引言

海洋作为地球生命支持系统的核心载体，覆盖全球71%的地表面积，承担着25%的碳汇功能与半数氧气的生产任务，维系着从浮游生物到顶级捕食者的完整生态链，同时支撑着全球数亿人口的渔业生计与食品安全保障。然而，工业化进程的加速推进使海洋生态系统正遭遇前所未有的复合型威胁：全球每年超800万吨塑料垃圾涌入海洋，海底堆积量达海面漂浮量的100倍，微塑料已渗透至极地海域与深海生物体内；多环芳烃（PAHs）、全氟化合物（PFAS）等持久性有机污染物通过工业排放、农业径流持续扩散，在甲壳类、鱼类等生物体内通过食物链逐级富集，不仅诱发免疫毒性与胚胎畸形，更通过膳食摄入威胁人类健康。与此同时，海洋酸化程度较工业化前上升30%，2000米以浅海水热含量持续创历史新高，叠加过度捕捞与栖息地破坏，导致全球44%的温水珊瑚濒临灭绝，重要渔场渔获量年均下降25%，海洋生态系统的稳定性与服务功能正面临不可逆的退化风险。

海洋环境影响评估作为生态保护与环境治理的核心技术支撑，其科学性与精准度直接决定政策制定的有效性。但传统评估方法存在显著局限：多数依赖定性描述与专家打分，缺乏对污染物迁移转化机制的量化解析；数据采集碎片化导致评估结果偏差较大，难以反映生物富集的动态过程与跨营养级传递效应；指标体系侧重单一维度影响，未能实现生态损害、经济损失与食品安全风险的协同评估。例如，现有研究虽已证实污染物在虾类鳃部与卵组织的高富集特性，但传统模型无法量化呼吸摄取与膳食摄入的贡献比例，也难以精准预测长期暴露对渔业产量的非线性影响。这种“机制模糊、量化不足、维度单一”的评估困境，使得海洋环境保护难以形成靶向治理方案，制约了《巴黎协定》蓝碳生态保护目标与我国重点海域综合治理攻坚战的推进实效。

在此背景下，构建一套“机制建模－指标量化－风险分级”的一体化评估框架具有重要理论价值与实践意义。本研究立足海洋污染物迁移转化的核心规律，聚焦生物富集、生态响应与人类暴露三大关键环节，通过整合生理药代动力学原理与剂量－反应关系，建立涵盖浮游植物、贝类、食用鱼的全链条生物富集动态模型，精准刻画污染物在水体－底泥－生物体内的分配过程。同时，突破传统评估的单一维度局限，构建包含海洋生态指标（生物富集量、浮游生物死亡率）、渔业经济指标（产量损失率、出口价值损失）与食品安全指标（人均累积暴露剂量）的三维量化体系，采用标准化处理与权重叠加法实现综合风险分级。

本研究建立的评估框架不仅填补了传统方法在动态机制量化上的空白，为解析污染物多路径影响提供了新的技术工具，更能为海洋保护区规划、渔业资源管理与食品安全标准制定提供科学支撑。通过量化不同污染场景下的生态经济损失与健康风险阈值，可为陆海统筹污染治理、生态修复工程优化提供精准靶向，助力实现海洋生态系统的稳定性提升与可持续利用，为全球海洋保护提供兼具科学性与可操作性的中国方案。

1计算机技术在海洋环境量化评估中的支撑体系

海洋环境量化评估的精准落地，离不开计算机技术对多源数据处理、复杂模型运算及评估结果应用的全流程赋能。前文构建的生物富集、死亡率及渔业产量响应等数理模型，需通过计算机技术实现从理论公式到实用工具的转化，同时借助数字化手段突破传统评估中数据整合难、运算效率低、决策响应慢的瓶颈，形成“数据－模型－决策”的闭环支撑，具体体现在三大核心维度：

