-
近年来,我国污水处理出水标准不断提高,主要是针对氮、磷去除要求日趋严格。然而,我国市政污水普遍存在进水碳源不足以完成生物脱氮除磷的问题。为此,实践中大多通过外加碳源与化学药剂分别进行生物脱氮和化学除磷,这会导致资源消耗、能耗过高。为此,可借鉴荷兰已应用的一种厌氧上清液侧流磷回收强化主流脱氮除磷工艺BCFS[1]。其中,厌氧池相当于磷的“浓缩器”,将进水普遍较低的磷质量浓度(3~6 mg·L−1,以P计)以过量释磷方式提高至20~40 mg·L−1[2]。将厌氧池部分上清液引出,以侧流添加药剂实现磷沉淀并回收,可很容易去除约50%进水磷负荷;同时,这部分上清液再回流至后续主流缺氧、好氧单元,相当于为脱氮除磷所需碳源减负,使COD/N与COD/P比值提高,即与外加碳源作用异曲同工[3]。
此前的研究与应用已基本确定了侧流磷回收单元对主流脱氮除磷的强化作用,但需进一步解析该工艺的作用机理与最佳工况。为此,本研究通过实验验证方式探求了最佳侧流比及药剂投加量,考察了磷回收对主流脱氮除磷效果的影响,以期揭示侧流磷回收强化主流脱氮除磷的过程及机理。
-
实验主流系统采用变型UCT(BCFS)工艺;系统设计流量(Q)为500 L·d−1,水力停留时间(HRT)为18.8 h,各反应池容积见图1。侧流磷回收单元包括1个厌氧池内物理泥水分离区和侧流药剂混凝区,侧流比例qs为侧流水量与进水量之比(Qs/Qin)。设计进水采用人工配水,COD值依工况选定,有机成分以乙酸钠、葡萄糖及胰乳蛋白胨为主。配水各污染物浓度参数详见表1。
-
实验中COD采用重铬酸钾法并利用自动电位滴定仪测定;TN、
NH+4 -N、NO−3 -N分别采用碱性过硫酸钾/紫外分光光度法、纳氏试剂比色法、盐酸+氨基磺酸比色法测定;TP、PO3−4 -P采用钼酸铵分光光度法;pH、DO、ORP、MLSS、MLVSS、SVI等参数采用《水和废水监测分析方法(第四版)》方法测定;Ca2+、Mg2+利用ICP-OES仪器测定[4];释磷、吸磷作用活性、硝化、反硝化作用活性采用标准方法测定[5];EPS提取采用高温碳酸钠法[6];胞外多糖、蛋白质采用苯酚硫酸法、Lorry法[7-8];微生物丰度利用16S rRNA基因与宏基因组测序。 -
BCFS反应器不同工况运行及进出水水质变化见图2。可以看出,以进水COD为450 mg·L−1启动运行,污泥质量浓度(MLSS)保持约在3 000 mg·L−1。当反应器出水COD、N、P等指标达到并稳定于理想值(一级A标准)后,逐渐开始降低进水COD值(350、250 mg·L−1),同时保持进水N、P不变,目的是考察低碳源污水情况下出水N、P恶化情况,并由此启动侧流磷回收工艺单元。结果表明,当进水COD值降为250 mg·L−1后,出水N、P质量浓度开始升高,由COD≥350 mg·L−1时的满足一级A标准突然增至出水TN为(27.0±9.4) mg·L−1、TP为(2.6±1.2) mg·L−1。这说明此时进水COD不足,已成为脱氮除磷限制性因素。由此启动侧流磷回收系统,以qs为15%~30%分别考察侧流磷回收后出水N、P的优化作用。
当侧流磷回收qs为15%时,在其他进水条件(COD为250 mg·L−1)与运行工况不变情况下,出水TP下降最为明显,由(2.6±1.2) mg·L−1立刻下降至(0.5±0.1) mg·L−1(降幅达80%);TN下降虽不及TP,但TN也由(27.0±9.4) mg·L−1下降至(16.1±1.9) mg·L−1,降幅为40%。继续加大侧流流量(qs=30%)运行,出水TN为(12.2±2.2) mg·L−1、TP为(0.2±0.2) mg·L−1,说明侧流强化作用随qs加大而增加。
根据前期磷回收研究[9]结果,侧流磷回收将不再聚焦鸟粪石(MAP,Mg(NH4)PO4·6H2O),代以常见而又容易形成的羟基磷灰石(HAP,Ca5(PO4)3OH),可充分利用原水中的Ca2+,只需调节pH。小试实验利用NaOH确定最佳pH。如图3所示,当pH>9.0时,磷酸盐(
PO3−4 -P)可被迅速沉淀;当pH>10.0时,上清液残留PO3−4 -P质量浓度可降至低于1.0 mg·L−1。因此,确定实验pH为9.5~10.5。化学侧流磷回收可间接提高COD/P、COD/N,对主流脱氮除磷具有明显的提升效果。为此,从反应器运行过程的参数、反应速率及微生物种属变化等多角度辨析其深层次强化作用机理。
-
NH+4 -N去除率的提高可能是加入化学侧流磷后引入了部分碱度,不同阶段内好氧池平均pH与出水NH+4 -N浓度变化见表2。在运行初期(阶段Ⅱ),碳源(COD为450 mg·L−1)充足条件,好氧池pH处于6.93±0.5,该过程可由反硝化作用补充部分碱度,硝化作用正常进行,出水NH+4 -N质量浓度接近于0 mg·L−1。当COD降低为350 mg·L−1(阶段Ⅲ),碳源略显不足,从而导致反硝化受限,补充碱度降低,pH下降6.73±0.5,使得出水NH+4 -N略微攀升至(0.6±1.0) mg·L−1。在第Ⅳ阶段内,碳源(COD为250 mg·L−1)明显不足,反硝化作用明显减弱,补充碱度严重不足,pH下降至6.38±0.2,出水NH+4 -N质量浓度明显提高至(2.9±3.7) mg·L−1。侧流磷单元外加药剂提供碱度可明显提高侧流pH,磷回收后上清液进入主流亦可提高系统碱度,导致pH升高(阶段Ⅴ~Ⅶ),可明显促进硝化反应,使出水NH+4 -N质量浓度降低(表2)。另一方面,侧流磷回收因间接提高主流C/N比,强化了反硝化作用,也可提升碱度。 -
