日本琵琶湖的治理历程、效果与经验

以琵琶湖富营养化综合治理历程为主线,对琵琶湖30余年的治理过程、资金投入、治理措施、成功经验与成果进行了梳理. 截至2006年,琵琶湖综合整治历时35a,总投资约2.86×1012日元(约相当于1800×108元人民币),参照我国GB 3838—2002《地表水环境质量标准》,目前琵琶湖北湖水质维持在Ⅰ类水平,南湖由Ⅲ～Ⅳ类水恢复到I～Ⅱ类水质. 琵琶湖的治理分为2个阶段:第一阶段为1972—1997年,历时25a,这一阶段在琵琶湖水资源有效利用及防洪防灾上取得很大成就,但水质与环境仍在恶化; 1999年至今为第二阶段,主要目标是水质保护、水源涵养及自然环境与景观保护,目前琵琶湖富营养化已得到有效控制. 琵琶湖采取的综合治理措施主要包括依法治湖、中长期综合治理规划、流域污染源系统控制、自动监测系统及专门研究机构建立以及公众参与等5个方面. 主要治理经验包括:①严格控制氮、磷污染源,管网及大型污水处理设施建设着眼于未来长远规划,污水处理深度除磷脱氮技术的普及是污染源系统控制的关键;②大力提高森林覆盖率以减少面源污染的产生,改善水源涵养及流域生境;③切实做到有法必依、执法必严,实现依法治湖;④高度重视环境教育及公众参与;⑤积极推动各科研机构对环境问题的研究.      

罗红霉素对不同生长期小麦土壤氮形态和脲酶活性的影响

抗生素类药物作为添加剂被用于养殖业中,大部分以原形或其代谢产物形式进入土壤环境,对土壤环境造成生态危害。通过盆栽实验,研究了不同浓度罗红霉素(ROX)对小麦各生长期根际土壤微生物生物量氮、脲酶和无机氮的影响。结果表明,添加ROX后土壤微生物生物量氮在小麦苗期、拔节期和抽穗期受到显著抑制,而在灌浆期和收获期,土壤微生物生物量氮却显著增长;与对照相比,低浓度(0.2和0.5 mg·kg~(-1))和中浓度(1.0和2.0 mg·kg~(-1))ROX胁迫显著抑制小麦生长苗期、灌浆期和收获期的根际土壤脲酶活性,而在拔节期和抽穗期,却显著诱导脲酶活性;但高浓度(10.0 mg·kg~(-1))ROX胁迫却显著抑制小麦生长期内脲酶活性。低、中浓度ROX胁迫显著诱导小麦生长期中根际土壤中铵态氮浓度增长,而高浓度组ROX胁迫显著抑制土壤中铵态氮浓度。ROX胁迫抑制硝态氮,显示出ROX会影响土壤氮循环。     

天然气企业安全诊断评估方法研究及应用

近年来天然气企业微泄漏事件频发,企业安全管理问题逐步突显,安全环保形势愈发严峻,仅靠监督检查、体系审核等常规管理手段已不能满足企业对风险防控更迫切的需求。文章介绍了一种适合天然气 企业安全问题的诊断评估方法,采用故障树方法对天然气企业发生的典型事故进行分析,系统性地查找导致顶 上事件发生的根本原因,将其归类并作为安全诊断评估指标。采取专家打分排序、优序图法设计指标权重,确定安全诊断评估指标体系。根据事故事件类型,结合诊断评估要点及评分原则,形成诊断评估标准。该方法在某天然气净化厂得到应用验证,能够准确排查现场安全问题,精准定位管理原因,提出针对性改进措施,解决现场安全问题管理根源难题,有效促进企业安全管理持续改进和能力提升。     

基于宏基因组技术分析MBR膜清洗后污泥中抗性基因

污水处理厂作为抗生素抗性基因（antibiotic resistance genes,ARGs）的重要储存库,是自然界ARGs的主要来源之一.膜生物反应器（membrane bioreactor,MBR）被认为是一种能够有效去除污水处理厂中ARGs的技术工艺.MBR膜截留的废水中胶体、颗粒物、悬浮物及微生物代谢物中存在着大量的病原菌与抗性基因,而目前关于膜清洗后污泥中抗性基因的分布特征和规律尚不明确.本文采用宏基因组技术对MBR膜清洗后污泥中抗性基因进行了分析.结果显示,膜清洗后污泥中共检测出39门,其中优势菌门为Proteobacteria、Nitrospirae和Actinobacteria,优势菌属为Nitrospira、Pseudomonas和Bradyrhizobium.污泥样品含有的病原菌属占所有菌属的10.54%,其中Pseudomonas属相对丰度最高,占到所有菌属的3.94%.样品中共注释出17类ARGs和16类金属抗性基因（metal resistance genes,MRGs,15类单金属抗性基因和1类多重金属抗性基因）.其中,多药类抗生素抗性基因相对丰度最高,占49.08%.金属抗性基因中多重金属类抗性基因相对丰度最高,占该污泥样品的34.58%,单金属抗性基因中对铜的抗性基因数量最多,占19.99%.该膜清洗后污泥中微生物群落最主要的功能通路为代谢相关,并存在大量与人类疾病相关的代谢通路相关基因,其中涉及细菌耐药和细菌传染疾病的基因数量最多,分别为占人类疾病相关的代谢通路已注释序列的34.50%和16.62%.由此可见,膜清洗后污泥中蕴藏着丰富的ARGs、MRGs以及病原菌属,具有潜在的环境健康风险,需要加强对膜清洗后污泥中ARGs、MRGs以及病原菌的管控.本文为选择合适的技术工艺有效去除膜清洗后污泥中ARGs、MRGs以及病原菌提供指导.     

