English

• N₂O排放产生的温室效应约是CO₂的265倍，对温室效应的贡献率约为8%，是一种重要的温室气体^[1]。同时，N₂O还能发生光化学反应破坏臭氧层，且反应产生的NO和NO₂气体又会引起光化学烟雾和酸雨^[2]。鉴于N₂O对环境的危害性及其在大气中0.31%的年增长速率，对于N₂O排放量的控制在近年来受到了广泛关注^[3]。

  污水生物脱氮过程是N₂O的潜在产生源之一，其释放量占人为来源的3.56%，占总N₂O排放量的1.3%，且在近20年内增长了近25%^[1]。由于N₂O较强的温室效应，反硝化脱氮过程中N₂O的释放量增加1%，污水处理厂的碳足迹 (Carbon footprint，CFP) 就将升高约30%^[4]。Daelmanh等^[5]和Ye等^[6]对实际污水处理厂N₂O排放的监测结果则表明，N₂O的排放对整个污水处理厂CFP的贡献率高达78%。因此，在进行生物脱氮工艺的设计和选择时，不仅要考虑工艺的脱氮效果，还要考虑N₂O的排放对环境产生的负面影响。然而，无论是传统的生物脱氮工艺，还是短程硝化反硝化 (Shortcut nitrification denitri-fication，SCND)、同步硝化反硝化 (Simultaneous nitrification denitrification，SND) 和厌氧氨氧化 (Anaerobic ammonium oxidation，ANAMMOX) 等新工艺在处理过程中都伴随着N₂O的释放^{[7, 8]}。

  因此，在探讨N₂O生成机理的基础上，建立N₂O排放的数学模型，通过模型对不同工况和水质条件下N₂O的排放量进行预测，从而确定N₂O排放的主要影响因素，对于生物脱氮过程中N₂O生成机制的深入研究和削减工艺技术的开发具有重大的理论及实践意义。本文对生物脱氮工艺的类型、N₂O的生成机理及N₂O排放数学模型的类型、建立方法及应用情况进行了综述，并对模型未来的研究方向进行了展望，以期为N₂O排放数学模型的完善、N₂O排放量的削减、污水生物脱氮工艺的优化和污水处理行业可持续发展的实现提供理论基础和科学依据。

  1   模型建立的理论基础

  1.1   生物脱氮工艺

  1.2   N₂O的生成机制

  目前，普遍认为污水生物脱氮过程中N₂O的排放主要与自养氨氧化菌 (Ammonia oxidizing bacteria，AOB)^[26~28]和异养反硝化菌^[28~30]有关，N₂O的微生物生成途径主要包括羟胺 (NH₂OH) 的氧化、AOB的反硝化和异养菌的反硝化3种。

  1.1.1   传统生物脱氮工艺

  传统生物脱氮工艺主要包括活性污泥法及在此基础上发展起来的A/O工艺、A²O工艺和序批式活性污泥工艺 (SBR) 等。传统生物脱氮过程包括好氧条件下的硝化反应过程和缺氧条件下的反硝化反应过程。硝化反应是在有氧的条件下，氨化菌首先将有机氮分解转化为NH₄⁺-N，自养亚硝化菌和硝化菌再依次将NH₄⁺-N氧化成NO₂^-N和NO₃^-N的过程。反硝化反应是异养型兼性厌氧微生物将NO₂^-N或NO₃^-N逐步还原为N₂，从而将氮从污水中脱除的过程。

  传统生物脱氮工艺可达到良好的脱氮效果，但仍存在很多不足：(1) 硝化菌增殖速度缓慢，为保证系统中有足够数量的硝化菌，需维持较长的水力和生物固体停留时间，从而增加了工艺单元的容积和基建费用^[9]；(2) 需投加碱中和硝化阶段产生的酸度，从而导致处理费用的增加^[10]；(3) 硝化回流液中的大部分有机物经曝气后已经被去除，反硝化阶段时往往需要投加外加碳源 (如乙醇) 来保证反硝化的效果，使得运行成本增加^[11]。

  1.1.2   新型生物脱氮工艺

  (1) SCND工艺SCND工艺是将硝化反应控制在NO₂^--N阶段，而阻止其进一步氧化为NO₃^--N，然后直接进行反硝化的脱氮工艺^[12]。其反应方程式为 (碳源以甲醇为例)：

  该工艺与传统的生物脱氮工艺相比具有以下优点：(1) 将硝化反应控制在NO₂^--N阶段可节省进一步氧化所需的耗氧量，同时也减少了反硝化过程中将NO₃^--N还原为NO₂^--N所需的碳量，因而降低了能耗和药耗，减少了运行费用^[13]；(2) 反应时间缩短，反应器容积也可减少30%~40%，从而降低了基建费用^[14]。然而，SCND的实现依赖于温度、pH、溶解氧 (DO) 和污泥停留时间 (SRT) 等条件的严格控制^{[15, 16]}。

