-
城市污水集中收集率涉及到城市污水源、管网和外水入侵、污水处理厂设计和运行、溢流和接受水体质量各方面，是城市污水系统运行致率的关键指标，也是影响城市水环境质量的重要参数之一。近几年来，全国范围内开展了污水处理厂提质增效和管网更新改造等一系列行动，基本上消除了黑臭水体现象，城市水环境状态得到了显著改善。今年（2024年）提出了新目标：力争到2027年污水处理厂进水BOD5浓度高于100 mg·L−1的城市生活污水处理厂规模占比达90%以上或较2022年提高5%，同时城市生活污水集中收集率达73%以上，推进雨季溢流污染总量削减[1]。为了控制和减少城市污水溢流污染, 发达国家已投入巨大资源，但仍面临不少困难，今年（2024）新修改的欧盟水框架指令提出了城市水污染物收集率的新指标[2]。国内外水业界都面临着一系列的新的任务和挑战[3]。
城市污水排污量是计算城市污水集中收集率的必需参数。对那些管网管理良好的分流制和有溢流记录的合流制系统（如1.2引用的苏黎世Werdhölzli污水处理厂和维也纳污水处理厂），发达国家常根据污水处理厂进口负荷和溢流记录直接计算城市污水排污量[4]，但对于管网状态较差和缺乏溢流监测的城市污水系统，污水集中收集率计算仍有待解决。就国内而言，由于较多管网外来水入侵、污水处理厂较低的处理能力（特别在雨季）[5-6]，污水处理厂进水污染物负荷常是管网收集城市污水污染物负荷的一部分[7-8]，加以缺乏溢流监测，难以由污水处理厂进水负荷直接计算城市污水污染物负荷[6-7]。因此，开发结合国内情况且相对简单、易用的计算城市污水污染物排放量和污水集中收集率计算方法有一定的迫切性。本研究提出了应用城市生活污水系统模型，利用服务区内用水量、污水处理量和常住人口数等常规市政数据，根据污水处理厂进水流量和负荷计算城市污水污染物排放量和污水集中收集率的2种方法，并以面积约110 km2、常住居民约100×104 人口的城区污水系统为例，展示了应用2种方法的具体步骤，分析了2种方法的适用性，提出用于估算不同经济发展水平的城市污水排污量和污水集中收集率的经验公式。
-
城市污水系统包括（图1）：城市活动，供（用）水；污水收集和输送系统（管网），入侵管网外来水；污水处理厂；溢流排放和受纳水体。模型参数、计算公式和模型验证可详见文献[5-6]。
-
城市污水集中收集率为污水处理厂进水的污染物负荷（loadings of wastewater treatment plants，WL）与污水管网收集的城市污水污染物负荷（urban sewage pollutant loadings，UL）之比（WL/UL）。污水管网内未被输送到污水处理厂处理的污染物负荷称为污染物溢流负荷，包括合流制系统溢流（combined sewer overflow，CSO）、部分分流制系统的溢流（separate sewer overflow，SSO）和管网外漏的污染物负荷。溢流负荷对管网收集城市污染物排放负荷（UL）之比为溢流比，污水集中收集率+溢流比=1。城市污水集中收集率与污水处理厂进水浓度相关但有所不同：满足污水处理厂进水BOD浓度要求并不意味着同时达到一定的污水集中处理率的要求[6]。
理解城市污水的来源和组成有助于计算城市污水排污量（负荷，UL）和污水集中收集率。城市污水排污量（UL）为3类活动排污量之和（图1、式(1)）：①常住居民（inhabitants）生活活动产生的污水排污量（负荷，IL），可由人日排污量PE（personal equivalent，详见2.3）乘以常住居民数计算；②流动人口（commuters）（通勤/旅行者）生活活动产生的污水排污量（负荷，CL）；③工商业（如食品加工、旅游业和餐饮等）活动产生的污水排污量（负荷，ICL）。
由于部分常住居民和外地通勤者在城市污水系统服务区内工作，上述3类排污量之间互有交叉。3类负荷、特别是后2类对城市污水污染负荷的贡献随城市/地区不同的经济发展水平和产业结构而有所不同。因此，城市污水排放负荷的计算具有一定的不确定性，需要合理地简化。
实践中常用UL/IL（1+（CL+ICL）/IL）比值表达流动人口和工商业污染负荷对UL的贡献大小[4,9-11]。工商业及旅游业经济发达地区，CL和ICL对城市污水污染负荷的相对贡献不可忽略。瑞士苏黎世市常住居民45×104，另有每日25×104通勤者（许多来自邻近地区到该市工作，早到晚归）。以苏黎世Werdhölzli污水处理厂进水COD负荷和人日COD排污量PECOD/120 g·（人·d）−1（详见2.3）作为单位的当量人口（Population equivalents，详见2.3）为当地常往居民数1.3倍，表示该市污水排污量（UL）约为常住居民排污量（IL）的1.3倍[10]。奥地利维也纳常住居民190×104, 另有每日19×104 流动人口（主要是旅游者），以维也纳污水处理厂进水COD负荷和PECOD/120 g·（人·d）−1作为单位的当量人口约为当地常住居民排污量1.3倍[11]。全德国和奥地利城市污水厂进水COD负荷与用120 g COD·（人·d）−1为单位的当量人口与常住居民数之比2023年分别为1.28和1.45，德国各州此比值在1.04~1.45之间[4]。
新冠疫情期间与新冠疫情前相同期间污水处理厂进水特征的变化反映了流动人口和工商业活动对城市污水排污量的影响。2020年2月至4月新冠疫情期间，北京部分外来务工人员和居民未从春节假期后返回，相当大部分商业活动暂停。相对于2019年相同期间，北京老城区污水处理厂的进水COD负荷减少了34%[12]。同样，由于新冠疫情的影响，2023年3月至5月期间，相对于2022年相同期间，上海老城区污水处理厂进水COD负荷减少了38%[13]。与北京情况不同，在新冠疫情期间，上海城区进出人员很少，可基本排除流动人口的影响，工商业活动（ICU）暂停是污水处理厂进水负荷减少的主要原因。以上案例均为经济高度发达城市。3.1将讨论不同经济发展水平和行业结构城区流动人口和工商业活动对城市污水排污量具体影响。
-
1）用水量、污水处理厂进水量和污清比。城市污水系统服务区内用水量（售水量）与服务区内管网收集的原污水（QI+QC+QIC，图1）有直接的数量对应关系，是表征城市污水系统不可或缺的参数。欧洲一些国家的设计规范常将用（售）水量简化为城市活动排放的原污水量[9]，国内设计规范采用换算系数表示二者之间的数量关系（原污水量=售水量·换算系数）[14]。为了便于对比，本文将服务区用水量作为服务区的原污水量。如前所述，原污水量由3类活动组成。由于现国内大多数一、二线城市内原有制造业已被移出城区，本文中工商业主要是服务业和旅游业。按专业惯例，3类活动产生污水称为城市生活污水。污清比为污水处理厂进水（处理）量与对应服务区内用水量（原污水）之比[9,15]。除原污水外，污水处理厂进水量包括入侵管网外来水（I/I）。当旱季渗漏水（infliltration）与入流水（in-flow）量较小时，设计污清比与国内设计指南截流比（污水雨季处理量/旱季处理量）[14]相近。污清比与污水集中收集率（溢流比）大小密切相关[4-6]，是表征城市污水系统性能的不可或缺的参数之一[6-8]。
2）人日排污量和当量人口。人日排污量的指标参数包括：COD、BOD、氮、磷和SS[16-17]。其大小与经济发展水平相关，一般而言，发展水平越高，其值越大[17]。国内排水设计规范列出人日排污量范围[14]：40 ~60 g BOD·（人·d）−1（相当80~120 g COD·（人·d）−1））、8~12 g N·（人·d）−1、0.9~2.5 g P·（人·d）−1。具有代表性的人日排污量值常用PE（personal equivalent）表示，用作为计算污染量的单位。由污水处理厂进口污染物负荷（WL）除以PE值被定义为当量人口（population equivalents），广泛用于表示城市生活污水排污量（负荷）和城市污水厂设计[16]。将当量人口与PE相乘即得到以质量表达的相关污染物量（负荷）。由于PE代表人日24 h内的排污量，部分常住居民在当地工商业就业，所以除了家庭和公共活动产生的排污量中相当大部分外，由公式PE·常住居民数算得的常住居民生活排污量同时也包含了部分工商业活动排污量，进一步讨论见3.1。
3）稀释倍数。稀释倍数（dilution factor，DF）为污水管网里全污水量（原污水+外来水：QI+QC+QIC+QI/I，图1）与管网收集城市活动排放原污水量之比，可由式(2)或(3)计算[5,18]。
式中：SCWC（specific comprehensive water consumption）为个人综合日均用水量，L·（人·d）−1；QI/I为外来水量，m3·d−1；PECOD为人日COD排放量，g·（人·d）−1；CODIN为污水处理厂进水浓度，mg·L−1。
稀释倍数数值表征了污水系统外水入侵程度， 也是表征城市污水系统性能的不可或缺的参数[19]。与稀释倍数（DF）对应的外水占比（管网中外来水与全污水之比）可由（DF-1）/DF计算。污水集中收集率由公式(4)计算[5,8]
污清比/污水稀释倍数（污水厂处理量/污水管网里全污水量）≥1（100%）对应污水处理厂污水全收集和处理，溢流可忽略不计。
