-
扬尘源是我国各地区大气颗粒物污染的重要来源，如我国北方地区春季扬尘源对PM2.5的贡献率可达到30%以上[1-5]。《扬尘源颗粒物排放清单编制技术指南（试行）》(以下简称“《指南》”)指出，土壤扬尘是指裸露地面的颗粒物在自然或人力作用下形成的扬尘[6]。土壤扬尘源分布区域广、排放随机性大、瞬时爆发性强，对局地和区域空气质量的季节性影响明显[7-9]，会影响大气辐射平衡或作为凝结核促进颗粒物的二次反应[10]。因此，编制土壤扬尘源排放清单对于空气质量模拟和相关研究具有重要意义[11]。
近年来，遥感技术（RS）和地理信息系统技术（GIS）被广泛应用于构建高空间分辨率排放清单[12-14]。运用该类方法，目前已有关于南京[15]、哈尔滨[16]、北京[17]、常州[18]、长沙[19]、武汉[9]和郑州[20]等中国中部及东部城市的土壤扬尘排放清单及本地化排放因子的研究，但有关中国西部城市的相关报道较少[21]，尚未发现关于西宁市土壤扬尘排放清单的研究。
作为青海省省会，地处青藏高原河湟谷地的西宁市具有典型的西部城市特征。同时也是兰西城市群中心城市，是西部大开发重要工业基地、资源开发基地和交通网络枢纽。西宁市2018年PM10和PM2.5日均浓度均超过国家二级质量标准，其大气污染不容忽视。西宁市土壤扬尘排放清单研究的缺乏，给当地污染成因分析、预警预报带来了较大的不确定性。
为系统构建西宁市土壤扬尘清单，本研究以2018年为基准年，将遥感技术(RS)与地理信息系统技术(GIS)相结合，并通过实地考察、现场采样以及实验分析，获取了具有西宁市本地化特征的土壤扬尘计算参数，并结合当地气象参数，建立了西宁市土壤扬尘排放清单并获得其时空分配特征，以期为西宁市大气污染防治对策制定提供基础和依据。
-
以西宁市行政边界为研究区域(100°54’E—101°54'E，36°13'N—37°24'N)，估算西宁市土壤扬尘排放量，研究范围涵盖西宁市城区（城东区、城西区、城北区、城中区）、湟中区、湟源县和大通县。
-
土壤扬尘源排放量计算公式（1）如下：
式中，Wi为土壤扬尘的总排放量（空气动力学当量直径在0—i μm 间的颗粒物，如PM2.5、PM10），t·a−1；EFi为土壤扬尘PMi的排放系数，t·(m2·a)−1；A为土壤扬尘面积，m2。
土壤扬尘PMi的排放系数主要受土壤表层颗粒物粒径分布、土壤质地、地表粗糙度、植被覆盖度、周边屏蔽条件以及气象条件等因素的影响。具体计算方法见式（2）和（3）：
式中，EFi为土壤扬尘源的 PMi 排放系数，t·(m2·a)−1或t·(m2·month)−1；Di为 PMi 的起尘因子，t·(104 m2·a)−1 或t·(104 m2·month)−1；C为气候因子，无量纲；η为土壤扬尘控制措施的抑尘效率，%，本研究中统一取值为0；ki为粒度乘数，PMi在土壤扬尘中百分含量，%；Iwe为土壤风蚀指数， t·(104 m2·a)−1或t·(104 m2·month)−1；f为地面粗糙因子，取值为0.5；L为无屏蔽宽度因子，表示研究区域的开阔程度，即没有明显的阻挡物（如建筑物或者高大的树木）的最大范围。当无屏蔽宽度小于等于300 m时，L=0.7；当无屏蔽宽度大于300 m，小于600 m时，L=0.85；当无屏蔽宽度大于等于600 m时，L=1.0，本研究统一取值0.75；V为植被覆盖因子，指裸露土壤面积与总计算面积比例，也就是V=1-植被覆盖度。
-
气候因子是用来表征气象因素对土壤扬尘排放影响的重要指标，主要由风速、降水量、蒸发量和温度共同决定。
相比年气候因子而言，月气候因子能够反映短期的气候条件，因此在计算土壤扬尘排放量时宜选取月气候因子，具体计算公式如下式（4）、（5）和（6）：
式中，Cm为月平均气候因子；um为月平均风速，m·s−1；PE为桑氏威特降水-蒸发指数，为年降水-蒸发指数。
式中，p为年降水量，mm；E*为年潜在蒸发量，mm；Ta 为年平均温度，℃。
由于每月的降水-蒸发指数不能够精确评估短时间内土壤中的水分条件，因此，在计算月气候因子时应选择年降水-蒸发指数。
根据西宁气象局提供的2018年气象数据，计算得到了2018年年潜在蒸发量、年降水量和年桑氏威特降水-蒸发指数，如表1所示。结果表明，各站点年潜在蒸发量由小到大为：湟源县 < 湟中区 < 大通县 < 西宁市市区。湟中区的年降水量最大为669.80 mm，大通县的年降水量最小为483.40 mm。湟中区的年桑氏威特降水-蒸发指数最大为151.27，西宁市市区的年桑氏威特降水-蒸发指数最小为102.49。
气候因子是地区排放季节性变化的决定性因素[22]。计算得到的各地区各月气候因子见图1，湟源县1月份的气候因子值（0.000788）最高，西宁市区11月份的气候因子值（0.000017）最低。湟源县站点的各月份的月气候因子均高于其他站点相应月份的月气候因子。除湟源县外，其余各站点月气候因子最大值均出现在4、5月份。除大通县月气候因子最小值出现在12月份外，其余站点月气候因子最小值均出现在11月份。气候因子对颗粒物排放系数的影响主要来源于平均风速[20]，春季4、5月时，风速较大，因此西宁市各区气候因子均处于较高水平。而湟源县的气候因子最高值出现在1月，是4月的1.11倍，这主要是由于当时受局部气象因素影响，湟源县1月份平均风速为2.81 m·s−1，是4月风速的1.03倍，且明显高于其他月份风速，进而导致湟源县1月份气候因子较高。总体看，湟中区的气候因子变化规律和数值与西宁市区接近。
-
土壤粒度乘数是指不同粒径颗粒物在表层土壤中的百分含量。为使粒度乘数参数本地化，本研究通过采集研究区域内不同土地利用类型的土壤样品，通过再悬浮获取粒径信息，然后通过计算得到不同土地利用类型土壤样品的粒度乘数。2019年9月，采集研究区域内不同土地利用现状的表层（0—10 cm）土壤样品84个，采样点如图2所示，将采集到的土壤样品在实验室内自然阴干，过200目泰勒标准筛筛分，再悬浮的同时采用Optical Particle Sizer 3330测定粒度组成（PM2.5、PM10）。
