河流是自然生态系统的重要组成部分, 也是陆地生态系统和水生态系统间物质循环、能量流动和信息传递的生态通道(朱卫红等, 2014；胡金等, 2015), 不仅可以为人类的生产和生活提供物质基础, 还具有调节气候、涵养水源和保持生物多样性等多种生态功能(Leigh et al., 2013; 胡金等, 2015).近年来, 随着城市化、工业化进程的加快, 河流生态系统受到严重破坏, 逐渐引起水质及河道物理结构的改变, 造成河流生境破坏、生物多样性锐减、河流断流及湿地丧失等一系列河流健康问题(Sandin and Solimini, 2009；郝利霞等, 2014).因此, 如何诊断河流健康, 修复受损河流生态系统, 维持河流生态服务功能, 促进经济、社会和环境的健康和谐发展已成为全球共同关注的焦点.

随着人们对河流自然属性及水环境所面临挑战的认识逐步深化, 我国河流水环境管理模式已从单一的水质管理转向水生态健康管理(张方方等, 2011；霍堂斌等, 2012；胡金等, 2015), 已将科学评价、准确诊断河流健康状况作为流域水环境管理的重要基础工作(孟伟等, 2007).水生生物群落作为河流生态系统的重要成员, 其结构组成是在一定时空尺度上对物理、化学和生物作用综合响应的结果, 可以有效反映多种胁迫对河流水生态系统的影响(唐涛等, 2002；张远等, 2007；Pan et al., 2012; Carlson et al., 2013).底栖无脊椎动物是水生生物中最重要的定居动物代表类群之一, 在水生食物链中处于承上启下的关键位置, 其摄食、掘穴和建管等生命活动影响着水生态系统中的物质分解和能量流动(霍堂斌等, 2012；吴召仕等, 2011), 且其群落组成对水环境条件的改变极为敏感.因此, 底栖动物常被国内外学者作为生态健康的指示物种应用于河流健康评价的研究(Jackson and Fuereder, 2006; 张方方等, 2011；Chen et al., 2014).

目前, 河流生态健康评价的方法较多, 但从评价方法的原理上大致可归纳为两大类：预测模型和多指标体系法(惠秀娟等, 2011；Jia and Chen, 2013；郝利霞等, 2014).河流底栖无脊椎动物预测和分类系统(River Invertebrate Prediction and Classification System, RIVPACS)是预测模型法中最典型的一种, 最早由英国淡水生物研究所于1984年提出和建立(Wright et al., 2000).该方法主要通过比较监测点位的物种丰富度观测值(O)与参照点位的物种丰富度期望值(E)的差异揭示河流生物组成的完整性, 进而反映河流健康状况(Wright et al., 2000；张杰等, 2011).而在国内河流健康评价中, 多指标综合指数评价法更受学者们的青睐.早期水体健康评价均以化学指标为主, 后来研究不断证实, 单纯依靠化学指标来表征河流健康状况具有片面性(廖静秋等, 2014)；而水生生物群落对系统受到的干扰具有高度敏感性, 其变化能有效反映河流生态系统受干扰程度(Chen et al., 2013).因此, 逐渐形成以化学指标为水体健康的驱动因素, 生物群落为系统响应群体的化学-生物综合指标体系的河流健康评价方法, 不仅可以提高评价结果的准确性, 而且可以较全面诊断河流健康问题(李凤清等, 2010；胡金等, 2015).

本研究以淮河干流及其主要支流为对象, 探讨了O/E指数和化学-生物综合指数评价河流健康的方法, 深化了对淮河流域关键断面水生态系统受损程度以及底栖动物群落结构功能变化的认识, 结果可为河流水生态健康管理和修复提供依据.