  (2) SND工艺当好氧环境与缺氧环境在一个反应器中同时存在，且硝化与反硝化反应在同一个反应器中同时进行时则称为SND。SND的机理可以从生物学和反应器两方面来解释：从生物学角度看，由于异养硝化菌和好氧反硝化菌的存在，使得硝化和反硝化同时发生成为可能；从反应器角度看，可以在反应器内同时创造适合硝化和反硝化反应的好氧和缺氧条件^[17]。

  SND工艺的优点有：(1) 硝化阶段和反硝化阶段在同一反应器中进行，占地面积及基建费用相对较少^[17]；(2) 避免了NO₂^--N氧化成NO₃^--N、NO₃^--N还原成NO₂^--N的多余反应，节约了O₂和碳源^[18]；(3) 硝化产生的酸度可以和反硝化产生的碱度中和，减少了碱的投加，节省了运行费用^[19]。然而，要实现SND，需要对DO、COD/N、微生物絮体结构、pH和温度等运行参数进行严格的控制^{[19, 20]}。

  (3) ANAMMOX工艺某些自养微生物，在厌氧条件下能以NO₂^--N、NO₃^--N和CO₂为氧化剂，以NH₄⁺-N为电子供体，将NH₄⁺-N氧化为N₂，该过程就是ANAMMOX^[21]。其反应方程式为：

  ANAMMOX工艺具有能耗低和无需外加碳源等优点^{[22, 23]}。然而，由于自养型厌氧氨氧化菌的倍增时间长达11~14 d，工艺启动周期长，对温度、pH和DO等条件要求较苛刻，一般适用于水温较高或NH₄⁺-N浓度较高的废水，如污泥脱水液、垃圾渗滤液或工业废水等^{[24, 25]}。

  1.2.2   反硝化过程

  如图 1所示，反硝化反应包括4个连续的步骤，分别由4种不同的反硝化还原酶催化，即硝酸还原酶 (Nitrate reductase，Nar)、亚硝酸还原酶 (Nitrite reductase，Nir)、NO还原酶 (NO reductase，NOR) 和N₂O还原酶 (N₂O reductase，N₂OR)，其中NO₂^--N、NO和N₂O是必然的中间产物，N₂O在Nar、Nir和NOR的依次作用下生成。

  研究表明，低DO浓度、NO₂^--N积累、低pH和低COD/N等许多因素都会抑制N₂OR的活性，从而影响反硝化反应的正常进行，最终导致N₂O的积累与释放^{[29, 30, 37]}。此外，Pan等^[37]指出，反硝化反应的4个步骤可以通过电子竞争对彼此产生影响，从而导致包括N₂O在内的各种中间产物的积累，即4个反应步骤均需要从碳源的氧化过程中获得电子，当电子供应速率不足时，就将发生电子竞争。然而，N₂OR的竞争能力往往要低于其他酶，且对DO浓度和温度等环境条件的变化更为敏感，从而在电子竞争中处于劣势，最终导致了N₂O的积累和释放^{[38, 39]}。

  1.2.1   硝化过程

  如图 1所示，AOB是一类能将NH₄⁺-N氧化成NO₂^--N的化能自养菌，其氧化过程包括两个步骤：(1) NH₄⁺-N以O₂作为电子受体，在氨单加氧酶 (Ammonia monooxygenase，AMO) 的作用下被氧化成NH₂OH；(2) NH₂OH以O₂作为主要电子受体，在羟胺氧化还原酶 (Hydroxylamine oxidoreductase，HAO) 的作用下被氧化为NO₂^--N。在上述过程中，N₂O主要通过以下两条途径生成：(1) 在NH₂OH未被完全氧化为NO₂^--N时，N₂O将以副产物的形式生成，此途径称为NH₂OH的氧化途径^{[27, 31]}；(2) AOB以NO₂^--N作为最终电子受体，以NO作为中间产物进行反硝化作用，其终产物为N₂O，此途径称为硝化菌或AOB的反硝化途径^{[27, 32]}。一般认为，在DO浓度较低或完全缺氧以及NO₂^--N浓度较高的条件下，AOB可将NO₂^--N和NO还原为N₂O^{[28, 33, 34]}。另一方面，当NH₄⁺-N氧化速率较高时，将导致NH₂OH和其他中间反应产物如NO或NOH的积累，从而最终导致N₂O的生成^{[27, 31, 35]}，如NOH生成N₂O的过程如式 (4) 和 (5) 所示。

  图 1  自养氨氧化菌 (左) 和异养反硝化菌 (右) 生成N₂O的示意图^[36] Figure 1.  The generation of N₂O through the AOB (left) and heterotrophic denitrification (right) pathways ^[36]

