生物滞留系统植物筛选与综合评价

余雪花, 陈垚, 任萍萍, 郑爽, 程启洪. 生物滞留系统植物筛选与综合评价[J]. 环境工程学报, 2019, 13(7): 1634-1644. doi: 10.12030/j.cjee.201811044
引用本文: 余雪花, 陈垚, 任萍萍, 郑爽, 程启洪. 生物滞留系统植物筛选与综合评价[J]. 环境工程学报, 2019, 13(7): 1634-1644. doi: 10.12030/j.cjee.201811044
YU Xuehua, CHEN Yao, REN Pingping, ZHENG Shuang, CHENG Qihong. Selection and comprehensive assessment of plants in bioretention system[J]. Chinese Journal of Environmental Engineering, 2019, 13(7): 1634-1644. doi: 10.12030/j.cjee.201811044
Citation: YU Xuehua, CHEN Yao, REN Pingping, ZHENG Shuang, CHENG Qihong. Selection and comprehensive assessment of plants in bioretention system[J]. Chinese Journal of Environmental Engineering, 2019, 13(7): 1634-1644. doi: 10.12030/j.cjee.201811044

生物滞留系统植物筛选与综合评价

    作者简介: 余雪花(1994—),女,硕士研究生。研究方向:水污染控制与城市雨洪管理。E-mail:1051593478@qq.com
    通讯作者: 陈垚(1983—),男,博士,教授。研究方向:水污染控制与城市雨洪管理。E-mail:chenyao@cqjtu.edu.cn
  • 基金项目:
    国家自然科学基金资助项目(51709024);重庆市研究生科研创新项目(CYS17200,CYS18219);重庆市基础科学与前沿技术研究项目(cstc2017jcyjAX0292);重庆市留创计划资助项目(cx2017065)
  • 中图分类号: X703

Selection and comprehensive assessment of plants in bioretention system

    Corresponding author: CHEN Yao, chenyao@cqjtu.edu.cn
  • Fund Project:
  • 摘要: 为科学筛选出生物滞留系统中能有效去除多种污染物的最佳植物,选取10种重庆市本土植物构建雨水生物滞留系统,以控制山地城市道路雨水径流污染; 并采用反向传播动态神经网络(BP-DNN)技术构建了基于多目标污染物的综合评价模型,对所有生物滞留系统进行应用评价。结果表明:植物可有效去除有机物和营养物等多种污染物,但存在差异性; 植被种类对COD的去除影响显著,其中,风车草去除效能最佳,而千屈菜最差; 植物的栽种可有效提高系统对NH4+-N的去除率,但差异性并不显著,同时,部分植物能在一定程度上提高系统对NO3--N的去除,但不稳定; 植物的栽种能有效提高系统的除氮性能,选用风车草时系统除氮性能最佳,TN去除率可达64.30%~86.82%,而植物的栽种对TSS和TP的去除无显著影响。在综合评价的10种植物中,风车草和美人蕉为生物滞留系统的最佳植物。
  • 加载中
  • 图 1  实验装置示意图及滤柱照片