为从微生物代谢角度深入探究侧流磷回收强化主流脱氮除磷效果作用机理,测定了开展侧流磷回收前后活性污泥释磷潜力、反硝化以及硝化作用活性,以比较分析前后微生物反应速率,结果见表3。在COD为450 mg·L−1(阶段II)的运行条件下,活性污泥释磷、吸磷速率分别为9.5 mg·(g·h)−1和11.3 mg·(g·h)−1(每克生物量1 h内造成P变化量);而当进水COD降低至250 mg·L−1 (阶段IV)时,释磷和吸磷速率分别降低至4.3 mg·(g·h)−1和3.3 mg·(g·h)−1。这充分说明,碳源不足会导致磷细菌(PAOs)活性降低,除磷能力变差。但实施侧流磷回收(qs为15%)后,释磷和吸磷速率分别回升至7.0 mg·(g·h)−1和5.7 mg·(g·h)−1,意味着侧流磷回收有助于主流PAOs恢复活性。但继续增加侧流比至qs为30%,释磷和吸磷速率不升反降,分别为5.5 mg·(g·h)−1和5.5 mg·(g·h)−1。反观相同时期PAOs对乙酸厌氧吸收速率,侧流比qs为15%时由7.9 mg·(g·h)−1(每克生物量1 h内造成C变化量)恢复至9.6 mg·(g·h)−1;当提高侧流比qs升至30%后,又降低至8.3 mg·(g·h)−1。
综合以上结果,当侧流比为15%,活性污泥释磷、吸磷活性会因侧流磷回收而逐渐提高,意味着PAOs菌群丰度上升或者其代谢在与聚糖菌(glycogen accumulating organisms, GAOs )竞争中占据优势。然而,过高侧流亦会导致PAOs活性降低,表现为磷负荷降低所引起的生物除磷强度减弱。侧流磷回收会导致PAOs细胞内多聚磷酸盐(poly-P)含量下降,使其代谢途径发生变化;当poly-P含量降低至无法提供足够能量时,PAOs则会提高糖原利用程度来获得能量,糖原厌氧分解以及好氧合成量均有所增长[2,10-11]。本研究结果表现出类似GAOs的代谢特征,即较低污泥含磷率会促进PAOs由磷酸盐积累代谢(PAM)向糖原积累代谢(GAM)模式转变[11]。
由硝化速率测定结果可知,碳源降低导致硝化速率由14.7 mg·(g·h)−1(每g生物量1 h内造成N变化量)降低至仅5.9 mg·(g·h)−1;而分别实施15%和30%侧流比后,硝化速率迅速回升至9.8 mg·(g·h)−1和10.2 mg·(g·h)−1,表现为硝化菌活性的提高。反硝化速率测定结果显示,COD为250 mg·L−1所对应反硝化速率由COD为450 mg·L−1时的9.6 mg·(g·h)−1(每g生物量1 h内造成N变化量)降至3.8 mg·(g·h)−1,这意味着碳源降低大大限制了反硝化作用。但在实施15%侧流比后,对应反硝化速率回升至7.4 mg·(g·h)−1,表明化学侧流磷回收在一定程度上可促进反硝化能力。
-
解决碳源不足问题无外乎外加碳源和充分利用或节省碳源。前者虽然简单、有效,但存在药剂成本增加、剩余污泥量增加的缺点;此外,大量碳源消耗也会造成间接碳排放量增加。因此,充分利用已有碳源更具有实际意义。其中,工艺中发挥反硝化除磷作用已被广泛应用,因为反硝化除磷可节省50%COD和30%曝气量[12]。事实上,本实验采用的BCFS流程便是按照反硝化除磷工艺设计。
为更直观地审视反硝化除磷菌(DPB)与常规PAOs在侧流前后的除磷作用,绘制图4进行比较。DPB主要作用于缺氧池和混合池,而常规PAOs只能在好氧池完成吸磷。由图4可见,在碳源充足的阶段Ⅱ时,DPB贡献(61%)高于常规PAOs细菌(39%),为系统中主要除磷贡献者。但降低碳源后的阶段Ⅳ后,DPB除磷贡献率高达95%,常规PAOs基本丧失除磷能力。这主要是因为进水低碳源会限制常规PAOs细菌代谢活性,导致DPB优势明显。实施侧流磷回收后,DPB吸磷率降低,从95%分别下降至53%(qs=15%)和46%(qs=30%)。这意味着侧流磷回收的介入使COD限制逐渐解除,常规PAOs活性有所恢复,并直接反映在上述释磷吸磷结果中。
-
评价污泥性能的参数还有沉降性能、胞外聚合物(EPS)等指标,结果汇总于表4。污泥SVI 值在COD为250 mg·L−1时为70 mL·g−1,沉降效依然良好,但实施侧流磷回收后致使SVI开始上升,在侧流比为15%和30%时分别至134 mg·L−1和162 mg·L−1。这是因为,随着进水碳源浓度降低,导致系统MLSS由COD为450 mg·L−1时的3 800 mg·L−1下降至COD为250 mg·L−1时的3 000 mg·L−1,因此,也就导致污泥胞外聚合物(EPS)产量和成分发生改变。
不同阶段下EPS产量及成分亦显示于表4。其中,碳源降低确实导致EPS产量下降,由初始阶段Ⅱ时(165.5±3.0) mg·g−1(以污泥VSS计)下降至阶段Ⅳ时(137.8±13.2) mg·g−1;与此同时,胞外多糖含量也随之下降,但胞外蛋白质上升,蛋白质与多糖比(PN/PS)亦升高,直接反映在良好的污泥沉降性能SVI[13]。随侧流磷回收的介入,尽管仍然为低碳源进水,但此时EPS产量开始增加。结合上述PAOs活性测定结果可看出,侧流磷回收提高了污泥活性,使物质和能量代谢变强,结果生成了较多EPS[14]。
衡量结构性EPS物质发现,侧流磷回收导致污泥EPS中结构性物质占比降低,由未侧流工况下的(687±9.6) mg·g−1(以EPS计)降低至侧流后的(470±7.3) mg·g−1(以EPS计, qs为15%),甚至(435.2±1.6) mg·g−1 (以EPS计, qs为30%)。这可能是因为侧流磷回收对细菌活性影响仅是针对脱氮除磷效率,而对细菌同化(细胞合成)等作用有限,致使污泥并不能有效合成胞外结构性物质,从而使污泥絮体密实度降低,形态松散,沉降性能较差[15]。
此外,随着侧流磷回收的介入,磷被大量去除,污泥中PAOs和GAOs微生物逐渐转变为多糖代谢模式,胞外多糖含量升高。这种粘性很强的高度亲水化合物(多糖类物质)也会导致污泥EPS结构松散,结合水异常增多,污泥压缩性能恶化,最终致污泥沉降性能下降[16]。
-