  图选项

  下载全尺寸图像

  下载幻灯片

  2   N₂O排放模型的类型

  近年来，研究人员为了寻求削减N₂O排放的工艺及技术措施，在N₂O的生成及排放影响因素方面开展了大量研究，确定了许多与N₂O生成及排放密切相关的因素。例如，在硝化反应过程中，当DO浓度较低时，AOB将以NO₂^--N取代O₂作为最终电子受体，通过反硝化作用生成N₂O^[12]；在反硝化阶段，当DO浓度超过一定限值时，反硝化菌将优先利用O₂作电子受体，使得反硝化不能彻底进行，从而导致中间产物N₂O的积累；而O₂对N₂OR的抑制和毒害作用将进一步阻碍N₂O还原为N₂^[40]。NO₂^--N浓度也是影响N₂O生成的重要因素，在硝化反应过程中，NO₂^--N的积累将促进AOB的反硝化作用而生成N₂O^[41]；而在反硝化阶段，NO₂^--N的积累将抑制N₂OR的活性，从而导致N₂O的积累和释放^[42]。除了这些直接影响因素外，进水负荷和曝气强度等运行条件的急剧变化也会对N₂O的释放产生重要影响^{[26, 43]}。然而，由于工艺构造、研究尺度、运行条件及样品采集分析方法等的差异，某些因素对N₂O排放的影响也存在不同的趋势。例如，Quan等^[44]指出，在好氧颗粒污泥SBR工艺中，N₂O的释放量随曝气强度的增加而减小；Rodriguez-Caballer等^[45]则指出，在推流式活性污泥处理系统中，当曝气强度在100~1000 m³/h之间变化时，N₂O的释放量并没有太大的变化；Castro-Barros等^[46]对SCND-ANAMMOX工艺的研究结果则表明，N₂O的排放量随曝气强度的增强而增大的原因是吹脱作用和N₂O生成量均随曝气强度增强而增大的结果。

  此外，已有研究中污水生物脱氮工艺的N₂O排放因子的变化范围也很大。Ahn等^[47]通过对美国12家不同污水处理厂N₂O排放量的监测，指出N₂O的排放量为进水总凯氏氮的0.01%~1.8%，而Kampschreur等^[28]和Law等^[31]则分别报道了0~14.6%和0~25%的结果。此外，同一个污水处理厂的N₂O监测结果也存在着很大的时空差异^{[6, 47]}。

  近年来，数学模型在预测污水处理工艺中脱氮效果方面得到了广泛的应用，且随着人们对污水处理过程中N₂O排放问题的重视，通过数学模型预测硝化和反硝化反应过程中N₂O排放量的方法也受到了越来越多的关注^[48~50]。数学模型的建立为把N₂O排放量作为污水生物脱氮工艺设计、运行和优化中的重要考虑因素提供了基础^{[32, 48]}。同时，相对于联合国政府间气候变化专门委员会 (IPCC) 和美国国家环保局 (EPA) 等机构给出的固定数值的N₂O释放因子，数学模型的建立可为具体污水生物处理工艺中N₂O排放量的估算提供更为准确的数据^{[1, 51]}。此外，数学模型的建立也为N₂O生成机制的探讨、影响因素作用机制的分析及削减措施的确定提供了依据^[32]。

  国际水质协会 (IAWQ) 分别于1987年、1995年和1999年提出了Activated Sludge Model No. 1 (ASM1)、Activated Sludge Model No. 2 (ASM2) 和Activated Sludge Model No. 3 (ASM3) 模型，而N₂O排放数学模型就是在对这些ASM模型进行改进和修正的基础上建立起来的^[52~54]。ASM1主要用于描述城市污水活性污泥处理系统中有机物和含氮化合物以O₂和NO₃^-N作为电子受体被去除的过程及污泥的产生情况^[52]；ASM2在ASM1的基础上考虑了生物除磷过程^[53]；而ASM3则在ASM1的基础上加入生物聚合物的储存过程^[54]。随着ASMs模型的不断发展，N₂O排放数学模型也得以逐步完善。

  2.1   异养反硝化菌的N₂O排放数学模型

  ASM2模型是最早的反硝化模型，然而该模型将反硝化反应作为一个步骤来考虑，即NO₃^--N直接被还原为N₂，而没有对反应的中间产物进行模拟^[53]。Kotlar等^[55]在1996年提出了反硝化两步模型，该模型模拟了NO₃^--N被还原为NO₂^--N再被还原为N₂的两个步骤，但不能模拟N₂O的排放情况。同年，由Wicht等^[56]提出了反硝化三步模型，将N₂O作为反硝化反应的中间产物，实现了对N₂O排放量的模拟。Hiatt等^[57]在2008年提出了基于ASM1模型的反硝化四步模型——ASMN (Activated sludge model for nitrogen)，该模型分别采用两阶段和四阶段描述硝化和反硝化反应，可用来预测异养反硝化过程中N₂O的释放量，但由于该模型假设碳源氧化产生的电子始终能满足反硝化各步骤对电子的需求，而未考虑各步骤对电子的竞争，因而模型结构存在着固有的缺陷，不能用来模拟碳源不足时N₂O的释放^{[58, 59]}。Pan等^[58]于2013年提出了ASM-ICE (Activated sludge model with indirect coupling of electrons) 模型，该模型采用“间接耦合”的理念，通过电子载体将碳的氧化和氮的还原过程联系起来，考虑了反硝化过程中各种中间产物还原酶对电子的竞争，从而能对反硝化过程中各种中间产物的积累进行更为准确的模拟。

