城市河口糞便污染的概念性綜合模擬

[] D.

城市河口糞便污染的概念性綜合模擬

[澳大利亞] D.約萬諾維奇等

城市雨水被認為是受納水體糞便污染的主要來源，廢水滲漏、溢流以及雨期地面沖刷帶來的糞便等，是水體糞便污染的可能來源，它們通過雨水渠排入水體。將概念性模型應用到亞拉河河口，與其他來源如河流本身水體進行對比，研究城市溪流和219個直接排入河口的城市雨水渠水量的相對重要性。用現有水文微生物模型對河流和城市雨水流量進行估算，并以此作為高度簡化新模型的邊界條件，計算河口糞便污染物的輸移和現狀。使用大量數據對所有模型進行率定，包括超過2 000個的實測大腸桿菌濃度。河流物質平衡和雨水模型表明，旱季城市雨水渠對河口污染影響有限，通過雨水渠進入河口的大腸桿菌日負荷占總負荷較小，而雨季雨水渠的貢獻可能更加顯著，平均貢獻維持在臨界值。在不考慮雨水邊界條件情況下進行河口微生物模型靈敏度測試，模型效率下降極小，表明城市雨水渠日平均貢獻較小。這也證實了早期研究成果，即雨水渠中的大腸桿菌遠小于其他輸入，但當河口上游來水量小而城市雨水量很大時，高比例雨水就有可能產生相反的結果。該研究關注的是城市雨水直接輸入對河口水體糞便污染水平的整體影響，了解其局部影響則需開展進一步的調查研究。

城市雨水；河口糞便污染物；水文微生物；模擬

1 研究背景

世界各地城市河口是當地社區(qū)非常寶貴的資源，而城市暴雨是河口水體糞便污染的重要來源。因此，為了減輕暴雨直接匯入對各河口水體水質的影響(諸如建設直接排放到河口的雨水渠)，如亞拉(Yarra)河河口相關方面已經做出了努力(如2013年墨爾本水務局所開展的研究)。盡管如此，河口水質改善仍不明顯，這意味著可能會有其他更重要的需要控制的污染源。

為了有效管控城市河口糞便污染物，需要明確系統(tǒng)輸入的污染物及其遷移轉化狀況。早期研究中多數模型存在以下問題：①使用少量實測資料進行模型率定和驗證；②設定輸入的水量為常數；③使用單一流量關系進行污染物輸入預測；④根據沉積物和微生物間的關系進行微生物輸入預測。以上方法可能掩蓋了真正重要的某些輸入源，因此顯著影響河口微生物模型的預測結果，導致得出河口污染減輕的錯誤結論。

該研究目的是開發(fā)河口集水區(qū)綜合概念性大腸桿菌模型，將現有河流大腸桿菌預測和雨水預測模型耦合，開發(fā)河口微生物新模型。然后用綜合模型評估河口不同輸入的重要性。特別重要的是，無論是城市小溪還是219個城市雨水渠的雨水，它們均直接匯入河口，都是河口大腸桿菌傳輸的重要來源。此外，還有上游來水的非直接雨水流入。沒有單獨評估上游雨水，但考慮將其作為河口輸入的一部分。模型率定用了2 000以上的樣本，多數樣本分析了糞便指標。該研究主要假設旱季城市雨水直接流入的影響最小，而雨季城市雨水匯入的影響增大，尤其在河口上游來水較小，卻遭遇到城市大量降雨之時。即使雨季整個集水區(qū)降雨分布均勻，河口雨水匯入對河口水質的直接影響也可能較大，由于城市地面不透水性較高，導致城市雨水徑流時間短，短時間內大量匯入河口，因此雨水具有城市化特征。