淮河是我国七大水系之一, 其流域总面积约为27×10⁴ km², 位于东经111°55′~121°25′、北纬30°55′~36°36′, 是我国东部地区重要的农业生产区和人口密集区, 水资源量占全国的3.4%(吴焕忠, 1999；Zhao et al., 2012).淮河干流发源于河南省桐柏山地区, 全长由东向西约1000 km, 总落差约200 m, 依次流经河南、湖北、安徽, 最后在江苏的三江营汇入长江, 覆盖40个市(地), 163个县(市).淮河干流两岸支流众多, 北岸主要有洪河、沙颍河、涡河、包浍河等, 其中沙颍河是淮河最大的支流, 发源于伏牛山区, 全长约557 km, 流域面积约3.6×10⁴ km²；南岸主要有史灌河、淠河、东淝河、池河等, 其中淠河是南岸最大的支流, 发源于大别山区(蒋艳等, 2014；Zhai et al., 2014; Wang et al., 2015).

淮河流域地处我国南北气候过渡带, 北部属暖温带半湿润地区, 南部属亚热带湿润区, 年平均气温为11~16 ℃, 并呈现出自南向北逐渐递减趋势(Xia et al., 2011).流域总体地势西高东低, 拥有着复杂多变的地貌形态, 其中主要以平原为主, 约占全流域面积的54.7%(Wang et al., 2015).流域内降水时空分布特征明显, 南多北少, 沿海多于大陆, 山区多于平原, 多年平均降水量约为878 mm(Wang et al., 2015).全流域闸坝众多, 渠道化严重, 水质恶化问题突出(蒋艳等, 2014；Wang et al., 2015).

本研究在淮河流域典型河段9个关键断面布设采样点(图 1), 于2014年8月(夏季)、11月(秋季), 2015年1月(冬季)和4月(春季)进行水样和底栖动物样品的采集.

图 1(Fig. 1)

图 1 淮河流域关键断面分布示意图(XX：息县, WJB：王家坝, JS：界首, YS：颍上, LTZ：鲁台子, MC：蒙城, BBZ：蚌埠闸, XLX：小柳巷, SX：寿县) Fig. 1 Schematic diagram of key sections in the Huai River Basin (XX: Xi Xian, WJB: Wang Jia Ba, JS: Jie Shou, YS: Ying Shang, LTZ: Lu Tai Zi, Meng Cheng, BBZ: Beng Bu Zha, XLX: Xiao Liu Xiang, SX: Shou Xian)

采集水面下0.5 m处的水样于500 mL的聚氯乙烯瓶中, 并现场使用便携式水质参数仪(型号：YSI 6600) 测定溶解氧(DO).采集的水样中加入适量保护剂后避光冷藏保存后运送至实验室进行水质分析.用碱性过硫酸钾消解-紫外分光光度法测定总氮(TN), 纳氏试剂分光光度法测定氨氮(NH₃-N), 硫酸钾消解-钼酸铵分光光度法测定总磷(TP), 高锰酸钾法测定化学需氧量(COD_Mn), 具体水质分析方法主要参照相关国家标准(水和废水分析检测方法第四版).

利用直径30 cm、60目孔径尼龙纱D型网(D-frame net)在采样断面采集底栖动物样品.采集时, 每个样点应在100 m长河段内的可涉水深度, 按照不同生境条件出现的比例进行样品采集, 点位的采样样方均介于3~10个, 则采样面积约为0.9~3.0 m².被采集的底栖样品首先用孔径为500 μm的分样筛筛洗掉污泥并捡出石子等无机杂质, 然后将生物样品完全转移到封口袋中并加入75%的乙醇溶液固定, 若肉眼初步鉴定有寡毛类生物存在, 改用7%的甲醛溶液固定生物样品后带回实验室鉴定分析.在实验室体式镜(LEICA MZ 95) 下进行鉴定分类和计数.鉴定时, 所有生物个体均被鉴定到最低分类单元, 通常为属级；但其中软体动物可以鉴定至种, 寡毛类鉴定至纲, 甲壳纲鉴定到科或属(刘月英等, 1979；Morse et al., 1994).