将测定得到的粒度乘数结果依据不同土地利用类型进行分类统计，将各不同地块类型采样点位PM2.5粒度乘数的平均值作为对应地块类型的粒度乘数；对于采样未涉及到的土地利用类型的地块的粒度乘数，使用与其近似类型的地块的粒度乘数进行赋值，PM10粒度乘数采用扬尘指南推荐值。
-
本研究所需的土壤质地图由青海省生态环境监测中心提供，并结合《指南》推荐的土壤风蚀指数和美国制土壤质地划分标准，将本研究中的土壤质地划分为砂土、壤土、粉砂质壤土、黏壤土共4种类型，如图3。为研究土壤扬尘排放量的时间分布特征，在计算土壤扬尘月排放量时，采用月土壤风蚀指数。
-
植被覆盖因子可通过植被覆盖度计算得到，当地面完全没有植被覆盖时V等于1。植被覆盖度是指植被叶、茎、枝垂直向下投影面积占区域总面积的比例或百分数，通过遥感解译获得。本研究采用由美国NASA提供的16 d合成的空间分辨率为500 m的MOD13A1- NDVI产品作为基础数据进行植被覆盖度计算，数据格式为EOS-HDF。首先，利用NASA提供的MRT（MODIS Reprojection Tools）软件将下载的影像转换为UTM投影的tif格式。然后，利用Arcmap中提供的Extract by Mask工具，以研究区域边界矢量文件为掩膜裁剪出研究区域的NDVI数据，利用像元二分法模型来估算研究区域的植被覆盖度，结果见图3。
图3表明，1、2、12月份的植被覆盖度以极低覆盖度为主，6、7、8月份高植被覆盖度所占比例相比其他月份较高。植被季节性枯荣和农业生产直接影响地表裸露状况。夏季雨热同期，植被和农作物生长较为旺盛，植被覆盖度更高；反之冬季植被覆盖度较低。由图3可以看出，9、10月植被覆盖度降低较为显著，这主要是由于植被覆盖度主要受气温及降水影响和植被及农作物生长状况影响，西宁市各月气温及降水变化较大，促使植被覆盖度的月变化较大。与7、8月相比，9、10月的气温及降水均显著下降、农作物收割、森林草原植被等落叶，因此其植被覆盖度显著降低。
-
将遥感影像解译并利用Arcgis中几何计算器计算各区县土壤扬尘源面积，结果见图4。西宁市土壤扬尘源总面积为6899.44 km2。其中，大通县土扬扬尘源面积最大，为2798.17 km2，占全市总土壤扬尘源面积的40.56%；其次是湟中区，占全市总土壤扬尘源面积的34.91%；排第三位的是湟源县，占全市总土壤扬尘源面积的21.48%。湟中区、湟源县和大通县拥有最多的土壤扬尘源面积，这与其较小的建成区面积及大面积农田、草地和林地有关。而西宁市市内4个区的土壤扬尘源面积很小，为210.62 km2，仅占总土壤扬尘源面积的3.06%，这主要与其建设用地面积较大有关。
-
根据公式计算得到每个月的土壤扬尘PM10和PM2.5的月排放量，并计算得到年排放量。2018年西宁市土壤扬尘PM2.5、PM10排放总量分别为353.13 t、1502.46 t。各区县排放量和贡献率见表2，空间分布见图5（网格：3 km ×3 km）。
图5表明，西南地区和北部地区土壤扬尘源排放量高于中部及东南部地区，空间差异较明显。湟源县土壤扬尘PM2.5、PM10排放量最大，分别为172.82 t、729.18 t，占研究区域内土壤扬尘PM2.5、PM10总排放量的48.94%、48.53%；其次，大通县的土壤扬尘排放量也较高，PM2.5、PM10排放量分别为148.09 t、634.15 t，是研究区域土壤扬尘PM2.5、PM10总排放量的41.94%、42.21%。湟源县和大通县土壤扬尘PM2.5、PM10排放量对研究区域内土壤扬尘排放量的贡献均约为90%，而土壤扬尘源面积位居第二位的湟中区土壤扬尘PM2.5、PM10排放量却明显低于湟源县。土壤扬尘排放量与气象因子，土壤扬尘源面积及植被覆盖因子有关。湟中区与湟源县和大通县的平均植被覆盖因子相近，分别为0.71、0.72、0.70，故差异主要源于气象因子。虽然湟中区土壤扬尘源面积位居第二，分别是大通县和湟源县的0.86、1.63倍，但在较小风速和较多降水的综合影响下，湟中区气象因子仅是湟源县和大通县的0.12倍和0.25倍，进而促使湟中区土壤扬尘排放量低于大通县和湟源县。
在西宁市的市内四区中，城中区土壤扬尘PM2.5、PM10排放量最小，分别为0.16 t和0.67 t；城北区和城东区的土壤扬尘排放量相近且较大，城北区PM2.5、PM10的排放量分别为0.88 t、3.79 t，城东区PM2.5、PM10的排放量分别为0.90 t、3.78 t。由于土壤扬尘源面积较小，市内四区的土壤扬尘排放量显著小于大通县、湟源县和湟中区。
排放强度经常作为比较各地区土壤扬尘源排放强弱的指标[20, 22-23]。本研究以国内研究较广泛的土壤扬尘PM2.5为例，与其他城市的排放强度相比较（表3），西宁市土壤扬尘排放强度高于常州，明显低于西安、郑州，以及保定、沧州、承德等京津冀地区城市。总体上看，西宁市土壤扬尘排放强度处于较低水平，一方面，西宁市由于海拔较高，年平均气温低于上述其他城市，促使其气候因子较小；另一方面，京津冀地区城市的土壤质地主要为壤土和砂土[22]，风蚀指数较高，而西宁市土壤质地主要为粘壤土，其风蚀指数较低，促使西宁市土壤扬尘排放强度较低。
-
西宁市土壤扬尘月排放量（图6）表明，各月份土壤扬尘PM2.5、PM10排放量存在一定差异。4月份排放量最大，PM2.5、PM10的排放量分别为59.08 t、251.68 t；西宁市4月正处春季，降水较少，地表疏松裸露干燥，风速较大，风速越大扬起的颗粒物越多且粒径范围越广[20]，致使4月份西宁市土壤扬尘排放量最大。7月份土壤扬尘排放量最小，PM2.5、PM10排放量分别为6.41 t、27.40 t；这是因为西宁市7月份地表植被覆盖度较高，降水较多且风速不大，使地表颗粒物不易扬起，进而促使土壤扬尘排放量最小。