稀释倍数用以研究和表征整个污水系统外水入侵（图1）。系统内子系统（如居民小区、泵站服务区）或局部区域也有相对应外水入侵数值，这些数据对辨识系统内外水入侵分佈和程度不可或缺，但与整个系统外水表征值没有直接相等关系。考虑现国内相当部分管网运行现状，应用夜间流量等方法[9]在靠近污水厂进水口处主干管实测系统外水入侵数据常有困难，故采用以进水浓度作为特征因子（稀释）[5,18]计算系统污水稀释程度。
模型假设包括[5,8]：①污水系统服务区内制造业很少，工商业活动排放的污水成分与生活污水相近；②管网里污水输送过程中降解和外来水污染忽略不计（“干净”外来水），污水在输送过程中充分混合，稳态；③系统边界可以是管网复盖的整个城市污水系统或子系统或局部区域。相关参数值选用和污水在管网中反应等对计算结果的影响将在3.1和3.2讨论。
-
本研究区域为长三角地区某市老城区。该市经济高度发达，服务业、旅游业繁荣，外来务工人数众多。老城区污水系统管理和运行效率详情可参见文献[20]。区内有A、B和C3座城市污水处理厂，设计总处理量为36×104 m3·d−1，其中A污水处理厂18×104 m3·d−1、B污水处理厂14×104 m3·d−1、C污水处理厂4×104 m3·d−1。排水系统采用分流制，污水干管长度约310 km，支管长约1 700 km，管网全覆盖，基本没有化粪池。由于地处河网地区，地下水位和河道液位均较高。服务片区内没有其他污水处理厂和自备水源。售水量和污水处理厂进水量5—9月期间增加一般不超过10%，全年变化不大。污水厂出水在全年基本不外加碳源情况下满足江苏省太湖地区排放标准（COD，40 mg·L−1；NH4+-N，3 mg·L−1；TN，10 mg·L−1；TP，0.3 mg·L−1）[21]。3座污水处理厂服务面积约110 km2，较老城区行政边界多约5%。考虑一些老城区常住居民在相邻工业园区上班，将老城区常住居民数作为3座污水处理厂服务区常住居民数。本研究采用2021年数据：污水处理量34.2×104 m3·d−1，用水量26.1×104 m3·d−1，年均运行污清比1.3，接近设计污清比1.4。累计降雨量1 580 mm。人均日综合用水量（SCWC）229 L·（人·d）−1由2020年老城区行政边界人口普查常住居民数（92.4×104人口）和区内日售水量计算。据长三角区域发达城市的研究[22]，计算中采用的PE值为：120 g COD·（人·d）−1、15 g N·（人·d）−1和1.8 g P·（人·d）−1，与西欧国家和新加坡的人日排污量相近[4,23]。
-
该法主要原理是应用稀释法[4,18]计算管网里全污水量，其与污水处理厂进水量差值为溢流量，污水处理厂进水量对全污水量之比即污水集中收集率。所需参数包括：SCWC、PECOD、污水处理厂进水流量和24 h CODIN流量加权浓度（进水粗格栅前集水井24 h混合样）、常住居民数。本节采用A污水处理厂说明流量法的应用，该厂服务区内常住居民数约46×104人口，污水处理厂设计日均处理量18×104 m3·d−1，2021年日均处理量17.1×104 m3·d−1，服务区内日均售水12.8×104 m3·d−1，年均运行污清比1.3。
图2呈现了2021年A污水处理厂进水COD浓度和对应的污水稀释倍数。表1陈列了雨、旱天和全年进水COD浓度均值、对应污水稀释倍数均值和污水集中收集率均值，其中雨天定义为日降雨量˃5 mm当天与第2天，其余为旱天。由图可见，进水COD在90~800 mg·L−1之间变化，旱、雨天浓度差别明显。雨、旱天进水浓度均高于指标要求的BOD5˃100 mg·L−1[1]，说明管网状态良好。稀释倍数在1~6之间变化，旱、雨天差别明显，2021年旱天均值为1.5，相当于管网污水中外来水（流入水和渗漏水）为1/3；雨天均值为2.0，相当于管网中污水量一半为外来水；年均值为1.7，相当于全年平均管网中外来水占比为40%（表1），与2018年实测数据[20]相符。
图3呈现了2021年与A污水处理厂相关流量和降雨记录，蓝线为计算得出的全污水流量，红线为污水处理厂进水流量（处理量），棕黄色为降雨量， 绿色部分为全污水流量减去实际处理量，即溢流量。由图可见，整个雨季（5—9月）溢流频繁。7月28日的日降水达全年最大值133 mm，进水COD浓度下降至全年最低值90 mg·L−1（图2），全污水流量高达75×104 m3·d−1，溢流量高达55×104 m3·d−1，全污水和溢流量分别约为当天污水处理量的3.8倍和2.8倍；同时，进水负荷下降至最小值（详见2.2）。这些数据和与西欧国家的相关设计规范所强调的吻合：即使分流系统，仍存在雨水入侵管网，在一定条件下，其量可达数倍于收集的原污水[24]，因此在管网和污水厂设计和运行中不容忽视。雨季平均污水稀释倍数（2.0）大大超过设计（1.4）和运行污清比（1.3），是导致雨季溢流频繁的主要原因。图3同时显示，即使旱季污水处理厂进水日均COD浓度达355 mg·L−1，仍有少量溢流发生，由于溢流量较少，对地表水水质量影响易被忽略。
图4显示了2021年A污水处理厂管网内全污水量由小到大的分布、进水污水量和服务区日均售水量（原污水量）。由图可见，全年约250 d出现程度不同的溢流，其中约100 d全污水量是售水量的2倍，10 d全污水量是售水量的3倍。全污水量相当日均全污水量为22×104 m3·d−1，实际污水处理厂A日均进水污水量为17.1×104 m3·d−1，由于全污水浓度与污水处理厂进水浓度相同，流量比即为负荷比，可计算得到年均污水集中收集率为77%，大于指标要求的73%[1]，与此相对应的溢流比为23%。应用同样方法可算得旱、雨季污水集中收集率分别为89%和65%（表1）与此相对应的溢流比分别为21%和35%。若采用PECOD/90 g COD·（人·d）−1（相当45 g BOD5·（人·d）−1），年均污水集中收集率将高达103%。可见，PE值对污水集中收集率有显著影响，选用适当的PE值是获取正确污水排污量和收集率条件之一，3.1将对此做进一步讨论。
由日均全污水（22×104 m3·d−1）和日用水量（12.8×104 m3·d−1）之差得日均外来水为9.2×104 m3·d−1，占管网内全污水量的42%，为用水量（原污水量）的72%。由日均全污水和日均COD浓度（320 mg·L−1）得污水处理厂服务区污水COD负荷（UL）为70 400 kg·d−1，以PECOD/120 g·（人·d）−1为人日COD排放单位，此COD负荷相当58.7×104当量人口，服务区常住居民46×104人，当量人口/常住居民数比为1.27，流动人口和工商业排放COD折算约12.7×104当量人口，约占城区污水COD负荷的21.6%，占常住居民排放COD负荷的27.6%。
流量法原则上可用于计算日均、旱季和雨季甚至更短时间区段污水集中收集率和溢流量。当系统进一步按网格划分时，结合在线网格流量和浓度数据，该方法可用于计算各网格污水负荷、外来水、污水收集率和溢流量，这些情况有助于加深对整个污水系统的理解， 提高污水系统更新、改造的投资效率[25]。
-
该法以污水处理厂进口污染物负荷作为指标参数。大于常住居民排污量（IL）作为旱季负荷，其平均值为城市污水排污量（负荷，UL），低于IL为雨季负荷。按此定义，2021年3厂雨天数在140 d左右。污水处理厂进口年平均负荷（WL）对旱季平均值（UL）之比为污水集中收集率。
图5显示了2021年老城区内3座污水处理厂进水COD日负荷和降雨量。共同特点：5—9月期间，对应于低浓度进水、高稀释倍数和溢流负荷（图2、3），污水处理厂进水COD负荷下降明显。7月底大降雨数日内，A污水处理厂进水COD负荷低至20 000 kg·d−1以下，约为旱季最大值140 000 kg·d−1的1/7；B污水处理厂的COD负荷低至11 309 kg·d−1，约为旱季最大值105 480 kg·d−1的1/9；C污水处理厂负荷低至4 040 kg·d−1，约为旱季最大值20 975 kg·d−1的1/5。氮和磷负荷呈现了同样的特征。
表2汇集了3座污水处理厂进水COD负荷相关参数值。呈现以下特点：①城市污水排污量（负荷，UL）明显大于常住居民污水排放负荷（IL），3厂各自当量人口/常住人口数分别为1.27、1.23和1.24，说明3厂服务区流动人口和工商业活动对城市污水排污量贡献显著；②日均COD负荷（WL）与常住居民排放负荷（IL）相近，为服务区污水排污量（UL）的77%，意味着年均23%老城区污水排污量经溢流排放；③3厂各自雨天进水日均COD负荷约为年均进水负荷（WL）80%、服务区污水排污量（UL）的64%，后者意味着雨季约1/3老城区污水经溢流排放，与流量法算得A污水处理厂的值相近（见2.2）；④除C污水厂外，其他2厂服务城区污水COD排污负荷（UL）约为设计值的80%。
由污水处理厂进水日均COD负荷（WL）和服务区污水排污量（UL）计算得3座厂污水集中收集率分别为78%、78%和77%。与流量法算得的A污水处理厂值（77%）几乎相同（见3.2），间接验证了2种方法的可行性。总人口当量/常住居民数比为1.3，与北京[12]、上海[13]、苏黎世[10]和维也纳[11]情况相近。