基于RIVPACS模型计算获取的O/E指数是通过测量物种组成完整性来进行水质生物评价.O/E指数是监测点位的物种丰富度的真实观测值(O)与物种丰富度期望值(E)之比(Hawkins et al., 2000; 张杰等, 2011).具体计算过程(陈凯, 2014)：① 确定参照点位(在我国东部地区一共选择了55个参照点位, 其中34个小流域点位, 17个中等流域点位, 4个大流域点位), 参照点位数据来源于南京农业大学王备新教授课题组, 其在淮河流域的适用性在陈凯等(2016)研究中已证实；并利用聚类分析根据参照点位的生物组成信息将参照点位区分为不同的点位类群；② 利用随机森林模型(RF), 通过自然预测因子预测监测点位属于① 中不同参照点位类群的点位可能性；③ 利用物种的出现/不出现数据, 计算区域物种库中所有的物种属于每个参照点位类群的物种可能性；④ 利用(2) 中的点位可能性加权③ 中的物种可能性, 计算监测点位中每个物种可能被采集到的概率(Probability of capture, p_c), p_c值越大, 说明物种出现的可能性越高, p_c值越小, 说明物种出现的可能性越低；⑤ 设定不同大小的p_c阈值(0或0.5), 将监测点位中大于设定的p_c阈值的出现物种的p_c值相加, 得到该监测点位的物种丰富度期望值(E), 同时, 将点位内所有的大于设定p_c阈值的真实观测物种的p_c值相加, 得到该点位的物种丰富度观测值(O)；⑥ 计算O/E值, 理论上介于0~1之间；⑦ 判断监测点位受干扰的程度, 当O/E值远远偏离1时, 表明该点位缺少一些生物类群, 生物完整性状况较差(Hawkins et al., 2000; Hawkins and Carlisle, 2001).

流域水生态健康状况受到多种因素的影响, 如土地利用现状、水环境污染现状、水文水动力状况及人类干扰等(孔红梅等, 2002；Merritt et al., 2008).综合考虑这些影响因素, 结合国内外河流健康评价体系构建方法, 再根据淮河流域生态环境现状, 用层次分析方法选取代表性的指标构建了淮河流域水生态健康评价指标体系(表 1).

表 1(Table 1)

表 1 淮河流域关键断面生态健康评价指标体系 Table 1 Ecosystem health assessment indices system of key sections in the Huai River Basin

表 1 淮河流域关键断面生态健康评价指标体系 Table 1 Ecosystem health assessment indices system of key sections in the Huai River Basin

该体系共设两个准则层：化学层和生物层.化学层中主要包括营养盐和氧平衡两个因素层, 其中氮、磷是引起河流富营养化的主要污染物.当藻类大量繁殖时, 不仅使水生生物群落结构及种类数量发生急剧变化, 破坏水生态系统平衡, 且容易改变水体中原有的氧平衡状态, 扰乱水生生物的活力及水体的自净能力.而水体中有机物, 氨氮浓度过高, 易消耗水中溶解氧的浓度, 导致河流黑臭.因此, 将总氮(TN)、总磷(TP)、溶解氧(DO)、氨氮(NH₃-N)和高锰酸盐指数(COD_Mn)纳入生态健康评价体系中有助于提高评价结果的准确性.大型底栖无脊椎动物是水生食物链中的关键环节, 对水环境状况的变化响应敏感.因此, 在生物层中将大型底栖无脊椎动物作为因素层, 用总分类单元数(T)、生物多样性指数(H)和优势度指数(D)作为健康评价体系中指标层.

综合上述化学和生物指标, 计算综合指数.首先, 为消除不同指标之间存在的量纲差异, 应对各个指标进行标准化处理.对于TN、TP、NH₃-N和COD_Mn指标应按公式(1) 标准化, 对于DO指标应按公式(2) 标准化, 对于D指标应按公式(3) 标准化, 对于T和H指标应按公式(4) 标准化.健康评价综合指数计算根据公式(5) 获取, 其中各指标因子采用等权重计算, 修正值通过加权平均法及参考评价标准范围设定.

(1)

(2)

(3)

(4)

式中, S₁、S₂、S₃和S₄分别是各个指标标准化处理后的值；C_min、C_max分别是地表水环境质量标准(GB3838—2002) 中Ⅰ~Ⅴ类中相应指标的最小值和最大值；Q₅、Q₉₅分别是所有采样点生物数据的5%和95%分位数；C、M是各监测点水质指标和生物指标的实测值.