值得注意的是，虽然湟源县1月份气候因子略高于4月，但4月土壤扬尘总排放量却大于1月。整体上看，西宁市研究区域内1月与4月植被覆盖度相似。而1月湟源县气候因子是4月的1.11倍，因此湟源县1月排放量略高于4月。而其他区县1月的气候因子均显著低于4月，例如排放量较大的湟中和大通的4月气候因子分别是1月的2.35倍和1.15倍，故其他区县土壤扬尘排放量4月比1月的增量和高于湟源县4月比1月的降低量。因此，西宁市研究区域内土壤扬尘排放量1月比4月小。
-
本研究使用Oracle Crystal Ball软件，采用蒙特卡罗方法针对本研究清单进行不确定性分析。设定随机抽样10000次，置信度95%，根据不同月份得到土壤扬尘排放量的不确定性范围，结果见表4。PM10排放量的不确定度范围为-21.90%—24.50%；PM2.5排放量的不确定度范围为-20.15%—22.00%，不确定度较低，表明土壤扬尘排放量的计算值与模拟均值较为接近。其中，不确定度最高是12月份的PM10排放，不确定度为-21.90%—24.50%；不确定度最低是9月份的PM2.5排放，不确定度为-0.75% —0.75%。不确定性来源包括：①由于研究区域较大，每个月份的遥感影像由3张 MOD13A1影像拼接而成，存在一定的色差，使植被覆盖因子的获取存在一定的不确定性。②难以获取准确详尽的无屏蔽宽度因子(L)，该研究中选取 0.75 统一进行计算，可能会造成土壤扬尘排放量的低估。
-
（1）2018年西宁市土壤扬尘PM2.5、PM10排放量分别为353.13 t、1502.46 t。
（2）湟源县PM2.5、PM10排放量最大，分别为172.82 t、729.18 t。大通县的土壤扬尘排放量也较高，PM2.5、PM10排放量分别为148.09 t、634.15 t。湟中区土壤扬尘PM2.5、PM10排放量排第三，分别为29.68 t、128.45 t。在西宁市市内四区中，城中区的土壤扬尘PM2.5、PM10排放量最小，分别为0.16 t、0.67 t，城北区和城东区的土壤扬尘排放量相近且最大，城北区PM2.5、PM10的排放量分别为0.88 t、3.79 t，城东区PM2.5、PM10的排放量分别为0.90 t、3.78 t。
（3）4月份土壤扬尘PM2.5、PM10的排放量最大，分别为59.08 t、251.68 t。7月份排放量最小，分别为6.41 t、27.40 t。
（4）不确定性分析结果表明，在95%置信区间下，西宁市土壤扬尘PM2.5和PM10的不确定度均较低，PM10排放量的不确定度范围为-21.90%—24.50%；PM2.5排放量的不确定度范围为-20.15%—22.00%。
西宁市土壤扬尘排放清单构建及时空分布特征
Construction of emission inventory and temporal-spatial distribution of soil fugitive dust in Xining, China
-
摘要: 本研究通过遥感解译获得植被覆盖度，结合土地利用现状、土壤质地和气象数据，获取了西宁市本地化土壤扬尘源计算参数，并据此构建了西宁市2018年土壤扬尘排放清单。结果表明，2018年西宁市土壤扬尘PM2.5、PM10年排放量分别为353.13 t、1502.46 t，其中湟源县土壤扬尘排放量最高，大通县位居第二，市辖区排放量较小。PM2.5、PM10在四月排放量最大，分别为59.08 t、251.68 t；7月份排放量最小，PM2.5、PM10排放量分别为6.41 t、27.40 t。蒙特卡罗模拟结果表明，西宁市土壤扬尘PM2.5和PM10的不确定度均较低，PM10排放量的不确定度范围为-21.90%—24.50%；PM2.5排放量的不确定度范围为-20.15%—22.00%。Abstract: The localization parameters and emission inventory of soil fugitive dust in Xining in 2018 was constructed according to vegetation coverage interpreted by remote sensing, land use, soil texture, and meteorological factors. Results showed that the annual PM2.5 and PM10 emissions from the soil fugitive dust were 353.13 t and 1502.46 t, respectively. The emission of soil fugitive dust in Huangyuan county was the highest, followed by Datong county, and the emissions in municipal districts were low. The emissions of PM2.5 and PM10 were the highest in April with the values of 59.08 t and 251.68 t and lowest in July with the values of 6.41 t and 27.40 t, respectively. The Monte Carlo simulation results showed that the uncertainties of PM2.5 and PM10 of soil fugitive dust in Xining were both low, with the range of -20.15% to 22.00% and -21.90% to 24.50%, respectively.