不同阶段内微生物纲水平和种属水平结果分别总结于图5和表5。因进水碳源浓度变化和侧流的介入,系统内微生物发生一定程度的改变。在阶段Ⅱ时,系统内微生物群落主要以γ-变形菌纲(Gammaproteobacteria)、拟杆菌纲(Bacteroidia)和芽胞杆菌纲(Bacilli)为主;降低进水碳源后(阶段Ⅳ)微生物群落主要为γ-变形菌纲(Gammaproteobacteria)37.3%和拟杆菌纲(Bacteroidia)17.3%;而化学侧流介入后(阶段Ⅶ后),主流微生物群落也仍主要以γ-变形菌纲(Gammaproteobacteria)和拟杆菌纲(Bacteroidia)为主,但其丰度发生改变。
从表5中微生物种属水平结果可见,系统硝化菌属主要以亚硝化单胞菌(Nitrosomonas)和硝化螺菌(Nitrospira)为主[14],碳源充足时二者占比分别为0.39%和0.45%;碳源降低后其丰度有所下降,但加入侧流后其丰度恢复甚至提高至0.68%和0.66%,这与上述硝化细菌活性测定结果相一致。
分析系统内主要反硝化细菌种属,碳源充足时系统内主要反硝化种属占比高达20.44%,主要为束毛球菌属Trichococcus和Dechloromonas、Dokdonella[17];而碳源降低后反硝化种属占比降低至15.09%,主要为束毛球菌属Trichococcus和Terrimonas,这意味着碳源不足限制了反硝化细菌增殖代谢。引入侧流后,反硝化菌属丰度上升至17.18%,表明侧流磷回收可以间接提高主流C/N,从而实现反硝化细菌增殖。
当系统中碳源充足时,系统内PAOs主要以Candidatus_Accumulibacter和Acinetobacter细菌为主,其占比分别达到1.60%和1.86%,而Tetrasphaera细菌占比相对较少,仅为0.62%;当碳源不足时,则PAOs相对丰度大大降低,Candidatus_Accumulibacter和Acinetobacter细菌的相对丰度仅为0.43%和0.02%,但此时Tetrasphaera细菌相对丰度却提高至0.76%。在启动侧流后,聚磷菌Candidatus_Accumulibacter和Acinetobacter相对丰度恢复至0.69%和0.13%,而Tetrasphaera细菌相对丰度进一步提高至0.87%。系统与PAOs竞争碳源的GAOs(主要为Candidatus Competibacter细菌)[18]相对丰度较高,超过10%,且会随着碳源浓度降低而相对丰度逐渐降低,即使是侧流介入也并不能改变其降低趋势,这说明侧流介入与直接投加碳源不同,其不会助长GAOs。需要指出的是:系统内的DPB主要以Caldilineaceae细菌为主[19],随进水碳源浓度降低其相对丰度逐渐升高,该细菌占比由初始时3.31%上升至5.29%,且侧流介入进一步促进其丰度增加至6.85%。该结果与上述评价DPB除磷贡献的结果相符。
-
1)通过实验确定出最佳侧流比为15%,调节侧流上清液pH至9.5~10.5即可实现较高的回收效率,保证出水达标。
2)侧流磷回收单元pH调节可以补充主流工艺碱度,维持主流硝化作用正常进行;侧流磷回收也会改变污泥沉降性能和污泥EPS含量,但并不会严重影响系统稳定性。
3)侧流磷回收可以强化主流聚磷菌(PAOs)释磷、吸磷活性,同时也可以提高硝化、反硝化作用活性,从而提高主流脱氮除磷能力;同时,侧流磷回收特别有助于反硝化除磷作用,为强化低碳源污水脱氮除磷的重要手段。
4)侧流磷回收长期运行将导致主流工艺细菌活性与丰度发生变化,主要是影响聚磷菌、反硝化细菌以及反硝化除磷细菌,这是侧流强化主流脱氮除磷的根本原因。
侧流磷回收强化主流脱氮除磷微观现象评价
Evaluation of microcosmic phenomena on enhancing main-stream biological nutrient removal by side-stream phosphate recovery
-
摘要: 在低碳源污水脱氮除磷时外加碳源虽然明显有效,但这会增加运行费用,且增加间接碳排放量。为此,考虑侧流磷回收强化主流脱氮除磷工艺,以解决低碳源进水对脱氮除磷的限制。基于变型UCT工艺,建立侧流磷回收单元,仅以调节pH方式实现磷沉淀。结果表明,实验确定的最佳侧流比为15%,调节侧流上清液pH至9.5~10.5即可实现较高的磷回收效率。此外,分析了侧流磷回收强化主流脱氮除磷作用,并进一步评估污泥性状、微生物活性与丰度等微观变化。通过实验,详细剖析并总结了侧流磷回收强化主流脱氮除磷工艺引起的微观现象,重点对污泥沉淀性能、胞外聚合物(EPS)变化、微生物(硝化细菌、聚磷菌、反硝化除磷菌等)活性与丰度等进行了深入分析与评价。以上研究结果有助于侧流磷回收强化主流脱氮除磷工艺推广应用。Abstract: External carbon source is effective on improving the efficiency of biological nutrient removal (BNR) with low-concentration influent organic loads, but it must increase operational costs and CO2 emission. Under the circumstance, side-stream phosphate removal (P-removal) on enhancing main-stream BNR should become an alternative to solve the BNR limitation by low-concentration influent carbon source. A modified UCT process with the side-stream P-removal unit was applied for recovering phosphate only by adjusting pH in