由老城区3座污水厂旱季日均COD负荷之和141 037 kg COD·d−1（表2，UL），可算得老城区城市污水总COD排污量，其与3座污水处理厂常住居民COD排放量（I L）112 780 kg·d−1（表2）的差值（30 145 kg·d−1）来自通勤者和工商业活动，约为城区污水COD负荷（UL）的21.4%，与流量法算得值（21.6%）几乎相同（见2.2）。若以PECOD/90 g COD·（人·d）−1（相当45 g BOD5·（人·d）−1）作为人日COD排放单位，常住居民排放负荷（IL）将减少25%，污水集中收集率将大于100%。与流量法一样，造用适当的PE值对用负荷法准确计算污水集中收集率至关重要（见3.1）。
图6显示了2021年A污水处理厂日进水COD负荷由小到大的分布。低负荷（左端）对应雨天，高负荷（右端）对应旱天。雨季期间，管网内全污水量增加显著（图3），但进水COD负荷明显下降（图6）。全年约300 d进水COD负荷低于或远低于设计值，10 d进水COD负荷高达120 000 kg·d−1（或以上），约为设计负荷（99 000 kg·d−1，表2）的1.2倍，出水水质仍满足排放标准，同样的现象也适用于B污水处理厂和C污水处理厂。因此，尽管维持硝化菌的数量以确保氨氮硝化是一个须注意的问题，但一般而言，生物处理单元能应对雨季进水污染负荷的变化。
为了进一步提高污水集中收集率（≥85%），该市老城区排水机构在积极筹划。①增加现有污水处理厂水力负荷（例如，将污清比提高到约1.6，即水力负荷由现在的36×104 m3·d−1提高到42×104 m3·d−1）。为此，正在核算现有污水处理厂最大允许水力负荷（特别是二沉池）和可用于扩展土地面积。②研究采用调蓄池（离线或在线）的可行性，包括其位置、容积和控制。③根据当地水文数据和投资－效益分析，选择适宜污水处理厂污清比、调蓄容积和二者最佳配合[6]。④充分调查、研究现有管网的状态，辨识需要重点修复的所在地段和具体位置，在此基础上开展整治和修复[26]。
负荷法基于假定旱天管网内外渗漏很少，城市污水污染物负荷几乎全被输送到污水处理厂。管网质量越好，算出结果越接近真实状态。但对那些管网外水入侵量较多的城市污水系统（包括雨、旱季污水浓度变化不明显、旱季期间其污水处理厂进水负荷低于常住居民排放负荷）或经济欠发达城市污水系统（3.1中第3类城市），负荷法难于估算城市污水污染物负荷（UL）。因此，负荷法的应用限于那些管网质量较好、外水入侵量较少或经济发达的城市污水系统。
-
为了较快对城市污水集中收集率进行估算，可按经济发展水平和产业结构，将城市分为3类：1类，直辖市、省会和部分一线发达城市，这些城市的特点是外来务工和旅游者多，服务业繁荣；2类，中等发达城市，净流动人员可不计，服务业发展水平一般；3类，欠发达的城市或城镇（如内地部分城市或城镇），服务业欠发达，不少人员外出务工，实际居住人口可能低于登记常住人口。2、3类城市流动人口/工商业排污对城市污水排污量贡献不大或可忽略。3类城市各自人日排污量（PE）也或有差别。表3列举了3类城市对应的流动人口/工商业影响、PE值和当量人口/常住居民比和用于估算城区污水排污负荷（UL）公式，其中PE值上下限可参见国内设计规范[14]。据此简化城区生活污水负荷（UL）的计算，再由污水处理厂进水负荷（WL）对污水集中收集率进行初步估算。现有案例较多集中在1类城市，2、3类较少，为获知经验公式中具体参数值和相对应的条件，仍需积累更多案例。
污水系统服务区常与所在行政区划边界不完全重合，而一般常住人口常依后者登记和计算。应根据2个区域面积差异大小计算污水系统服务区内常住人口数，然后根据该地供水机构提供人日均用水量（SCWC）计算污水系统服务区内用水量。当服务区内有排污强度较大的制造业或工业园区，可对城市污水系统模型加以修正：①修订个人日排放负荷，如增加PE值（如PECOD˃ 120 g·（人·d）−1）；②在质量平衡中加入单独的工业项，如文献[12]所建议。
-
污水在管网输送过程中经历的一系列复杂物理、化学过程是一个经典研究题目[27]。模型假设“干净”外来水的在一定程度上补偿了忽略COD的在线损失可能导致对计算结果的影响，低溶解氧浓度限制了氮的在线损失，与磷相关的生物和化学反应发生在液、固两相。因此，为简化起见，污水收集率计算常忽略碳、氮、磷在管网输送过程中的损失[4,18]。但当有机物在输送过程中有机物降解显著，如化粪池仍在广泛使用或固体沉积严重，忽略COD在线损失算出的溢出率可能高于实际值。在这样的情况下，可用总氮或总磷作为参数计算城市污水排污量和污水集中收集率[4,18]。本研究用总氮和总磷作为指标参数算得的A污水处理厂所在污水系统污水集中收集率与用COD作为指标参数算得到结果非常相近。为避免COD在线降解影响集中收集率计算，建议在有条件的情况下，除COD外，同时用总氮和总磷计算污水集中收集率。
-
本研究老城区所在城市经济高度发达，其污水系统运营效率在长三角、珠三角地区均属上游[20]。但与发达国家相比，主要差距：1）污水处理厂进水浓度仍较低；2）在目前城市污水集中收集率78%情况下，溢流较频繁。
对本研究中城市及老城区而言，缩小差距1的措施包括：①大幅度提高用水效率[28]，将人均日综合用水量（SCWC）由现在的230 L·（人·d）−1降到约170 L·（人·d）−1的水平（现若干西欧国家SCWC约150 L·（人·d）−1）[14,23]，由此将老城区供水从现在26×104 m3·d−1降到20×104 m3·d−1，污水COD浓度由320 mg·L−1提高到约400 mg·L−1；②对现有收集系统（污水和雨水）进行全面评估、升级和改造（而非仅限于对现有管网的物理修复）[26]，将年均污水稀释倍数由现在1.7降到1.4，日均全污水量由2021年44.2×104 m3·d−1减少到28×104 m3·d−1。缩小差距2的措施包括：①扩大污水处理厂雨季处理能力，由2021年34.2×104 m3·d−1增加到48×104 m3·d−1，污清比提高到 2.6；②结合调蓄和湿地等“灰绿”技术。在用水量减少、污水厂有限扩容的情况下，将污水集中收集率提高到˃95%，从根本上减少溢流[5-6,28]，通过进一步提高城市污水系统投资和运行效率, 显著改善城市水环境质量。这些工作需要各相关部门遵循综合水管理原则，充分配合，结合经济－环境效益，老城区经济发展规划、人口、防洪、防涝和气候变化等因素，制定中长期（5~10年）规划并加以执行。
-
为进一步改进城市水环境质量，国内城市污水处理的重点正在由以污水体积为基准的高处理率转向以污染物质量为基准的高收集率。进一步增加城市污水系统投资和运行效率, 提高城市污水集中收集率成为今后相当长时期内城市水环境保护任务之一。城市污水排污量是计算城市污水集中收集率的必需参数。除了流动人口和工商业活动产生的污染量，国内污水系统较高溢流量和城市经济发展不同水平是开发国内城市污水排污量计算方法需考虑的因素。
1）本研究应用开发的城市污水系统模型，首次提出了2种计算城市污水排污量和污水集中收集率的方法：①应用污水处理厂进口流量推算城市污水排污量的流量法；②应用旱季污水处理厂进口污染物负荷推算城市污水排污量的负荷法。2种方法可互为补充， 负荷法应用限于那些管网质量较好、外水入侵量较少的城市污水系统。为避免COD在线降解影响污水集中收集率计算，建议在有条件情况下，除COD外，同时用总氮和总磷计算污水集中收集率。当系统中有机物降解显著，如管网系统内仍大量使用化粪池或固体沉积严重，可用总氮或总磷作为参数计算城市污水排污量和污水集中收集率。
2）成功展示了2种方法用于面积约110 km2，常住居民近100×104人口的城区污水系统所需数据和具体步骤， 并在计算过程中对系统运行进行了分析和评估。
3）进一步讨论了流动人口、工商业活动和人日排污量等因素对城市污水污染物排放量的影响，提出了用于估算经济发展水平不同城市污水排污量的经验公式。
本研究所介绍的城市污水排污量的计算方法相对简单、易用, 对当下国内和其它一些国家的城市污水系统污水集中收集率的计算和系统运行效率的评估，具有现实意义。
城市污水污染物排放量和污水集中收集率的计算
Calculation of municipal sewage pollutant loadings and centralized sewage collection ratio
-