-
Key words:
- soil fugitive dust /
- localization factor /
- emission inventory /
- Xining /
- uncertainty analysis
-
受控生态生保系统(controlled ecological life support system，CELSS)通过对大气控制、温湿度控制、食物供应、水再循环和废物处理等技术整合，可保障航天员在地外环境中健康生活和有效工作，是未来地外星球基地长期稳定运行的必要保证[1]。CELSS依据地球生态圈的基本原理，在有限的密闭空间内构建了“人-植物-微生物-环境”自循环式闭路生态系统[1]。其中，植物作为关键功能部件，能够为航天员提供新鲜食物和氧气、吸收二氧化碳和净化水质。在CELSS中，通常选择小麦作为主要的粮食作物，不可避免地会产生大量的植物不可食部分，这部分固废的积累不仅会造成占用舱体空间、发酵腐败等安全卫生问题，还会造成大量资源(如水分、碳元素、氮元素、无机盐等)的浪费。如何高效处理并回收利用这类固体废物，维持CELSS中较高的物质循环利用率与闭合度，已成为CELSS中迫切需要解决的问题。
针对CELSS中小麦秸秆等固废资源化处理问题，美国和俄罗斯等国采用焚烧[2]和湿式氧化[3]等物化技术进行处理。物化技术稳定可靠、反应速率快，但存在着对设备要求高、能耗高、对系统瞬时冲击负荷大、产生氮氧化物而限制元素循环等缺点。生化处理技术则具有能耗低、反应过程温和以及能够有效实现各元素再生循环等优势。CHYNOWETH等[4]采用干式厌氧发酵工艺处理水稻秸秆、废纸和狗粮(模拟成员粪便)混合物，运行时间为23 d，有机物降解率达到了81.2%；并提出针对固废的预处理、后处理(沼渣好氧堆肥)和营养液植物栽培等方面的研究应作为未来研究的方向之一。欧洲太空局采用湿式厌氧消化工艺[5]将反应控制在水解酸化阶段而抑制产甲烷阶段，将有机底物转化为VFAs、氨氮和CO2用于后续的藻类系统和硝化系统使用。WHITAKER等[6]研制了固体高温好氧反应器用于处理志愿者产生的废物，包括粪便、厕纸、食物残渣和卫生废水等，操作温度为55~70 ℃，总固体降解率可达到74%。TIKHOMIROV等[7]通过蘑菇(真菌)培养和蚯蚓等腐生动物对植物不可食部分进行好氧堆肥处理，得到了类土壤基质并用于作物栽培。上述生化处理技术虽可一定程度上实现固废的稳定减容和资源回收，但也面临着设备尺寸较大、反应周期较长或仍需后续的好氧发酵等无害化处理的局限。而好氧堆肥技术作为无害化和资源化的处理方式，对碳氮等养分有较好的保全，可将固废转化为腐殖质，施用后能对植物生长起到促进作用，符合CELSS中物质循环再生的要求，因而受到广泛关注和研究。好氧堆肥技术是通过多种微生物的协同作用来完成物料的降解，因此，微生物的配比是影响好氧堆肥过程的关键因素[8]。有研究[9]表明，堆肥中接种微生物菌剂能使堆温快速升高，有效杀灭堆肥物料中的病原菌和杂草种子，显著促进堆肥腐熟，提高堆肥质量。另外，在CELSS内，由于微生物受到严格的控制和防护，其主要来自航天员体表和体内，种类及数量都无法满足堆肥启动要求。因此，添加一定的功能菌剂对于启动堆肥反应、促进堆肥腐熟和缩短堆制周期至关重要。目前，以微生物菌剂接种用于禽畜粪便和市政污泥相关方面的研究较多[9-10]，通常添加秸秆、木屑等物质起到平衡含水率、调节C/N和通气性等作用[11]，市面上也有多种针对这类固废的商业菌剂。然而，针对农业固废小麦秸秆降解处理的商用菌剂并不常见，且对于菌剂接种用于小麦秸秆堆肥降解效果的研究较少。
为实现CELSS中小麦秸秆等固废的资源化处理，提高系统物质闭合度，本研究以小麦秸秆为主要处理对象，添加厨余垃圾作为调整物料C/N比的营养调节剂，选取3种商业菌剂开展小试反应器强制通风好氧堆肥试验，探究接种菌剂对小麦秸秆好氧堆肥一次发酵阶段降解效果的影响；考察堆肥过程中各项参数变化，分析比较3种菌剂对小麦秸秆的处理效果，探讨不同菌剂在小麦秸秆好氧堆肥各个阶段的降解作用，以期为筛选研制高效降解小麦秸秆的微生物菌剂提供理论基础。
1. 材料与方法
1.1 实验原料
小麦秸秆购自江苏某农场，经机械粉碎后选取粒径为0.3~0.5 cm的麦秸待用；厨余垃圾取自某单位食堂，将其中的骨头、卫生纸、塑料袋、玉米棒芯等拣出，用粉碎机将厨余垃圾粉碎至浆糊状。堆肥所用物料的基本性质见表1。
表 1 堆肥原料的理化性质Table 1. Physical and chemical properties of the composting materials堆肥原料 含水率/% 全碳含量/% 全氮含量/% C/N比 小麦秸秆 10.11±0.01 41.54±0.38 0.93±0.03 44.67 厨余垃圾 81.09±0.11 52.64±0.46 3.69±0.08 14.27 | Show Table
DownLoad:
CSV
1.2 微生物菌剂
针对小麦秸秆特性，选用3种适用于秸秆腐熟的商业菌剂，代号分别为QD、DH、VT。其中，QD菌剂呈液体状，有效活菌数≥109 CFU·mL−1，主要为乳酸菌、木霉菌和芽孢杆菌等；DH菌剂呈固体粉末状，有效活菌数≥5×108 CFU·g−1，主要为枯草芽孢杆菌、米根霉、毕赤酵母菌和戊糖片球菌等；VT菌剂呈固体粉末状，有效活菌数≥5×108 CFU·g−1，主要为酵母菌、乳酸菌和芽孢杆菌等。
1.3 实验装置
本实验采用的堆肥装置如图1所示，主要由带盖塑料桶(桶有效容积为19 L，桶外壁包裹有2层保温棉，桶顶部放置有温度计，桶底部设置有物料托盘)、温度控制系统和通气系统3部分组成。
1.4 实验方法
有别于陆地生态系统，CELSS内没有自然界广泛分布的细菌、放线菌和真菌等微生物，因此，为启动堆肥反应和促进底物腐熟，接种一定的有益菌群是必须的。本实验主要考察不同菌剂对小麦秸秆堆肥过程中一次发酵阶段的降解处理效果，故未设不加菌剂的对照组实验。
实验共分为3组，分别为QD组、DH组和VT组。每组均用小麦秸秆和厨余垃圾按二者干基质量比为4:1的比例均匀混合，混合物料的C/N比控制在30∶1，并调节混合物料的水分含量在65%。接种菌剂时按物料总重的0.5%添加，即QD菌剂接种100 mL，DH菌剂和VT菌剂各接种52 g。每组混合均匀的物料等分装入3个堆肥桶内，每个堆肥桶内均含物料3.50 kg，每组设置3个重复实验。通风量设置为1 L·min−1，持续通风至堆肥结束，堆肥周期设定为30 d。
堆肥开始后分别于第1、5、9、14、19、24和29 d取样，取样前需翻堆，使物料混合均匀。采样时按照5点采样法的原则分别在堆体的上、中、下层采集鲜样共30 g，混合均匀后置于−20 ℃冰箱保存，用于各项指标的测定。
1.5 分析方法