(5)

式中, I为综合指数值(0.8~1.0为健康、0.6~0.8为亚健康、0.4~0.6为一般、0.2~0.4为差、< 0.2为极差)；i_x为因素层指标的得分值；a为修正值, 本文计算取a=0.5, 两个准则层, 取n=2；各因素指标层的具体计算见公式(6)~(9).

(6)

(7)

(8)

(9)

式中, i_C、i_B分别为化学层和生物层指标得分值；i_N、i_O分别为营养盐指标和氧平衡指标得分值；S_TN、S_TP、S_DO、S_NH3-N、S_CODMn、S_T、S_H和S_D分别是各个相应指标标准化处理后的值.

2014—2015年度淮河流域9个关键断面的4次调查共获得1245个底栖动物, 分属40个分类单元, 隶属于3门6纲27科.其中软体动物门、环节动物门和节肢动物门分别占总分类单元数的40%、7.5%和52.5%；软体动物门中腹足纲占75%, 节肢动物门中昆虫纲占85.71%.

夏季(图 2a)共鉴定出506个底栖动物, 分属19个分类单元.其中包括软体动物门(Mollusca)9种、环节动物门(Annelida)1种、甲壳纲(Crustacea)3种和昆虫纲(Insecta)6种；生物个体数上以甲壳纲为主, 占73.66%, 其次软体动物门占19.11%.米虾属(Caridina)的相对丰度值在WJB、XLX和BBZ处分别达到12.48%、23.52%和20.41%, 其余生物在各站点处的相对丰度均在0~10%之间.在约55%的相似度处采样点被分为3类：第1类仅包括XX, 第2类包括WJB、YS和MC, 第3类包括JS、XLX、BBZ、LTZ和SX.其中WJB处采集到8种底栖动物, 为最多；其次, XLX采集到7种；而XX仅采集到1种.

图 2(Fig. 2)

图 2 淮河流域关键断面夏季(a)、秋季(b)、冬季(c)和春季(d)底栖动物群落结构组成 Fig. 2 Macroinvertebrate community structure of key sections in the Huai River Basin in summer (a), autumn (b), winter (c) and spring (d)

秋季(图 2b)共鉴定出180个底栖动物, 分属19个分类单元.其中包括软体动物门9种、环节动物门1种、甲壳纲2种和昆虫纲7种；生物个体数上仍然以甲壳纲为主, 占47.56%, 其次昆虫纲占37.44%.在XLX采集到较多钩虾科(Gammaridae)和直突摇蚊属(Orthocladius), 相对丰度值分别为16.17%和16.77%, 其余生物在各站点处的相对丰度均在0~10%之间.在约40%的相似度处采样点被分为3类：第1类仅包括XX, 第2类包括SX、YS和LTZ, 第3类包括XLX、WJB、MC、JS和BBZ.其中XLX和SX均采集到7种底栖动物, 为最多；其次, YS、JS和BBZ均采集到5种；而XX未采集到底栖动物.

冬季(图 2c)共鉴定出395个底栖动物, 分属14个分类单元.其中包括软体动物门4种、环节动物门1种、甲壳纲3种和昆虫纲6种；生物个体数上以昆虫纲为主, 占83.97%, 其次环节动物门占9.29%.寡毛纲(Oligochaeta)、环足摇蚊属(Cricotopus)和真开氏摇蚊属(Eukiefferiella Thienemann)在较多点位中出现, 其中环足摇蚊属在SX处的相对丰度值达到21.37%, 真开氏摇蚊属在XLX处的相对丰度值达到36.24%, 其余生物在各站点处的相对丰度均在0~10%之间.在约45%的相似度处采样点被分为3类：第1类仅包括XX、WJB和XLX, 第2类包括YS和LTZ, 第3类包括MC、JS、BBZ和SX.其中XLX和SX均采集到7种底栖动物, 为最多；其次, LTZ采集到5种；而WJB仅采集到1种.