  2.2   AOB的N₂O排放数学模型

  基于AOB的N₂O生成机理，目前描述硝化过程N₂O排放的数学模型分为两类。一类是只单独考虑AOB反硝化途径 (N₂O的ND生成途径) 的ND模型或NH₂OH氧化途径 (N₂O的NN生成途径) 的NN模型，统称为单一N₂O生成途径模型^{[36, 60]}。然而，无论是采用间歇还是连续运行的监测数据对单一N₂O产生途径模型进行校正，这类模型都无法准确描述所有文献中的N₂O排放数据^{[60, 68]}。因此，推测N₂O的排放是AOB反硝化和NH₂OH不完全氧化共同作用的结果，而两种途径对N₂O排放量的贡献与工艺运行条件密切相关^[61]。研究人员采用同位素测量技术探讨了工艺运行条件对上述两种途径的调控机制，结果表明NO₃^--N (或游离HNO₂) 及DO的浓度在调控中发挥了重要作用^{[62, 63]}。Spérandio等^[60]指出，NN途径适合描述NO₂^--N积累量较低的系统 ( < 1mg/L)，而ND途径则更适合描述NO₂^-N浓度较高的系统。

  基于单一途径模型存在的缺陷，Pocquet等^[61]在2016年提出了耦合NN途径和ND途径的2-P模型 (2 pathway model)，该模型包括了5个酶反应过程：NH₄⁺-N被氧化为NH₂OH、NH₂OH被氧化为NO、NO被氧化为NO₂^--N、NH₂OH在HAO酶的作用下发生不完全氧化导致NO的积累并被NOR还原酶还原为N₂O (N₂O的NN生成途径) 和NO₂^--N在NOR还原酶的作用下被还原为N₂O (N₂O的ND生成途径)。该模型除了能很好预测N₂O的排放外，还可描述NO/N₂O比率的变化趋势，且证实ND途径是亚硝化反应过程中N₂O生成的主要途径。

  2.3   耦合AOB和异养反硝化菌N₂O排放的模型

  无论是异养反硝化菌的N₂O排放数学模型，还是AOB的N₂O排放数学模型，都只能独立描述硝化过程或反硝化过程中N₂O的排放情况，无法全面描述污水生化脱氮过程中总体的N₂O排放情况。但是，在实际的污水生物脱氮处理过程中，AOB和异养反硝化菌都将参与到N₂O的生成和消耗过程中^{[28, 31]}。因此，耦合了AOB和异养反硝化菌N₂O排放的数学模型将为污水处理厂N₂O排放量的预测及削减方案的制定提供更为准确的依据。

  目前，建立耦合AOB和异养反硝化菌生成和消耗N₂O模型的方法有两种：(1) ASM类模型，该类模型耦合了AOB单一N₂O生成途径模型和异养反硝化菌ASMN模型^[48~50]；(2) 电子平衡类模型，该类模型以电子载体将AOB的2-P模型和ASMN模型耦合在一起^[64]。两种建模方法都已成功地应用在混合培养的硝化-反硝化生物脱氮系统中，并能确定AOB和异养反硝化菌在N₂O生成总量中的相对贡献率^{[32, 48, 64]}。

  3   N₂O排放数学模型的建立方法

  3.1   模型矩阵的构建

  模型矩阵由化学计量系数矩阵和反应速率方程构成，构建模型矩阵就是在化学计量系数矩阵后加上对应的反应速率方程，而化学计量系数矩阵的构建则是关键，方法如下：(1) 确定所要研究N₂O的释放过程；(2) 确定该过程中涉及N₂O生成的各种反应物并写出各步反应方程式；(3) 建立化学计量系数矩阵。例如，Pan等^[58]在构建反硝化N₂O排放数学模型时，将反硝化过程划分为碳氧化过程和氮还原过程，并将电子的竞争作用纳入模型中，进而引入了电子载体的氧化态 (M_ox) 和还原态 (M_red) 这两个变量，并建立M_ox和M_red的计量关系式，再分别写出碳氧化过程和氮还原过程的反应方程式，连同M_red和M_ox的计量关系式一起构建了反硝化反应的化学计量系数矩阵，在该矩阵后加上对应的反应速率方程就完成了模型矩阵的构建。Ni等^[65]在建立AOB产生N₂O的模型时，将由AOB产生N₂O的两种途径简化成通过胞内电子载体联系的三个氧化反应和三个还原反应，写出这些反应的方程式并构建模型矩阵，从而将AOB通过不同途径产生N₂O的模型耦合成一个模型。