温度采用温度计测定。将温度计插入物料中间及周围3点20 cm处测定温度，取4点温度的平均值作为最终结果，温度每隔24 h测定1次；含水率采用烘干法[12]测定。
浸提液理化性质测定。将5 g鲜样与蒸馏水按质量比1∶10混合并振荡120 min，然后在10 000 r·min−1下离心5 min，过0.45 μm滤膜后，将滤液用塑料小瓶贮存于4 ℃冰箱待用。pH用便携式pH计测定；电导率(EC)用便携式电导率仪测定；在465 nm(E4)和665 nm(E6)下的波长用紫外分光光度计[13]测定。
VS含量和C/N比分别采用灼烧法和元素分析仪法[13]测定。
2. 结果与讨论
2.1 菌剂处理下物料温度的变化特性
3种菌剂处理下物料的温度变化如图2所示。堆肥前3 d，物料中易降解的有机物如可溶性小分子有机物、多糖和脂类等开始降解，该阶段嗜温菌的活性较强，热量快速累积，温度迅速上升至50 ℃以上。3~10 d为高温期，可溶性的中间产物被继续分解转化，耐高温的放线菌数量增加，物料中有机物如淀粉、蛋白质、半纤维素和纤维素等逐步分解。QD、DH和VT处理下的最高温度分别达到了58.2、54.7和53.7 ℃，高温期分别维持了9、6和6 d。第10天后，堆体温度逐渐下降，嗜温细菌和真菌变得活跃，对残留的较难分解的有机物(如木质素)进行分解，物料表面变得疏松且颜色逐渐变为黑褐色，开始形成了腐殖酸等物质[14]。堆肥过程中分别于第5、9、14、19、24和29天对物料进行翻堆，翻堆后物料重新混合均匀，堆体温度稍有上升[15]。最终3组处理下物料的温度均稳定在31 ℃左右，与伴热带温度(发酵环境温度)趋于一致。
图 2 不同堆肥处理物料温度的变化Figure 2. Changes of temperature with different microbial agents during composting3种菌剂处理下的物料均经历了升温、高温和降温期。在高温期维持时间的长短方面表现为QD>DH>VT，只有QD组堆体的高温期维持时间超过了7 d。在温度峰值的高低方面表现为QD>DH>VT，只有QD组堆体的最高温度超过了55 ℃，满足堆肥无害化的要求[16]。综合3组物料温度的变化情况可知，QD菌剂在堆肥过程中能使堆体温度达到55 ℃以上，在高温期持续时间较长，这说明QD菌剂中的微生物可能更多为嗜温菌和高温菌，在升温和高温期的活性更强，对堆体在前期热量的迅速增长和积累有良好的促进作用。
2.2 菌剂处理下物料含水率的变化特性
3种菌剂处理下物料含水率的变化如图3所示。堆肥物料的含水率过高或过低都会影响堆肥的质量，含水率过高会导致堆体局部厌氧，过低会导致微生物活性下降[14]。由图3可知，3组处理下物料含水率总体上均呈现先上升后下降的变化趋势。在升温-高温期物料温度迅速上升，微生物活动剧烈，物料中的有机物被强烈分解，微生物代谢产水的速率大于水分蒸发的速率，导致物料的含水率上升。QD、DH和VT处理下物料的含水率分别在第9、14和9 d达到了最高值，分别为(75.6±1.14)%、(78.9±0.93)%和(79.5±1.55)%。10 d之后，物料的温度下降，微生物活动逐渐减弱，再加上持续的通气及翻堆，物料中的水分被持续带走，微生物代谢产水的速率小于水分蒸发的速率，物料含水率逐渐降低。最终，3组处理下物料的含水率分别降至(59.73±0.13)%、(56.61±2.19)%和(57.42±0.93)%，而有机肥料腐熟的标准要求堆体含水率低于30%[16]，这说明3组物料均达到了初步腐熟，完成了好氧堆肥的一次发酵阶段。后续仍需要进行二次发酵，即温度维持在中温，使物料进一步稳定，最终达到深度腐熟。
图 3 不同堆肥处理物料含水率的变化Figure 3. Changes of water content with different microbial agents during composting2.3 菌剂处理下物料浸提液理化性质的变化特性
3组处理下物料浸提液理化性质的变化如图4所示。EC可以表征有机废物发酵产品中的可溶性盐含量；pH可以反映堆体所处的酸碱性环境；E4/E6可表征堆肥过程中腐殖酸的缩合度和芳构化程度[17]。由图4(a)和图4(b)可知，堆肥前期EC逐渐上升，这是由于堆体中可被微生物直接利用的物质较多，物料中易降解的物质如糖类、脂肪等被断链降解产生了VFAs和大量的无机盐离子，如
HCO−3 NO−3 NH+4 
图 4 不同堆肥处理物料浸提液理化性质的变化Figure 4. Changes of physicochemical properties of the composting extracts with different microbial agents during composting2.4 菌剂处理下物料VS含量的变化特性
VS含量的变化反映了堆肥过程中物料有机物的降解速度和效率。3组处理下物料的VS含量变化如图5所示。由图5可知，3组处理下物料的VS含量均表现为逐渐降低的趋势，物料的初始VS含量(干基)为90%左右。在升温-高温期时，物料的温度迅速上升，微生物生命活动旺盛，物料中易降解的有机物被大量分解，碳元素主要以CO2的形式被释放，物料的VS含量迅速下降。在降温期时，物料的温度下降，此时物料内的有机物主要为难降解的木质纤维素等，有机物的降解速率变小。最终，QD、DH和VT处理下物料的VS含量分别稳定在(71.96±0.89)%、(65.84±1.19)%和(68.16±0.93)%。
3种菌剂处理下物料VS含量的减少情况如表2所示。3组处理下物料中有机物的降解效率表现为DH>VT>QD；QD、DH和VT处理下物料VS的减少量分别为(18.87±0.89)%、(24.48±1.60)%和(22.08±0.72)%。升温-高温期时，QD、DH和VT处理下物料的VS减少含量分别为(15.04±0.42)%、(10.99±1.28)%和(15.54±0.71)%，分别占VS减少总量的79.7%、45.2%和70.4%。VS含量的减少情况表明，QD和VT处理下物料中有机物的降解主要发生在升温-高温期，而DH处理下物料有机物的降解主要发生在降温期。这是因为，QD和VT菌剂中的乳酸菌和酵母菌等对糖类等物质有较强的利用能力，而DH菌剂中的枯草芽孢杆菌和米根霉能分泌纤维素酶从而对物料中的木质纤维素有着较好的降解作用[21]，这说明3种菌剂对物料中有机物降解效果的差异性与菌剂中微生物的组成配比密不可分。
表 2 堆肥前后VS含量的减少情况Table 2. Reduction of VS content before and after composting% 处理组 初始VS含量 终点VS含量 升温-高温期VS减少量 VS减少总量 QD 90.83±0.18 71.96±0.89 15.04±0.42 18.87±0.89 DH 90.12±0.44 65.84±1.19 10.99±1.28 24.48±1.60 VT 90.24±0.26 68.16±0.93 15.54±0.71 22.08±0.72 | Show TableDownLoad:
