的作用。通过这种方法，研究人员为相关监管机构提供了可验证的生物多样性丧失原因，并为理解景观级生物多样性动态提供了整体性认识。
水面上漂浮的是植物的根。©Linda Wong | 绿会融媒·“海洋与湿地”（OceanWetlands）（CC BY-SA 4.0）图文无关
研究方法
本研究涉及52个淡水湖泊，收集了来自这些湖泊的水样和生物膜样本。具体而言，40个湖泊提供了水样，42个湖泊提供了生物膜样本，因此，有30个湖泊的水样和生物膜样本是同步采集的。这一设计使得研究者能够同时分析湖泊的水域、以及底栖社区。这些湖泊的地理位置从低地到高山不等，并且它们的流域地质差异较大。
水样的采集是英国政府资助的一个更广泛研究计划的一部分，时间跨度为2017年3月到2019年11月。该计划旨在利用环境DNA（eDNA）评估脊椎动物社区。水样的采集方法是在每个湖泊的周围20个均匀分布的岸线点收集2升水样，每个水样由5个400毫升的小样合并而成，采样时避开了湖泊的水流入热点。所有水样都在采集后24小时内过滤，并通过特定的方法提取其中的基因组DNA，之后冷冻保存直至进一步分析。
生物膜样本则来自英国环境署的例行监测计划，该计划在2014~2016年期间进行，主要目的是开发一种用于淡水藻类（如硅藻）评估的宏条形码技术。在采集生物膜样本时，研究人员将5块鹅卵石放入盛有约50毫升湖水的托盘中，用牙刷刷除其上的生物膜，然后将5毫升的生物膜悬浮液转移到含有核酸保护剂的试管中并进行冷冻保存，保存时间最长可达8年。生物膜样本的DNA提取使用了Qiagen公司提供的生物膜提取试剂盒。
在分析方法****上，研究者采用了一种新近开发的双步宏条形码PCR协议，对湖泊水域和生物膜中的原核生物和真核生物群落进行定量分析。该协议包括一个多重PCR反应，其中有四个基因标记，能够对高达1536个样本进行并行测序。通过这种方法，研究者可以同时对水样和生物膜样本中的生物群落进行深入分析，进一步了解不同湖泊中水生生物的多样性。
为了深入探讨环境因素对湖泊生物群落多样性的影响，研究者收集了一系列环境驱动因素，包括植物保护产品（PPP）使用情况、湖泊的物理化学参数以及湖泊的类型特征等。相关数据来自英国的国家调查，涵盖了自1987年以来的历史数据。此外，湖泊的水质和生物膜的化学成分也是通过环境署的水质监测项目来收集的，数据的分析则帮助识别出可能影响湖泊生物多样性的环境因素。
在数据的处理和分析上，该研究采用了多种生物信息学方法。通过QIIME2等工具对测序得到的数据进行处理，包括去除低质量的序列、去噪、修剪、合并等。经过这些处理后，研究者对每个湖泊的生物多样性进行评估，计算了不同湖泊的物种多样性指数，并对比了不同地区的生物多样性差异。基于这些数据，研究者还应用了空间统计方法，探索了湖泊生物多样性与环境因素之间的潜在联系。
研究结论：水体和生物膜群落的
生物多样性与环境驱动因素分析
这个研究团队对水体和生物膜样本的生物多样性进行了全面分析，重点探讨了环境因素对这些群落的影响。
研究发现，水样和生物膜样本在群落组成上存在显著差异，尤其是在不同区域之间。通过主坐标分析（PCoA）和PERMANOVA测试，研究团队发现水样和生物膜群落在五个区域（北部、米德兰和西部、东部、西南部和东南部）中的组成差异显著。具体而言，水样的群落组成在16SV4、18SV1和18SV8三个基因标记位点之间显示出区域性差异，而生物膜样本则仅在rbcL基因位点上呈现出区域差异。对于物种组成的分析显示，水体和生物膜样本共享的分类群数量较为有限，但在16S位点，两类样本共享了较多的物种，显示出不同环境下的群落结构差异。
