下载: 
点击查看大图全文HTML
--> --> --> 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。
1.1. 实验装置与进水模式
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。
1.2. 道路径流雨水水质
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。1.3. 实验方法
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，RMRE和R2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; yi和xi分别为BP-DNN测试期间的测试值与期望值; y和x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。
2.1. 植物对污染物去除的影响
2.1.1. 总悬浮物(TSS)
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。
2.1.2. 有机物(COD)
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。
2.1.3. 氨氮(NH4+-N)
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。
2.1.4. 硝态氮(NO3--N)
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。
2.1.5. 总氮(TN)
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%。
2.1.6. 总磷(TP)
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。
2.2. 植物综合评价
2.2.1. 评价指标体系
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。2.2.2. 评价标准
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，
2.2.3. BP-DNN综合评价结果
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。
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