摘要: 城市污水集中收集率是城市污水系统运行效率的关键指标，城市污水污染物排放量是计算城市污水集中收集率的必需参数，但城市污水系统较高溢流量和缺乏溢流监测带来计算城市污水排污量的困扰。为此，应用城市污水系统模型和用水、污水处理、常住人口数等常规市政数据，首次提出了根据污水处理厂进水流量和负荷计算城市污水污染物排放量和污水集中收集率的2种方法。以面积约110 km2、常住居民近100×104 人口的城区污水系统为例，展示了应用2种方法的所需数据、具体步骤和计算结果，分析了2种方法各自的适用性。对流动人口、工商业活动和人日排污量等因素对城市污水污染物排污量的影响和估算进行了讨论。2种方法对当下国内和国外一些国家的城市污水排污量、污水集中收集率的计算和城市污水系统运行效率的评估，具有现实意义。Abstract: The centralized collection rate of urban sewage is a key indicator of the operational efficiency of urban sewage systems, urban sewage pollutant loading is an essential parameter for calculating the sewage collection ratio. The high overflow of urban sewage systems and lack of monitoring data pose difficulties in calculating sewage collection ratio. By using the urban sewage system model and regular domestic water consumption and sewage treatment information, this study first time proposed two methods, which were based on the influent flow and pollutant loadings of the sewage treatment plant to calculate the urban sewage pollutant loadings and sewage collection ratio. The applicability of two methods was demonstrated including the required data, specific steps, and calculation results by a case of an urban area with almost 110 km2 square meters and nearly 100×104 inhabitants in a city in the Yangtze Delta area. The applicability of each method was discussed. Furthermore, the effects of the commuters, industry and commercial activities, personal discharge load on the estimation of sewage collection ratio in the cities at different levels of economic development are discussed and analyzed. The methods introduced in this study had practical significance for calculating the sewage collection ratio and evaluating the operation efficiency of urban sewage systems in China and part of the other countries.
-
建设北京城市副中心是党中央为了推动首都科学发展而做出的一项重大战略决策[1]. 土壤乃是一切生物生存的基础，更是维系动植物生存繁衍的根本，特别是城市土壤与城市生态环境紧密相连，关系到人体的健康[2 − 4]. 城市优良的土地资源构成了城市生态系统的关键支撑，同时，它们也是人类长期居留和可持续进化的关键物质条件之一[5]. 已有研究表明[6 − 8]，城市化进程会导致土壤退化是一个紧迫的环境问题，其进程中释放的物质不断在土壤环境中累积，一旦重金属在土壤中的浓度超出相应标准的阈值，可能会直接影响土壤生态环境，鉴于城市居民，尤其是儿童，可能通过口误食、呼吸或皮肤接触等途径接触这些污染物后，易对身体健康造成不利影响.
北京城市副中心地区作为市政府功能规划的核心区域，属于未来人口密集场所. 近几年，随着北京城市副中心的迅速发展，例如：副中心行政办公区和住宅区的建设与使用、广渠路东延工程、城市轨道交通的新建、东六环路入地改造和公路交通干线及交通枢纽建设等，增加了土壤重金属的潜在危害风险，与此同时南部区域范围内，之前分布有各类工厂，对土壤环境存在潜在污染风险[9 − 12]. 但是迄今鲜有对北京城市副中心开展土壤重金属生态风险综合研究，土壤重金属污染等级、生态风险大小和健康风险程度不清，因而亟需开展土壤重金属风险研究. 本研究以北京城市副中心作为分析区域，布点采集表层土壤，对土壤样品中的15种元素或指标进行分析测试，以潜在生态风险指数、富集因子和健康风险评价对区域土壤重金属污染进行了评价，研究结果对北京城市副中心的发展具有重要的理论和实际价值，可弥补该地区土壤重金属污染研究的不足，为北京城市副中心土壤重金属污染防治与管控、居民健康生活及城市规划提供参考依据.
1. 材料与方法（Materials and methods）
1.1 研究区概况
研究区位于北京市通州区境内，面积155 km2，地理坐标范围为116°36'—116°47'E、39°48'—39°57'N，南北长约18 km，东西宽约16 km. 地处永定河与潮白河的汇流平原之上，地形开阔，自西北缓缓地向东南方向倾斜，北运河斜穿该研究区. 构成该地区的土壤主要为潮黄土、两合土及沙壤土. 该地区气候特征为典型的大陆性季风气候. 研究区内建筑物较密集，主要分布在西部和中部.
1.2 样品布设
在综合考虑样品代表性、人口密度及土地利用现状之后，采用网格布点法进行布置，密度为2 km×2 km（每个格1—4个点），在研究区的公共绿地、公园绿地及居民区绿地内选取远离工矿企业和城市道路的地方共设置了107个表层（0—20 cm）土壤样品点，其中，公共绿地66个，公园绿地28个，居民区绿地13个，研究区土壤采样点位见图1.
1.3 样品的采集及预处理
在设定的采样点及周围100 m范围内，采用双对角线采样法选取5个代表性的表层（0—20 cm）土壤分样，每个分样点清除植物根系、砂砾和砖块等杂物，现场均匀混合形成一个复合样品. 混合均匀之后，保留大约1.0 kg的样本量并装入样品袋. 土壤样本经实验室自然晾干、手工破碎后，然后过2 mm的尼龙筛，对通过筛的土壤样品采用四分法留下约300 g并装入牛皮袋备用测试. 土壤样品的采集和处理是进行土壤质量评估的基础，严格遵循《DZ/T 0258-2014》[13]的相关标准进行操作.
1.4 样品分析测试和质量控制
对样品中的15种元素或指标进行了分析测试，其分析方法和检出限详见表1所示. 测试过程中加入了3件标准物质，从而对全过程的分析质量进行控制，误差范围均在允许之内. 所有样本测试结果均满足《DD2005-03》要求[14].
表 1 土壤各指标的分析方法及检出限（mg·kg−1）Table 1. Methods of analysis and detection limits for soil indicators（mg·kg−1）元素或指标Element or index 分析方法Method 参考标准Standard 实验室检出限Laboratory 规范检出限[13]Standard Cd 电感耦合等离子体质谱法（ICP-MS） DZ/T 0279.5-2016 2.0×10−2 3.0×10−2 Cu DZ/T 0279.3-2016 1.0×10−1 1.0 Pb DZ/T 0279.3-2016 1.0 2.0 Sc DZ/T 0279.3-2016 1.0×10−1 1.0 Zn 电感耦合等离子体发射光谱法（ICP-OES） DZ/T 0279.2-2016 1.0 4.0 Mn DZ/T 0279.2-2016 5.0 10.0 Ni DZ/T 0279.2-2016 2.0×10−1 2.0 CaO DZ/T 0279.2-2016 2.0×10−2 5.0×10−2 Cr X射线荧光光谱法（XRF） DZ/T 0279.1-2016 1.5 5.0 Ti DZ/T 0279.1-2016 5.0 10.0 Fe2O3 DZ/T 0279.1-2016 2.0×10−2 5.0×10−2 Al2O3 DZ/T 0279.1-2016 3.0×10−2 5.0×10−2 As 原子荧光光谱法 DZ/T 0279.13-2016 2.0×10−1 1.0 Hg （AFS） DZ/T 0279.17-2016 5.0×10−4 5.0×10−4 pH 离子选择电极法（ISE） DZ/T 0279.34-2016 1.0×10−2 1.0×10−1 注：氧化物含量单位为%；pH无量纲. Note:Oxide content in %; pH dimensionless. | Show Table
DownLoad:
CSV
1.5 评价方法
目前，土壤重金属污染的评价方法众多，迄今尚未有统一的规定和标准，各种污染评价方法，虽有其独特之处，但亦存在些许不足[15]，采用单一的评价方法难以获得全面的评价结果. 因此，本研究运用潜在生态风险指数、富集因子和健康风险评价等多种方法进行多角度评价，他们的相互补充会使得评价结果更为准确.
