河流多生境自然塑造技术在北运河流域再生水河道修复中的应用研究

遵循"基于自然的解决方案(Natural based solution)"理念,本研究开发了由渗滤型边滩、生态跌水和近自然河溪构成的河流多生境自然塑造技术及系统,并在北运河流域的再生水河道台头沟实施了工程应用与示范.结果表明,该技术与系统具有良好的水质净化效果,对氨氮、总氮、总磷和化学需氧量的平均削减率分别为62.15...     

太原市污灌区农田土壤中多环芳烃污染特征及生态风险评价

通过对污灌区农田土壤多环芳烃(Polycyclic Aromatic Hydrocarbons,PAHs)的分布特征、污染程度及来源进行解析,深入了解污水灌溉引发的土壤污染问题,实现污水灌溉农田土壤的污染预警和科学合理利用.在太原污灌农田共采集110个土壤样品,使用气相色谱-质谱仪(Gas Chromatography...     

基于安全格局理论的国土空间规划冲突协调途径

为解决国土空间面临的城市蔓延、乡村空心化、环境退化等系统性问题,国土空间规划需要整合出于各部门利益最大化制定的、时常是相互冲突的规划方案,实现“多规合一”。基于安全格局理论提出协调规划冲突的途径,包括：（1）在认识层面,将国土空间规划视为理性过程,利用最小—最大约束途径制定可辩护的规划方案,通过空间博弈协调对有限土地的竞争、寻求各方均可接受的结果;（2）在操作层面,首先识别作为保障自身目标、协调各方利益依据的安全格局,然后据此对空间用途进行谈判。实践中需要建立协调规划冲突的制度机制,并在多方博弈中优先考虑处于劣势的生态和自然资产,通过建立生态安全格局和生态基础设施提供综合生态系统服务,再造秀美河山。     

碳中和趋势下数学模拟在污水处理系统中的发展与综合应用

数学模拟技术在污水处理方面被广泛应用,为了系统总结相关技术,本文回顾了污水处理系统中数学模拟技术的发展历程;综述了活性污泥模型(ASM)与机器学习(ML)在水质预测及参数工况优化领域中的应用;重点探究了污水处理系统中温室气体排放模型,以及多目标优化模型在污水处理系统中温室气体排放(GHG)、出水质量(EQI)和运行成本(OCI)的权衡问题;归纳了数学模拟技术在实现污水厂能量自给与资源回收的应用发展.研究结果表明数学模拟技术能准确预测出水水质、快速优化工艺参数、权衡温室气体排放、出水水质与运行成本之间的关系、以及提高资源回收效率等.因此,数值模拟技术可有效指导污水处理工艺的运行优化以及管理,为污水处理行业减污降碳协同增效提供技术支撑.     

2021年中国北方首次沙尘天气的多源遥感分析

利用多源遥感数据和NCEP再分析资料,从沙尘源区的地理环境和气候特征出发,对2021年中国北方首次沙尘天气事件每日的大气环流形势以及沙尘的水平,垂直分布特征进行深入的研究分析.结果表明:源区内异常增温,降水稀少的气候背景下致使大面积裸露松散的土壤含水量较低,为大范围,高强度沙尘天气的形成提供了物质基础;频繁活动的冷空气,是沙尘天气爆发的动力因子.沙尘在强风中沿东南方向向下游地区输送和扩散,中国西北,华北,黄淮,江淮,江汉地区和江南北部等地先后受到沙尘天气的影响,空气质量迅速恶化,首要污染物为PM₁₀.此外,沙尘气溶胶东移也波及朝鲜半岛,日本等下游地区.在输送过程中,内陆地区沙尘主要分布在1~6km,而下游地区的沙尘则集中分布在2km高度附近,粒径较大的沙尘出现在近地表的频率较高,较小的颗粒主要分布在对流层中下层.     

海岸带陆海气氮磷污染协同治理:监测、模拟与决策

陆海统筹已成为美丽海湾建设和海岸带可持续发展的关键战略。其中,陆海气氮磷污染协同治理是持续改善近岸海域生态环境质量的关键,但其缺乏理论指导与技术支撑。梳理了陆海气环境介质与界面过程的监测、模型(流域-河流模型、河口-近海模型、大气沉降模型等)的研究现状、技术难点和发展趋势。为加快推进流域-海域综合治理,亟须建立陆海气氮磷污染监测-模型-评估-决策体系。建议加快陆海气界面氮磷通量监测技术开发与应用,构建陆海气集成或耦合模型,在不同时空尺度上探究氮磷污染来源、主要输移通道、跨界面过程和机制。提出了未来研究重点:1)基于监测与模型提升海岸带生态系统的科学认知;2)构建陆海统筹视角的富营养化评估与生态系统健康评估方法;3)创新分区分类环境容量核算与分配方法;4)研究海岸带环境污染多目标治理优化方案;5)开展海岸带社会-经济-环境系统互馈模拟与多主体协同决策,助力生态环境治理能力现代化。     