固相萃取-LC-MS/MS测定土壤中多溴联苯醚

采用快速溶剂萃取-固相萃取-液相色谱串联质谱法（LC-MS/MS）测定土壤中8种多溴联苯醚类（PBDEs）化合物,通过优化试验条件,使方法在100 μg/L～1 000 μg/L范围内线性良好,方法检出限为085 μg/kg～125 μg/kg。不同土壤样品的8种多溴联苯醚回收率为68.6%～127%,4次测定结果的RSD为4.8%～27.6%。将该方法用于测定电子废物拆解点周边的土壤样品,结果BDE-209测定值为未检出～168 μg/kg,BDE-183为未检出～560 μg/kg,其余6种BDEs均为未检出。     

紫色土旱坡地不同坡位土壤有机碳组分含量对施肥管理的响应

紫色土旱坡地作为三峡地区的主要耕地类型,其土壤肥力直接决定着作物产量.为探究不同施肥处理对紫色土旱坡地不同坡位土壤有机碳组分含量的影响,在中国科学院水利部成都山地灾害与环境研究所三峡库区试验站开展田间试验,设置5个处理：不施肥（CK）、常规施肥（T₁）、优化施肥（T₂）、85%优化施肥配施生物炭（T₃）和85%优化施肥配施秸秆（T₄）,研究不同施肥处理下土壤团聚体组成及不同坡位土壤总有机碳、可溶性有机碳、微生物量碳含量间的差异.结果表明：①施肥均能增加土壤大团聚体含量,提高土壤有机碳含量,以T₃和T₄处理尤为显著.② CK、T₁和T₂处理的土壤有机碳含量均表现为：下坡位>中坡位>上坡位,而T₃和T₄处理土壤有机碳均是在中坡位含量最大.③随着坡位的降低,CK、T₁、T₂和T₃处理土壤可溶性有机碳含量呈增加趋势,CK、T₁、T₂和T₄处理土壤微生物量碳呈增加趋势,而T₃处理土壤微生物量碳在坡面上的分布为中坡位最高,下坡位其次.总体上,生物炭和秸秆处理均能显著提高土壤碳含量,且能延缓土壤碳素在坡面迁移,对改善三峡库区紫色土旱坡地土壤质量和减少水环境污染具有指导意义.     

基于误差修正距离约束的深井巷道目标定位算法

针对基于距离约束的井下定位算法本身存在的近似误差,尤其在锚点附近定位误差较大的问题,通过改进算法,引入1个误差系数ω,并以此为依据,来选取误差较小的边作为定位信息来源,同时引入修正系数ε来进行修正分割点,使其更加接近于垂足,以此来减少定位的误差。仿真结果表明:改进算法的平均定位误差远小于原定位算法,约为1/4;改进算法的最大误差小于1.5 m、最小误差为0.2 m;改进算法不仅定位精度优于原定位算法,且计算复杂度较低,更加适用于深井环境定位。     

基于XGBoost选择迁移条件提升LSTM模型河流水质预测能力

准确预测河流水质变化是流域水环境管理的重要基础。目前常用的基于数据驱动的深度学习模型依赖大量的监测数据训练,然而很多河流数据缺乏,无法满足水质预测精度要求。提出了一种基于极端梯度提升模型(XGBoost)的迁移条件选择方法,利用全国河流自动监测站点的水质参数(水温、pH、溶解氧、总氮)数据集,研究建立长短期记忆神经网络(LSTM)模型库,通过迁移学习条件的优化,提升LSTM模型的预测能力。结果表明：1)采用不同源域和迁移方式训练出的模型,其预测精度有很大差异;2)基于XGBoost模型选择最佳迁移条件,迁移模型的预测误差(RMSE)降低了9.6%～28.9%,LSTM模型预测精度明显提升;3)选取合适的迁移方式、选用性质接近的源域数据、增加训练数据量均可以提升迁移模型的预测精度。该建模方法可应用于实测数据少的河流水质预测,为流域水环境精细化管理提供技术支持。     

磁控改性复配物治理水华的研究

对酸改性粉煤灰与超纯磁铁矿粉复配物絮凝并通过磁力收集淡水水华进行研究.结果表明,经浓盐酸改性的复配物,在粉煤灰用量为120mg/L,超纯磁铁矿粉用量为60mg/L的情况下,对藻液浊度、COD、FN/FP含量等水质指标处理效果最佳,而且磁响应性强,移出速度快.对其机理进行了初步探讨.     

医化废水驯化过程中细菌遗传多样性的RAPD分析

利用RAPD分子标记技术分析了医化废水驯化过程中细菌的遗传多样性. 结果表明:9种引物在5种浓度的废水驯化细菌中共扩增出134条带,其中88条表现为多态性,多态性位点百分率为65.7%. 根据Jacaard相异系数转换的距离矩阵,富集细菌与10%医化废水驯化细菌及20%医化废水驯化细菌之间的遗传距离最大,为0.750　0;而20%医化废水驯化细菌与40%医化废水驯化细菌之间遗传距离最小,为0.545　5. UPGMA法聚类结果表明,富集细菌与5%医化废水驯化细菌聚在一起组成一组;20%医化废水驯化细菌与40%医化废水驯化细菌先聚在一起,再与10%医化废水驯化细菌聚在一起组成另一组.