this study. The experimental results reveal that the optimal side-stream ratio was 15% and pH at 9.5~10.5 for side-stream supernatant could achieve the highest P-recovery efficiency. The experiment results also indicated that the side-stream P-removal could enhance the main-stream BNR, and then associated sludge characteristics, activities of related bacteria as well as the species and abundance of dominant bacteria were experimentally studied and evaluated. With the experiments, microcosmic phenomena on enhancing main-stream biological nutrient removal by side-stream phosphate recovery was analyzed, and the performance of sludge sedimentation, extracellular polymer substances (EPS), the activity and abundance of microbials (including nitrifiers, phosphorus-accumulating organisms (PAOs) and denitrifying phosphorus removing bacteria (DPB)) were mainly analyzed and evaluated. The conclusions would be useful for promoting the practical application of the side-stream P-removal on enhancing the main-stream BNR.
-
气溶胶颗粒物作为大气的重要组分,对气候演化和环境变化等方面有着重要影响. 大气颗粒物的散射效应使到达地球表面的太阳辐射减少,其降温效应可以部分抵消人类排放的温室气体所导致的全球变暖[1]. 气溶胶颗粒物可以成为云凝结核,进而影响到云和降水的物理过程[2]. 研究表明,三极地区对大气气溶胶的变化更为敏感[3]. 大气颗粒物沉降在青藏高原冰雪表面,促进冰雪的消融[4-5]. 青藏高原上黑碳(BC)和沙尘导致反射率降低约38%,造成的总辐射强迫约为18—32 W·m-2[6]. 高原南部扎当冰川上,BC和沙尘对老雪融化的贡献约为9%[7]. 藏东南冰川变化的研究表明,吸光性颗粒物对冰川融化的贡献为15%[8]. 数值模拟实验表明季风前期青藏高原南坡堆积的吸收性气溶胶加热大气形成热泵效应,导致雨季的提前和南亚夏季风的加剧[9]. Cong等发现珠峰北坡气溶胶中二羧酸与生物质燃烧指示物左旋葡聚糖和K+存在明显正相关关系,表明南亚的碳质气溶胶可以通过大尺度环流和局地山谷环流传输到青藏高原[10],大气观测、冰雪冰芯样品和模式模拟显示BC、重金属如汞、有机污染物POPs和微塑料能够跨境传输到青藏高原内部并对环境产生影响[11-14]. 南亚大气棕色云使低层大气变暖的程度和大气气溶胶相同,两者可以使气温在10年内增加0.25 K[15].
青藏高原北邻塔克拉玛干沙漠,西南部是塔尔沙漠,这些地区是青藏高原粉尘的潜在源区. 青藏高原东邻我国人口集中的地区,南邻南亚发展中国家,人为气溶胶也对青藏高原造成了影响. 目前对青藏高原大气颗粒物的研究主要有以下几种手段:1)对冰川区的冰雪及冰芯进行采样,分析微粒物化特征[16-18];2)利用卫星遥感等手段对大气气溶胶光学特征进行监测[19-20];3)直接采集大气气溶胶样品和定点监测[21-22]. 不同的研究手段有不同的利弊,冰芯记录侧重于过去大气粉尘的研究,通常为长期变化趋势;卫星监测和数据模拟可以在长时间和大尺度获取大气气溶胶浓度、光学性质等的信息,成为区域研究的重要工具[23]. 由于青藏高原复杂的地形和地表非均质反射,使得模拟结果和实地监测结果或多或少有偏差[24-25]. 研究表明MODIS AOD数据在拉萨不具有适用性,在高原东部的应用表明数据精度相对较低[26-27]. Sharma等对喜马拉雅地区气溶胶的模拟数值普遍低于实测值[5].
因此,急需地面观测气溶胶颗粒物数据对卫星监测和数值模拟数据来进行验证和校正. 高原西部大气颗粒物的监测数据较少,阿里地区地面实测数据的增加,给高原大气气溶胶的卫星监测和数据模拟研究提供了支撑和验证数据. 本文在大气颗粒物在线观测数据的基础上,获得阿里站大气颗粒物的浓度水平,进而分析其季节变化的基本特征,并综合运用HYSPLIT模型的聚类分析、潜在源贡献因子分析(PSCF)和浓度权重轨迹分析(CWT)方法,分析各个季节阿里站大气气溶胶的输送路径和可能来源,为青藏高原尤其是其西部地区的大气颗粒物研究提供数据支撑.
1. 材料与方法(Materials and methods)
1.1 监测地点
监测地点位于西藏自治区阿里地区日土县的中国科学院阿里荒漠环境综合观测研究站,地理位置为东经79.70°,北纬33.39°,海拔高度4270 m. 位于班公湖南部盆地. 整体自然环境为高寒荒漠. 研究期间,阿里站的平均气温为1.38 ℃,相对湿度为32%. 年降水量为161.24 mm,83%集中在7、8月份. 植被稀疏,归一化植被指数(NDVI)小于0.2.