春季(图 2d)共鉴定出164个底栖动物, 分属18个分类单元.其中包括软体动物门4种、环节动物门3种、甲壳纲3种和昆虫纲8种；生物个体数上以甲壳纲为主, 占48.04%, 其次昆虫纲占30.76%.所有采样点中仅米虾属出现频率较高, 但相对丰度值较小, 而钩虾科仅在XLX出现, 但相对丰度值达12.5%, 其余生物在各站点处的相对丰度均在0~10%之间.在约40%的相似度处采样点被分为4类：第1类仅包括XX和WJB, 第2类包括YS、LTZ、BBZ、XLX和SX, 第3类包括JS, 第4类包括MC.其中XX采集到7种底栖动物, 为最多；其次, LTZ采集到6种；而SX仅采集到1种.

将O/E模型应用到淮河流域关键断面生态健康评价中, 预测四季所有监测点位的物种丰富度期望值, 并根据监测点位的物种丰富度观测值计算O/E值, 通过生物组成完整性对河流断面生态健康进行评价.从图 3可以看出, 淮河流域关键断面物种丰富度观测值均较低, 而O/E模型计算得出夏、秋、冬和春四季监测点位在p_c≥0和p_c≥0.5的条件下, 物种丰富度期望值分别约为25、25、30、30和9、9、13、13, 物种丰富度观测值均显著低于期望值, 且不同季节上物种丰富度期望值在一定的范围内波动.在p_c≥0的条件下, O值最小为0, 出现在夏季的XX和秋季的XX, 其余点位的O值均大于0且小于5, 最大值主要出现在WJB、XLX、JS、SX, 其中, XLX在夏、秋、冬3个季节的O值均达到最大, 而春季各站点的O值范围为1~ 4.在p_c≥0.5的条件下, O值最小仍为0, 主要出现于夏季的XX、JS、LTZ、BBZ, 秋季的XX、YS、LTZ, 春季的YS、LTZ、BBZ、SX, 而冬季各站点的O值范围为1~ 3.

图 3(Fig. 3)

图 3 淮河流域关键断面在pc≥0和pc≥0.5阈值条件下夏季(a)、秋季(b)、冬季(c)和春季(d)的物种丰富度观测值和期望值 Fig. 3 Observed and expected species richness under the threshold of pc≥0 and pc≥0.5 in summer (a), autumn (b), winter (c) and spring (d) in the key sections of Huai River Basin

纵观O/E模型评价结果(图 4), 无论是根据O/E₀还是O/E₅₀(O/E₅₀是剔除稀有物种后的计算值, 避免稀有物种的出现干扰评价结果的准确性), 淮河流域9个关键断面4季健康状况均处于差或极差的状态, 尤其春季所有断面都处于极差的健康状态, 且冬季除XLX和SX外, 其余站点O/E值均较低, 基本在0.05左右.从空间监测点位来看, WJB和XLX在夏秋季健康状况相对好于其它断面, 而XX、YS、LTZ这3个断面在全年四季的健康状况都处于极差的状态, 其中, 尤其XX断面处的O/E₀和O/E₅₀值都为0, 健康状况为最差, 在冬季和春季健康状况有所改善.

图 4(Fig. 4)

图 4 淮河流域关键断面在pc≥0和pc≥0.5阈值条件下夏季(a)、秋季(b)、冬季(c)和春季(d)的模型后O/E值 Fig. 4 Values of modeled O/E when pc≥0 and pc≥0.5 in summer (a), autumn (b), winter (c) and spring (d) in the key sections of Huai River Basin

淮河流域受城市和工业污染严重, 关键断面水质分析发现总氮浓度较高, 超过地表水Ⅴ类标准, 对水生态健康状况产生不利影响.根据化学-生物综合指数的健康评价结果(图 5)可以看出, 淮河流域关键断面的生态健康状况整体处于较差的等级.从时间轴上来看, 淮河健康状况整体呈现出夏季>秋季>冬季>春季的趋势, 其中个别断面如JS, 冬季健康状况要差于春季；从空间轴上来看, JS处的综合指数值最小, 健康状况最差, YS和LTZ的生态健康状况位其次, XLX在所有监测点位中表现出相对较好的健康状况.