  3.2   数据的收集

  建模中需要重点收集的数据包括：(1) 重要的动力学和计量学参数，如异养菌产率系数Y_H、异养菌衰减系数b_H、异养菌最大比增长速率μ_H及半饱和系数K_S等，而其他重要性相对较小的参数则可以参考相关文献资料中的数值；(2) 用于模型校验的N₂O排放量数据，包含实验室监测数据和现场监测数据。

  动力学和计量学参数主要通过实验数据的拟合而获得。例如在Pan等^[58]建立的模型中，r_{NO3, max}和r_{NO2, max}(NO₂^--N和NO₃^--N的最大比还原速率) 是通过对SBR实验装置中水质因子的监测，获得还原速率1/r和底物浓度1/s之间的线性关系，采用$\frac{1}{r} = \left( {\frac{{{K_s}}}{{{r_{\max }}}}} \right) \cdot \frac{1}{s} + \frac{1}{{{r_{\max }}}}$通过线性拟合而获得的。

  对于N₂O排放量数据的收集，一般采用气体通量罩将收集的气体连接到在线N₂O监测系统或采用气体收集袋收集后带回实验室进行检测分析^{[66, 67]}。此外，对于采用表面曝气的工艺 (如氧化沟工艺)，无法通过漂浮的气体通量罩捕获含有N₂O的气体。Ye等^[6]通过测定k_Laα_N2O和溶解性N₂O浓度的方法计算得到了表面曝气系统的N₂O排放量。溶解态N₂O的浓度则采用微型传感器进行在线监测^[68]，或采集水样后采用顶空平衡法进行测定，即：使水样中的N₂O在密闭的血清瓶中达到气液平衡，然后测定液体上部空间中气态N₂O的浓度，并通过计算得到溶解态N₂O的浓度^[69]。此外，由于同一污水生物处理系统的N₂O排放量存在着一定程度的时空差异，Daelman等^[70]指出只有长期的在线或随机采样才能获得较可靠的N₂O排放量平均值，然而长期采样需要较大的投入。为权衡准确性和投入，他们建立了最终监测结果准确性随监测时长或样品数量变化的函数。

  3.3   参数的敏感性分析

  敏感性分析可描述系统的输出随着参数取值的变化而发生变化的程度。N₂O排放数学模型的参数敏感性分析就是找出对N₂O产生和释放影响较大的参数集。参数的敏感性分析非常重要，如果采用对输出非常敏感的参数子集进行参数估计，则更容易实现对模型的校正；如果采用一些对输出不敏感的参数子集，则即便是最优化算法非常有效，也难以实现对模型的校正。敏感性分析常用的方法有局部分析法和全局分析法。Pocquet等^[60]对2-P模型模拟AOB生成N₂O的NN和ND途径的参数敏感性进行了分析，结果表明ND途径中涉及的相关参数对N₂O的排放影响更大，这与研究中得到的ND途径是N₂O排放的主要途径的结论相吻合。

  3.4   模型的校正

  通过敏感性分析找到模型的关键参数之后，需要比较模型模拟结果与实测值的吻合程度，吻合度好则可以采用该模型模拟污水处理厂N₂O的排放；反之，则需要进行参数的修正。例如，Pan等^[58]对比了从实验室规模的SBR反应器中得到的实验结果和异养反硝化菌N₂O排放数学模型的模拟结果，二者偏差在5%以内，具有很好的吻合度。Ni等^[65]在模拟AOB通过NN和ND两条途径生成N₂O时，在模型涉及的19个计量学和动力学参数中，引用了已有文献中的部分参数值，并合理假设了K_{Mred, 1}的值，而通过实验数据对剩余的5个参数值——r_{O2, red}、r_{NO2^-, red}、r_{NO, red}、K_{Mred, 3}和K_{Mred, 4}进行了修正，从而使得模型模拟结果与实验结果呈现出较好的吻合度。

  4   模型的应用

  运用修正后的模型就可以对不同工艺运行条件下的N₂O排放量进行模拟，并通过对运行参数的调节对污水生化处理工艺进行优化，从而在保证污染物处理效果的前提下降低N₂O的排放量。近年来，尽管在实际污水处理厂开展了大量的实地监测，但是绝大多数N₂O排放数学模型的应用还局限于实验室小试规模，实际污水处理厂的应用案例还较少。2013年，Ni等^[32]首次将耦合了NN模型和ASMN模型的ASM类数学模型成功应用到了实际污水处理厂N₂O排放量的模拟中，模型很好地描述了采用鼓风曝气的SBR系统和采用表面曝气的氧化沟系统中NH₄⁺-N、NO₂^--N、NO₃^--N、DO和N₂O浓度的动态变化。2015年，Ni等^[64]将耦合了2-P模型和ASMN模型的电子平衡类模型应用到某分段式进水的污水处理厂中，该模型除了能较好地描述各类含氮化合物的浓度及N₂O排放量的动态变化规律外，模拟结果还给出了ND途径和NN途径在不同廊道中对N₂O排放量的贡献率大小；同时他们还提出，将30%的污泥回流至第二廊道而剩余的70%回流至第一廊道，可大幅度削减N₂O排放总量的措施。