1.5.1 潜在生态风险指数
该方法的提出源于1980年，由瑞典知名学者Lars Hakanson首次提出[16]. 此方法融入了多种有毒金属的毒性指标，同时融入了这些金属的生态学、环境学和毒理学的影响. 目前在生态风险评价中得到了普遍的使用[17 − 19]，计算公式如1－2所示：
stringUtils.convertMath(!{formula.content}) (1) stringUtils.convertMath(!{formula.content}) (2) 式中，Ti代表重金属i的毒性响应系数，Ci代表重金属的实测含量，Ei代表单项重金属的生态风险指数，Co代表重金属的参比值，RI代表综合潜在生态风险指数（即所有Ei的总和）；采用北京地区表层土壤（0—20 cm）的地球化学参数[20]作为该研究区参比值；各种重金属的毒性参数：As为10，Cd为30，Cr为2，Cu、Ni和Pb均为5，Hg为40，Zn为1. Ei和RI分级标准详见表2.
表 2 潜在生态风险分级标准Table 2. Potential ecological risk classification criteriaEi 单因子污染的生态风险Single pollutant ecological risk RI 潜在生态危害程度The potential ecological risk degree <40 轻微 <150 轻微 40 ≤Ei <80 中等 150≤RI< 300 中等 80≤Ei<160 较强 300≤RI< 600 强 160≤Ei <320 强 ≥600 很强 ≥320 很强 — — 注：“—”表示未提及. Note：“—”Means no mentioned. | Show TableDownLoad:
CSV
1.5.2 富集因子
富集因子法（EF指数）是一种在环境科学领域被广泛应用的元素分析方法[21]，它主要通过对比样本元素浓度与参比物质中相应元素浓度，来判断该元素是否因人为影响而呈现富集或衰减状况 [22 − 23]，计算公式如3所示：
stringUtils.convertMath(!{formula.content}) (3) 式中，EF代表土壤中元素富集程度的指标. Ci代表土壤中某种元素i的含量，Cn则代表作为参考元素的元素含量. 样品（sample）指的是研究对象，而背景（baseline）则是指背景条件. 通常选取那些地球化学性质稳定且受人类活动干扰较小的元素，如铝（Al）、钛（Ti）、钪（Sc）、锂（Li）、锰（Mn）、铁（Fe）、钙（Ca）等，作为参考元素[24 − 25]. 通过分析土壤中重金属与参考元素之间的相关性，可以判断重金属元素是否受到人为活动的干扰. 根据Southerland[26]的分级标准，重金属污染的富集因子可以按照五个等级进行划分： EF<2（无—弱富集）、2≤EF<5（中度富集）、5≤EF<20（显著富集）、20≤EF<40（高度富集）、EF≥40（极度富集）. 当EF值大于1时，表示该元素相对富集受到了人类活动的侵扰.
1.5.3 健康风险评估
鉴于中国人与美国人在体重、寿命、暴露频率、皮肤面积等各方面有一定的差异，所以评估研究区域内成人和儿童的健康风险时，将美国国家环境保护局的健康风险评价模型和中国生态环境部评估模型结合使用 [27 − 28]. 评估不同暴露路径下重金属所导致的健康风险，计算公式如式4－5所示：
stringUtils.convertMath(!{formula.content}) (4) stringUtils.convertMath(!{formula.content}) (5) 式中，HI代表总非致癌健康风险指数的和，当HI小于1 时，表明重金属的非致癌风险微乎其微或可忽视，反之，则存在一定的非致癌健康风险[29]；TCR代表致癌健康风险指数总和，若其值小于1×10−6，则不会引发致癌风险；当TCR值介于1×10−6—1×10−4之间时，致癌风险则处于可接受范围；然而，若TCR值超过1×10−4，则致癌风险变得不可接受[30 − 31]. ADDioral、ADDidermal和 ADDibreath依次代表经口直接摄入、皮肤接触和呼吸摄入等不同途径的暴露剂量；RfDi代表三种途径的参考剂量；SF代表致癌斜率系数.
每日土壤重金属暴露剂量的估算公式如式6－8所示：
stringUtils.convertMath(!{formula.content}) (6) stringUtils.convertMath(!{formula.content}) (7) stringUtils.convertMath(!{formula.content}) (8) 式中，Ci代表土壤重金属元素i的实测含量，单位为mg·kg−1；其余参数含义见表3所示. 本项探究中对土壤中重金属对人体健康造成风险的估算参数及其数值见表3. 同时，表4列出了在3种不同的接触途径下，推荐日摄入量（RfD）以及致癌斜率系数（SF）的参考数据.
参数Parameter 单位Units 儿童参考取值Children reference values 成人参考取值Adult reference values IngR（每日摄入土壤量） mg·d−1 200 100 InhR（每日空气呼吸量） m3·d−1 7.5 14.5 ABS（皮肤吸收因子） 无量纲 As（0.03）；Cd（0.001）；Cr（0.001）；Cu（0.06）；Hg（0.05）；Ni（0.001）；Pb（0.006）；Zn（0.02） EF（暴露频率） d·a−1 350 350 BW（平均体重） kg 19.2 61.8 AT（平均暴露时间） d 致癌（ 27740 ）非致癌（2190 ）致癌（ 27740 ）非致癌（2190 ）ED（暴露年限） a 6 24 PEF（土壤尘产生因子） m3·kg−1 1.36×109 1.36×109 SA（暴露皮肤表面积） cm2 2848.01 5373.99 SL（皮肤粘附系数） mg·（cm2·d）−1 0.2 0.07 | Show TableDownLoad:
CSV
Table 4. Values of reference doses and carcinogenicity slope coefficients for different exposure pathways of each heavy metal参数Parameter 重金属Heavy metal As Cd Cr Cu Hg Ni Pb Zn 参考剂量RfD[mg·（kg·d）−1] RfDioral 3.0×10−4 1.0×10−3 3.0×10−3 4.0×10−2 3.0×10−4 2.0×10−2 3.5×10−3 3.0×10−1 RfDidermal 3.0×10−4 2.5×10−5 7.5×10−5 4.0×10−2 2.1×10−5 8.0×10−4 5.3×10−4 3.0×10−1 RfDibreath（儿童） 5.86×10−4 3.91×10−6 3.91×10−5 — 1.17×10−5 3.52×10−5 1.37×10−4 — RfDibreath（成人） 3.52×10−4 2.35×10−6 2.35×10−5 — 7.04×10−5 2.11×10−5 8.21×10−5 — 致癌斜率系数SF[（（kg·d） ·mg−1] SForal 1.5 6.1 — — — — — — SFdermal 1.5 6.1 — — — — — — SFbreath 4.3×10−3 6.3 — — — — — — 注：“—”表示无相应参考值. Note：“—”Means no corresponding reference value. | Show TableDownLoad:
CSV
1.6 数据分析与制图
使用Excel 2017和SPSS 19.0进行元素和指标的统计分析，图形绘制用MapGIS 6.7 和OriginPro 2021软件完成.
2. 结果与讨论（Results and discussion）
2.1 土壤重金属含量统计特征
土壤pH值介于7.83—9.17，以碱性和强碱性为主，其平均值、中位值均超过了北运河流域（北京段）背景值[34]和北京土壤背景值[20]，如表5所示；土壤中As、Cd、Cr、Cu、Hg、Ni、Pb和Zn等8项重金属的中位值与北运河流域（北京段）背景值相比较，除As、Cr和Ni外，其余重金属元素含量均超过北运河流域（北京段）背景值，是相应背景值的1.02—3.05倍；与北京土壤背景值相比较，除As和Cr外，其余重金属元素含量中位值均超过北京土壤背景值，为相应背景值的1.07—2.04倍. 变异系数是评价土壤特性参数空间变异性程度的定量指标，若其数值越大，则表明该指标分布的均匀性越差，受人类活动的侵扰越强烈[35]；土壤中重金属 As和Hg 处在高度变异水平，相比Hg的变异系数最大，为121.4%，表明这种重金属在土壤中分布最不均匀，这可能与人类侵扰有较大关联；而重金属 Cd、Cu、Ni、Pb和Zn 的变异系数处于中等水平，Cr的变异系数最低，表明其受人类侵扰最小；综上所述，研究区土壤重金属的高度变异系数暗示了人为因素在局部区域对土壤重金属含量的显著影响.
