综述：评估印度沿海水域的底栖生物健康状况：当前做法与未来需求

时间：2026年2月22日

来源：Regional Studies in Marine Science

编辑推荐：

本文系统综述了印度沿海生态系统底栖质量评估的挑战与方法，重点分析区域方法学不一致性。研究表明，Marine Biotic Index和Multivariate Marine Biotic Index应用最广，但Benthic Index等专用指标应用受限。主要制约因素包括分类不确定性、基准数据不足及季风导致的时空异质性。提出构建跨学科评估框架，建立标准化协议，加强能力建设与多学科整合，以提高评估可靠性及管理适用性。

作者：Feebarani John | Sileesh Mullasseri

印度卡利卡特大学Vimala学院动物学系，特里苏尔

摘要

海洋生态系统的环境健康在很大程度上取决于底栖生物群落，而底栖生物群落是生态系统功能的重要组成部分。已经开发了许多指数来评估底栖生态系统。本文综合分析了印度背景下底栖质量评估面临的挑战，重点讨论了地区间方法上的不一致性。在各种指数中，海洋生物指数（Marine Biotic Index）和多变量海洋生物指数（Multivariate Marine Biotic Index）在印度沿海生态系统中使用最为频繁。然而，诸如底栖指数（Benthic Index）、底栖机会性多毛类和端足类指数（Benthic Opportunistic Polychaetes Amphipoda Index）以及底栖机会性环节动物和端足类指数（Benthic Opportunistic Annelida Amphipods Index）等专门指标的应用仍然有限。为了解释这一现象，我们深入分析了与底栖评估相关的方法学挑战，包括分类学上的不确定性、有限的生物多样性基线以及季风驱动的变异性。我们提出了一条跨学科的路径，以加强底栖监测，并强调标准化协议、能力建设和多学科整合的必要性，以提高印度底栖生态系统评估的可靠性和适用性。

引言

底栖生物对海洋生态系统的功能至关重要（Fuhrmann等人，2015；Joydas等人，2023；Naser，2011；Pedersen等人，2008）。由于它们对环境压力因素具有敏感性，因此可以作为有效的生物指示器（Jewett等人，1999；Naser，2011；Rao等人，2021）。底栖群落的状态比静态测量指标更能准确反映生态系统的受影响程度（Borja等人，2000；Hampel等人，2009；Pearson等人，1978），并且是评估生态完整性的关键（Borja和Dauer，2008；Dauvin等人，2010；McLusky和Elliott，2004）。因此，可持续管理底栖生态系统并在经济增长与生态保护之间取得平衡至关重要。

然而，对全球过程至关重要的沿海生态系统（Costanza等人，1997；Falkowski等人，1998；Poore和Wilson，1993）正面临着日益增加的人为压力（Dreujou等人，2021；Jackson等人，2001；Simboura等人，2005；Sun等人，2018；Xu等人，2015）。这些生态系统历史上一直与人类发展密切相关（van Andel，1989），但由于工业化和城市化，现在出现了栖息地退化的迹象。航运、渔业和水产养殖进一步扰乱了营养循环和沉积物组成（Korpinen等人，2012；Micheli等人，2014；Taşkın等人，2020；Villnäs和Norkko，2011）。需要研究这些过程对底栖生态系统的影响。

为了评估底栖生态系统，我们使用了生物指数，因为它们能够反映长期的生态状况（Guerra-García等人，2021；Hutton等人，2015）。然而，地区间的差异要求对这些指数的适用性进行特定地点的验证（Hutton等人，2015；Salas等人，2006）。要对生态系统进行全面和准确的生物完整性评估，需要多层次的生物响应和多样化的指标（Karr，1991）。由于缺乏通用指数，在地理上不同的地区，需要使用多种指数来进行可靠的评估（Hayes等人，2008；Jørgensen等人，2011）。

本综述研究了用于沿海海洋栖息地生态质量评估的底栖指数及其标准制定方法，特别关注印度的情况。通过综合现有方法并突出其优点和局限性，本文将有助于为全球沿海生态系统的管理和保护策略提供参考。