CSV
2.5 菌剂处理下物料C/N比的变化特性
C/N比的变化可以反映堆肥过程中物料有机物矿质化和腐殖化的进程[22]。有研究[23]表明，适合微生物生长的物料C/N比范围为25∶1~30∶1。3组处理下物料C/N比的变化如图6所示，可见，3组物料的C/N比均呈现下降的趋势，变化曲线的斜率随堆肥过程的持续而逐渐降低，这与VS含量的变化情况一致。物料的初始C/N比均在30∶1左右，是适宜微生物生长的环境。堆肥前10 d堆体温度上升，微生物迅速生长繁殖。其中，易分解的含C有机物被微生物分解吸收利用，并通过呼吸作用变为CO2等气体排出堆肥系统，因而C含量逐渐变低。N素被微生物利用会以NH3的形式散失，但其下降幅度低于有机物总干物质的下降幅度，故干物质中全N含量会相对增加[22]，总体则表现为C/N比迅速降低。10 d之后，物料的温度降低，微生物生命活动减弱，物料达到初步稳定腐熟，C/N比下降趋势变缓并趋于稳定。3组处理下物料的C/N比均由初始的30∶1降至12∶1以下，分别为11.71±0.16、11.67±0.20和11.45±0.16，终点C/N比与初始C/N比的比值分别为0.39、0.38和0.37，尽管满足堆肥腐熟时终点C/N比与初始C/N比的比值不超过0.5的要求[24]，然而在实际应用中应该参照其他指标，如生物活性和植物毒性等，对堆肥的腐熟程度进行综合评价。
3. 结论
1) QD菌剂可以提高堆肥温度至58.2 ℃，堆体的高温期为9 d，满足堆肥无害化要求；DH菌剂可以促进物料中有机物的降解，降解率可达24.48%；3种菌剂对堆肥中腐殖质的形成和积累均有一定的促进作用。
2) 3组处理下的堆体进入降温期后均开始形成腐殖质，物料达到初步腐熟，即完成了一次发酵。后续仍需要进行二次发酵处理，使堆体达到完全腐熟，即可作为土壤改良剂或有机肥施用。
3)微生物配比不同是导致小麦秸秆好氧堆肥降解效果存在差异的重要因素。后续需分析堆肥过程中的微生物种群，进一步明确功能菌群和功能基因，考察微生物在小麦秸秆堆腐过程中的作用机理。
-
图 3 西宁市土壤质地和植被覆盖度图
Figure 3. Map of soil texture types and monthly vegetation coverage in Xining
图 5 土壤扬尘PM2.5和PM10排放空间分布(网格：3 k ×3 k)
Figure 5. Spatial distribution of PM2.5 and PM10 emissions from soil dust (3 k ×3 k)
表 1 各站点年气象资料
Table 1. Meteorological data of each station
站点名称Site name 年潜在蒸发量/mmAnnual potential evaporation 年降水量/mmAnnual precipitation 年桑氏威特降水-蒸发指数Annual Sandhurst Precipitation - evaporation index 大通县 445.53 483.40 108.50 湟源县 431.47 515.20 119.41 湟中区 442.79 669.80 151.27 西宁市区 506.50 519.10 102.49
下载: 导出CSV
表 2 各区县土壤扬尘PM2.5和PM10的年排放量和贡献率
Table 2. Annual emissions and contribution rate of PM2.5 and PM10 from soil dust
区县名称County PM2.5 PM10 年排放量/t Annual Emissions 贡献率/%Contribution Rate 年排放量/t Annual Emissions 贡献率/%Contribution Rate 城东区 0.90 0.25 3.78 0.25 城中区 0.16 0.05 0.67 0.04 城西区 0.59 0.17 2.44 0.16 城北区 0.88 0.25 3.79 0.25 大通县 148.09 41.94 634.15 42.21 湟中区 29.68 8.40 128.45 8.55 湟源县 172.82 48.94 729.18 48.53 合计 353.13 100.00 1502.46 100.00
下载: 导出CSV
表 3 西宁市土壤扬尘排放强度与其他城市对比
Table 3. Comparison of soil dust emission intensity between Xining and other cities
区域Region 年份Year PM2.5排放量/tPM2.5 emission 土壤扬尘源面积/km2Area of soil dust source 排放强度/(t·km−2)Emission intensity 文献Reference 西宁 2018 353.13 6899.44 0.05 本研究 西安 2014 60.90 360.73 0.17 [21] 常州 2014 0.24 1569.46 0.0002 [18] 郑州 2013 597.00 208.00 2.87 [20] 保定 2015 2889.00 9455.00 0.31 [23] 沧州 2015 4786.00 10112.00 0.47 [23] 承德 2015 1450.00 4789.00 0.30 [23] 邯郸 2015 7409.00 7283.00 1.02 [23] 衡水 2015 2578.00 6753.00 0.38 [23] 廊坊 2015 1056.00 4340.00 0.24 [23] 秦皇岛 2015 1055.00 2468.00 0.43 [23] 石家庄 2015 2424.00 6510.00 0.37 [23] 唐山 2015 2685.00 6753.00 0.40 [23] 邢台 2015 6593.00 7691.00 0.86 [23] 张家口 2015 6774.00 11473.00 0.59 [23]
下载: 导出CSV
表 4 不确定性分析结果
Table 4. Uncertainty analysis