  5   结语

  本文对生物脱氮工艺的类型、N₂O的生成机理和N₂O排放数学模型的类型、建立方法及应用进行了详细叙述，以期在考虑污水处理厂具体设计及运行条件的前提下，为模型的选择、N₂O排放量的估测和削减方案的开发提供依据，从而最终实现污水处理行业的可持续发展。由于N₂O的生成机理还有待进一步深入研究，使得现有模型在结构及预测不同工艺和运行条件下N₂O排放情况的能力方面还存在着差异。此外，复杂的模型选择和校准程序也限制了模型的应用，进而阻碍了有效削减措施的开发。为了更好地描述N₂O在污水生物脱氮系统中的排放规律，指导N₂O削减工艺及技术的开发，今后要在以下方面开展研究：(1) 进一步深入研究各种不同生物脱氮工艺中N₂O的生成机制及影响因素；(2) 广泛收集污水处理厂实地监测数据，将模型应用到更多不同工艺类型中；(3) 绝大多数的N₂O排放模型都是针对悬浮生长的活性污泥系统，对生物膜系统及生物膜-活性污泥混合生长系统的研究较少，因此今后应加强此方面的研究；(4) 采用数学模型模拟方法得到的N₂O排放量削减方案基本还处于理论阶段，需要进一步开展相关理论与实践研究，使这些方案的有效性得到验证。

• 1. [1]

     IPCC. Working group I contribution to the assessment report climate change 2013:the physical science basis:final draft underlying scientific-technical assessment. Cambridge, UK/New York:Cambridge University Press; 2013.

  2. [2]

     R W Portmann, J S Daniel, A R Ravishankara. Philos. Trans. R. Soc. B, 2012, 367(1593):1256-1264. doi: 10.1098/rstb.2011.0377

  3. [3]

     A Ribera-Guardia, E Kassotaki, O Gutierrez et al. Proc. Biochem., 2014, 49(12):2228-2234. doi: 10.1016/j.procbio.2014.09.020

  4. [4]

     D de Haas, K J Hartley. In Proceedings:Sewage Management-Risk Assessment and Triple Bottom Line; Queensland Environmental Protection Agency:Cairns, 2004:5-7.

  5. [5]

     M R Daelman, E M van Voorthuizen, L G van Dongen et al. Water Sci. Technol., 2013, 67(10):2350-2355. doi: 10.2166/wst.2013.109

  6. [6]

     L Ye, B J Ni, Y Law et al. Water Res., 2014, 48(1):257-268.

  7. [7]

     A Rodriguez-Caballero, A Ribera, J L Balcázar et al. Bioresour. Technol., 2013, 139(7):195-202.

  8. [8]

     杨娇玲, 高大文, 彭永臻等.中国环境科学, 2010, 30(12):1622-1626. http://www.cnki.com.cn/Article/CJFDTotal-ZGHJ201012011.htm

  9. [9]

     马凯, 彭继峰.安徽建筑工业学院学报, 2010, 18(4):67-71.

  10. [10]

      雷宁.甘肃科技, 2011, 27(1):27-31. http://www.cnki.com.cn/Article/CJFDTotal-GSKJ201101017.htm

  11. [11]

      王希睿, 余萍, 鲁安怀.化学通报, 2014, 77(4):370-374. http://www.hxtb.org/ch/reader/view_abstract.aspx?file_no=20130830001&flag=1

  12. [12]

      M Pijuan, J Torà, A Rodrĺguez-Caballero et al. Water Res., 2014, 49(1):23-33.

  13. [13]

      李泽兵, 李军, 李妍等.给水排水, 2011, 37(9):163-168. http://www.cnki.com.cn/Article/CJFDTotal-JZJS201109063.htm

  14. [14]

      傅金祥, 张羽, 杨洪旭等.工业水处理, 2010, 30(12):38-41. http://www.cnki.com.cn/Article/CJFDTotal-GYSC201012012.htm

  15. [15]

      曾小钦.广东化工, 2010, 37(206):76-79. http://www.cnki.com.cn/Article/CJFDTotal-GDHG201006036.htm

  16. [16]

      刘子剑.吉林水利, 2013, (5):41-45. http://www.cnki.com.cn/Article/CJFDTotal-JLSL201305012.htm

  17. [17]

