铁基质强化新型功能性化粪池高效处理黑水的试验

以铁基质生物载体为核心,将物理、生物和化学方法结合,对化粪池进行功能强化,实现黑水的原位深度处理.探究了溶解氧（DO）和碳氮比（C/N）等因素对黑水中污染物降解的影响,并在最佳运行参数下考察了氮素在系统中的转化机制.结果表明,当C/N为7.3~8.4时,好氧生物铁基质载体池DO为2.3~2.7mg/L时,系统氨氮（NH₄⁺-N）、总氮（TN） 、COD和总磷（TP）的平均去除率分别可达90.74%、85.81%、92.65%和95.78%;当进水C/N降至3.3~4.2时,系统NH₄⁺-N、TN、COD和TP的平均去除率仍可维持在81.16%、76.62%、93.87%和94.75%.铁基质生物载体内电解作用显著强化了化粪池内TN的脱除、COD的氧化和TP的固定.氮素转化机制分析表明,内电解与反硝化菌的耦合强化了反硝化作用,降低了反硝化过程对有机碳源的需求,强化了低C/N条件下TN、TP的脱除.     

长江经济带水质目标管理平台总体设计

为强化长江经济带资源整合与共享,集成统一规范的大数据平台,基于“十一五”“十二五”国家水体污染控制与治理科技重大专项数据和模型库资源,以面向服务的架构(SOA)和模块化设计为支撑,遵循“五横两纵四统一”的平台架构设计思路,应用大数据挖掘、云计算等现代信息技术,构建长江经济带水质目标管理平台.平台基于长江经济带水生态环境功能分区,兼顾不同类别水质目标管理技术的协调性、衔接性和适应性,对水质目标管理相关信息进行跟踪、模拟、分析和三维可视化表达,在水生态环境功能分区管理、数据汇交与信息共享、容量总量管理、风险评估与预警等方面实现业务化运行,实现全景式水质达标形势研判、一体化风险联防联控.平台已在国家长江生态环境保护修复联合研究中心进行业务化运行,将有效提升长江经济带水环境综合管理能力,同时可为其他重要流域水质目标管理提供信息化工作参考.      

水体及沉积物氮磷水平对附植藻类的影响

为了探讨湖泊富营养化过程中沉积物及水体氮、磷浓度对附植藻类的影响,通过室内模拟实验,研究了水体及沉积物氮、磷升高对苦草(Vallisnerianatans(Lour.) Hara)上附植藻类生长、群落组成及其体内氮、磷含量的影响.结果表明,在实验条件下,随着水中氮、磷含量升高,附植藻类生物量及附植藻类氮、磷含量均呈极显著增加(p0.01).随着水体可获得的氮、磷浓度升高,附植藻类的相对丰度有所变化,舟形藻(Navicula)、小球藻(Chlorella)及微囊藻(Microcystis)相对丰度随着氮、磷水平的升高而下降,直链藻(Melosira)则相反,但舟形藻、直链藻、微囊藻、小环藻(Cyclotella)和小球藻均为群落的优势属种.沉积物氮、磷含量升高对附植藻类生物量、优势种丰度及群落氮、磷含量影响较小,均未达到显著水平(p0.05).在实验条件下,沉积物氮、磷含量对附植藻类影响不大,而水体氮、磷浓度升高显著地促进了附植藻类生长.研究结果也为解释富营养化湖泊沉水植物衰退及消亡提供了一定的科学依据.     

牛粪-化肥配施对水稻田氮磷迁移转化的影响

在控制外源N输入量相同的前提下,通过田间小区实验,探讨有机肥与化肥不同施用量（牛粪施用量：5,10,20t/hm²）对稻田田间土-水界面氮磷迁移转化特征的影响.结果表明：控制稻田水中NH₄⁺-N、NO₃^--N、TN和TP输出的最佳时期分别为施肥后的第5,30,7,20d,且TN和TP浓度随时间变化符合单指数衰减方程（0.7444≤R²≤0.9724;1.1×10^-6≤F≤0.0055）.采用牛粪部分代替化肥的施肥方式,在一定范围内能降低稻田退水中TN、TP输出负荷（41.8%、36.0%、64.3%;20.3%、39.1%、48.9%）,还可以降低稻田水中N/P,降低水体富营养化风险.同时,牛粪的施用可提高土壤中脲酶和磷酸酶的含量,促进氮磷向植物可吸收形态转化.综合经济成本和生态效益核算,采用10t有机肥代替无机肥的处理是相对经济环保的施肥方法,该施肥方式下,氮磷年输出负荷分别为17.70,1.26kg/hm².     

在线自动监测仪与实验室国标方法测定地表水中总氮的比对分析

随着监测技术的发展,地表水中越来越多的污染物可采用自动监测仪器实现实时监测。采用自动监测与实验室国标方法测定地表水中总氮的结果是否可比以及造成差异的原因,文章根据实际样品比对实验对此进行了探讨。     

水中氮类污染物的联系与区别

叙述了水体中含氮类污染物的来源，种类，相互转化方式和条件，表征意义等，以便对水中氮类污染物有一个全面，系统的认识。     

氨氮测定过程中有关问题的探讨

针对纳氏比色法测定氨氮过程中存在的问题，提出了相应的解决办法。消除了混浊和泡沫干扰问题，降低了空白吸光度，提高了测定的准确度。     

Using improved neural network model to analyze RSP,NOx and NO2 levels in urban air in Mong Kok,Hong Kong

As the health impact of air pollutants existing in ambient addresses much attention in recent years, forecasting of airpollutant parameters becomes an important and popular topic inenvironmental science. Airborne pollution is a serious, and willbe a major problem in Hong Kong within the next few years. InHong Kong, Respirable Suspended Particulate (RSP) and NitrogenOxides NO_x and NO₂ are major air pollutants due to thedominant diesel fuel usage by public transportation and heavyvehicles. Hence, the investigation and prediction of the influence and the tendency of these pollutants are ofsignificance to public and the city image. The multi-layerperceptron (MLP) neural network is regarded as a reliable andcost-effective method to achieve such tasks. The works presentedhere involve developing an improved neural network model, whichcombines the principal component analysis (PCA) technique and theradial basis function (RBF) network, and forecasting thepollutant levels and tendencies based in the recorded data. Inthe study, the PCA is firstly used to reduce and orthogonalizethe original input variables (data), these treated variables arethen used as new input vectors in RBF neural network modelestablished for forecasting the pollutant tendencies. Comparingwith the general neural network models, the proposed modelpossesses simpler network architecture, faster training speed,and more satisfactory predicting performance. This improvedmodel is evaluated by using hourly time series of RSP, NO_x and NO₂ concentrations collected at Mong Kok Roadside Gaseous Monitory Station in Hong Kong during the year 2000. By comparing the predicted RSP, NO_x and NO₂ concentrationswith the actual data of these pollutants recorded at the monitorystation, the effectiveness of the proposed model has been proven.Therefore, in authors' opinion, the model presented in the paper is a potential tool in forecasting air quality parameters and hasadvantages over the traditional neural network methods.     

地表水样品自然沉降时间对总磷测定结果的影响分析

地表水中总磷含量高低是评定水质优劣的一项重要指标,分析数据表明丰水期中总磷主要来源于泥沙中吸附的有机磷和无机磷,而溶解态磷含量较少;水样中总磷含量随着自然沉降时间的延长而逐渐降低.因此样品采集回来后样品的自然沉降时间是影响地表水中总磷测定结果的一个主要原因之一.     

同时分解法测定水中总氮和总磷

通过实验找到了同时测定水中总氮和总磷的条件,实现了总氮和总磷的同时测定。