1.1 多源数据的计算机预处理与融合技术

量化评估的基础是数据的可靠性与完整性，而海洋环境数据具有来源分散、类型复杂、时空异质性强的特点，涵盖海水污染物浓度监测数据、生物种群采样数据、渔业捕捞统计数据、卫星遥感海洋环境参数等。计算机技术通过三大核心手段解决数据难题：一是基于Python、R语言的自动化数据清洗算法，针对监测数据中的异常值、缺失值，采用插值法、机器学习补全模型（如随机森林、LSTM）进行修复，剔除传感器误差、人为记录偏差等干扰因素；二是借助地理信息系统（GIS）与时空数据融合技术，将点源监测数据与卫星遥感的面状数据、渔业统计的时序数据进行坐标对齐、维度统一，通过贝叶斯数据融合模型整合多源信息权重，生成全域、连续的海洋环境基础数据集；三是利用分布式存储架构（如Hadoop、Spark）实现海量数据的高效管理，支撑PB级监测数据的实时调取与动态更新，为量化模型提供高时效性、高准确性的输入数据。

1.2量化评估模型的计算机化实现与优化

前文构建的一阶线性富集方程、Hill剂量反应函数等数理模型，需通过计算机技术完成标准化实现与精度提升：在模型编程实现层面，采用Python的SciPy、NumPy库及MATLAB的数值计算工具，将抽象的数学公式转化为可复用的算法模块，支持用户通过参数配置快速适配不同海域、不同污染物类型的评估场景；在模型优化层面，引入机器学习算法（如梯度下降、遗传算法）对模型关键参数（如富集系数、死亡率阈值）进行迭代校准，基于历史监测数据与评估结果的误差反馈，动态调整参数取值以提升模型预测精度；在运算效率提升层面，通过GPU并行计算技术加速大规模数据集的模型运算，例如针对多区域、多污染物的同步评估需求，将计算任务拆分至多个计算核心，使评估周期从传统的数天缩短至小时级，满足突发污染事件的快速响应需求。

1.3评估结果可视化与智能决策支持系统

计算机技术为量化评估结果的落地应用提供关键支撑：一方面，通过数据可视化工具（如Tableau、ECharts）将生态、经济、食品安全三类子指标得分及综合风险等级，转化为直观的热力图、动态变化曲线、风险分级地图，清晰呈现污染物影响的时空分布特征，降低非专业人员的解读门槛；另一方面，构建智能决策支持系统，整合量化评估模型输出结果、海洋环境法规标准及历史应对案例数据库，通过规则引擎与机器学习推荐算法，针对不同风险等级自动生成污染管控建议（如渔业禁捕区域划定、污染物减排目标）、生态修复方案及食品安全预警信息，实现“评估－预警－决策”的无缝衔接，为海洋环境管理部门提供科学、高效的技术支撑。