    Figure 1.  Schematic diagram and picture of experimental equipment

    图 2  植物对TSS去除的影响

    Figure 2.  Effects of plants on TSS removal

    图 3  植物对COD去除的影响

    Figure 3.  Effects of plants on COD removal

    图 4  植物对NH4+-N去除的影响

    Figure 4.  Effects of plants on NH4+-N removal

    图 5  植物对NO3--N去除的影响

    Figure 5.  Effects of plants on NO3--N removal

    图 6  植物对TN去除的影响

    Figure 6.  Effects of plants on TN removal

    图 7  植物对TP去除的影响

    Figure 7.  Effects of plants on TP removal

    图 8  BP-DNN综合评价结果

    Figure 8.  Comprehensive assessment results based on BP-DNN

    表 1  实验植物

    Table 1.  Experimental plants

    序号 中文名 拉丁学名 选用原因
    1 美人蕉 美人蕉科 Canna indica L. 常用于人工湿地
    2 千屈菜 千屈菜科 Lythrum salicaria L. 常用于园林景观和湿地
    3 风车草 莎草科 Cyperus alternifolius L. 常用于生物滞留设施、植草沟、雨水塘与雨水湿地,具有氮磷营养物净化能力
    4 梭鱼草 雨久花科 Pontederia cordata L. 常用于湿地
    5 纸莎草 莎草科 Cyperus papyrus 常用于人工湿地和植草沟
    6 鸢尾 鸢尾科 Iris tectorum Maxim. 常用于园林景观、生物滞留设施和植被缓冲带
    7 芦竹 禾本科 Arundo donax 常用于生物滞留设施、植草沟、雨水塘与雨水湿地
    8 狗牙根 禾本科 Cynodon dactylon (L.) Pers. 常用于生物滞留设施进水区,以缓解进水水流速度
    9 细叶芒 禾本科 Miscanthus sinensis cv. 多年生草本植物,常用于园林景观
    10 香根草 禾本科 Vetiveria zizanioides (L.) Nash 常用于生物滞留设施,具有氮磷营养物净化能力
    序号 中文名 拉丁学名 选用原因
    1 美人蕉 美人蕉科 Canna indica L. 常用于人工湿地
    2 千屈菜 千屈菜科 Lythrum salicaria L. 常用于园林景观和湿地
    3 风车草 莎草科 Cyperus alternifolius L. 常用于生物滞留设施、植草沟、雨水塘与雨水湿地,具有氮磷营养物净化能力
    4 梭鱼草 雨久花科 Pontederia cordata L. 常用于湿地
    5 纸莎草 莎草科 Cyperus papyrus 常用于人工湿地和植草沟
    6 鸢尾 鸢尾科 Iris tectorum Maxim. 常用于园林景观、生物滞留设施和植被缓冲带
    7 芦竹 禾本科 Arundo donax 常用于生物滞留设施、植草沟、雨水塘与雨水湿地
    8 狗牙根 禾本科 Cynodon dactylon (L.) Pers. 常用于生物滞留设施进水区,以缓解进水水流速度
    9 细叶芒 禾本科 Miscanthus sinensis cv. 多年生草本植物,常用于园林景观
    10 香根草 禾本科 Vetiveria zizanioides (L.) Nash 常用于生物滞留设施,具有氮磷营养物净化能力
    下载: 导出CSV

    表 2  模拟径流雨水水质

    Table 2.  Semi-synthetic runoff rainwater quality

    污染指标 化学试剂 浓度/(mg∙L-1)
    TSS 底泥(粒径<0.2 mm) 320~382
    COD C6H12O6+C6H5NO2 364~408
    TP KH2PO4 1.1~2.1
    TN NH4Cl+KNO3+C6H5NO2 8.1~19.4
    NH4+-N NH4Cl 3.9~6.7
    NO3--N KNO3 2.1~4.9
    污染指标 化学试剂 浓度/(mg∙L-1)
    TSS 底泥(粒径<0.2 mm) 320~382
    COD C6H12O6+C6H5NO2 364~408
    TP KH2PO4 1.1~2.1
    TN NH4Cl+KNO3+C6H5NO2 8.1~19.4
    NH4+-N NH4Cl 3.9~6.7
    NO3--N KNO3 2.1~4.9
    下载: 导出CSV