方法部分

我们进行了系统的文献回顾和元分析，遵循了系统回顾和元分析的优先报告项目（PRISMA）指南（Page等人，2021），以确定全球范围内常用的底栖指数和评估方法。

底栖群落的生态相关性和重要性

底栖滤食者和分解者将营养物质重新循环到食物网中。珊瑚礁在贫营养水域中固定氮（Cardini等人，2016），而大型和微型底栖生物的相互作用将可利用的氮释放到浮游层（Christensen等人，2000；Stief，2013）。大型植物驱动初级生产并稳定光照区域的沉积物。珊瑚和双壳类等生物工程师增强了栖息地多样性，从而增加了底栖群落的丰富度（Lemieux和Cusson，2014）。

尽管如此...

底栖质量评估指数概述

底栖指数的发展反映了生态研究的进步以及环境压力因素复杂性的增加。最初的指标，如香农-维纳多样性指数（Shannon-Wiener Diversity Index，H'）（Shannon和Weaver，1949），主要关注底栖群落中的物种丰富度和均匀度。补充指数，如辛普森多样性指数（Simpson's Diversity Indices，D、1-D、E）（Simpson，1949），提供了关于物种优势度和多样性模式的见解。

海洋底栖生物指数在沿海生态系统监测和管理中的作用

海洋底栖生物指数通过检查底栖大型动物的组成、多样性和丰度来评估环境质量。底栖生物因其固定生活方式、对环境压力因素的可预测反应以及反映长期生态系统变化的能力而成为理想的生物指示器（McLusky和Elliott，2004）。 AZTI海洋生物指数（AMBI）是一种广泛使用的指数，它根据物种特征将它们分类到不同的生态组中。

用于评估印度沿海水域人为影响的底栖指数

印度的沿海和过渡水域面临显著的人为压力（Equbal等人，2018；Feebarani等人，2016），这促使研究人员评估人类活动对印度沿海生态系统的影响。早期研究主要关注海洋污染的化学方面（Qasim等人，1988），而现在逐渐转向生物评估，特别是使用底栖大型无脊椎动物作为生物指示器（Khan等人，2014；S. A. Khan等人，2004；Mulik等人，2017；

印度环境条件对底栖指数表现的影响

由于季节性变化、高盐度、季风引起的缺氧以及局部污染，印度的底栖指数得分通常较低。季风驱动的季节性变化显著影响印度河口和沿海水域的底栖指数表现；这些变化会改变群落组成和指数得分，但不同地点的影响程度各不相同。如果对M-AMBI进行季节性平均处理，其区分能力会有所提高。

机器学习技术在评估底栖生态健康中的应用

随机森林（Random Forest）、梯度提升决策树（Gradient Boosting Decision Tree）和支持向量机（Support Vector Machine）等机器学习模型被广泛用于分析底栖动物多样性和群落结构对环境因素的响应，从而改进生态健康评估。例如，驱动机制分析（Driving Mechanism Analysis）利用机器学习揭示环境因素对底栖动物群落特征的多维驱动机制，强调了捕捉这些机制的潜力。

采样和方法学挑战

准确的底栖评估受到固有的空间和时间异质性、方法学变异性（如抓取法、岩心取样法、拖网法）、尺度依赖性偏差（微观与宏观尺度）以及潜在的采样干扰（沉积物重新悬浮、生物体移除）的挑战，所有这些都会影响数据的完整性。这些挑战在印度地区尤为突出，因为该地区的评估工作往往由多个机构进行，缺乏统一的采样策略。

结论

印度的沿海和海洋生态系统在生态和经济上都非常重要，支持着生物多样性、渔业和数百万人的生计。然而，这些生态系统正日益受到工业化、城市化、污染和气候变化等人为压力的威胁。包括AMBI、BENTIX和BOPA在内的底栖指数在评估科钦（Cochin）、卡奇湾（Gulf of Kachchh）和维拉尔河口（Vellar Estuaries）等地区的生态完整性方面显示出了其有效性。