2 方法

2.1 河口與監(jiān)測點

亞拉河河口是一個鹽淡水高度分層的鹽水楔河口，從菲利普港灣(Philip Bay)至戴特瀑布(Dights Falls)長22 km，以瀑布處堰為河口上邊界。選擇并設立監(jiān)測站點收集數據，河口內設2個監(jiān)測點，分別位于阿伯茨福德(Abbotsford)和莫雷爾大橋(Morell Bridge)，前者為亞拉河河口的進口斷面(幾乎不受鹽水入侵影響，但仍受到潮流變化的影響)，后者位于河口中下游(鹽水入侵影響程度較高)。以上2個站點均配備冷藏式自動采樣器和深度傳感器，可連續(xù)觀測水下100 mm處的電導率(EC)和水溫(T)。莫雷爾大橋還配備有聲學多普勒流分析器(ADCP)，可每分鐘觀測3D流速。

河口上游來水監(jiān)測設在基尤(Kew)區(qū)，僅進行隨機采樣，而水位和流速均由墨爾本水務局(當地水務管理機構)每6 min觀測一次。

在格迪納溪(Gardiners Creek)開展雨水監(jiān)測，該溪流高度渠化，是亞拉河戴特瀑布上游水量匯入最大的溪流。該站點配備有自動采樣器、EC/T傳導器和水下流速探頭。亞拉河集水區(qū)各處的氣候資料由澳大利亞氣象局和墨爾本水務局提供。格迪納溪為明渠雨水溝，集水區(qū)內不透水區(qū)域占總面積的47%。此外，大腸桿菌濃度的實測范圍在城市暴雨范圍之內。

2.2 采樣與分析

河口和河流水體采樣均在水下大約10 cm處進行，一般認為休閑用水用戶接觸這一深度的水體最多，健康受到的影響最大。2012年11月～2013年7月，采集了水樣2 106個，其中旱季1 500個，雨季606個。所采水樣均置于裝有冰塊的冷卻器中，并被運送到莫納什大學環(huán)境和公共衛(wèi)生微生物實驗室(EPHM)，在采樣后24 h之內，使用科立得方法分析大腸桿菌濃度。同時測試了大量其他指標和參考病原體。

2.3 河流模型

使用MUSIC-SimHyd模型模擬亞拉河流域上游的水文過程，該模型是集水區(qū)分塊的降雨徑流模型。使用時，對模型進行了以下修改：①使用線型蓄水布線程序(代替MUSIC的標準馬斯京根法)，該程序更簡單、更穩(wěn)定，它能生成與馬斯京根法相同的結果；②時間步長為6 min(與使用日模擬和隨后分解的MUSIC標準方法截然相反)。在不影響計算成果的情況下，提高了模型計算效率。模型輸入包括區(qū)域平均雨量(海德爾堡、基尤、基尤水庫、科德斯特里姆和維尤班卡雨量站)和使用彭曼-蒙蒂斯公式計算的日潛在蒸發(fā)量(科德斯特里姆、維尤班卡和海德爾堡測站)。用蒙特卡洛法率定MUSIC-SimHyd模型，即使用最小二乘法，將基尤預測流量同未轉換實測流量進行對比。使用納什蘇特克里弗效率系數EQ評估水文模型的性能。依據其他早期蒙特卡洛成果也對參數靈敏性進行了探討。

采用修訂過的集水區(qū)EG病原體-水文模型預測河流微生物濃度。該模型主要變化在于對地表下土壤微生物損失進行評估，微生物損失量與土壤含水量成反比。在土壤含水量較高情況下，糞便微生物存活數量高于早期研究成果。模型共有6個參數，其中1個參數代表微生物累積，2個參數為微生物損失系數，3個參數反映沖刷過程。模型輸入模塊是隨時間變化的潛在蒸散量和流量組件，通過MUSIC-SimHyd模型計算得到。模型率定采用阿伯茨福德大腸桿菌濃度資料。盡管該方法存在明顯的問題，但基于以下原因，仍然認為它是合適的：①有研究指出，基尤和阿伯茨福德大腸桿菌的分布相似；②2個測站的大腸桿菌相關性達到0.83(皮爾遜相關系數p<0.001)；③阿伯茨福德率定資料更多(其為776個點，而基尤僅有43個點)，可以獲得更好的率定模型。通過最小二乘法目標函數和使用形成了帕累托前沿邊界條件，得到EG模型優(yōu)化參數。再使用廣義簡約梯度法對模型參數進行額外率定，率定參數不受限制，使用增加帕累托前沿2個要素的標準。該效率使用未轉換大腸桿菌濃度和對數轉換大腸桿菌濃度Ec和EClog計算克里弗效率，評估模型的性能。