1.2 监测仪器
监测仪器为德国GRIMM公司生产的EDM365颗粒物在线监测仪,该仪器提供31个粒径通道的颗粒物数浓度,同时给出PM10、PM2.5、PM1(空气动力学粒径)的质量浓度. 样气通过Nafion管自动启动除湿功能. 原始数据的时间分辨率设定为5 min,在剔除异常值的基础上,将质量浓度数据依次合并成逐时算术平均值、逐日算术平均值和逐月算术平均值.
1.3 数据分析
由于阿里站气象数据缺失较多,再分析数据和气象数据的拟合较好,因此除了湿度和降水数据来自阿里站气象数据,其他气象数据来自ERA5再分析结果,下载地址为(https://cds.climate.copernicus.eu/cdsapp#!/search?type=dataset). 归一化植被指数(NDVI)数据来自MODIS的MOD13Q1影像(时间分辨率为16 d,空间分辨率为250 m). 气溶胶光学厚度(AOD)数据来自MODIS的MCD19A2影像(时间分辨率为1 d,空间分辨率为1 km). 对数据的处理和分析主要用到Excel、Spss、ArcGis和Matlab等软件,对数据的绘图用的是Origin软件. 后向轨迹分析、PSCF分析、CWT分析用的数据为美国国家环境预报中心(NCEP) 的全球资料同化系统(GDAS) 数据,使用的软件为TrajStat. 根据青藏高原地区的大气环流特征将研究时段划分为四个季节:冬季(2018-12-01至2019-02-28),季风前期(2019-03-01至2019-05-31),季风期(2019-06-01至2019-09-30),以及季风后期(2019-10-01至2019-11-30).
2. 结果与讨论(Results and discussion)
2.1 阿里站大气颗粒物质量浓度基本特征
仪器监测数据的时段为2018-12-01至2019-11-30. 在监测期间,阿里站PM10的日均质量浓度为(10.51±8.62) μg·m−3(0.47—78.91 μg·m−3),PM2.5的日均质量浓度为(4.05±2.36) μg·m−3(0.31—12.91 μg·m−3),PM1的日均质量浓度为(2.47±1.56) μg·m−3(0.13—10.64 μg·m−3),与高原城市地区如西宁[28]、拉萨[29]相比,浓度较低. PM2.5、PM10远低于国家规定的颗粒物年平均一级浓度限值(GB 3095—2012),说明阿里站颗粒物浓度可以作为高原大气颗粒物浓度的本底值. Chen等统计分析了2016年6月至2017年5月阿里地区的PM2.5和PM10浓度值,分别为33.1 μg·m−3和87.3 μg·m-3[30],PM10和PM2.5约是本研究的8倍. 这是因为Chen的数据来自阿里噶尔县狮泉河镇,本研究的数据来自阿里日土县野外站点,研究地点受人为排放的影响不同. 阿里地区属于高寒荒漠环境,对阿里站周边植被覆盖率的统计结果表明,NDVI<0.2,裸地沙土对颗粒物浓度的贡献大. 这里用PM2.5/PM10的比值来表征粗细颗粒的相对贡献. PM2.5/PM10平均比值为0.39,小于狮泉河镇的0.42[30],说明阿里地区粗颗粒物(空气动力学粒径>2.5 μm 的颗粒物)在PM10中占比较高,颗粒物浓度受人为影响较小.
将北京、拉萨、阿里、珠峰、Hyytiala、JGM站的大气颗粒物质量浓度进行比较(表1),意在对比中国大城市、高原城市、高原野外站点、极地区颗粒物的不同特征. PM2.5的比较为北京>拉萨>珠峰>Hyytiala>阿里>JGM站. PM2.5来源主要为燃烧源、大气二次转化形成的颗粒物,城市PM2.5显著高于背景站点. 2019年,北京市PM2.5为42 μg·m−3,比PM2.5年均值二级浓度限值(35 μg·m−3)高20%,但显著小于2013年PM2.5值,是其的1/2. 2013年国家发布了《大气污染防治行动计划》,为了达到计划目标,北京市先后实行了《北京市2013—2017年清洁空气行动计划》、《京津冀及周边地区2017—2018年秋冬季大气污染综合治理攻坚行动方案》,煤炭使用减少和能源结构优化使北京市大气污染状况好转,颗粒物浓度逐渐降低[31];拉萨污染物排放(工业污染、交通污染)相对较少,PM2.5略低于北京,比背景站高;阿里、珠峰、Hyytiala、JGM站为大气本底站,受到人为干扰少,PM2.5浓度均小于10 μg·m−3. 将不同站点PM2.5/PM10进行比较,发现Hyytiala>北京>JGM>珠峰>阿里>拉萨. Hyytiala站是芬兰南部靠近北极圈的背景站点,位于北方针叶林带,颗粒物来源主要为自然来源. 森林植被排放的挥发性有机物形成有机气溶胶是颗粒物的主要来源,PM2.5中有机物占比为73%. 颗粒物以细颗粒(空气动力学粒径<2.5 μm的颗粒物)为主,PM2.5/PM10高达0.85[32];北京市人为污染物形成的细颗粒物使颗粒物浓度比值PM2.5/PM10较高;JGM站位于南极最大的无冰区James Ross岛,裸露的沉积物和大风天气易产生沙尘天气,使JGM站粗颗粒物占比较高[33];珠峰站和阿里站处于高寒荒漠或草原环境,裸地为粗颗粒的供给提供了有利条件,PM2.5/PM10比值较低;对单颗粒化学元素的研究表明,拉萨市颗粒物的主要元素为硅、铝和钙,主要来自矿物粉尘(沙尘天气、建筑用材),拉萨市颗粒物以粗颗粒物为主,PM2.5/PM10为0.38[34].