表 5 土壤重金属含量统计特征（mg·kg−1）Table 5. Statistical characteristics of soil heavy metal content（mg·kg−1）指标Index As Cd Cr Cu Hg Ni Pb Zn pH 最小值 2.99 0.060 41.4 12.2 0.013 16.1 15.8 45.9 7.83 最大值 43.80 0.300 82.7 67.1 0.963 42.9 54.6 225.0 9.17 平均值 7.67 0.150 56.3 23.7 0.067 25.6 25.4 73.1 8.65 中位值 8.20 0.153 55.8 24.6 0.116 25.1 26.6 76.6 8.61 标准离差 4.03 0.05 6.22 7.78 0.14 4.26 5.95 22.75 0.25 偏度 6.61 0.73 0.37 2.00 3.22 0.40 2.05 3.52 -0.44 峰度 58.19 0.64 2.40 8.14 13.78 2.02 6.68 18.58 0.22 变异系数/% 49.1 31.8 11.1 31.6 121.4 17.0 22.4 29.7 2.9 北运河流域（北京段）背景值[34] 8.68 0.150 56.7 22.8 0.038 25.2 22.8 71.5 8.38 北京土壤背景值[20] 8.4 0.140 58.0 23 0.057 25 24 69 8.21 农用地筛选值[37] 25 0.6 250 100 3.4 190 170 300 － 建设用地筛选值[38] 20 20 － 2000 8 150 400 － － 注：偏度、峰度、变异系数和pH均无量纲；北运河流域（北京段）背景值统计的表层土壤（0—20 cm）样本量n=740；北京土壤背景值统计的表层土壤（0—20 cm）样本量n= 2268 ；“－”表示未提及.Note：Skewness, kurtosis, coefficient of variation and pH are dimensionless; Sample size of top soil （0—20 cm） for background value statistics in the BeiyunRiver Basin （Beijing section） n=740; Sample size of top soil （0—20 cm） for soil background value statistics in Beijing n= 2268 ; “－”Means no mentioned.| Show TableDownLoad:
CSV
判定参与统计的数据是否符合正态分布或近似正态分布，可降低统计分析和空间插值分析过程中出现的潜在比例效应[36]. 对研究区的107件土壤重金属样品含量绘制箱线图和正态曲线，如图2，结果表明，研究区As、Cd、Cr、Cu、Ni、Pb和Zn等7种重金属元素符合正态分布，Hg符合对数正态分布.
图 2 土壤8项重金属箱线图和正态曲线（n=107）Figure 2. Box plots and normal curves for 8 heavy metals in soil（n=107）参照农用地筛选值[37]和建设用地筛选值[38]标准，所有土壤样本的Cd、Cr、Cu、Hg、Ni、Pb和Zn在内的7项重金属元素的含量均低于农用地筛选值阈值，属于优先保护类别；仅有1件土壤样品中As含量超过农用地筛选值和建设用地筛选值阈值，调查发现该超标样点位于公园树林中，该树林为人工种植，As元素超标可能与农药的使用密切相关[39]. 表层土壤的金属浓度表现出显著的多样性（表5）.
2.2 重金属潜在生态风险指数
在土壤重金属危害指数（Ei）评价结果（见表6）中，区内8种重金属单一潜在生态危害指数平均值由低到高排序依次为：Zn、Cr、Ni、Cu、Pb、As、Cd、Hg. 除Hg外，其余元素单一潜在生态风险指数均小于 40，为轻微生态风险；As和Cd的单一潜在生态风险指数范围分别为3.56—52.14和12.86—64.29，属轻微生态风险水平的样本占比均在77%以上. 区内土壤中Hg和Cd是主要的生态危害因子，其中Hg的单一潜在生态风险指数极高值是其风险等级最大值2.11倍.
表 6 土壤重金属危害指数及风险指数Table 6. Soil heavy metal hazard index and risk index单一潜在生态危害指数Single potential ecological risk index 元素Element Ei范围Ei range Ei均值Ei mean 不同风险等级样本占比/%Percentage of samples with different risk levels/% 轻微Slight 中等Moderate 较强Weakly strong 强Strong 极强Extremely strong Ei As 3.56—52.14 9.76 99.07 0.93 0 0 0 Cd 12.86—64.29 32.70 77.57 22.43 0 0 0 Cr 1.43—2.85 1.92 100 0 0 0 0 Cu 2.65—14.59 5.35 100 0 0 0 0 Hg 9.12—675.79 81.32 42.06 29.91 10.28 14.95 2.80 Ni 3.22—8.58 5.01 100 0 0 0 0 Pb 3.29—11.38 5.55 100 0 0 0 0 Zn 0.67—3.26 1.11 100 0 0 0 0 总潜在生态风险指数 Total potential ecology Risk index RI范围 RI均值 不同风险等级样本占比/%Percentage of samples with different risk levels/% － 轻微Slight 中等Moderate 强Strong 很强Extremely strong RI 41.42—750.68 142.73 74.77 19.63 4.67 0.93 － 注：“－”表示未提及. Note：“—”Means no mentioned. | Show TableDownLoad:
CSV
土壤中重金属的总潜在生态风险指数 （RI）极值差异显著，均值为142.73. 生态环境面临的风险程度轻重不一，以轻度和中度风险为主，分别占总样本量的74.77%和19.63%；极度风险的样本仅有1件，占总样本量的0.93%. 图3结果显示，这些高风险样点主要位于研究区的中部和西部，通过调查发现，那里有大量的住宅小区、交通主干线、公园、建筑工地和生产加工企业，这些地区长期受到人类活动和生产活动的侵扰，从而导致周边土壤中的重金属，如 Cd 和 Hg 的生态风险较高，其中 Hg 的极端值颇高. 此外，Hg 的 Ei和 RI 值在其分布区域里呈现出较高的相似性，这一现象使得Hg成为对生态系统整体风险贡献最大的因素.
2.3 富集因子
运用SPSS 19.0对土壤8项重金属元素与候选参考元素进行皮尔逊相关系数矩阵分析（见图4），以探究它们之间的相关性. 由图4可知，土壤中Mn、Sc、Ti 和Fe与As、Cd、Cr、Cu、Ni、Pb和Zn呈正相关关系. 鉴于Mn是变价元素，化学性质不稳定，高价Mn存在迁移性，因此，选择Mn做参比元素不合适；而Sc在表生地球化学过程中性质稳定，因此，在评价土壤重金属富集因子时，以Sc为计算富集因子的参照元素则相对合理.
图 4 土壤元素间的相关性分析Figure 4. Correlation analysis between soil elements注： Al用Al2O3代替，Ca用CaO代替，Fe用Fe2O3代替.Note：Al is replaced by Al2O3, Ca by CaO and Fe by Fe2O3.由图5可知，所有土壤均无高度富集和极度富集，均值总体处于无—弱富集水平，从弱到强依次为：Cr、As、Ni、Cu、Cd、Zn、Pb、Hg. 在研究区的土壤中，所有Cr和Ni富集因子均小于2，均处于无—弱富集水平. 土壤As富集因子有1件样本呈显著富集，占样本总数的0.93%. 土壤Hg富集现象尤为突出，富集程度跨度较广，土壤Hg呈显著富集程度的样点数为 7 件，占总样本数的 6.54%，Hg 富集因子的最小值与最大值差异显著，这揭示了人类活动对汞积累的影响强烈；对于土壤中的Cd、Cu、Hg、Pb和Zn，它们的富集因子表现出中等程度富集，占总样本数的比例依次为： 2.80%、1.87%、17.76%、1.87%和2.80%. 而Cr和Ni的富集因子均值相对较小，表明Cr和Ni在土壤中的空间分布主要受地质因素的控制，人为活动侵扰相对较小；而土壤Hg、Pb、Zn、Cd、Cu和As的富集因子均值相对较大，表明在土壤中富集的重金属元素主要来自外部非自然条件；总之，Hg、Pb、Zn、Cd、Cu和As 含量均在不同程度上受到人为活动侵扰.