    表 3  生物滞留系统除污效能评价标准

    Table 3.  Assessment standards based on the experimental results

    %
    污染指标 评价标准
    强(1) 较强(2) 中(3) 较弱(4) 弱(5)
    TSS >89.88 86.00~89.88 82.12~86.00 78.25~82.12 <78.25
    COD >73.57 62.58~73.57 51.60~62.58 40.61~51.60 <40.61
    NH4+-N >90.80 82.31~90.80 73.81~82.31 65.31~73.81 <65.31
    NO3--N >65.76 31.65~65.76 (-2.47)~31.65 (-36.58)~(-2.47) <(-36.58)
    TN >76.32 54.00~76.32 31.69~54.00 9.38~31.69 <9.38
    TP >83.63 70.54~83.63 57.44~70.54 44.35~57.44 <44.35
    %
    污染指标 评价标准
    强(1) 较强(2) 中(3) 较弱(4) 弱(5)
    TSS >89.88 86.00~89.88 82.12~86.00 78.25~82.12 <78.25
    COD >73.57 62.58~73.57 51.60~62.58 40.61~51.60 <40.61
    NH4+-N >90.80 82.31~90.80 73.81~82.31 65.31~73.81 <65.31
    NO3--N >65.76 31.65~65.76 (-2.47)~31.65 (-36.58)~(-2.47) <(-36.58)
    TN >76.32 54.00~76.32 31.69~54.00 9.38~31.69 <9.38
    TP >83.63 70.54~83.63 57.44~70.54 44.35~57.44 <44.35
    下载: 导出CSV
  • [1] WANG S M, LIU X Y, YU H, et al. Nitrogen removal from urban stormwater runoff by stepped bioretention systems[J]. Ecological Engineering, 2017, 106: 340-348. doi: 10.1016/j.ecoleng.2017.05.055
    [2] 胡爱兵, 李子富, 张书函, 等.模拟生物滞留池净化城市机动车道路雨水径流[J].中国给水排水, 2012, 28(13): 75-79. doi: 10.3969/j.issn.1000-4602.2012.13.019
    [3] 仇付国, 陈丽霞.雨水生物滞留系统控制径流污染物研究进展[J].环境工程学报, 2016, 10(4): 1593-1602.
    [4] 阮添舜, 李家科.生物滞留设施植物∙填料∙微生物研究进展[J].安徽农业科学, 2017, 45(18): 63-69. doi: 10.3969/j.issn.0517-6611.2017.18.021
    [5] PAYNE E G, PHAM T, COOK P L M, et al. Biofilter design for effective nitrogen removal from stormwater-influence of plant species, inflow hydrology and use of a saturated zone[J]. Water Science and Technology, 2014, 69(6): 1312-1319. doi: 10.2166/wst.2014.013
    [6] READ J, WEVILL T, FLETCHER T, et al. Variation among plant species in pollutant removal from stormwater in biofiltration systems[J]. Water Research, 2008, 42(4/5): 893-902.
    [7] ALLEN C R, STEIN O R, HOOK P B, et al. Temperature, plant species and residence time effects on nitrogen removal in model treatment wetlands[J]. Water Science & Technology, 2013, 68(11): 2337-2343.
    [8] JENIFER C S. Evaluation of three plant species for stormwater treatment in bioretention basins[D]. East Lansing: Michigan State University, 2012.
    [9] 陈韬, 张本, 李剑沣, 等.几种生物滞留植物对雨水中营养物的吸收动力学特征[J].环境工程, 2018, 36(9): 21-25.
    [10] TRACEY P. The effect of vegetation in stormwater biofiltration systems: Influences on infiltration rate and nutrient removal[D]. Melbourne: Monash University, 2015.
    [11] 孟莹莹, 王会肖, 张书函, 等.基于生物滞留的城市道路雨水滞蓄净化效果试验研究[J].北京师范大学学报(自然科学版), 2013, 49(2/3): 286-291.
    [12] 陈敬芬.生物滞留技术去除雨水径流中污染物的研究[D].青岛: 青岛大学, 2018.http://cdmd.cnki.com.cn/Article/CDMD-11065-1018881543.htm
    [13] OVERSBY B, PAYNE E G I, FLETCHER T, et al. Vegetation guidelines for stormwater biofilters in the south-west of Western Australia[P]. Melbourne: Monash University, 2014.
    [14] BROWN R, BIRGAND F, HUNT W. Analysis of consecutive events for nutrient and sediment treatment in field-monitored bioretention cells[J]. Water, Air & Soil Pollution, 2013, 224(6): 1-14.
    [15] LYNN T J, YEH D H, ERGAS S J. Performance of denitrifying stormwater biofilters under intermittent conditions[J]. Environmental Engineering Science, 2015, 32(9): 796-805. doi: 10.1089/ees.2015.0135
    [16] RYCEWICZ-BORECKI M, MCLEAN J E, Dupont R R. Nitrogen and phosphorus mass balance, retention and uptake in six plant species grown in stormwater bioretention microcosms[J]. Ecological Engineering, 2017, 99: 409-416. doi: 10.1016/j.ecoleng.2016.11.020
    [17] 李妍汶.四种植物分别组成的生物滞留系统滞蓄与净化道路雨水的效应比较[D].重庆: 西南大学, 2017.http://cdmd.cnki.com.cn/Article/CDMD-10635-1017847187.htm
    [18] 毛绪昱, 黄丽萍.基于海绵城市理念的山地城市道路低影响开发设计[J].中国给水排水, 2016, 32(10): 81-85.
    [19] 高建平, 潘俊奎, 谢义昌.生物滞留带结构层参数对道路径流滞蓄效应影响[J].水科学进展, 2017, 28(5): 702-711.
    [20] READ J, FLRTCHER T D, WEVILL T, et al. Plant traits that enhance pollutant removal from stormwater in biofiltration systems[J]. International Journal of Phytoremediation, 2009, 12(1): 34-53. doi: 10.1080/15226510902767114
    [21] CHAPMAN C, HORNER R R. Performance assessment of a street-drainage bioretention system[J]. Water Environment Research, 2010, 82(2): 109-119. doi: 10.2175/106143009X426112