2.4 降雨模型

采用城市雨水微生物預測模型MOPUS模擬格迪納小溪的城市雨水匯入，模擬中不包括降雨徑流模型滲透參數。早期研究成果表明，滲透模擬參數靈敏度低于不滲透區(qū)域模擬參數，由此說明城市集水區(qū)不透水區(qū)域模擬參數的重要性。采用同樣的河流模型，用格迪納小溪監(jiān)測站觀測到的未轉換流量對MOPUS中的降雨徑流模塊進行率定。

MOPUS的微生物模型包括5個模型參數：3個代表集水區(qū)地面微生物的累積和死亡，另外2個代表地表下微生物的累積和死亡(如雨水渠)。模型輸入包括降雨、相對濕度和大氣壓系列。用雨季和旱季期間格迪納小溪383個水樣中大腸桿菌濃度進行MOPUS模型率定，采用與EG模型相同的過程進行模型性能評估。

除了格迪納小溪之外，有219種不同規(guī)模的雨水渠直接排入亞拉河河口。用MOPUS模型預測各暴雨輸入到河口的流量和微生物濃度系列，需要219種不同的參數設置。首先，使用集水區(qū)不透水面積和雨水渠橫截面積的經驗關系估算每個雨水渠的不透水面積A。在實測資料缺乏情況下，可通過格迪納小溪集水區(qū)，即該研究所獲得的優(yōu)化值，并結合早期在澳大利亞墨爾本多個雨水渠使用MOPUS模型所獲得的優(yōu)化值，由此確定參數取值范圍，獲得微生物模型的5個參數。最后，將墨爾本地區(qū)辦事處提供的降雨、相對濕度和大氣壓數據輸入模型，將MOPUS模型運用于219個雨水渠。

2.5 河口模型簡化

把整個河口看成是一個大蓄水池，所有來自亞拉河、格迪納小溪和219個雨水渠的模擬流量和微生物負荷，按線性路徑匯入系統(tǒng)內并進行轉換。方法基本原理包括：①該研究的實測資料證明亞拉河河口受到鹽水入侵，即淡水層水流在移動的鹽水層上面(如鹽水楔)，鹽淡水混合極小。此外，用ADCP測得莫雷爾大橋測站2012年10月至2013年8月間的每分鐘流速。測流結果顯示，落潮平均流速為0.16 m/s，漲潮平均流速為0.06 m/s，其中僅有18%的流速為負(負值代表漲潮流)。因此，河口實際上可被看作河床邊界可移動的河流。②由于模型簡單，在數據輸入最少和模型復雜度最小的情況下，其性能將會達到基本水平?；诤唵挝⑸锬Ｐ偷男阅?，對模型復雜度進一步增加后的精度進行評估。

河口微生物模型參數率定如下：

(1) 流量。S(t)=S(t-1)+ [Qr(t)+Qsw(t)-Qe(t-1)] ×Δt;Qe(t)=S(t-TOC)/Δt×RC。

(2) 微生物負荷。M(t)={M(t-1)+[Nr(t)+Nsw(t)]×Δt}×10-kΔt-Ne(t-1)×Δt;Ne(t)=M(t-TOC)/Δt×RC。