图 5(Fig. 5)

图 5 淮河流域关键断面化学-生物综合指数健康评价结果 Fig. 5 Health assessment results based on chemical-biological integrated index in the key sections of Huai River Basin

底栖动物群落具有整合不同时间和空间尺度上物理、化学和生物综合效应的功能, 能够准确有效地反映多种生态胁迫对水生态健康的累积效应(李强等, 2007；唐涛等, 2002), 是预测水环境质量变化及评价河流健康的重要指示生物之一(Niemi and Mcdonald, 2004; 王备新等, 2005), 其群落结构组成及单个物种丰度值随水环境因子的变化存在显著差异性(Mereta et al., 2012; 任海庆等, 2015).淮河流域是我国七大水系中水质污染较为严重的水系, 突发污染事件频发.已有研究表明：淮河流域整体受到严重的氮磷及有机物污染, 尤其在沙颍河及部分其他河段水质已处于劣Ⅴ类标准(Zhao et al., 2012；胡金等, 2015).本研究调查结果也与已有研究结果一致, 高浓度营养盐与有机物是部分河段形成黑臭和富营养化的主要诱因, 这不仅直接导致了周边居民及工农业的用水危机, 而且严重威胁底栖动物的赋存.水质恶化可显著影响底栖动物多样性, 一些适合清洁水体的物种会因水质恶化而消失, 耐污种取而代之成为优势物种.国内外研究表明：水质恶化也是底栖动物群落结构发生变化的一个重要原因.任淑智(1991)指出底栖动物的多样性指数与水体中溶解氧呈显著正相关关系.Buss等(2002)也指出水体溶解氧的变化是底栖动物群落结构改变的主要驱动因子.吴东浩等(2010)在确定太湖流域西苕溪上游水域大型底栖动物河流营养盐浓度阈值中, 发现总氮和总磷的浓度突变点分别为1.1409 mg·L^-1和0.1033~0.1035 mg·L^-1, 当水体中总氮和总磷浓度超过各自阈值后会导致底栖动物群落结构的严重退化.王备新等(2007)也指出总氮和总磷是太湖流域上游水系地区底栖动物群落变异的主要驱动因子.Bourassa和Morin(1995)研究也表明底栖动物丰度随总磷浓度的变化而变化.当水体中有机物浓度过高, 必将引起水体溶解氧浓度下降, 同时也会导致河流黑臭, 对生物群落结构的变异也具有显著影响.因此, 对于淮河流域空前所面临的水生态问题, 需严格控制流域范围内点源及面源污染的输入, 逐步提升水体质量是首要任务；同时, 生境保护对生物多样性保护也具有重要意义.

O/E指数进行河流生态健康评价的实质是通过比较监测点位的物种丰富度组成与受人为干扰较小的参照点位的物种丰富度组成之间的“距离”(Hawkins et al., 2000; Hawkins and Carlisle, 2001；陈凯等, 2016), 但在实际应用中还存在着许多不足且其准确性受到诸多客观因素的影响.要实现对河流健康的准确评价, 还需从技术、方法等方面进行深入的研究.评价标准、参照点位和生物数据一直是O/E模型生态健康评价结果准确性的关键性因素(张方方等, 2011).淮河流域范围较大, 部分河段两岸有的已被显著硬质化, 既有受点源面源污染严重的河段, 又有受到频繁采砂活动的河段.然而, 对于受不同人为干扰类型的河段仍使用统一的底栖动物评价标准将对评价结果产生影响.其次, 评价过程中, 参照点位的选择也是结果准确度高低的关键因素, 理论上是将与自然条件相似的且未受污染的区域作为参照点位, 而在我国, 特别是东部地区, 很难寻找到未受污染的自然区域, 因此, 对于淮河流域参照点位的数据选择, 直接关系到评价结果的准确性.同时, 参照点位的选择也没有统一的标准, 这也是导致评价结果存在差异的原因(Simpson et al., 2000；Hawkins et al., 2000).再者, 参照点位的多少也会影响评价结果的准确性, 已有研究表明点位数越多, 结果将越准确(张杰等, 2011).然而, 因该方法具有可应用于不同生态区的优点, 只要获取底栖生物数据即可对不同河流生态区开展健康评价, 在国外河流管理中受到广泛应用.但其受到上述影响因素的限制, 且默认将所有的生态胁迫都归结到物种变化上导致该方法在国内还没有得到大范围推广使用(唐涛等, 2002；Van Sickle et al., 2007；戴纪翠等, 2008).张颖等(2014)研究中采用底栖动物完整性B-IBI指数对淮河流域水生态健康评价的结果与O/E指数评价结果趋于一致, 再次证实O/E指数法在淮河流域健康评价中的适用性.