    [22] MEI Y, GAO L, ZHOU H, et al. Ranking media for multi-pollutant removal efficiency in bioretention[J]. Water Science & Technology, 2018, 77(8): 2023-2035.
    [23] 钱程, 穆文平, 王康, 等.基于主成分分析的地下水水质模糊综合评价[J].水电能源科学, 2016, 34(11): 31-35.
    [24] NIRMAL K J I, MANISHITA D, RANA M, et al. Assessment of hydrochemical characteristics of a tropical wetland system using principal component analysis: A case study[J]. Journal of Environmental Sciences, Hyderabad, 2011, 5(1): 37-50.
    [25] DONG F, YONG L, HAN S, et al. Uncertainty-based multi-objective decision making with hierarchical reliability analysis under water resources and environmental constraints[J]. Water Resources Management, 2016, 30(2): 805-822. doi: 10.1007/s11269-015-1192-7
    [26] DING S, SU C, YU J. An optimizing BP neural network algorithm based on genetic algorithm[J]. Artificial Intelligence Review, 2011, 36(2): 153-162. doi: 10.1007/s10462-011-9208-z
    [27] QIANG Y G, ZHANG M S, LI Z B. The BP neural network model of soil water-salt dynamic state analysis[J]. Advanced Materials Research, 2013, 668: 928-932. doi: 10.4028/www.scientific.net/AMR.668
    [28] HATT B E, FLETCHER T D, DELETIC A. Hydraulic and pollutant removal performance of stormwater filters under variable wetting and drying regimes[J]. Water Science & Technology, 2007, 56(12): 11-19.
    [29] BRATIERES K, FLETCHER T D, DELETIC A, et al. Nutrient and sediment removal by stormwater biofilters: A large-scale design optimisation study[J]. Water Research, 2008, 42(14): 3930-3940. doi: 10.1016/j.watres.2008.06.009
    [30] 王书敏.山地城市面源污染时空分布特征研究[D].重庆: 重庆大学, 2012.http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y2164438
    [31] TAYLOR G D, FLETCHER T D, WONG T H F, et al. Nitrogen composition in urban runoff-implications for stormwater management[J]. Water Research, 2005, 39: 1982-1989. doi: 10.1016/j.watres.2005.03.022
    [32] GLAISTER B J, FLETCHER T D, COOK P L M, et al. Interactions between design, plant growth and the treatment performance of stormwater biofilters[J]. Ecological Engineering, 2017, 105: 21-31. doi: 10.1016/j.ecoleng.2017.04.030
    [33] HATT B E, FLETCHER T D, DELETIC A. Treatment performance of gravel filter media: Implications for design and application of stormwater infiltration systems[J]. Water Research, 2007, 41(12): 2513-2524. doi: 10.1016/j.watres.2007.03.014
    [34] 国家环境保护总局.水和废水监测分析方法[M]. 4版.北京:中国环境科学出版社, 2002.
    [35] 周俊, 江驹, 余朝军, 等.改进神经网络动态逆着舰控制方法[J].哈尔滨工程大学学报, 2018, 39(10): 1649-1654.
    [36] DAVIS A P, HUNT W F, TRAVE R G, et al. Bioretention technology: Overview of current practice and future needs[J]. Journal of Environmental Engineering, 2009, 135(3): 109-117. doi: 10.1061/(ASCE)0733-9372(2009)135:3(109)
    [37] 仇付国, 代一帆, 卢超, 等.基质改良和结构优化强化雨水生物滞留系统除污[J].中国给水排水, 2017, 33(7): 157-162.
    [38] 章茹, 李艳根, 刘志超, 等.植物及存水区对南方生物滞留池去污效果的影响[J].环境工程, 2017, 35(8): 29-33.
    [39] ZINGER Y, BLECKEN G T, FLETCHER T D, et al. Optimising nitrogen removal in existing stormwater biofilters: Benefits and tradeoffs of a retrofitted saturated zone[J]. Ecological Engineering, 2013, 51(2): 75-82.
    [40] NEUSCHUTZ C, GREGER M. Ability of various plant species to prevent leakage of N, P and metals from sewage sludge[J]. International Journal of Phytoremediation, 2010, 12: 67-84.
    [41] 李立青, 胡楠, 刘雨情, 等. 3种生物滞留设计对城市地表径流溶解性氮的去除作用[J].环境科学, 2017, 38(5): 1881-1888.
    [42] 颜子钦, 李立青, 刘雨情, 等.设置饱和带对生物滞留去除地表径流中N、P的影响[J].中国给水排水, 2017, 33(11): 33-38.
    [43] MINETT D A, COOK P L, KESLER A J, et al. Root effects on the spatial and temporal dynamics of oxygen in sand-based laboratory-scale constructed biofilters[J]. Ecological Engineering, 2013, 58: 414-422. doi: 10.1016/j.ecoleng.2013.06.028
    [44] 陈垚, 程启洪, 甘春娟, 等.雨水生物滞留系统氮素过程研究现状与展望[J].环境工程, 2018, 36(7): 11-16.
    [45] 张军, 张松, 柏双友, 等.生物滞留系统的水文效应与污染物的去除研究[J].环境工程, 2015, 33(8): 17-21.
    [46] 罗艳红, 李海燕, 陈富强.双层填料生物滞留设施对磷的去除效果研究[J].环境污染与防治, 2017, 39(1): 7-10.
    [47] YANG X H, MEI Y, HE J, et al. Comprehensive assessment for removing multiple pollutants by plants in bioretention systems[J]. Chinese Science Bulletin, 2014, 59(13): 1446-1453. doi: 10.1007/s11434-014-0200-2
  • 加载中
图( 8) 表( 3)
计量
  • 文章访问数:  3590
  • HTML全文浏览数:  3565
  • PDF下载数:  58
  • 施引文献:  0
出版历程
  • 收稿日期:  2018-11-07
  • 录用日期:  2019-03-07
  • 刊出日期:  2019-07-26