(3) 微生物動態(tài)存活率。K=(k20+0.006×S)×1.07(T-20)+IA/KeH×[1-e-keH];S=EC/ECsea×100。

(4) 微生物濃度。C(t)=(1-S/100)×Ne/Qe×φ。

式中，S表示河口蓄水量，m3;Qr表示河流流量，m3/min；Qsw表示雨水流量，m3/min；Qe表示河口匯入流量，m3/min；M表示河口微生物量，MPN；Nr表示河流微生物負荷率，MPN/min；Nsw表示雨水微生物負荷率，MPN/min；Ne表示匯入河口處的微生物負荷率，MPN/min；RC表示路徑系數；TOC表示歷時；min；Δt表示時間步長，min；K表示微生物存活率，1/d；K20表示20℃氣溫下的存活率，1/d；S表示鹽水所占比例，%；T表示實測水溫，℃；IA表示日均太陽輻射，MJ/m2；Ke表示水深方向光衰減系數，1/m；H表示水層，m；EC表示莫雷爾大橋實測電導率，mS/cm；ECsea表示鹽水電導率，mS/cm；C表示河口處的微生物濃度，MPN/100 mL；φ表示單位轉換因子。

除了微生物的路徑和轉換之外，基于一階動力學,模型統(tǒng)計了環(huán)境因子對水柱中微生物存活的影響。使用1978年曼奇尼建議公式，動態(tài)模擬微生物的存活率，作為水溫、鹽度和太陽輻射的函數。當計算微生物濃度以說明鹽淡水混合水體時，增加了一個簡單項，假設鹽水中不含大腸桿菌。

使用與上述輸入模型相同的方法，基于莫雷爾大橋大腸桿菌資料(829個水樣)率定河口微生物模型。對模型參數進行簡單靈敏度測試，以評估微生物生存過程和雨水直接輸入對模型性能的影響。在第1種情況下，模型率定沒有說明大腸桿菌的生存量(如認為微生物沒有死亡)。在第2種情況下，去除微生物生存量、雨水量和大腸桿菌負荷，用上述方法重新率定模型。此外，將河口劃分成33個單元，每個單元500 m，以評估空間離散化對模型性能的影響。每個單元均用模型進行模擬。

2.6 輸入分析

基于模型預測的雨水流量和微生物濃度計算每天匯入河口的雨水量和負荷。河流輸入采用相似的方法，用基尤實測流量代替預測流量(基于MUSIC模型預測的基流期間流量明顯偏小)，計算結果更加可靠。為了評估旱季和雨季雨水量的貢獻，分別計算了雨季和旱季日雨水量和微生物負荷占河口總輸入的比值(雨水總量和河流輸入量)。與上相似，還用每日匯入河口的雨量與河口平均水量(基于地理信息系統(tǒng)和海洋測深學的評估值，約為400萬m3)的比值，評估雨水直接輸入對河口的影響。

3 結果與討論

3.1 輸入模擬

MUSIC-SimHyd模型再現了實測水文過程，得到了令人滿意的結果(EQ=0.51)。然而，基流期間的流量被嚴重低估(可能是修改過的模型適用于城市集水區(qū))。預測的洪峰流量出現時間也存在問題。在預測格迪納小溪流量時，降雨徑流模型性能較高，效率EQ=0.81。大流量區(qū)域(>10 m3/s)模擬效果特別好，達到了模型預期效果，模型本質上是為雨季流量預測而開發(fā)和率定的。

2個微生物輸入模型效率相似，Ec≈0.20和EClog≈0.40。盡管效率不高，但與已開展的微生物模型研究結果相似。集水區(qū)病原體模型很好地再現了大腸桿菌模式，盡管存在預測洪峰出現時間的問題，但這與先前研究結果相似。微生物高濃度區(qū)域的MOPUS濃度預測結果較好，這些地區(qū)通常開展雨季監(jiān)測。事實上，目前開發(fā)的模型結構是為了模擬雨季雨水中微生物動力學，期望雨季的預測結果更佳。