在生物多样性方面，这项研究进一步揭示了不同区域、不同类型的样本之间的α多样性差异。水样和生物膜样本的香农多样性指数和皮尔洛均匀度大体相似，但生物膜样本的某些基因标记，如rbcL，表现出显著的区域差异。通过后续的事后分析，研究表明，北部和西南地区之间的差异是造成生物膜样本多样性变化的主要因素。
关于生物多样性动态的驱动因素，该研究发现，植物保护产品（PPPs）、物理化学参数和生态类型对水体和生物膜样本的多样性变化有着不同的影响。水样中的原核生物和真核生物多样性，主要受到植物保护产品的影响，尤其是杀虫剂和除草剂。这些植物保护产品解释了水样多样性方差的很大一部分。此外，物理化学参数对水样和生物膜样本的多样性也起到了重要作用，其中水样中物理化学参数对硅藻群落的影响尤为显著。
该研究还表明，类型因素对水体和生物膜样本的多样性起到了共同的作用，但其对水样和生物膜样本的解释作用有所不同。在水样中，碱度是一个关键的影响因子，而在生物膜样本中，物理化学参数的多样性解释度较高。尽管如此，类型因素在解释景观生物多样性时相对较弱，主要受到植物保护产品的影响。
研究还揭示了水体和生物膜群落在各个基因标记位点的多样性差异，并为进一步的环境管理提供了重要的科学依据。通过分析不同环境因素与群落多样性之间的关系，这个研究为理解生态系统如何应对环境变化提供了新的视角。这些发现对于保护生物多样性、评估环境污染以及优化植物保护产品的使用具有重要的理论和实践意义。
讨论
当前的环境管理往往面临低效的问题，原因之一是，监测计划通常仅关注少数几个指示性物种和容易测量的环境因素（例如温度），忽视了生物多样性与环境变化之间复杂的相互作用。这种狭隘的监测方法，在2000年《水框架指令》实施时或许曾经适用，但如今，已经无法应对多重压力和水体及野生生物所面临的快速威胁。有效的保护措施需要对主要驱动因素如何在不同空间尺度上影响各类分类群有深刻的理解，从区域到全球的尺度，以便找出生物多样性丧失的根本原因。
这项涉及英国全国范围内淡水湖泊的社区级调查，涵盖了原核生物和真核生物，结果表明，尽管研究人员发现不同区域和湖泊之间的浮游生物群落存在显著差异，而生物膜群落的差异则不显著。尽管生物膜样本的质量可能因存储条件不佳而受到影响，但研究结果仍然反映了此前关于淡水生物膜和浮游生物群落的研究发现，即生物膜群落在不同淡水生态系统之间没有显著差异，而浮游生物群落与生物膜群落之间的组成差异显著，并且浮游生物群落具有明显的景观结构。这些结果得到了生物膜样本中α多样性相对一致性的支持。如果存储条件确实影响了样本质量，那么样本中的整体多样性（如Shannon熵值和Pielou指数）应该在各湖泊间随机变化，而且生物膜样本中的多样性应显著低于浮游样本，但实际上，生物膜和浮游样本之间的α多样性普遍相似，甚至在某些湖泊中，生物膜样本的多样性更高。
过去的研究表明，生物膜的多样性通常低于浮游生物群落的多样性；但是这些研究大多集中在单一河流生态系统及特定的分类群（例如细菌）上，而很少有研究涵盖多个河流生态系统。虽然这些研究提供了对局部尺度上生物多样性动态的重要见解，但其局限性使其难以揭示大尺度上的生物多样性变化。研究人员的这项研究提供了一个跨湖泊、跨区域乃至全国范围内的淡水底栖和浮游生物群落的空间性评估，是目前为止最为全面的涵盖原核生物和真核生物的研究之一。该项调查有助于更精细地绘制淡水生物多样性地图，提高对不同空间尺度上淡水生态动态的理解。像本研究这样的群落级别生物多样性调查，有助于通过全球性倡议（如：全球生物多样性信息平台GBIF）进行物种分布的绘制与共享。