生物滞留系统植物筛选与综合评价

    通讯作者: 陈垚(1983—),男,博士,教授。研究方向:水污染控制与城市雨洪管理。E-mail:chenyao@cqjtu.edu.cn
    作者简介: 余雪花(1994—),女,硕士研究生。研究方向:水污染控制与城市雨洪管理。E-mail:1051593478@qq.com
  • 1. 重庆交通大学河海学院,重庆 400074
  • 2. 重庆交通大学,环境水利工程重庆市工程实验室,重庆 400074
基金项目:
国家自然科学基金资助项目(51709024);重庆市研究生科研创新项目(CYS17200,CYS18219);重庆市基础科学与前沿技术研究项目(cstc2017jcyjAX0292);重庆市留创计划资助项目(cx2017065)

摘要: 为科学筛选出生物滞留系统中能有效去除多种污染物的最佳植物,选取10种重庆市本土植物构建雨水生物滞留系统,以控制山地城市道路雨水径流污染; 并采用反向传播动态神经网络(BP-DNN)技术构建了基于多目标污染物的综合评价模型,对所有生物滞留系统进行应用评价。结果表明:植物可有效去除有机物和营养物等多种污染物,但存在差异性; 植被种类对COD的去除影响显著,其中,风车草去除效能最佳,而千屈菜最差; 植物的栽种可有效提高系统对NH4+-N的去除率,但差异性并不显著,同时,部分植物能在一定程度上提高系统对NO3--N的去除,但不稳定; 植物的栽种能有效提高系统的除氮性能,选用风车草时系统除氮性能最佳,TN去除率可达64.30%~86.82%,而植物的栽种对TSS和TP的去除无显著影响。在综合评价的10种植物中,风车草和美人蕉为生物滞留系统的最佳植物。

English Abstract

  • 生物滞留系统是一种以渗透为基础的城市雨洪管理措施,主要由过滤介质、植物和微生物等介质构成[1],以自然方式削减道路、停车场和屋面等不透水区域产生的雨水径流量及其污染物[2-3]。种植于生物滞留系统过滤介质中的植物可通过直接吸收或间接影响根际微群落的方式去除多种污染物[4]。不同植物对污染物的去除效能具有显著差异性,特别是氮素的去除[5-7],且生物滞留系统的整体效能取决于植物种类。相关研究表明,生物滞留系统中栽种植物能提高系统对污染物的净化能力[8],如陈韬等[9]研究发现丹麦草、萱草、狼尾草等3种植物能较好的吸收无机氮,且对NH4+-N的净化吸收能力优于NO3--N。但植物的选择不仅会影响系统的水力性能[10-11],还会影响系统对有机物和营养物的去除[12]。同时,植物根系越发达越能促进系统对氮磷营养物的去除[13]。因此,在生物滞留系统植物筛选中通常选用根系发达的功能植物。