3.2 輸入分析

旱季雨水直接匯入河口的相對貢獻變化范圍為0.5%～10%，意味著這一時段雨水對河口整體大腸桿菌水平影響有限。而雨季雨水所占比例較高，日均貢獻保持在臨界狀態(tài)(比值中值為10%)。該結果與2013年一些學者的研究結果較為吻合，這意味著匯入河口的3個最大雨水渠(2個直徑為3 m，1個尺寸為6 m×2 m)的大腸桿菌日負荷中值大約為1.5數量級，小于河流輸入。然而值得一提的是，以上研究結果也說明，某些條件能產生較大的雨水貢獻，尤其是在河流流量較小和城市降雨量較大期間。城市雨水匯入河口也有可能快于河流輸入，因為城市集水區(qū)不透水性高，污染物高濃度歷時相對較短。因此，模型選擇更短的時間步長(如時間步長小于1 d)時，雨水可能顯著影響河口整體糞便污染水平。此外，雨水可能顯著影響當地排水出口處水體中糞便微生物分布。

3.3 河口模擬

在用簡單方法模擬河口(如不考慮河口的水文特征)和河口輸入負荷預測方面，模型模擬的Ec和EClog值相當理想，分別為0.37和0.41。河口被劃分成33個單元，其空間離散化對模擬效果無顯著影響，這同最初模型模擬結果相似(Ec=0.42和EClog=0.41)。由于模型簡化，其性能很大程度上取決于模型輸入的性能，突出輸入對河口微生物動力學的作用，并充分代表這些輸入的重要性。

依靠小批量靈敏度測試和參數值優(yōu)化探索，可得到初步結論。不考慮雨水邊界條件導致模型效率降至最低(有雨水和沒有雨水輸入下的Ec和EClog)，這反映出城市雨水渠污染物日平均貢獻小。

此外，大腸桿菌死亡模擬導致模型性能得到一定改善。事實上，死亡參數率定優(yōu)化值表明，當死亡率最小時，模擬效果最好。k20為負表明，在水溫出現波動后，大腸桿菌出現增長，而不是銳減(k20=-0.3為異常值，同早期研究相比，淡水中的大腸桿菌死亡值為0.48，鹽水為1.09)。光衰減系數ke超過已研究的高混濁河口2倍多，這表明模型通過減少太陽光這一對微生物存活有害的影響來降低微生物死亡率。這也是鹽水Ec值優(yōu)化的案例。上述問題表明，簡化模型不能充分說明河口環(huán)境的水力學和微生物的復雜性。事實上，再懸浮泥沙能增加水體的微生物濃度，因此該研究觀測到的微生物增長可能彌補了模型中這一過程的不足。

4 結 語

該研究開發(fā)出整個河口集水區(qū)的綜合概念性模型。將現有河流和雨水糞便微生物模型整合成河口微生物新模型，模型中包含微生物由于水溫、鹽度和太陽光變化出現死亡的因素。河流、格迪納小溪和直接匯入河口的219個雨水渠的糞便微生物日負荷模型預測表明，旱季城市雨水對河口水質影響有限，而雨季雨水渠的貢獻在某些情況下比較顯著；然而平均貢獻維持在臨界值(中值為100%)。高度簡化的河口微生物新模型靈敏度分析結果表明，當去除雨水直接輸入時，模型性能變化較小。這可能反映出，城市雨水渠的平均日貢獻較小。輸入分析和靈敏度測試證實，早期研究顯示出雨水渠的大腸桿菌負荷遠小于其他輸入。然而，這些結果也證實某些條件揭示出的相反結果，如當大量城市雨水遇到上游來水流量較小時，雨水比值可能較高。該研究關注雨水直接輸入對河口糞便污染水平的整體影響，而對局部影響需要進一步研究。

盡管模擬方法過于簡化，很有可能忽略了重要輸入過程，但河口微生物模型運行較好。這可能是由于輸入對河口本身微生物動力學的顯著影響。因此，正確反映輸入條件是城市河口糞便污染模擬的關鍵。本文研究可為狹長河流型城市河口糞便污染模擬的簡化概念性方法進一步研究提供參考。

2017-08-17

1006-0081(2017)12-0043-04

X832

A

邱訓平譯

(編輯：朱曉紅)