淮河流域是我国粮食主产区, 人口密集, 是我国七大水系中受人类活动干扰较严重的流域(胡金等, 2015), 水环境生态系统功能退化成因较为复杂.因此, 构建多指标生态健康评价体系适合淮河流域生态现状.本研究中, 各监测断面化学-生物综合指数健康评价结果与O/E指数评价结果基本一致, 客观揭示了各断面的健康状况.用综合指数法评价时, 夏季健康状况优于其他季节, 可能是因为夏季丰水期, 水量大, 对污染物浓度具有稀释作用, 降低了水质污染对生态健康的风险.而其他季节水质及生物状况都不理想, 导致综合指数得分不高, 健康状况都较差.淮河流域水质恶化不仅直接影响了水资源利用, 而且对底栖动物的赋存也产生严重威胁, 间接破坏了水生态平衡, 已有研究表明, 水环境因子对底栖动物的影响非常复杂, 不仅存在的环境胁迫因子众多, 而且各因子对不同底栖动物类群的作用相异(任海庆等, 2015).胡金等(2015)研究中采用化学-生物综合指数法对沙颍河流域生态健康评价结果中指出：城市和工业排污是流域水生态健康的主要原因.如果单纯以生物数据代表所有河流生态系统服务功能, 具有片面性, 容易忽略没有反映在底栖生物上的生态压力.因此, 在河流健康评价过程中, 结合水质与生物数据, 筛选具有代表性的指标构建综合评价体系, 有助于提高评价结果的准确性和全面性.该方法较O/E模型来看, 具有全面性和灵活性, 避免了O/E模型法中始终不变的底栖动物评级标准所带来的误差.目前, 很多研究者都在研究环境因子与底栖动物之间的响应关系, 研究结果不仅可以帮助我们深入理解污染物质的生态效应, 而且可以对科学筛选纳入到评级体系中的化学指标具有重要意义(Chen et al., 2013; 任海庆等, 2015).此外, 也有很多研究者已从气候条件和土地利用等方面开展了底栖动物群落结构及多样性变化的研究(Rose et al., 2008; Miserendino and Masi, 2010), 也初步建立了它们与生物之间的定量化关系, 但定量化还不够深入, 仍然需要结合化学指标才能阐明关系.因此, 在淮河流域同时采用O/E模型与化学-生物综合指数评价法具有很好的互补性, 更能全面反映河流健康状况.

1)O/E模型生态健康评价结果显示淮河流域9个关键断面健康状况全年均处于差或极差状态.四个季节各站点的O/E值远远小于1, 冬春季各站点O/E值都相对较低, 健康状况极差；夏秋季仅WJB和XLX处的O/E值相对较高.

2) 化学-生物综合指数健康评价结果显示淮河流域9个关键断面健康状况除夏季外整体处于差或极差的状态.健康状况整体呈现出夏季>秋季>冬季>春季的趋势；JS处的综合指数值最小, 健康状况最差, XLX处综合指数较大, 健康状况相对较好.

3)O/E模型健康评价结果与化学-生物综合指数健康评价结果整体一致, 具有良好的互补性和互验作用.综合分析来看, 水质恶化是淮河流域水生态系统健康状况较差的重要因素, 提升水环境是流域水生态修复的关键.