    植物筛选是实现生物滞留系统预期功能及长效运行的关键,植物筛选不当甚至还会产生氮素淋失现象[14-15]。采用传统的单一目标污染物去除效能的筛选方法,难以确保生物滞留系统的整体控污目标。虽然目前国内外研究筛选出大量能高效去除多种污染物的植物,但其多数是基于单一目标污染物的筛选[9, 16-17]。同时,对于地形起伏较大的山地城市而言,城市道路形成的初期径流污染程度较平原城市更严重,且污染物种类多,势必要求生物滞留系统具有多目标污染物的控制能力,而针对山地城市生物滞留系统的研究主要集中在设施的开发建设、优化设计等[18-19],缺乏对功能植物的筛选研究。因此,有必要筛选出能发挥生物滞留系统整体控污功能目标的最佳植物。筛选能实现生物滞留系统控污目标功能的最佳植物属于一个综合评估问题,目前在生物滞留系统植物的综合评估研究中尚未形成标准化和成熟的方法体系[20-21]。目前,通常采用模糊综合评价、主成分分析或多目标决策分析法对水资源进行综合评价,并形成各自的应用方法体系[22-25]。基于反向传播算法的动态神经网络(BP-DNN)技术因其具有良好的自主学习、自适应和泛化能力,已广泛用于水资源管理的综合评价中[26-27]。由于基于多目标污染物的植物筛选问题属于多目标决策分析范畴,可运用BP-DNN技术对植物除污性能进行综合评价。

    本研究选取了10种重庆市本土植物构建了雨水生物滞留系统,以控制山地城市道路雨水径流,考察不同植物种类的生物滞留系统控污能力。采用BP-DNN技术构建了基于多目标污染物的评估模型,并对所有植物系统进行了综合评估以筛选出最佳植物,以期为山地城市道路雨水生物滞留系统植物筛选提供理论依据。

  • 实验采用内径为150 mm的PVC管(滤料层)和亚克力管(积水层)制成的滤柱,实验装置示意图及滤柱照片见图 1。滤柱自上而下分别为200 mm积水层、300 mm种植层、300 mm储水层(200 mm过渡层+100 mm排水层)。其中,种植层采用沙壤土、石英砂和河沙(质量比1:2:2)混合而成的种植土。将底部排水管抬高300 mm设置成储水层,并在储水层填料中添加木屑(添加量为5%)作为内源性固体碳源,以满足反硝化条件。各滤柱系统种植一株植物,每种植物设3个平行样,并设3个无植物的滤柱作为对照。根据生物滞留设施运行条件及植物筛选要求,结合重庆市人工湿地和园林景观常用本土植物种类,选取了重庆市10种本土植物,具体情况如表 1所示。同时,为确保植物生长的适应性,植物购置后先进行为期30 d的清水栽培生长。适应期结束后,所有滤柱系统开始注入模拟径流雨水。

    实验装置的进水量和进水周期根据重庆市气象历史统计数据,采用等效模拟法[28-29]进行确定。重庆市典型年降雨特征下一年内日降雨量大于2 mm (不透水面产生径流的有效降雨量)的天数约为142 d,据此等效设定全年每周内每隔2~3 d有一场有效降雨,进水周期为每周3次,每次3.8 L,以模拟降雨量20.9 mm (对应75%径流总量控制率)下的道路雨水径流。

  • 根据重庆市城市交通干道径流雨水水质监测结果[30],为减少实际降雨径流水质造成的高度变异性和不确定性,实验采用自来水,粒径<0.2 mm的湖泊底泥[31-33],以及相应化学试剂配制目标污染物浓度的城市道路模拟径流雨水,雨水水质如表 2所示。

  • 实验期间,按照固定时间间隔进行取样,并采用国家标准方法[34]监测进出水中的NH4+-N、NO3--N、TSS、TP、TN、COD等6个污染物指标。为避免平行样监测数据受极值影响而产生偏差,采用中位数进行数据统计分析,若P值低于0.05,则样本具有显著差异。

    作为人工神经网络的一种,BP-DNN不仅继承了其强大的运算能力,还具有函数映射、并行处理和自主学习等优点[35],可用于具有大量数据下复杂问题的多目标决策分析。在构建植物综合评价的BP-DNN模型时,首先以污染物去除率作为输入向量,而以污染物去除等级(等级评分1~5)作为输出向量; 其次,根据评价标准,不同等级下的各污染物指标随机产生100个样本数据,并采用最大最小值法进行归一化处理,使数据统一映射到[0, 1]区间内; 再次,将前90%样本数据作为输入向量对BP-DNN进行训练学习,输入层数为6,隐藏层数为9,输出层数为1,总训练样本数为450,训练次数1 000,训练误差为10-3,训练结束后计算出向量的权值与阈值; 随后,将后10%样本数据作为测试输入向量对BP-DNN进行测试,计算其测试精度,并以RMRE (均值相对误差)和R2(决定系数)进行评价,其中,RMRER2计算公式根据式(1)~式(2);最后,将实际监测样本输入至BP-DNN评价模型中,计算得到植物对污染物去除率的综合等级评分,根据等级评分排序筛选出生物滞留系统的最佳植物。