浮游生物和生物膜群落在组成和多样性上的差异，可以通过群落的定殖和建立机制来解释。两种主要的过程影响群落的组装方式：基于中性随机过程和基于生态位的确定性过程。在随机过程中，群落是随机组装的，并且受到生态漂移的影响；而在确定性过程中，群落的组装则受到生物因素（例如竞争）和非生物因素（例如氮源的可用性）的过滤。有证据表明，在底栖栖息地中，确定性过程对群落动态的影响远高于浮游栖息地，而在浮游栖息地中，随机过程的影响则更为显著。但是迄今为止，这些定殖过程在考虑环境驱动因素所造成的扰动时，尚未得到充分的讨论。例如，化学污染从未被纳入这些过程的建模中。环境威胁的恢复力可能会显著影响群落的整体多样性和组成，因此，可以推测，环境威胁同样会影响群落的定殖机制。若忽视这些威胁，将导致定殖机制估计的偏差。只有将生物多样性与环境驱动因素和水质参数结合起来，才能深入理解生物多样性变化的真正原因。该项研究方法有助于更好地理解人类驱动变化如何扰乱淡水群落的建立机制。
浮游生物和生物膜群落在组成和多样性上的差异，可以通过群落的定殖和建立机制来解释。两种主要的过程影响群落的组装方式：基于中性随机过程和基于生态位的确定性过程。在随机过程中，群落是随机组装的，并且受到生态漂移的影响；而在确定性过程中，群落的组装则受到生物因素（例如竞争）和非生物因素（例如氮源的可用性）的过滤。有证据表明，在底栖栖息地中，确定性过程对群落动态的影响远高于浮游栖息地，而在浮游栖息地中，随机过程的影响则更为显著。但是迄今为止，这些定殖过程在考虑环境驱动因素所造成的扰动时，尚未得到充分的讨论。例如，化学污染从未被纳入这些过程的建模中。环境威胁的恢复力可能会显著影响群落的整体多样性和组成，因此，可以推测，环境威胁同样会影响群落的定殖机制。若忽视这些威胁，将导致定殖机制估计的偏差。只有将生物多样性与环境驱动因素和水质参数结合起来，才能深入理解生物多样性变化的真正原因。该项研究方法有助于更好地理解人类驱动变化如何扰乱淡水群落的建立机制。
目前一些新兴的努力，如生命图绘制工具（Life Mapper）和水生物种分布图（Aquamaps），对物种分布图的制定有一定帮助。但是它们的分辨率仍较粗糙，并且没有将环境驱动因素纳入其中，从而限制了对生物多样性丧失的原因的理解。通过数据驱动的方法，研究人员不仅能够了解底栖和浮游群落的生物多样性组成，还能够识别出不同空间尺度上影响生物多样性动态的潜在驱动因素。研究人员能够揭示生物多样性与环境驱动因素之间的普遍共变模式，并且还能够识别出与特定属相关的环境驱动因素。尽管这些共变关系并不能证明因果关系，但它们揭示了生态系统层面的响应，简化了自然系统的复杂性，为可在控制实验中验证的假设提供了基础，而无需预设可能偏颇的假设。这些发现也为建模研究提供了可验证的假设，用于进一步研究淡水群落的建立机制。
研究人员发现，农药中使用的杀虫剂和除草剂是影响水生物多样性变化的主要因素，能够解释全景观中高达53.6%的生物多样性组成变化。生物膜的多样性同样受到除草剂的强烈影响，杀菌剂排名第二。农药组分对底栖群落多样性的组成变化解释了多达28%的变化。这些发现与之前的研究结果一致，表明土地使用是对生物多样性产生最大全球影响的驱动因素。预计土地使用对淡水生态系统，特别是湖泊的影响更为显著，因为人类居住区大多集中在水体周围，这导致了栖息地退化和资源过度利用的增加。此外，人类活动还将污水和工业废水排放到水体中，进一步增加了化学污染和营养物质的输入。
尽管化学污染是生物多样性动态的最强驱动因素，但本研究和其他研究也表明，其他环境驱动因素同样在塑造景观生物多样性方面起着重要作用。在本研究中，湖泊的类型和物理化学参数都对水体和生物膜群落的生物多样性组成变化有一定贡献。湖泊类型是常用于划分空间变异性，最终评估人类活动对生物多样性丧失影响的关键因素。举例来说，鱼类多样性与淡水湖泊的大小呈正相关，而与海拔呈负相关。研究结果确认了湖泊类型对整体生物多样性模式的影响，但无论是水体还是生物膜群落，都没有显著地将特定物种的响应与这些类型因素直接联系起来，表明这些因素对物种分布模式的影响并不明显。