表 1 不同站点颗粒物水平的比较(顺序为北京、拉萨、阿里站、珠峰站、Hyytiala站、JGM站)Table 1. Comparison of atmospheric particulate mass concentration at different stations2.2 阿里站颗粒物质量浓度季节变化特征
图1为阿里站颗粒物质量浓度和气象因子的时间序列图,可以看出,颗粒物质量浓度有着明显的季节变化特征,冬季和季风前期明显大于季风期和季风后期. PM10的季节变化规律为:冬季(15.4 μg·m−3)>季风前期(14.06 μg·m−3)>季风后期(6.14 μg·m−3)≈季风期(5.92 μg·m−3);PM2.5的变化规律为:季风前期(5.4 μg·m−3)≈冬季(5.12 μg·m−3)>季风后期(2.91 μg·m−3)≈季风期(2.64 μg·m−3);PM1的变化规律为:冬季(3.16 μg·m−3)≈季风前期(3.15 μg·m−3)>季风后期(2.0 μg·m−3)≈季风期(1.59 μg·m−3). PM2.5和PM1在冬季的浓度值约等于季风前期的值,PM10和PM2.5在季风期的值与季风后期相当. 虽然PM10在冬季大于季风前期,但冬季的值仅比季风前期高9.5%. 因此,PM10、PM2.5、PM1具有一致的季节变化规律.
由于阿里地区污染物排放源少,因此主要从气象方面分析颗粒物质量浓度的变化原因. 据图1分析,冬季,阿里地区处于干寒的状态,相对湿度低,植被覆盖率极低,归一化植被指数(NDVI)小于0.1,表土疏松,易产生浮尘现象. 冬季阿里站的平均边界层高度低于400 m,风速较小,加上逆温层的阻挡作用,大气的容积变小,扩散能力弱. 稳定的大气条件使颗粒物不断积累,浓度变高[37]. 季风前期,阿里站的NDVI和相对湿度依旧较低,地面沙尘易被扬起,颗粒物浓度水平较高. 边界层高度和风速不断变高,使大气扩散能力变强的同时受远程气团影响变大. 3—5月颗粒物浓度呈现变低的趋势,但季风前期PM平均值依旧较高季风期间尤其是7、8月份,阿里站受到西南季风的影响,气象因素发生显著变化. 湿度的变高使加热大气的感热变少,限制了对流混合的发展,边界层高度和风速相应变低[38]. NDVI的增加和风速的减小,使风对地面尘土的搬运能力变低. 颗粒物的湿沉降作用和降水的清除作用使颗粒物尤其是粗颗粒物显著减少,质量浓度在一年之内最低[39]. 季风后期,随着湿度和NDVI变低,颗粒物质量浓度开始回升. 由于季风后期温度和边界层高度比冬春高,扩散条件较之好,颗粒物浓度相对冬季和季风前期较低.
由于阿里站颗粒物质量浓度存在着明显的季节变化,为了探究不同季节影响阿里地区颗粒物浓度的气团来源,综合运用轨迹聚类分析、PSCF分析和CWT分析进行研究. 图2为阿里站不同季节的气团轨迹聚类分析,可以看出阿里站主要受偏西气团影响,轨迹主要来自中亚和南亚地区.
冬季和季风前期受西风急流增强的影响,部分气团来自阿富汗等远源地区(~10%),而季风期和季风后期西风急流减弱,远源地区的贡献消失,主要表现为印度和巴基斯坦北部的近源贡献. 与其他季节不同,季风期有28.8%的气团来自新疆南部,这与Duo等在拉萨的研究一致[40]. 将阿里站气团后向轨迹经过的地区划成0.25°×0.25°的网格,每个网格污染轨迹端点的个数与经过网格的所有轨迹端点的比值即为该网格PSCF值,高值区代表着可能的潜在源区[41]. 污染轨迹通常由标准限值、平均值界定. 阿里地区为生态脆弱区,属于一类区,于是使用环境空气质量标准(GB 3095—2012)颗粒物浓度年均值一级浓度限值(PM10=40 μg·m−3;PM2.5=15 μg·m−3)区分污染轨迹. 由于阿里地区PM2.5浓度过小,污染轨迹过少,PSCF分析结果不理想,于是在这里不予讨论PM2.5的PSCF分析结果. PSCF分析表明(图3),PM10的主要潜在源区分布在印度北部、克什米尔地区、巴基斯坦北部和阿里西部地区. 季风前期和季风后期PM10的潜在源区范围较广. 冬季,由于边界层低,受到远程传输气团的影响较小,PM10潜在源区范围较小. 季风期,暖湿气团使颗粒物产生沉降,受远程传输的影响不明显. 在后向轨迹的基础上,CWT分析可以求出潜在源区贡献给阿里站颗粒物浓度的权重浓度,得出对阿里地区颗粒物浓度影响较大的潜在源区[42]. 由于不用界定污染轨迹,CWT分析得出的潜在源区范围明显大于PSCF分析(图4). 如图4、图5和图6所示,PM10、PM2.5和PM1的潜在源区范围和颗粒物主要源区相似. 对阿里地区颗粒物质量浓度贡献最大的地区是印度西北部和克什米尔,其次巴基斯坦北部,我国和田地区和阿里地区也有一定程度的贡献.