    式中:n为测试样本总数; yixi分别为BP-DNN测试期间的测试值与期望值; yx分别为测试值与期望值的均值。若RMRE值较低,且R2在0.9以上,则表明测试值与期望值吻合性越好。

  • 生物滞留系统对TSS的去除主要通过表层滤料(土壤)的截留作用,而植物可通过根系运动或衰亡改变滤料的孔隙结构而影响系统对颗粒物的去除效果[36]。不同植物对系统去除TSS的影响并不显著,去除率可达85.0%左右(图 2)。但不同植物系统对TSS去除的稳定性具有较大差异,其中,芦竹对TSS的去除最为稳定。研究结果表明,植物的存在并不能显著提高系统对TSS的去除率,且植物种类对TSS的去除率无显著影响,但可影响其去除稳定性。

  • 进水有机物可通过植物根系释放的氧气被植物吸收降解,以及微生物吸附、同化和异化作用得以去除,也可通过反硝化、土壤累积、化学络合等作用去除[37]。由图 3可知,所有实验组均可有效降低COD含量,但不同植物对COD的去除存在差异性,且COD去除率的波动较大,中位数从57.22%到70.36%范围内进行变化。实验期间(第56天),狗牙根与纸莎草实验组的出水浓度大幅上升,可能是由于根系分泌的有机物从填料中淋失,导致出水COD升高。除狗牙根、细叶芒和纸莎草对COD的去除与对照组无显著差异外,其余植物对COD的去除均明显区别于对照组(P<0.05)。同时,实验结果表明植物种类对COD的去除效果存在显著差异,其中,风车草对COD的去除效果最好且最稳定,而千屈菜的去除效能最差,且低于对照组。章茹等[38]同样研究发现植物种类会显著影响生物滞留设施对COD的去除效能。

  • 植物的存在可显著提高系统对NH4+-N的去除,出水浓度低于1.59 mg∙L-1。对比无植物系统,去除率中位数从74.82%提高至79.55% (图 4)。这主要是由于无植物时,系统对NH4+-N的去除主要通过填料的吸附、土壤微生物的硝化作用等途径[39],而植物的存在可通过根系诱导作用改变土壤中的氧动力学并使其与非根际土壤在空间上产生异质性,影响根际功能微生物的空间分布特性,从而调控硝化菌对氮的硝化过程[40]; 同时,植物还可进一步通过根系的泌氧作用为根际硝化微生物提供氧气强化硝化作用,甚至通过根系对铵态氮的直接吸收作用得以去除[41],从而提高系统对NH4+-N的去除效能。实验结果表明,不同植物对NH4+-N的去除无显著差异,这可能是由于实验植物对铵态氮的吸收不存在显著性的偏好差异。

  • 生物滞留系统通过设置储水区并添加固体碳源等措施后,系统对NO3--N的去除具有一定的效果,去除率中位数可达65%左右。这一结果与颜子钦等[42]在生物滞留系统中设置饱和带能提高对NO3--N去除率这一结论相似。但有些植物组对NO3--N的去除并不稳定,甚至出现出水浓度大于进水浓度,发生氮素淋洗现象,如图 5所示。但随着实验的进行,储水区的反硝化环境得到强化,以致于氮素淋洗现象逐渐消失。从实验结果来看,鸢尾去除效果最好,去除率为48.79%~88.03%,而狗牙根去除效果最差,去除率为26.87%~85.79%。总体来说,部分植物组对NO3--N的去除效果明显优于对照组(P<0.05),且不同植物对NO3--N去除率的影响存在一定差异。研究结果证实植物的筛选可影响系统除氮功能的稳定性。

  • 所有植物组均具有较好的除氮功能,TN去除率中位数可达70%以上,显著高于对照组的65.85%(图 6)。这主要是由于植物的存在可通过根系的诱导作用使土壤氧环境产生空间异质性,形成好氧、缺氧环境进行硝化反硝化作用实现脱氮过程[43],但这一过程受环境条件(气温变化、干湿交替等)影响,从而表现为生物滞留系统在除氮性能上缺乏良好的弹性。这一结果也证实了设置储水区且添加碳源等优化设计后的生物滞留系统并不能保证其除氮的长期稳定性[44]。在所研究植物中,风车草除氮性能最好,TN去除率为64.30%~86.82%,而芦竹较差,去除率仅为58.71%~85.60%。