      李芳, 阚连宝, 崔红梅等.化学通报, 2012, 75(8):760-764. http://www.cnki.com.cn/Article/CJFDTotal-HXTB201208014.htm

  18. [18]

      肖静, 许国仁.水处理技术, 2012, 38(11):77-80. http://www.cnki.com.cn/Article/CJFDTotal-SCLJ201211019.htm

  19. [19]

      蒋胜韬, 管玉江, 张威等.环境工程学报, 2010, 4(7):1551-1554. http://www.cnki.com.cn/Article/CJFDTotal-HJJZ201007022.htm

  20. [20]

      赵凯, 周远涛, 吴晓婷.中国给水排水, 2013, 29(3):90-98. http://www.cnki.com.cn/Article/CJFDTotal-GSPS201303026.htm

  21. [21]

      M J Kampschreur, W R L van der Star, H A Wielders et al. Water Res., 2008, 42(3):812-826. doi: 10.1016/j.watres.2007.08.022

  22. [22]

      雷秉亚, 张晓宁, 刘洪涛.辽宁化工, 2012, 41(5):491-493. http://www.cnki.com.cn/Article/CJFDTotal-LNHG201205027.htm

  23. [23]

      毕冬, 赵纯广, 崔洋等.辽宁化工, 2014, 43(12):1510-1512. http://www.cnki.com.cn/Article/CJFDTotal-LNHG201412014.htm

  24. [24]

      李亚峰, 马晨曦, 张驰.环境科学, 2014, 35(8):3044-3051. http://www.cnki.com.cn/Article/CJFDTotal-HJKZ201408033.htm

  25. [25]

      高范.大连理工大学博士学位论文, 2013.

  26. [26]

      G Tallec, J Garnier, G Billen et al. Water Res., 2006, 40(15):2972-2980. doi: 10.1016/j.watres.2006.05.037

  27. [27]

      K Chandran, L Y Stein, M G Klotz et al. Biochem. Soc. Transac., 2011, 39(6):1832-1837. doi: 10.1042/BST20110717

  28. [28]

      M J Kampschreur, H Temmink, R Kleerebezem et al. Water Res., 2009, 43(17):4093-4103. doi: 10.1016/j.watres.2009.03.001

  29. [29]

      H J Lu, K Chandran. Biotechnol. Bioeng., 2010, 106(3):390-398. doi: 10.1002/bit.22704

  30. [30]

      Y T Pan, L Ye, B J Ni et al. Water Res., 2010, 46(15):4832-4840.

  31. [31]

      Y Y Law, B J Ni, P Lant et al. Water Res., 2012, 46(10):3409-3419. doi: 10.1016/j.watres.2012.03.043

  32. [32]

      B J Ni, L Ye, Y Y Law et al. Environ. Sci. Technol., 2013, 47(14):7795-7803. doi: 10.1021/es4005398

  33. [33]

      Y Y Law, P Lant, Z G Yuan. Environ. Sci. Technol., 2013, 47(13):7186-7194.

  34. [34]

      R Yu, M J Kampschreur, M C M van Loosdrecht et al. Environ. Sci. Technol., 2010, 44(4):1313-1319. doi: 10.1021/es902794a

  35. [35]

      L Y Stein. Methods Enzymol., 2011, 486:131-152. doi: 10.1016/B978-0-12-381294-0.00006-7

  36. [36]

      B J Ni, Z G Yuan, K Chandran et al. Biotechnol. Bioeng., 2013, 110(1):153-163. doi: 10.1002/bit.24620

  37. [37]

      Y Pan, B J Ni, P L Bond et al. Water Res., 47(10):3273-3281.

  38. [38]

      Z Hu, J Zhang, H J Xie et al. Enzyme Microb. Technol., 2011, 49(2):237-245. doi: 10.1016/j.enzmictec.2011.04.014

  39. [39]

      Z Hu, J Zhang, H J Xie et al. Bioresour. Technol., 2011, 102(9):5486-5491. doi: 10.1016/j.biortech.2010.10.037

  40. [40]

      吴昌永, 彭永臻, 刘秀红等.哈尔滨工业大学学报, 2008, 40(10):1587-1588. http://www.cnki.com.cn/Article/CJFDTotal-HEBX200810017.htm

  41. [41]

      J Foley, D de Haas, Z G Yuan et al. Water Res., 2010, 44(3):831-844. doi: 10.1016/j.watres.2009.10.033

  42. [42]

      Y Zhou, M Pijuan, R J Zeng et al. Environ. Sci. Technol., 2008, 42(22):8260-8265. doi: 10.1021/es800650j

  43. [43]

      A Rodriguez-Caballero, M Pijuan. Water Res., 2013, 47(9):3131-3140. doi: 10.1016/j.watres.2013.03.019

  44. [44]

      X C Quan, M C Zhang, P G Lawlor et al. Water Res., 2012, 46(16):4981-4990. doi: 10.1016/j.watres.2012.06.031

  45. [45]

      A Rodriguez-Caballero, I Aymericha, M Pochb et al. Sci. Tot. Environ., 2014, 493C (10):384-391.