2.3 MODIS AOD 与实测颗粒物质量浓度的比较
当前遥感获取的主要气溶胶参数为光学厚度(AOD),表征大气颗粒物对入射的辐射产生的消光性质. 将AOD数据和地面监测数据联系起来,可增进人们对气溶胶辐射效应的机制研究. 图7为大气颗粒物质量浓度与AOD的月变化图. 图7可以看出,12月、7月和8月AOD的变化与颗粒物浓度变化相差较大. 除去12月、7月和8月,颗粒物浓度与AOD呈现相同的月变化特征,颗粒物质量浓度高的时期(1—6月),所对应的AOD较高,颗粒物质量浓度低的时期(9—11月),AOD较低. 7、8月份,西南季风带来了暖湿气团,使阿里地区湿度变高,相对湿度超过50%. 研究表明每增加3—6 mm,水汽对太阳短波辐射的吸收增加1%[43]. 太阳短波辐射的减少也就是水汽的增加使AOD变高. 颗粒物监测仪器GRIMM EDM 365自带除湿系统,数据是相对湿度较低状态下的质量浓度,而卫星影像是在环境湿度下的监测,两者的湿度条件不同[44]. 加之AOD和颗粒物质量浓度监测高度不同等原因,使7、8月份AOD值高而颗粒物质量浓度低的不匹配现象. MCD19A2 AOD数据使用的MAIAC算法改进了亮表面的反演,但仍存在一定偏差. 12月份,阿里站NDVI小于0.1,地表覆盖类型为裸地,较高的反照率影响卫星对颗粒物监测的敏感性[45]. AOD指介质的消光系数在垂直方向上的积分,而颗粒物浓度数据是对近地面站点的监测. 冬季,较低的边界层和逆温层阻止了颗粒物的扩散,使近地面浓度变高. 因此,监测原理的不同使AOD、颗粒物浓度的变化趋势出现不一致现象. 需要对高原颗粒物浓度数据和AOD数据进行混合层高度和相对湿度等影响因素的订正,以提高数据的相关系数[46].
3. 结论(Conclusion)
通过对阿里站大气颗粒物浓度的实测和传输气团轨迹的聚类分析,得出以下主要结论:
(1) 阿里站PM10、PM2.5和PM1浓度均较低,分别为(10.51±8.62) μg·m−3、(4.05±2.36) μg·m−3和(2.47±1.56) μg·m−3,PM10、PM2.5远小于PM10(40 μg·m−3)、PM2.5(15 μg·m−3)年平均颗粒物浓度一级标准,表明了阿里站洁净的大气本底特征.
(2)阿里站大气颗粒物浓度存在着明显的季节变化,冬季和季风前期显著大于季风期和季风后期. 冬春季节温度低、大气边界层低,污染物容积能力小. 且冬春季植被覆盖率极低,沙尘频繁,颗粒物浓度高于其他季节. 季风期风速小,颗粒物携带能力弱,降水较多、湿度高、植被覆盖率高,大气颗粒物浓度最低. 聚类分析、PSCF和CWT分析结果表明,印度北部是阿里站颗粒物浓度的主要潜在源区,贡献值较高.
(3)由于盛行风的改变和边界层高度变化等原因,12月、7月和8月AOD与颗粒物浓度的差异较大,遥感数据和地面监测数据需要进行订正,为高原遥感反演颗粒物浓度提供数据支撑.
-
表 1 合成配水主要成分与污染物浓度
Table 1. Major compositions and concentrations in the synthetic wastewater
阶段 COD总量/(mg·L−1) a TN/(mg·L−1) b TP/(mg·L−1) c Ⅰ~Ⅱ 250 50 5 Ⅲ 350 50 5 Ⅳ~Ⅶ 450 50 5 注:a表示进水耗氧有机物(以COD计)包括乙酸钠、葡萄糖与胰蛋白胨,在阶段Ⅰ~Ⅱ,三者分别为100、 100、50 mg·L−1 COD当量,在阶段Ⅲ,三者分别为150、150、50 mg·L−1COD当量,在阶段Ⅳ~Ⅶ,三者分别为200、200、50 mg·L−1 COD当量;b表示进水TN由NH4Cl和胰蛋白胨组成,其中胰蛋白胨贡献进水N当量6 mg·L−1;c表示进水TP由KH2PO4组成。 表 2 好氧池pH与出水
-N浓度NH+4 Table 2. pH and
-N concentrationsNH+4 阶段 出水 /(mg·L−1)NH+4 pH Ⅱ 0.0±0.1 6.93±0.4 Ⅲ 0.6±1.0 6.73±0.5 Ⅳ 2.9±3.7 6.38±0.2 Ⅴ 0.4±0.2 7.47±0.3 Ⅵ 1.0±0.8 7.50±0.4 Ⅶ 0.5±0.4 7.72±0.5 表 3 侧流磷回收前后不同细菌活性分析
Table 3. Analysis of the activities of different bacteria before and after the side-stream P-removal
阶段 工况 释磷/(mg·(g·h)−1) VFAup/(mg·(g·h)−1) 吸磷/(mg·(g·h)−1) 硝化速率/(mg·(g·h)−1) 反硝化速率/(mg·(g·h)−1) Ⅱ 450 mg·L−1 COD 9.5 15.1 11.3 14.7 9.6 Ⅳ 250 mg·L−1 COD 4.3 7.9 3.3 5.9 3.8 Ⅴ 15%侧流 7.0 9.6 5.7 9.8 7.4 Ⅶ 30%侧流 5.5 8.3 5.5 10.2 5.4 表 4 污泥性能参数汇总
Table 4. Summary of sludge characteristics
阶段 工况 SVI/(mL·g−1) EPS/(mg·g−1) 结构性EPS/(mg·g−1) 胞外多糖/(mg·g−1) 胞外蛋白/(mg·g−1) PN/PS Ⅱ 450 mg·L−1 COD 78 165.5±3.0 677.3±20.5 149.3±11.0 351.0±34.1 2.36 Ⅳ 250 mg·L−1 COD 70 137.8±13.2 687.1±9.6 125.4±3.3 430.0±14.2 3.43 Ⅴ 15%侧流 134 145.4±9.8 470.2±7.3 130.2±4.5 380.3±3.9 2.92 Ⅶ 30%侧流 162 150.3±2.3 435.2±1.6 141.7±7.4 410.4±5.6 2.91 表 5 不同阶段主要细菌属水平相对丰度
Table 5. Relative abundance of dominant microbial species at genus level
菌属 微生物 相对丰度/% Ⅱ Ⅳ Ⅶ 硝化菌属 Nitrosomonas 0.39 0.31 0.68 Nitrospira 0.45 0.20 0.66 反硝化菌属 Trichococcus 15.18 11.13 12.60 Dokdonella 1.59 0.53 0.52 Dechloromonas 1.37 0.17 0.35 Terrimonas 0.96 1.96 2.03 Comamonadaceae 0.93 1.09 1.32 Zoogloea 0.12 0.06 0.08 Thauera 0.29 0.16 0.27 反硝化除磷菌属 Caldilineaceae 3.31 5.29 6.85 Clostridium 0.01 0.44 0.69 聚磷菌 Candidatus_Accumulibacter 1.60 0.43 0.69 Tetrasphaera 0.62 0.76 0.87 Acinetobacter 1.86 0.02 0.13 Aeromonas 0.45 0.02 0.07 聚糖原菌 Candidatus Competibacter 11.51 10.21 9.88 -