月份Month PM2.5 PM10 中位值/tMedian 平均值/tMean 95%置信区间/t95% Confidence Interval 不确定度/%Uncertainty 中位值/tMedian 平均值/tMean 95%置信区间/t95% Confidence Interval 不确定度/%Uncertainty 1 6.31 6.31 6.13—6.52 −2.85—3.33 25.95 25.96 25.18—26.82 −3.00—3.31 2 5.38 5.39 5.17—5.63 −4.08—4.45 22.09 22.10 21.25—23.14 −3.85—4.71 3 2.76 2.76 2.71—2.82 −1.81—2.17 11.35 11.35 11.14—11.57 −1.85—1.94 4 5.52 5.52 5.44—5.62 −1.45—1.81 22.69 22.69 22.32—23.04 −1.63—1.54 5 3.24 3.24 3.21—3.27 −0.93—0.93 13.30 13.30 13.18—13.42 −0.90—0.90 6 1.00 1.00 0.99—1.01 −1.00—1.00 4.10 4.10 4.07—4.14 −0.73—0.98 7 0.44 0.44 0.43—0.44 −2.27—0.00 1.80 1.80 1.78—1.82 −1.11—1.11 8 0.50 0.50 0.5—0.51 0.00—2.00 2.07 2.07 2.05—2.08 −0.97—0.48 9 1.33 1.33 1.32—1.34 −0.75—0.75 5.48 5.48 5.43—5.53 −0.91—0.91 10 1.61 1.61 1.57—1.66 −2.48—3.11 6.61 6.61 6.41—6.84 −3.03—3.48 11 1.81 1.81 1.73—1.9 −4.42—4.97 7.42 7.43 7.12—7.76 −4.17—4.44 12 5.37 5.41 4.32—6.6 −20.15—22.00 22.18 22.33 17.44—27.8 −21.90—24.50
下载: 导出CSV
-
[1] GENG N B, WANG J, XU Y F, et al. PM2.5 in an industrial district of Zhengzhou, China: Chemical composition and source apportionment [J]. Particuology, 2013, 11(1): 99-109. doi: 10.1016/j.partic.2012.08.004 [2] 肖致美, 徐虹, 李立伟, 等. 基于在线观测的天津市PM2.5污染特征及来源解析 [J]. 环境科学, 2020, 41(10): 4355-4363. XIAO Z M, XU H, LI L W, et al. Characterization and source apportionment of PM2.5 based on the online observation in Tianjin [J]. Environmental Science, 2020, 41(10): 4355-4363(in Chinese).
[3] 韩力慧, 张鹏, 张海亮, 等. 北京市大气细颗粒物污染与来源解析研究 [J]. 中国环境科学, 2016, 36(11): 3203-3210. doi: 10.3969/j.issn.1000-6923.2016.11.001 HAN L H, ZHANG P, ZHANG H L, et al. Pollution and source apportionment of atmospheric fine particles in Beijing [J]. China Environmental Science, 2016, 36(11): 3203-3210(in Chinese). doi: 10.3969/j.issn.1000-6923.2016.11.001
[4] 陈国磊, 周颖, 程水源, 等. 承德市大气污染源排放清单及典型行业对PM2.5的影响 [J]. 环境科学, 2016, 37(11): 4069-4079. CHEN G L, ZHOU Y, CHENG S Y, et al. Air pollutant emission inventory and impact of typical industries on PM2.5 in Chengde [J]. Environmental Science, 2016, 37(11): 4069-4079(in Chinese).
[5] HAO Y F, MENG X P, YU X P, et al. Quantification of primary and secondary sources to PM2.5 using an improved source regional apportionment method in an industrial city, China [J]. Science of the Total Environment, 2020, 706: 135715. doi: 10.1016/j.scitotenv.2019.135715 [6] 环境保护部. 扬尘源颗粒物排放清单编制技术指南[EB/OL]. [2021-4-17]. 北京: 环境保护部, [7] 方小珍, 孙列, 毕晓辉, 等. 宁波城市扬尘化学组成特征及其来源解析 [J]. 环境污染与防治, 2014, 36(1): 55-59, 79. doi: 10.3969/j.issn.1001-3865.2014.01.012 FANG X Z, SUN L, BI X H, et al. The chemical compositions and sources apportionment of re-suspended dust in Ningbo [J]. Environmental Pollution & Control, 2014, 36(1): 55-59, 79(in Chinese). doi: 10.3969/j.issn.1001-3865.2014.01.012
[8] 张琦. 基于卫星遥感的河南省中原城市群扬尘源颗粒物排放及空间分异研究[D]. 郑州: 郑州大学, 2019. ZHANG Q. Emission inventory and spatial distribution of particulate matter from dust sources in the central Plains urban agglomeration of China[D]. Zhengzhou: Zhengzhou University, 2019(in Chinese).
