污水中喹诺酮类抗生素分布及与环境变量的相关性研究

利用固相萃取-高效液相色谱串联质谱法（SPE-HPLC-MS/MS）对广西九洲江地区的6个污水处理厂的进水和出水中的喹诺酮类抗生素（QNs）进行检测,分析不同处理工艺对QNs的去除情况,并对检出的QNs进行冗余分析,探究其与环境变量之间的相关性。结果表明,污水处理厂进水中诺氟沙星（NFX）检出浓度最高,其次是环丙沙星（CPX）、氧氟沙星（OFX）和恩诺沙星（EFX）,QNs在进水和出水时的质量浓度分别为252.1~1 374.9 ng/L和44.4~147.1 ng/L;污水中QNs的总去除率为66.6%~92.5%;Na⁺、K⁺和总有机碳（TOC）与多数QNs呈正相关关系,Ca²⁺、Mg²⁺、pH值与多数QNs呈负相关关系。     

基于多源辅助变量和随机森林模型的耕地土壤重金属含量空间分布预测

农田土壤重金属含量的空间预测对于监测耕地污染和确保生态农业可持续发展至关重要.从地形、气候、土壤属性、遥感信息、植被指数和人为活动这6个方面选取了32个环境变量作为辅助变量,并构建随机森林(RF)、回归克里格(RK)、普通克里格(OK)和多元线性回归(MLR)模型来预测耕地土壤中As、 Cd、 Cr、 Cu、 Hg、 Ni、 Pb和Zn的含量.结果表明,与RK、 OK和MLR相比,RF模型对As、 Cd、 Cr、 Hg、 Pb和Zn的预测性能更高,而OK和RK模型分别对Cu和Ni含量的预测精度更高,表现为预测拟合优度(R²)最高而平均绝对误差(MAE)和均方根误差(RMSE)最低.不同预测方法对同种土壤重金属元素预测结果的空间分布趋势基本一致,8种重金属含量的高值区均分布在南部的平原地区,但RF模型对空间预测的细节刻画得更为突出.随机森林影响因子重要性排序表明,兰溪市土壤重金属含量空间分异主要受Se、 TN、 pH、海拔、年均温、年均降雨量、距河流距离和距工厂距离的共同影响.因此,随机森林可以作为土壤重金属空间预测的一种有效方法,为区域土壤污染调查、评价和管控提供...     

好氧-厌氧两相堆肥过程中抗生素耐药基因的变化特征及影响因素研究

针对堆肥处理过程中抗生素耐药基因（antibiotic resistance genes,ARGs）去除效率不高、诱导潜在致病菌传播扩散等环境安全问题,采用好氧-厌氧两相堆肥处理猪粪、秸秆,探讨ARGs丰度及微生物群落的变化特征,并明确影响ARGs相对丰度变化的关键因子.结果表明:与单一好氧相比,好氧-厌氧两相堆肥能更有效地降低部分ARGs及潜在致病菌的相对丰度,其中ermB、tetK的相对丰度分别降低了39.68%、72.19%,假单胞菌属（Pseudomonas）、梭菌属（Clostridium_sensu_stricto_1）的相对丰度分别降低了96.09%、90.07%.主成分分析（Principal Component Analysis,PCA）及冗余分析（Redundancy analysis,RDA）得出,微生物群落和环境因子均显著影响ARGs相对丰度的变化（P < 0.05）,贡献率分别为82.0%、71.2%.其中,梭菌属（Clostridium_sense_stricto_1）、黄杆菌属（Flavobacterium）、尿素芽孢杆菌属（Ureibacillus）和海洋杆菌属（Oceanobacillus）是影响ARGs相对丰度变化的主要微生物菌属;温度、电导率、含水率和pH是影响ARGs相对丰度变化的关键环境因子,贡献率分别为22.0%、16.7%、16.2%和15.0%.研究显示:与好氧堆肥相比,好氧-厌氧两相堆肥能更有效地去除ARGs,并抑制潜在致病菌的繁殖扩散,从而减少环境风险;然而部分ARGs和潜在致病菌仍存在增殖现象,因此亟需进一步优化好氧-厌氧两相堆肥工艺.      

特高压屏蔽服冷却系统的数值仿真研究

基于人体、系统热平衡方程,对穿着有冷却系统屏蔽服的人体模型进行传热数值研究。通过多物理场耦合软件建立人体热学过程的仿真分析模型,分析环境变量(环境温度、空气流速、服装热阻)和个人变量(新陈代谢率)对温度的影响机制,得到不同的控制变量对人体冷却系统内表面温度的影响结果。随着环境温度的升高和新陈代谢率的增大,冷却系统可以使内表面的温度在人体舒适区附近,起到良好的散热作用;风扇风速的增大和服装热阻的减小可以降低内表面温度。可见综合考虑相变材料和微型风扇的协同配合,可有效通过汗液的蒸发降低高温条件下的人体温度。     

基于HJ-1影像和环境变量的叶绿素a浓度反演——以深圳海域为例

叶绿素a的浓度能够表征海域富营养化状况,是反映海洋环境状态的一个重要指标。本研究以深圳海域为研究区,基于环境一号卫星遥感影像和实测叶绿素a浓度数据,将陆源入海排污口的核密度、距港口航道的距离和距海水增养殖区的距离作为环境变量,在Matlab平台中分别构建了基于环境一号卫星四个波段反射率为输入参数的误差逆向传播神经网络模型,及在此基础上引入了环境变量的误差逆向传播神经网络模型,以检验环境变量的引入能否提高叶绿素a浓度的反演精度,并对其输入参数进行敏感性分析。结果表明:（1）环境变量的引入能较大地提高误差逆向传播神经网络模型的反演精度,且引入环境变量的误差逆向传播神经网络模型的训练均方误差和验证均方误差分别为4.71 μg/L和3.50 μg/L,均优于原始误差逆向传播模型的10.98 μg/L和12.61 μg/L;（2）引入环境变量的误差逆向传播模型的框架如下:输入层为7个变量,分别为蓝光波段反射率、绿光波段反射率、红光波段反射率和近红外波段反射率、陆源入海排污口的核密度、距港口航道的距离和距海水增养殖区的距离;隐含层节点数为5个;输出层为叶绿素a的浓度;（3）叶绿素a的浓度对陆源入海排污口的核密度的变化最敏感,其次分别是近红外波段反射率、红光波段反射率、距港口航道距离、蓝光波段反射率、绿光波段反射率和距海水增养殖区的距离。