  • 生物滞留系统中磷的去除途径较为复杂,其中,颗粒态磷可以通过填料的吸附、截留、络合与离子交换作用等途径去除,而可溶性磷可被植物和微生物吸收固定而去除[45-46]。在为期3个月的实验研究期间,所有滤柱系统均表现出良好的除磷能力,出水TP浓度较为稳定,但在第56天时,除纸莎草实验组外其余滤柱系统均出现出水浓度的陡增,这可能是由于进水磷浓度的升高导致填料的吸附固定能力变差,同时,狗牙根与千屈菜实验组淋失的根系分泌有机物也会释放有机磷或无机磷[3],造成出水浓度的增加。所有实验组的TP去除率中位数可达80%以上,且不存在显著差异(图 7)。其中,鸢尾除磷效果最好,去除率中位数为87.19%,而细叶芒的去除效果最差,去除率中位数仅为80.32%,低于对照组。这可能由于生物滞留系统对TP的去除主要通过填料的吸附作用,而细叶芒实验组由于其根系特征影响填料物化特性导致其除磷效果低于对照组。同时,实验期间填料的吸附未达到饱和,以致植物间对磷的去除差异性未能得到体现。

  • 本研究主要考察不同植物生物滞留系统对TSS、COD、NH4+-N、NO3--N、TN和TP等6种污染物的整体去除效能,故植物筛选的评价指标为上述6种污染物的去除率。

  • 根据实验监测结果,将各植物对不同污染物的去除效能划分为5个等级,分别记为1~5分,其中,1分代表污染物去除率最高,分数越高代表去除率越低。等级分数h[47]由式(3)确定。

    式中:等级1,${x_i} \in \left[{0, {s_1}} \right]$; 等级j${x_i} \in \left({{s_{j - 1}}, {s_j}} \right), {s_j} = {x_{i, \min }} + jh, j = 1, 2, \cdots, 5$。式(3)中的xi, maxxi, min分别为第i个指标去除率的最大值和最小值。根据10种植物和对照组对6个污染物指标的去除率监测数据,可得到评价标准等级如表 3所示。

  • 将训练学习后的BP-DNN进行样本测试,测试后RMRE为0.005 1,且R2达到0.932 1。测试精度表明,构建的BP-DNN评价模型可用于生物滞留系统中植物对污染物去除效能的综合评价。为此,将BP-DNN评价模型用于评价城市市政道路雨水径流生物滞留系统中10种植物和对照组的综合去除效能,评价结果如图 8所示。

    评价结果表明,生物滞留系统中植物对多目标污染物去除效能的综合等级评分存在较大差异,其中,风车草和美人蕉综合去除效能最好,去除效能的等级评分分别为1.86和1.94,其构建的生物滞留系统可有效去除多种污染物。其次为鸢尾、梭鱼草、香根草和芦竹,评分分别为2.22、2.38、2.69和2.91;综合去除效能较差的为千屈菜、狗牙根、纸莎草、细叶芒和对照组,评分分别为3.23、3.56、3.58、3.66和3.69。因此,风车草和美人蕉为实验植物中生物滞留系统去除多目标污染物的最佳植物筛选方案。

  • 1) 筛选的10种本土植物可有效去除多种污染物,但不同植物类型存在差异性。其中,风车草对COD的去除效果显著高于对照组,而千屈草反之; 风车草除氮性能最好,TN去除率中位数为80.96%,芦竹较差,但均高于对照组; 植物组对NO3--N去除有一定效果,但不稳定,易因植物根系衰亡和微生物死亡而发生氮素淋湿; 由于植物根系作用,植物的存在可显著提高系统对NH4+-N的去除,但不同植物间无显著差异; 植物对TSS和TP的去除影响不显著,对TSS的去除率中位数为85.0%左右,而对TP的去除率中位数可达80%以上。

    2) 将BP-DNN评价模型应用于生物滞留系统中植物对多种污染物去除效能的综合评价,结果表明:10种本土植物和对照组对TSS、COD、NH4+-N、NO3--N、TN和TP等多目标污染物整体去除效能的等级评分各不相同。其中,风车草和美人蕉评价等级较高,评分分别为1.86和1.94,为生物滞留系统的最佳植物。此研究为生物滞留系统植物筛选评价提供了新的方法。

参考文献 (47)

目录

/

返回文章
返回