2.4 健康风险评价
2.4.1 非致癌
由表7、表8和图6可知，在非致癌性物质暴露方面，儿童的总量超过了成人. 儿童通过口腔和皮肤接触土壤中的重金属日均暴露量均超出成人，然而，通过呼吸摄入的日均暴露量则低于成人. 在不同的接触方式中，各类重金属元素的健康风险指数从低到高排列为：HIibreath<HIidermal<HIioral. 这一现象说明，土壤中的重金属对于人体的非致癌风险主要与通过口腔摄入有关，并且这种风险会随着接触方式的改变而变化. 针对儿童与成年人群，各类单一土壤重金属所引发的非致癌风险指数的平均值普遍低于1. 各种重金属对儿童和成人的非致癌风险程度，从低到高排序为：Cd<Zn<Hg<Cu<Ni<Pb<Cr<As. 单一重金属元素的健康风险指数（HQ）均低于1. 儿童与成人面对的非致癌性重金属健康风险指标（HI）分别介于0.318—1.751和0.197—1.086之间，其均值分别为0.573和0.355，各仅有一件样本的HI值超过了1，表明有高达99.07%对儿童与成人构成的非致癌健康风险是极其微小的，尚可忽略，仅有0.93%的个别土壤样本可能对儿童与成人构成非致癌健康风险. 图7显示，儿童的重金属潜在非致癌风险（HQ）普遍高于成年人群，这揭示了土壤中的As、Cr和Pb等重金属成分可能是引起这一现象的关键原因.
表 7 土壤中重金属的非致癌平均日暴露量统计[mg·（kg·d）−1]Table 7. Statistics of non-carcinogenic average daily exposure to heavy metals in soil[mg·（kg·d）−1]人群Crowds 途径Avenues As Cd Cr Cu Hg Ni Pb Zn ADDtotal 儿童 ADDioral 8.19×10−5 1.52×10−6 5.57×10−4 2.46×10−4 1.16×10−6 2.50×10−4 2.66×10−4 7.65×10−4 2.17×10−3 ADDidermal 1.17×10−6 7.24×10-10 2.64×10−7 7.00×10−6 2.75×10−8 1.19×10−7 7.58×10−7 7.26×10−6 1.66×10−5 ADDibreath 2.26×10−9 4.20×10-11 1.54×10−8 6.77×10−9 3.19×10-11 6.90×10−9 7.34×10−9 2.11×10−8 5.98×10−8 ADDichild 8.31×10−5 1.52×10−6 5.57×10−4 2.53×10−4 1.19×10−6 2.50×10−4 2.67×10−4 7.72×10−4 2.19×10−3 成人 ADDioral 5.09×10−5 9.47×10−7 3.46×10−4 1.53×10−4 7.19×10−7 1.56×10−4 1.65×10−4 4.75×10−4 1.35×10−3 ADDidermal 2.39×10−7 1.48×10-10 5.43×10−8 1.44×10−6 5.64×10−9 2.44×10−8 1.55×10−7 1.49×10−6 3.41×10−6 ADDibreath 5.43×10−9 1.01×10-10 3.69×10−8 1.63×10−8 7.67×10-11 1.66×10−8 1.76×10−8 5.07×10−8 1.44×10−7 ADDiadult 5.11×10−5 9.47×10−7 3.46×10−4 1.54×10−4 7.25×10−7 1.56×10−4 1.65×10−4 4.76×10−4 1.35×10−3 | Show TableDownLoad:
CSV
表 8 研究区土壤重金属非致癌危害指数统计Table 8. Statistics of non-carcinogenic hazard index of heavy metals in soil of study area人群Crowds 途径Avenues HQ均值Mean As Cd Cr Cu Hg Ni Pb Zn 儿童 经口摄入 2.73×10−1 1.52×10−3 1.86×10−1 6.14×10−3 3.86×10−3 1.25×10−2 7.60×10−2 2.55×10−3 皮肤渗透 4.10×10−3 2.47×10−5 3.88×10−3 1.54×10−4 5.53×10−4 1.46×10−4 1.25×10−3 2.22×10−5 呼吸摄入 3.85×10−4 1.08×10−5 3.93×10−4 — 2.73×10−6 1.96×10−4 5.35×10−5 — 总和 2.76×10−1 1.56×10−3 1.90×10−1 6.30×10−3 4.4×10−3 1.29×10−2 7.73×10−2 2.57×10−3 成人 经口摄入 1.70×10−1 9.47×10−4 1.15×10−1 3.82×10−3 2.40×10−3 7.78×10−3 4.72×10−2 1.59×10−3 皮肤渗透 7.98×10−4 5.94×10−6 7.23×10−4 3.59×10−5 2.68×10−4 3.05×10−5 2.93×10−4 4.97×10−6 呼吸摄入 1.54×10−3 4.30×10−5 1.57×10−3 — 1.09×10−6 7.86×10−4 2.15×10−4 — 总和 1.72×10−1 9.96×10−4 1.18×10−1 3.85×10−3 2.67×10−3 8.59×10−3 4.77×10−2 1.59×10−3 注：“—”表示未提及. Note：“—”Means no mentioned. | Show TableDownLoad:
CSV
2.4.2 致癌
由表9和图6可知，致癌与非致癌风险的日暴露风险评价一致，从高到低排列，致癌的平均日暴露量为ADDioral>ADDidermal> ADDibreath，其中土壤重金属通过口直接摄入是致癌风险指数（TCR）的主要影响因素. 在研究区域内，儿童与成人所接触的土壤致癌风险TCR分别介于3.92×10−6—5.33×10−5和2.42×10−6—3.28×10−5之间，其平均值分别为1.06×10−5和6.52×10−6；所有采集的样品该风险值均落在1×10−6—1×10−4的范围. 据此判断，研究区土壤重金属砷（As）和镉（Cd）对儿童与成人引起的致癌总风险仍处于较低水平，尚可忽略.
表 9 土壤重金属致癌危害指数统计Table 9. Soil Heavy Metals Carcinogenic Hazard Index Statistics人群Crowds 途径Avenues CR均值Mean As Cd Cr Cu Hg Ni Pb Zn 儿童 经口摄入 9.70×10−6 7.34×10−7 — — — — — — 皮肤渗透 1.38×10−7 3.48×10-10 — — — — — — 呼吸摄入 7.67×10-13 2.09×10-11 — — — — — — 总和 9.84×10−6 7.34×10−7 — — — — — — 成人 经口摄入 6.03×10−6 4.56×10−7 — — — — — — 皮肤渗透 2.83×10−8 7.15×10-11 — — — — — — 呼吸摄入 1.84×10-12 5.02×10-11 — — — — — 总和 6.06×10−6 4.56×10−7 — — — — — — 注：“—”表示未提及.Note：“—”Means no mentioned. | Show TableDownLoad:
CSV
有关土壤重金属污染的风险评价，目前我国尚无统一的规定与标准，因此，不同的评价标准将导致对污染程度不同的结论. 考虑到北京土壤背景值[20]低于中国土壤元素背景值[40]、农用地风险筛选值[37]及建设用地筛选值[38]，如以北京土壤背景值为评价基准，其重金属污染程度结果则较为严重. 研究区综合污染程度较轻，总体处于安全无污染水平，环境相对安全. 该地区土壤中总体上四分之一的重金属潜在生态风险指数（RI）处于中等水平. 土壤中重金属的富集因子（EF）呈现出零星样本中土壤中的Hg和As受到明显的污染，表明长期的人类和生产活动对部分土壤重金属积累造成了一定影响. 潜在风险生态指数（RI）和富集因子（EF）都表明，该地区土壤中Hg的贡献最为显著. 根据农用地筛选值标准[37]，该地区的8种重金属元素含量整体偏低，符合标准要求，土壤中仍存在大量重金属环境容量.
3. 结论（Conclusion）
1）土壤pH值显碱性-强碱性；区内总体环境相对安全，As和Hg这两项元素呈现高度的变异性，尤其是Hg，其变异性系数高达121.4%，这一现象揭示了人类活动对某些区域土壤中这些元素的高度富集有着直接关系.
2）土壤中重金属的潜在生态风险水平以轻微和中等为主，分别占总样本数的74.77%和19.63%；仅存在零星的强和极强潜在生态风险水平的土壤样品，分别占总样本数的4.67%和0.93%，这些样本主要分布在研究区的中部和西部，这些区域分布有大量的住宅小区、交通干线、公园、建筑工地及一些生产加工企业，长期的人类活动及生产活动导致周边土壤中重金属Hg和Cd的生态风险相对较高.
3）土壤中重金属元素的富集因子均值低于2，元素富集程度由低到高排序依次为：Cr、As、Ni、Cu、Cd、Zn、Pb、Hg，总体处于无—弱污染水平，有6.54%的土壤Hg和0.93%的As富集因子呈显著富集.
4）土壤中重金属对儿童和成人的非致癌风险程度，从低到高排序为：Cd<Zn<Hg<Cu<Ni<Pb<Cr<As，99.07%以上的样品均在可接受的区间内，但有1件样品的土壤重金属对儿童和成人均构成了轻微的非致癌健康风险，揭示了土壤中的As、Cr和Pb等重金属可能是引起这一风险的关键原因.