2 海洋环境影响的量化评估

2.1 生物富集动态（一阶线性模型）

首先，对每类代表性生物（如浮游植物、底栖贝类、食用鱼）建立方程，如公式（1）：

其中，为对该生物有效的环境浓度（可等于局地海水浓度的时间平均，或加上颗粒/底泥相的摄取贡献），可表示为公式（2）：

其中，为权重，为底泥/悬浮颗粒浓度项。初值（可用基线环境背景浓度推估），由此可得解析解（若近似常数或缓变），如公式（3）：

2.2 浮游生物死亡率模型（生态效应）

设浮游生物群体的附加死亡率与浓度有关，用剂量反应型函数可表示为公式（4）：

其中，为背景自然死亡率，为最大诱发死亡率增量，为半饱和常数。或者用Hill函数可表示为公式（5）：

2.3 渔业产量响应模型（捕捞下降）

2.3.1 渔业产量

受生物初级生产力与污染累计效应影响，渔业产量可用简单的暴露响应关系，如公式（6）：

或直接用因子缩减模型，如公式（7）：

其中

其中，为暴露效应函数（例如），为敏感度参数。该式表征随着长期暴露，产量逐渐下降并趋于某个稳定下降比例。

2.3.2 食品安全与人体摄入剂量

居民通过食用海产品摄入辐射剂量可表示为公式（9）：

其中是年人均食用量（kg/年）中来自生物的比例，为从Bq/kg转为剂量（Sv/Bq）的剂量因子（依核素而定）。通常计算累积有效剂量如公式（10）：

2.4 指标定义与标准化

构造三个子指标：海洋生态指标、渔业经济指标、食品安全指标，并将这三个子指标标准化到[0,1]（或0~100）。

2.4.1 海洋生态指标

该指标包含两项：生物体富集（关键生态组件的浓度或生物堆积：取最大或均值）：（例如海藻/贝类/底栖生物的年平均或峰值）；浮游植物死亡率增量或峰值：。

先为每项做时间聚合（0~30年内），得到公式（11）（12）：

再将每项标准化（以法规或阈值）得到公式（13）：

将限定在[0,1]（或用单调变换保证上界），然后组合得到公式（14）：

2.4.2 渔业经济指标

该指标包含30年累计捕捞量减少率（或年均减幅）；出口量/出口价值损失（可用收益损失，货币单位）。

先将每项标准化得到公式（15）：

再将其组合得到公式（16）：

2.4.3 食品安全指标

采用剂量相关指标：年人均峰剂量或30年累积剂量。

先将其标准化（与公众剂量限比较，如国际推荐或本国标准）得到公式（17）：

或用累积剂量标准，如公式（18）：

2.5 综合得分与风险分级

综合评分如公式（19）：

其中每个，因此。

将风险等级划分为高、中、低三个等级，通常采用两种常用方法：

方法A（阈值法，易解释）：低风险，中风险高风险：。常取，（或依据历史/专家设定阈值，如食品剂量接近法规限的则上调）。

方法B（数据驱动：聚类/分位数）：对所有候选国家/海区的做Kmeans（K=3）或高斯混合模型（GMM），自动划分三类；或按分位数划分（底部33%低风险，中间33%中风险，顶部34%高风险）（图1）。

3 总结

本文围绕海洋环境中污染物（或辐射）的生态、经济及食品安全综合影响评估展开，构建了一套“机制建模－技术支撑－风险分级”的完整量化评估体系，有效解决了传统海洋环境影响评估中定性分析为主、量化精度不足、落地应用困难等问题。

在核心建模层面，通过生物富集动态模型、浮游生物死亡率模型及渔业产量响应模型，系统量化了污染物从环境介质到生物体内富集、从生物影响到经济损失传导、从暴露剂量到食品安全风险的全链条作用机制，为影响评估提供了坚实的数理基础。三类标准化子指标（海洋生态、渔业经济、食品安全）的设计，实现了不同维度影响的可比化、可叠加，结合综合风险分级方法，使评估结果更贴合管理实践需求。

计算机技术的深度融入成为体系落地的关键支撑：多源数据预处理与融合技术保障了评估数据的完整性与可靠性，模型的计算机化实现与优化提升了运算效率与预测精度，可视化与智能决策支持系统则打通了“评估结果－管理决策”的转化通道，推动评估工作从“理论分析”向“实用工具”转型，为突发污染事件快速响应、常态化环境管理提供了高效技术手段。

整体而言，该评估体系兼具科学性与实用性，既通过数理模型确保了评估结果的严谨性，又借助计算机技术增强了操作便捷性与场景适配性，可为海洋环境风险管控、渔业资源保护、食品安全保障等工作提供科学依据。未来可进一步拓展污染物类型覆盖范围，结合更广泛的海域监测数据优化模型参数，融入人工智能算法提升评估的动态适应性与预测前瞻性，持续完善体系的综合性能与应用场景。

参考文献：

1. [1] 谭俊峰,宋晓阳,张飞,等.南海北部深海观测站点海洋环境特征分析[J].海洋湖沼通报,2023,45(06):109-115.
2. [2] 周元,薛瑞楠,魏颖,等.食品安全综合评价指标体系构建与应用[J].食品与机械,2022,38(10):69-75+81.
3. [3] 李增刚,王增,董辉立.Python数据分析与办公自动化[M].北京:化学工业出版社,2024.