[9] 黄宇, 虎彩娇, 成海容, 等. 武汉市扬尘源颗粒物排放清单及空间分布特征 [J]. 武汉大学学报(理学版), 2018, 64(4): 354-362. doi: 10.14188/j.1671-8836.2018.04.011 HUANG Y, HU C J, CHENG H R, et al. Emission inventory and spatial distribution characteristics of particulate matters from dust source in Wuhan, China [J]. Journal of Wuhan University (Natural Science Edition), 2018, 64(4): 354-362(in Chinese). doi: 10.14188/j.1671-8836.2018.04.011
[10] PARK S H, GONG S L, GONG W, et al. Relative impact of windblown dust versus anthropogenic fugitive dust in PM2.5on air quality in North America [J]. Journal of Geophysical Research Atmospheres, 2010, 115(D16): D16210. doi: 10.1029/2009JD013144 [11] LÓPEZ-APARICIO S, GUEVARA M, THUNIS P, et al. Assessment of discrepancies between bottom-up and regional emission inventories in Norwegian urban areas [J]. Atmospheric Environment, 2017, 154: 285-296. doi: 10.1016/j.atmosenv.2017.02.004 [12] LI T K, BI X H, DAI Q L, et al. Improving spatial resolution of soil fugitive dust emission inventory using RS-GIS technology: An application case in Tianjin, China [J]. Atmospheric Environment, 2018, 191: 46-54. doi: 10.1016/j.atmosenv.2018.07.051 [13] PIANALTO F S, YOOL S R. Monitoring fugitive dust emission sources arising from construction: A remote-sensing approach [J]. GIScience & Remote Sensing, 2013, 50(3): 251-270. [14] PIANALTO F S, MEYANRT R, NEECK S P, et al. A remote sensing model of construction-related soil disturbance in southern Arizona [J]. International Society for Optics and Photonics, 2010, 7826: 782629. [15] 王社扣, 王体健, 石睿, 等. 南京市不同类型扬尘源排放清单估计 [J]. 中国科学院大学学报, 2014, 31(3): 351-359. doi: 10.7523/j.issn.2095-6134.2014.03.009 WANG S K, WANG T J, SHI R, et al. Estimation of different fugitive dust emission inventory in Nanjing [J]. Journal of University of Chinese Academy of Sciences, 2014, 31(3): 351-359(in Chinese). doi: 10.7523/j.issn.2095-6134.2014.03.009
[16] 李莉莉. 哈尔滨市高分辨率扬尘源排放清单及控制对策的研究[D]. 哈尔滨: 哈尔滨工业大学, 2018. LI L L. A highly resolved fugitive dust emission inventory in Harbin and assessment of control strategies[D]. Harbin: Harbin Institute of Technology, 2018(in Chinese).
[17] 李贝贝, 黄玉虎, 毕晓辉, 等. 北京市土壤风蚀扬尘排放因子本地化 [J]. 环境科学, 2020, 41(6): 2609-2616. doi: 10.13227/j.hjkx.201908243 LI B B, HUANG Y H, BI X H, et al. Localization of soil wind erosion dust emission factor in Beijing [J]. Environmental Science, 2020, 41(6): 2609-2616(in Chinese). doi: 10.13227/j.hjkx.201908243
[18] 杨卫芬, 程钟, 张洁, 等. 常州市裸露地面风蚀扬尘排放清单及分布特征研究 [J]. 环境监测管理与技术, 2020, 32(2): 56-60. doi: 10.3969/j.issn.1006-2009.2020.02.014 YANG W F, CHENG Z, ZHANG J, et al. Research on emission inventory and distribution characteristics of wind erosion dust from bare ground in Changzhou [J]. The Administration and Technique of Environmental Monitoring, 2020, 32(2): 56-60(in Chinese). doi: 10.3969/j.issn.1006-2009.2020.02.014
[19] 秦建新, 朱柯颖, 吴涛, 等. 长沙市城区施工扬尘和土壤扬尘污染时空特征研究 [J]. 中国环境监测, 2020, 36(4): 69-79. doi: 10.19316/j.issn.1002-6002.2020.04.09 QIN J X, ZHU K Y, WU T, et al. Study on spatial and temporal characteristics of construction dust and soil dust pollution sources in urban areas of Changsha [J]. Environmental Monitoring in China, 2020, 36(4): 69-79(in Chinese). doi: 10.19316/j.issn.1002-6002.2020.04.09
[20] 徐媛倩, 姜楠, 燕启社, 等. 郑州市裸露地面风蚀扬尘排放清单研究 [J]. 环境污染与防治, 2016, 38(4): 22-27. doi: 10.15985/j.cnki.1001-3865.2016.04.005 XU Y Q, JIANG N, YAN Q S, et al. Research on emission inventory of bareness wind erosion dust in Zhengzhou [J]. Environmental Pollution & Control, 2016, 38(4): 22-27(in Chinese). doi: 10.15985/j.cnki.1001-3865.2016.04.005
[21] 闫东杰, 丁毅飞, 玉亚, 等. 西安市人为源一次PM2.5排放清单及减排潜力研究 [J]. 环境科学研究, 2019, 32(5): 813-820. YAN D J, DING Y F, YU Y, et al. Inventory and reduction potential of anthropogenic PM2.5 emission in Xi'an city [J]. Research of Environmental Sciences, 2019, 32(5): 813-820(in Chinese).
[22] 宋立来, 李廷昆, 毕晓辉, 等. 京津冀地区高空间分辨率土壤扬尘清单构建及动态化方法 [J]. 环境科学研究, 2021, 34(8): 1771-1781. doi: 10.13198/j.issn.1001-6929.2021.05.03 SONG L L, LI T K, BI X H, et al. Construction and dynamic method of soil fugitive dust emission inventory with high spatial resolution in Beijing-Tianjin-Hebei region [J]. Research of Environmental Sciences, 2021, 34(8): 1771-1781(in Chinese). doi: 10.13198/j.issn.1001-6929.2021.05.03
[23] 郭祥, 冯海波, 陆雅静. 河北省土壤扬尘源PM2.5排放量估算 [J]. 河北工业科技, 2017, 34(6): 477-482. doi: 10.7535/hbgykj.2017yx06015 GUO X, FENG H B, LU Y J. Estimation of emissions of PM2.5 from soil dust in Hebei Province [J]. Hebei Journal of Industrial Science and Technology, 2017, 34(6): 477-482(in Chinese). doi: 10.7535/hbgykj.2017yx06015
-
点击查看大图
计量
- 文章访问数: 2594
- HTML全文浏览数: 2594
- PDF下载数: 97
- 施引文献: 0