基于LBM-DEM耦合研究多孔介质中生物膜对悬浮粒子运移的影响

生物膜是多孔介质中普遍存在的细菌群落,会与悬浮粒子相互作用并影响粒子的迁移沉积。采用格子玻尔兹曼-离散单元耦合方法(LBM-DEM)研究了悬浮粒子在覆盖生物膜多孔介质中的运移。发现生物膜的存在会降低孔喉尺寸和DLVO排斥势垒,这有助于增强悬浮粒子的沉积。进出口压差是影响粒子滞留率的主要因素,低进出口压差下粒子无法突破排斥能垒,高压差下流体力通过改变粒子的沉积位置可提高渗透率。溶液离子强度变化主要影响排斥屏障。高离子强度的溶液中,粒子滞留率对压差变化响应较小;低离子强度溶液中,粒子滞留率受进出口压差的影响较大。此外,从介观角度观察入流速度对悬浮粒子黏附与滚动的影响,发现粒子的初始沉积点与来流方向的角度随着粒子速度的增加而减小。     

表面活性剂增溶洗脱土壤中多环芳烃的效果研究

表面活性剂增效洗脱修复技术被广泛应用于土壤修复. 本文选取11种非离子型和3种离子型表面活性剂对多环芳烃(PAHs,菲、芘、苯并[a]芘)污染土壤进行洗脱研究,筛选出洗脱效果较好的表面活性剂,并深入探索表面活性剂浓度、洗脱时间、固液比等因素以及表面活性剂的复配对土壤PAHs增效洗脱的影响,旨在比选出一种高效洗脱土壤PAHs的表面活性剂并对其洗脱方法进行优化. 结果表明:①表面活性剂浓度为10 g/L、固液比为1∶20条件下,聚氧乙烯醚-10(NSF10)的去除率最高,达到78%;其次为曲拉通X-100(TX-100)和吐温80(TW-80),去除率分别为76.7%和73.4%. ②随着表面活性剂添加浓度的增加,土壤PAHs的去除率增大,当表面活性剂浓度超过5 g/L时,PAHs去除率的增幅减缓,可见,5 g/L是相对有效且经济的表面活性剂添加浓度. ③当洗脱时间为16 h时,NSF10对PAHs的洗脱达到平衡,继续延长洗脱时间,洗脱效果并未增强. ④增加NSF10用量有利于洗脱,固液比1∶40是最优固液比,此时PAHs的去除率已达到固液比为1∶100时的85.2%. ⑤非离子表面活性剂NSF10、TX-100、TW-80与阴离子表面活性剂SDS分别以体积比9∶1进行复配时均取得了优于单一活性剂的洗脱效果,NSF10与SDS体积比为7∶3时,增溶洗脱效果最为明显,比单一表面活性剂提高了18.2%. 研究显示,NSF10是一种高效的PAHs洗脱剂,添加浓度为5 g/L、洗脱时间为16 h、固液比为1∶40是其最优参数选择,其与SDS以体积比7∶3进行复配可进一步提升增溶洗脱效果.      

基于PMF的土壤多环芳烃致癌风险定量源解析方法研究:以太原市为例

为实现土壤PAHs (多环芳烃)来源致癌风险的定量化,选取太原市城乡土壤为研究对象,分析PAHs污染水平并建立含量成分谱,利用PMF (正定矩阵因子分解)模型识别污染源,采用蒙特卡罗模拟进行健康风险评估,并联合PMF模型和健康风险模型量化PAHs污染源的健康风险,比较不同污染源对土壤PAHs含量和对致癌风险贡献的差异. 结果表明:①太原市土壤PAHs污染严重,城市地区人群暴露于土壤PAHs的致癌风险超过了可接受风险水平(10?6),农村地区人群超过可接受阈值的概率在10%~50%之间. ②城市土壤中PAHs主要来自燃煤交通混合源(41.5%)、燃煤源(26.0%)、石油源(16.2%)、焦炉排放源(8.2%)和交通排放源(8.1%),农村土壤PAHs主要来自燃煤源(43.3%)、生物质燃烧源(22.3%)、交通排放源(22.7%)和焦炉排放源(11.7%). ③燃煤交通混合源是城市地区致癌风险的最大来源,贡献率为53.7%;交通排放源和燃煤源是农村地区致癌风险的主要来源,贡献率分别为46.3%和45.6%. ④不同污染源对PAHs含量的贡献与其对致癌风险的贡献存在差异,对于城市地区,燃煤交通混合源、交通排放源对PAHs含量的贡献率分别为41.5%、8.1%,而其对致癌风险的贡献率分别为53.7%、13.0%;对于农村地区,交通排放源对PAHs含量的贡献率为22.7%,但其对致癌风险的贡献率为46.3%. 研究显示,规避交通排放源是降低PAHs致癌风险的关键,建议将基于健康风险的定量源解析技术应用到土壤风险管控中,以期更为有效地降低健康风险,保护人体健康.      

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.