物理化学参数对生物多样性的影响在多个指示物种中已有较多文献报道。物理化学参数通常在监管框架中得到广泛应用，用来评估水质状况。研究结果确认了温度、pH值、导电率、溶解氧、营养物质和重金属等物理化学参数在生物多样性动态中的重要性。
尽管本研究揭示了多种驱动因素对生物多样性动态的影响，但研究人员所能解释的生物多样性变化仍然存在一定的空白。这一情况是可以理解的，因为本研究没有包括富营养化和气候变化等重要因素。包括更多驱动因素可能会进一步提高对生物多样性组成变化的理解。但是由于各湖泊所采样的驱动因素并不完全一致，因此这种做法不可能实现。本研究表明，通过一致的跨空间和跨时间的生物多样性和环境因子采样，能够帮助准确确定生物多样性丧失的根本原因。
本研究为水生物多样性监测提供了一种数据驱动的创新方法，为监测和管控潜在有害物质的使用提供了新的思路，具有重要的现实意义。通过数据驱动的综合方法，本研究不仅发现了生物多样性动态的潜在驱动因素，还揭示了这些驱动因素中与原核和真核属相关的生物物理化学因素。进一步分析表明，99种有效成分显著影响了34个属的相对丰度。这些属中包括许多非靶标物种，如初级生产者、无脊椎动物幼虫和多种细菌。所有这些物种对生态系统功能至关重要，例如硝化/反硝化、光合作用和营养物质循环。
海湿·小百科
01****环境DNA
环境DNA**（eDNA）**是指从环境样本中提取的DNA，通常来自水体、土壤或空气等介质，而非直接采集生物体本身。通过分析这些环境样本中的DNA，可以获得该环境中存在的生物种类和群落结构的相关信息。环境DNA技术具有非侵入性、采样方便、分析高效等优点，广泛应用于物种监测、生态研究以及生物多样性保护等领域。
02宏条形码
宏条形码**（Metabarcoding）**是一种通过高通量基因测序技术对环境样本中的DNA进行快速分析的方法。它通过对不同物种特定基因区域的条形码进行扩增和测序，从而能够在不需要分离或培养单个物种的情况下，识别和定量样本中存在的多种生物物种。这种方法适用于复杂环境样本，如水体、土壤或生物膜等，其中多种生物可能共存。
宏条形码的优势在于其高效性和灵敏度，它能够同时识别和分析大量物种，广泛应用于生态学、物种多样性监测以及环境污染评估等领域。通过这种方法，科学家可以获取到比传统物种调查更为全面和精准的生物多样性数据，为生态系统的研究和保护提供有力支持。在这项研究中，使用宏条形码（Metabarcoding）技术是为了高效分析水体和生物膜样本中的多样化生物群落，尤其是那些难以通过传统方法单独分离或培养的微生物和小型生物。
03eDNA宏条形码
eDNA宏条形码**（eDNA metabarcoding）**，是一种利用环境样本（如水、土壤、空气等）中的DNA进行高通量测序，从而快速鉴定其中包含的多种生物物种的技术。科学家通过提取环境样本中的DNA，扩增特定的基因片段（即条形码），并与已知的物种数据库进行比对，就可以得知该环境中存在哪些生物，以及它们的相对丰度如何。这种方法具有非侵入性、高通量、高灵敏度的特点，在生态学、生物多样性保护、入侵物种监测等领域有着广泛的应用。
04****环境驱动因素
环境驱动因素**（Environmental Drivers）**指影响生态系统中生物群落结构和功能的自然或人为因素。例如气候变化、污染物的使用、湖泊的物理化学特性等。它们可以是物理环境因素，如温度、降水、土壤类型；也可以是化学环境因素，如污染物浓度、营养盐含量；还可以是生物因素，如物种间的相互作用。这些因素通过影响生物的生理、行为和生态位来驱动生态系统的变化。比如说，湖泊的富营养化会引起藻类大量繁殖，导致水质恶化，影响鱼类等水生生物的生存；森林砍伐会破坏生态系统的平衡，导致生物多样性下降，水土流失加剧。
