研究简介：氧化亚氮（N₂O）是一种强效温室气体，其在污水处理过程中的排放对污水处理厂的碳足迹影响显著。N2O的产生与污水处理中的氮转化过程密切相关，包括氨氧化细菌（AOB）和异养反硝化细菌的作用。N₂O的排放受到多种因素的影响，包括操作条件、微生物群落结构、进水水质等。然而以往的研究往往忽视了数据的变异性，仅使用平均排放因子来估算N2O排放，这可能导致估算结果的不准确。研究人员在BioTank1和BioTank2中安装了多个N2O液相传感器，分别位于不同的位置，以捕捉N2O排放的时空变异性。通过气体剥离模型（kLaN₂O）计算N₂O的排放量，并结合液相N₂O浓度数据，量化了N2O排放的时空变异性。研究还分析了不同监测策略对N₂O排放估算的影响，包括监测频率和监测位置的数量。


研究旨在通过分析污水处理厂（WWTP）中氧化亚氮（N2O）排放的时空变异性，提高排放因子（EF）的准确性，并设计更有效的监测策略。研究对象为丹麦Gummerup的表面曝气污水处理厂，该厂采用阶段交替运行的BioDenitro工艺，处理能力为10000人口当量（PE）。研究团队在110天的监测活动中，通过液相N₂O浓度测量，量化了N₂O排放的时空变异性，并分析了监测活动的不确定性。研究发现，N₂O排放的时空变异性显著。


在BioTank2中，N₂O排放量在不同位置差异明显，最高排放量出现在靠近转子的位置（S1m），而最低排放量出现在转子下游的位置（S10m）。N₂O排放的日变异性极高，平均日变异性为162%。此外，N₂O排放数据呈正偏态分布，表明对数正态分布比正态分布更能准确描述N₂O排放数据。研究还发现，仅通过5分钟的连续监测，每30分钟测量一次，即可在不显著降低数据质量的情况下，增加监测位置的数量。


Unisense氧化亚氮微电极的应用


Unisense微电极被用于监测污水处理厂（WWTP）中的氧化亚氮（N₂O）浓度。研究人员使用了四个Unisense液体传感器来监测N₂O的浓度。这些传感器分别安装在BioTank1和BioTank2的不同位置，以捕捉N₂O排放的时空变异性。氧化亚氮电极以1分钟的频率记录N₂O的液相浓度，提供了高时间分辨率的数据，有助于捕捉N₂O浓度的动态变化。


实验结果


研究发现N₂O排放的时空变异性显著。在BioTank2中，N₂O排放量在不同位置差异明显，最高排放量出现在靠近转子的位置（S1m），而最低排放量出现在转子下游的位置（S10m）。N₂O排放的日变异性极高，平均日变异性为162%。此外，N₂O排放数据呈正偏态分布，表明对数正态分布比正态分布更能准确描述N₂O排放数据。研究还发现，仅通过5分钟的连续监测，每30分钟测量一次，即可在不显著降低数据质量的情况下，增加监测位置的数量。研究强调了在污水处理厂中准确量化N2O排放的重要性，并提出了通过多点半连续监测策略来提高监测数据的准确性和信息含量。研究结果表明，N2O排放的时空变异性需要通过高频率监测和多点监测来捕捉，以提高排放因子的准确性。

图1、左：BioTanks和unisense N2O原位监测设备。右图：N2O监测程序以及排放系数（EF）计算过程中变异性和不确定性的影响因素。

图2、四个液体传感器（Unisense Environment A/S，丹麦）监测N2O浓度。一个传感器平行于转子，在BioTank2（S0m）和BioTank1（S0m*）中最低湍流。在BioTank2中，也处于最高湍流。以及气泡传输结束的下游（S10m）。一个浮动室（0.95 m2）记录了平行和垂直于水流的不同距离处的气体流量和溶解氧浓度。假设所有转子的剥离结果相同。

图3、左图：BioTank2中沿水流的三个传感器的N2O发射：S0m、S1m、S10m以及三个传感器的组合。总排放量和仅曝气期排放量的箱线图。箱线图内带有凹口的中值表示中位数的95%置信区间。黑菱形表示平均值和正标准差。右图：分钟、平均小时和平均每日值的N2O排放量（n=117602、1960和80）。底。左图：基于S1m的BioTank2的N2O排放量（gN/天），按统治相（Ph）、箱线图和均值（蓝色菱形）分组。N和D对应硝化和反硝化，数字表示BioTank正在进料和排出。第一个和第二个字母/数字分别指BioTank1和2。总持续时间的黑色（%）和蓝色（%）占总排放负荷的分数。右图：N2O的平均液体浓度（每相平均浓度值占所有相平均浓度值之和的百分比，蓝色条）、N2O排放量（每相排放量占总排放量的百分比，黑色条）、时间（占总排放量的百分比，灰色条）和相相持续时间的相排放分数（黄色菱形）。

图4、左：N2O发射系数7天（仅通气期的箱线图，右图中的第16至22天）。N2O排放的单个值（红色标记、箱线图）和平均值（蓝色标记、蓝色文本）用于恒定的平均TN去除。中位数（黑色文本）和变异系数（红色文本，%）。中心：根据数据频率1/min计算的发射系数的直方图。右：平均排放系数（黑色标记）、液体测量的相应每日N 2O变异性（红色条）以及与剥离项。（蓝色条，情况c）和TN（灰色条，情况d）]相关的不确定性。

图5、顶部：用于气体收集的浮式容器和采样管。底部：气体测量点的位置，所示距离单位为厘米。


结论与展望


本研究量化了在为期110天的活动中，地表曝气污水处理厂中N2O液体测量产生的N2O排放量和EF的空间和时间变化。气体汽提模型（kLaN2O）对TN负载的最小测量误差分别为10.4%和13.0%。N2O浓度和排放量的每日模式不是正态分布，而是正偏斜，这表明对数分布是更准确的描述符（11.6%的天排放量占排放量的50%）。EF为0.30%±1.29%（n=117602），平均值的较高标准差凸显了N2O数据集正态分布的不准确性，而中位数和2.5-97.5分位数和/或连续对数分布的信息量更大。计算机分析表明监测30分钟中的5分钟而不是连续监测可提供合理的准确度和精密度，同时允许六个不同的监测位置。


这项研究中，研究人员量化了带有表面转子充气的污水处理厂生物罐的N2O排放量。生物罐之间和罐内N2O排放的空间变异性凸显了传感器位置对于准确量化N2O排放的重要性。技术不确定性表示为kLaN2O平均值的CV，对应于N2O排放量至少为10.6%，排放系数至少为16.7%。以平均N2O排放量的CV表示的排放动态在每天（155%）和整个活动中（平均每日变异性为162%）都很高。


N2O排放数据集呈正偏，表明与正态分布相比，对数正态分布是更准确的描述符，应在报告前进行测试。排放数据集的计算机分析表明，与单点高频连续测量相比，多点半连续采样提高了整个污水处理厂空间变异性的准确性。Unisense微电极在本研究中发挥了关键作用，通过高频率监测N₂O浓度，提供了高时间分辨率的数据，有助于捕捉N₂O排放的动态变化。这些数据不仅用于量化N₂O排放的时空变异性，还用于计算排放因子和评估不同监测策略的准确性。通过这些分析，研究团队能够提出更有效的N₂O监测策略，为减少污水处理厂的温室气体排放提供了科学依据。