  46. [46]

      C M Castro-Barros, M R Daelman, K E Mampaey et al. Water Res., 2015, 68:793-803. doi: 10.1016/j.watres.2014.10.056

  47. [47]

      J H Ahn, S P Kim, H K Park et al. Environ. Sci. Technol., 2010, 44(12):4505-4511. doi: 10.1021/es903845y

  48. [48]

      B J Ni, M Ruscalleda, C Pellicer-Nacher et al. Environ. Sci. Technol., 2011, 45(18):7768-7776. doi: 10.1021/es201489n

  49. [49]

      M Pocquet, I Queinnec, M Spérandio. In:Proceedings 11th IWA Conference on Instrumentation, Control and Automation, 2013:99-123.

  50. [50]

      L Guo, P A Vanrolleghem. Bioproc. Biosyst. Eng., 2014, 37(2):151-163. doi: 10.1007/s00449-013-0978-3

  51. [51]

      Inventory of U.S. Greenhouse Gas Emissions and Sinks:1990-2010, EPA 430-R-12-001. U. S. Environmental Protection Agency, Washington, D.C., 2012.

  52. [52]

      M Henze, C P L Jr Grady, W Gujer et al. Activated Sludge Model No. 1. London:IAWPRC Scientific and Technical Reports No. 1, 1987

  53. [53]

      W Gujer, M Henze, T Mino et al. Water Sci. Technol., 1995, (2):1-11. doi: 10.1016/0273-1223(95)00176-N

  54. [54]

      W Gujer, M Henze, T Mino et al. Water Sci. Technol., 1999, 39(1):183-193. doi: 10.1016/S0273-1223(98)00785-9

  55. [55]

      E Kotlar, B Tartakovsky, Y Argaman et al. J. Biotechnol., 1996, 51(3):251-258. doi: 10.1016/S0168-1656(96)01603-3

  56. [56]

      H Wicht. Water Sci. Technol., 2015, 34(5/6):99-106.

  57. [57]

      W C Hiatt, C P L Grady. Water Environ. Res., 2008, 80(11):2145-2156. doi: 10.2175/106143008X304776

  58. [58]

      Y Pan, B J Ni, Z G Yuan. Environ. Sci. Technol., 2013, 47(19), 11083-11091.

  59. [59]

      Y Pan, B J Ni, H Lu et al. Water Res., 2015, 71(15):21-31. doi: 10.1016/j.watres.2014.12.029

  60. [60]

      M Spérandio, M Pocquet, L S Guo et al. Bioproc. Biosyst. Eng., 2016, (3):493-510.

  61. [61]

      M Pocquet, Z Wu, I Queinnec et al. Water Res., 2016, 88:948-959. doi: 10.1016/j.watres.2015.11.029

  62. [62]

      L Peng, B J Ni, D Erler et al. Water Res., 2014, 66:12-21. doi: 10.1016/j.watres.2014.08.009

  63. [63]

      P Wunderlin, M F Lehmann, H Siegrist et al. Environ. Sci. Technol., 2013, 47(3):1339-1348.

  64. [64]

      B J Ni, Y T Pan, A van Den et al. Environ. Sci. Technol., 2015, 49(15):9176-9184. doi: 10.1021/acs.est.5b02038

  65. [65]

      B J Ni, L Peng, Y Y Law et al. Environ. Sci. Technol., 2014, 48(7):3916-3924. doi: 10.1021/es405592h

  66. [66]

      Y Y Law, L Ye, Y T Pan et al. Philos. Transac. R. Soc. B, 2012, 367(1593):1265-1277. doi: 10.1098/rstb.2011.0317

  67. [67]

      J Desloover, H De Clippeleir, P Boeckx et al. Water Res., 2011, 45(9):2811-2821. doi: 10.1016/j.watres.2011.02.028

  68. [68]

      J Bollon, A Filali, Y Fayolle et al. Sci. Tot. Environ., 2016, 563-664:320-328.

  69. [69]

      S C Sun, X Cheng, D Z Sun. Int. Biodeter. Biodegr., 2013, 85:545-549. doi: 10.1016/j.ibiod.2013.03.034

  70. [70]

      M R Daelman, B De Baets, M C van Loosdrecht et al. Water Res., 2013, 47(9):3120-3130. doi: 10.1016/j.watres.2013.03.016

• 

  图 1  自养氨氧化菌 (左) 和异养反硝化菌 (右) 生成N₂O的示意图^[36]

  Figure 1  The generation of N₂O through the AOB (left) and heterotrophic denitrification (right) pathways ^[36]

  下载: 全尺寸图片 幻灯片
•