作为生态系统动态变化的驱动力，它们可以是长期作用的，如气候变化；也可以是短期作用的，如自然灾害。这些因素的综合作用，决定了生态系统的稳定性、恢复力以及对干扰的响应能力。
05****植物保护产品
植物保护产品**（Plant Protection Products, PPPs）**，简称为“植保产品”，是指用于防治植物病虫害、杂草以及其他植物病害的化学或生物制剂。这类产品通常包括杀虫剂、杀菌剂、除草剂以及植物生长调节剂等。它们的主要作用是通过控制或抑制害虫、病原体及杂草的生长，保护作物免受损害，从而提高农业产量和质量。植物保护产品广泛应用于农业生产中，帮助农民有效地管理作物的健康，确保粮食供应的稳定。
但是植物保护产品的使用也伴随着环境和生态风险的挑战。过量、或不当使用这些产品，可能导致水源污染、土壤退化以及非靶标生物的伤害，进而影响生态系统的平衡。因此，合理使用植物保护产品，避免其对环境和生物多样性造成负面影响，成为农业可持续发展的重要课题。近年来，研究者们越来越关注植物保护产品对水体和土壤中微生物群落的潜在影响，以及它们在生态系统中引发的复杂变化。
06****稀疏广义典型相关分析（SGCCA）
稀疏广义典型相关分析（sparse generalized canonical correlation analysis，简称SGCCA）是一种统计方法，用于探索多个数据集之间的相关性，尤其在数据存在多种类型和高维度时具有重要应用。它通过减少数据维度并保留主要的相关性信息，使得能够有效地处理具有稀疏性的数据，特别适用于高维度、变量较多的生物数据分析。SGCCA能够揭示不同组别或数据类型之间的关联模式，如在生态学研究中，它常用于分析物种组成与环境因素、物种群落与物理化学参数之间的关系。通过这种方法，研究人员能够识别出不同因素如何共同影响生态系统结构和功能。
在这项研究中，提到SGCCA，是因为该方法被用来分析不同植物保护产品（PPPs）与水体和生物膜（biofilm）样本中物种多样性之间的关系。SGCCA帮助研究人员识别出植物保护产品（如杀虫剂、除草剂等）对不同基因标记下（如16S、18S、rbcL等）生物群落的影响。
思考题·举一反三
Q1、为什么现有的环境监测体系往往忽视了生物多样性变化的多种原因（比如化学污染、气候变化和土地使用变化）？这种忽视会对生态系统保护和未来可持续发展带来哪些不利影响？
Q2、如何加强全球水生物种多样性的监测和评估，确保各地区的生态保护措施能够针对不同地区的环境问题，解决生物多样性丧失的根本原因？
Q3、大数据和人工智能在淡水生态系统保护中的应用前景如何？这项研究表明，通过大数据分析和机器学习等技术，我们可以更深入地了解淡水生态系统的复杂性。未来，能否将这些技术应用于更广泛的生态系统监测和保护中？比如说，能否建立一个实时监测水质和生物多样性的预警系统，以便及时采取措施应对潜在的生态风险？
Q4、农药对水生生态系统的影响机制，是否已得到了充分的研究？虽然这个研究表明农药是导致淡水生物多样性下降的重要因素，但其具体作用机制，如不同农药对不同物种的毒性作用、农药在水体中的降解过程及其对生态系统功能的影响等，似乎仍是有待深入研究的。你觉得，未来是否可以开发出更安全、更环保的替代品（特别是在我国早已出台了农药减量的政策的情况下），来减少农药对水生生态系统的影响？
信息源 | Environmental DNA
编译 | 王芊佳
编辑 | 绿茵
排版 | 绿叶
参考资料略
扫码下载APP
科普中国APP
科普中国
科普中国
京公网安备11010202008423号