[1] 郝晓地, 张璐平, 胡沅胜, 等. 侧流化学磷回收强化生物除磷的模拟预测与实验验证[J]. 环境科学学报, 2009, 29(11): 2274-2281. [2] ACEVEDO B, CAMIÑA C, CORONA J E, et al. The metabolic versatility of PAOs as an opportunity to obtain a highly P-enriched stream for further P-recovery[J]. Chemical Engineering Journal, 2015, 270: 459-467. doi: 10.1016/j.cej.2015.02.063 [3] 郝晓地, 方晓敏, 李天宇, 等. 污水处理厂升级改造中的认识误区[J]. 中国给水排水, 2018, 34(4): 10-15. [4] LI J, HAO X D, VAN LOOSDRECHT M C M, et al. Effect of humic acids on batch anaerobic digestion of excess sludge[J]. Water Research, 2019, 155: 431-443. doi: 10.1016/j.watres.2018.12.009 [5] VAN LOOSDRECHT M C M, NIELSEN P H, LOPEZ-VAZQUEZ C M, et al. Experimental Methods in Wastewater Treatment[M]. London: IWA Publishing, 2016. [6] LIN Y, DE KREUK M, VAN LOOSDRECHT M C M, et al. Characterization of alginate-like exopolysaccharides isolated from aerobic granular sludge in pilot-plant[J]. Water Research, 2010, 44: 3355-3364. doi: 10.1016/j.watres.2010.03.019 [7] DUBOIS M, GILLES K A, HAMILTON J K, et al. Colorimetric method for determination of sugars and related substances[J]. Analytical Chemistry, 1956, 28: 350-356. doi: 10.1021/ac60111a017 [8] LOWRY O H, ROSEBROUGH N J, FARR A L, et al. Protein measurement with the folin-phenol reagent[J]. Journal of Biological Chemistry, 1951, 193(1): 265-275. doi: 10.1016/S0021-9258(19)52451-6 [9] HAO X D, WANG C C, VAN LOOSDRECHT M C M, et al. Looking beyond struvite for P-recovery[J]. Environmental Science and Technology, 2013, 47(10): 4965-4966. doi: 10.1021/es401140s [10] XIA C W, MA Y J, ZHANG F, et al. A novel approach for phosphorus recovery and no wasted sludge in enhanced biological phosphorus removal process with external cod addition[J]. Applied Biochemistry and Biotechnology, 2014, 172(2): 820-828. doi: 10.1007/s12010-013-0575-6 [11] LV J H, YUAN L J, CHEN X, et al. Phosphorus metabolism and population dynamics in a biological phosphate-removal system with simultaneous anaerobic phosphate stripping[J]. Chemosphere, 2014, 117(1): 715-721. [12] 郝晓地, 朱景义, 曹秀芹. 污水强化除磷工艺的现状与未来[J]. 中国给水排水, 2005, 21(11): 37-40. doi: 10.3321/j.issn:1000-4602.2005.11.010 [13] SPONZA D T. Extracellular polymer substances and physicochemical properties of flocs in steady and unsteady-state activated sludge systems[J]. Process Biochemistry, 2002, 37(9): 983-998. doi: 10.1016/S0032-9592(01)00306-5 [14] DAI H, DAI Z, PENG L, et al. Metagenomic and metabolomic analysis reveals the effects of chemical phosphorus recovery on biological nutrient removal system[J]. Chemical Engineering Journal, 2017, 328: 1087-1097. doi: 10.1016/j.cej.2017.07.119 [15] YANG S S, PANG J W, GUO W Q, et al. Biological phosphorus removal in an extended ASM2 model: Roles of extracellular polymeric substances and kinetic modeling[J]. Bioresource Technology, 2017, 232: 412-416. doi: 10.1016/j.biortech.2017.01.048 [16] SEVIOUR T, LAMBERT L K, PIJUAN M, et al. a. Structural determination of a key exopolysaccharide in mixed culture aerobic sludge granules using NMR spectroscopy[J]. Environmental Science and Technology, 2010, 44: 8964-8970. doi: 10.1021/es102658s [17] ARTUR M, JOANNA R, WOJCIECH J, et al. Denitrification aided by waste beer in anaerobic sequencing batch biofilm reactor (AnSBBR)[J]. Ecological Engineering, 2016, 95: 384-389. [18] MCILROY S, ALBERTSEN M, ANDRESEN E, et al. ‘Candidatus Competibacter’-lineage genomes retrieved from metagenomes reveal functional metabolic diversity[J]. The ISME Journal, 2014, 8: 613-624. doi: 10.1038/ismej.2013.162 [19] ZHANG C, CHEN Y, RANDALL A A, et al. Anaerobic metabolic models for phosphorus- and glycogen-accumulating organisms with mixed acetic and propionic acids as carbon sources[J]. Water Research, 2008, 42: 3745-3756. doi: 10.1016/j.watres.2008.06.025 -