-
图 1 城市污水系统水量平衡简化模型
Figure 1. The simplified model of hydraulic flow in urban sewage system
图 2 2021年A污水处理厂进水COD浓度和对应污水稀释倍数
Figure 2. The influent COD concentration of A-sewage treatment plant and the corresponding dilution factor in 2021
图 3 2021年A污水处理厂进水污水量、计算全污水量、溢流量和降雨量[6]
Figure 3. The actual influent flow, calculated full influent flow and overflow of A sewage treatment plant and precipitation in 2021
图 4 2021年A污水处理厂计算全污水量分布图、污水处理厂进水量和售水量
Figure 4. The calculated full inflow、actual influent flow of A sewage treatment plant and sale water volume at the service area of A sewage treatment plant in 2021
图 5 2021年3座污水处理厂进水COD负荷和降雨量
Figure 5. The influent COD loadings of the three sewage treatment plants and precipitation in 2021
图 6 2021年A污水处理厂进水COD负荷分布，日均进水COD负荷和日均城市COD排放负荷
Figure 6. Topography diagram of daily influent COD Loading and daily average influent COD loading of A sewage treatment plant and daily average COD loading of urban discharge in 2021
表 1 A污水处理厂2021年旱、雨天和全年进水COD浓度、对应的污水稀释倍数和污水集中收集率平均值
Table 1. The average influent COD concentration, corresponding dilution factor and sewage collective ratio of dry, rainy days and the whole year of A-sewage treatment plant in 2021
类别 进水COD浓度/（mg·L−1） 稀释倍数 污水集中收集率 旱天 355 1.5 89% 雨天 277 2.0 65% 全年 320 1.7 77%
下载: 导出CSV
表 2 2021年3座污水处理厂进水常住居民排污、全年和旱、雨天日均COD负荷和设计负荷值
Table 2. The average influent COD loadings of inhabitants, the whole year、dry and rainy days and the design COD loadings of the three sewage treatment plants in 2021
污水处理厂 进水日均常住居民COD负荷（IL）/（kg COD·d−1） 污水处理厂进水日均COD负荷（WL）/（kg COD·d−1） 旱天进水日均COD负荷（UL）/（kg COD·d−1） 雨天进水日均COD负荷/（kg COD·d−1） 设计进水日均COD负荷/（kg COD·d−1） A污水处理厂 56 400 55 043 71 351 45 014 99 000 B污水处理厂 45 100 43 584 55 780 35 452 70 000 C污水处理厂 11 280 10 735 13 906 8 874 14 000 3厂和 112 780 109 362 141 037 89 340 183 000
下载: 导出CSV
表 3 3类不同经济发展水平城市流动人口、工商业对城市污水排污量影响和PE值、当量人口/常住居民数和建议用于初估3类城市污水排污量公式
Table 3. The influence of commuters, industry and commercial activities to urban sewage ladings, PE values、Population Equivalents/inhabitants and the proposed formulas for estimation of urban sewage loadings of three categories of the cities with different economic development levels
城市分类 流动人口/工商业影响 PE值 当量人口/常住居民数 初估城区污水负荷（UL）公式 1类 + 上限 1.0~1.4 PE上限值·（常住居民数·（1.0~1.4）） 2类 轻微 中间值 ~1 PE中间值·常住居民数 3类 可忽略或负面 下限 ~1 PE下限值·常住居民数
下载: 导出CSV
-
[1] 住房和城乡建设部, 生态环境部, 国家发展和改革委员会等. 深入打好城市黑臭水体治理攻坚战实施方案[R]. 北京: 2024. [2] European parliament. Directive (Eu) 2024/of the European parliament and of the council of concerning urban wastewater treatment (recast)[C]. Brussels, 2024: 11. [3] 王殿常, 赵云鹏, 陈亚松, 等. 我国城市水环境治理的现状与困境分析[J]. 给水排水, 2023, 49(11): 25-31. [4] DWA Working group BIZ-1.1. Wastewater treatment plant neighbourhoods. performance report for municipal wastewater treatment plants trends of energy consumption[J]. DWA, International Special Edition 2022/2023: 12-19. [5] 曹业始, ABEGGLEN C, 刘智晓, 等. 改造国内当前污水管网需要综合考虑的四个因素[J]. 给水排水, 2021, 47(8): 125-137. [6] 曹业始, KROISS H, VAN LOOSDRECHT M, 等. 进一步改善城市网-厂-水体污水系统升级改造和运行效率的四点看法[J]. 给水排水, 2024, 50(4): 137-144. [7] DWA(德国水协会). Design of wastewater treatment plants in hot and cold climates October[R]. Hennef, Germany, 2019: 26-27. [8] 曹业始, 吴军, 刘智晓, 等. 改造国内污水管网系统需要综合考虑的四个因素: 定量分析[J]. 给水排水, 2022, 48(10): 45-55. [9] ATV, standard ATV-DVWK-A 198. Standardisation and derivation of dimensioning values for wastewater facilities: ISBN 3-924063-63-X[S]. Hennef: ATV, 2003: 12-13. [10] ERZ (苏黎世污水处理和回用局). The disposal and recycling department of Zurich[R]. Zurich: ERZ, 2020. https://www.erz.ch. [11] EBSWIEN (维也纳污水处理厂). Process and technical data [R]. Vienna: 2020. https://wien.gv.at. [12] 郑江, 李群, 刘垚, 等. 新型冠状病毒肺炎疫情期间城镇再生水厂低负荷运行实践[J]. 给水排水, 2020, 46(5): 1-7. [13] 周骅, 蒋玲燕, 薛松. 上海静默管理期间污水厂进水波动分析及运行策略[J]. 中国给水排水, 2022, 38(19): 1-7. [14] 上海住建委, 中华人民共和国国家标准. 室外排水规范[S]. 北京: 中国计划出版社, 2021年. [15] DNAVA(丹麦水协会). The wastewater companies sewer networks are challenged, in: Annual report[R]. Water In Figures, 2022: 50. [16] HENZE M, HARREMOËS P, JANSEN J L C, et al. Wastewater treatment: Biological and chemical processes[M]. 2. ed. Berlin: Springer-Verlag, 1997: 25. [17] METCALF & EDDY I AECOM. Wastewater engineering treatment and resource recovery[M]. Fifth Edition, 2014 by McGraw-Hill Education, New York: 216. [18] SOLA K J, BJERKHOLT J T, LINDHOLM O G, et al. Infiltration and inflow (I/I) to wastewater systems in Norway, Sweden, Denmark, and Finland[J]. Water, 2018, 10(11): 1696. doi: 10.3390/w10111696 [19] DIRCKX G, BIXIO D, THOEYE C, et al. Dilution of sewage in Flanders mapped with mathematical and tracer methods[J]. Urban Water Journal, 2009, 6(2): 81-92. doi: 10.1080/15730620802541615 [20] DAI X H, XU G Z, DING Y W, et al. Online storage technology of the separate sewage system: Demonstration study in a typical plain river network city[J]. Water 2022, 14: 3194. [21] 江苏省环保厅, 江苏省质量技术监督局. 太湖地区城镇污水处理厂及重点工业行业主要水污染物排放限值: DB 32/1072-2018[S]. 南京: 江苏省环境科学研究院, 2018. [22] 孙永利, 张维, 郑兴灿, 等. 城镇居民人均日生活污水污染物产生量测算之产污规律[J]. 中国给水排水, 2020(3): 1-6. [23] CAO Y S, TANG J G, M HENZE, et al. The leakage of sewer systems and the impact on the “black and odorous water bodies” and WWTPs in China[J]. Water Science and Technology, 2019, 79(2): 334-341. doi: 10.2166/wst.2019.051 [24] DWA Standard DWA-A 118 Hydraulic. Dimensioning and verification of drain and sewer systems: ISBN: 978-3-940173-51-5[S], Hennef: DWA, 2006: 13-14. [25] VAN LUIJTELAAR H, BAARS E J. Digital planning of wastewater flows in the city of Amsterdam[M]. International Conference on Urban Drainage, 2002: 1-11. [26] SOLA K J, BJERKHOLT J T, LINDHOLM O G, et al. What effect does rehabilitation of wastewater pipelines have on the share of infiltration and inflow water (I/I-water)?[J]. Water, 2021, 13(14): 1934. doi: 10.3390/w13141934 [27] NIELSEN P H, RAUNKJÆR K, NORSKER N H, et al. Transformation of wastewater in sewer systems-a review[J]. Water Science and Technology, 1992, 25(6): 17-31. doi: 10.2166/wst.1992.0111 [28] 曹业始, KROISS H, VAN LOOSDRECHT M, 等. 城市污水系统的改造: 污水稀释倍数, 污水厂处理量和污水集中收集率[C]//中国工程院工程科技学术研讨会-第二届城市与重大基础设施韧性研讨会, 第七届城市防洪排涝国际论坛, 上海, 2024年11月19日. -
点击查看大图
计量
- 文章访问数: 732
- HTML全文浏览数: 732
- PDF下载数: 129
- 施引文献: 0
