2025, Vol. 46
2. 同济大学环境科学与工程学院, 上海 200092;
3. 同济大学碳中和研究院, 上海 200092
2. College of Environmental Science and Engineering, Tongji University, Shanghai 200092, China;
3. Institute of Carbon Neutrality, Tongji University, Shanghai 200092, China
气候变化是当今社会不容忽视的问题.政府间气候变化专门委员会（IPCC）第六次评估报告（AR6）指出, 自2011年以来, 人类活动引起的大气中以二氧化碳（CO2）、甲烷（CH4）和氧化亚氮（N2O）为代表的温室气体含量的持续增加是全球变暖的主要因素[1].中国既是世界上最大的发展中国家, 也是主要能源消费国和碳排放国[2].作为负责任的大国, 中国宣布“力争2030年前二氧化碳排放达到峰值, 努力争取2060年前实现碳中和”, 并通过“1+N”政策体系督促各行各业高质量发展, 共同支撑落实碳达峰碳中和的中国目标.在水务行业, 随着我国《城乡建设领域碳达峰实施方案》的发布, 水务系统基础设施的建设和运行也将成为减碳降碳的阵地之一[3].有研究对于供水系统[4, 5]和污水处理厂[6, 7]的碳排放的核算方法展开研究, 然而目前对于城市污水收集系统的碳排放核算研究较少.
城市污水收集系统是城市水资源循环的关键环节, 也是城市水环境治理过程收集和输送污染物的重要手段.我国对于污水收集系统的减污降碳工作十分重视, 2023年三部门联合发布的《关于推进污水处理减污降碳协同增效的实施意见》[8]要求污水收集系统不断提质增效, 完善污水收集能力.尽管污水收集系统不承担污水处理的作用, 但是在其运行过程中厌氧微生物新陈代谢产生CH4是不可避免的生化过程[9].虽然最新的IPCC-2019报告中并没有涵盖污水收集系统管道中的CH4排放[10], 但是近年来的研究发现, 污水收集系统中温室气体的产生和排放可能并非微不足道, 只考虑管网中CH4的碳排放量已经相当于污水处理厂由于能源消耗所排放的碳排放量的20%[11, 12].
尽管污水收集系统的碳排放正逐渐受到学界重视, 但是对其的研究仍然存在以下空白与不足. ①国内的核算案例：考虑到污水收集系统的环境复杂性, 相较于直接监测整个系统的排放量, 模型方法是更为合适的大尺度污水收集系统碳排放的核算工具[13].在不同国家的研究表明, 核算模型中的参数需要校正以适合当地情况[14, 15], 且不同发展水平的国家排放情况也有差异[10].国内目前缺少类似的案例研究评估城镇污水收集系统的碳排放情况.②运行阶段的核算边界划分：有研究表明, 污水收集系统运行阶段的碳排放是整个生命周期中最大的排放阶段（64.9%）[16].作为排水公司控制范围内的重要阶段, 厘清运行阶段的碳排放是实现污水收集系统降低碳排放的重要基础.然而, 污水收集系统运行阶段的核算边界划分尚未统一, 现有的研究主要集中在城市污水收集系统中单个元素的碳排放, 缺乏能够综合考虑城市污水收集系统各元素的核算边界和方法[17].另一方面, 合流制管道溢流和管道渗漏等事件造成部分污染物并未收集进入污水处理厂而是进入自然环境后发生生化反应产生的排放, 往往是研究中忽略的点, 该部分排放与排水管网展开的提质增效活动息息相关, 亟待研究量化分析.
本研究创新性地建立了污水收集系统运行阶段碳排放核算方法框架, 基于F市5个区域（Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ区）的实际运行数据, 核算并分析了污水收集系统的碳排放情况.通过对5个区域碳排放总量、强度和影响因素进行分析, 识别关键排放活动, 以期为污水收集系统的碳排放的降低策略提供参考.通过与现有研究结果的对比分析, 指出污水收集系统提质增效对于碳排放控制的意义.
1 材料与方法 1.1 污水收集系统碳排放核算方法建立 1.1.1 碳排放核算边界世界资源研究所（WRI）和世界可持续发展工商理事会（WBCSD）发布的《温室气体核算体系》（GHG Protocol）, 将企业碳排放核算划分为3个范围.范围1：一般指企业实体控制范围内, 直接控制或拥有的排放源所产生的直接排放.范围2：一般指企业消费的外购电力、蒸汽和供暖/制冷产生的与能源有关的间接排放.范围3：一般指与企业活动相关的所有其他间接排放量.考虑排水公司运营业务范围, 本研究污水收集系统运行阶段中的核算边界内的碳排放活动和排放范围如表 1所示, 所有活动排放量均通过二氧化碳当量（CO2eq）进行量化, 其中有关CH4和N2O的排放参考IPCC-2019文件, 使用对应气体的全球增温潜势值进行换算.需要说明的是, 由于缺乏可靠的排水管网中N2O的排放因子, 本研究没有将管道中污染物的生化反应产生的N2O计算在内.
|
表 1 污水收集系统运行过程的碳排放活动1） Table 1 Carbon emitting activities during the operation of the drainage system |
1.1.2 碳排放核算方法
污水收集系统运行过程直接排放计算依据质量平衡法, 假设管道中总氮（TN）生物降解率较低, 则系统未收集到的污染物占比（污染物未收集率）可以通过TN收集率推算.因此, 对于每个研究区域的TN收集率（RTN）、COD收集率（RTCOD）、污染物未收集率（Ruc）和COD管道内生化降解率（RD）, 见以下公式：
|
(1) |
|
(2) |
|
(3) |
|
(4) |
公式（1）~（4）的计算参数说明如表 2所示.
|
|
表 2 研究区域的TN收集率, COD收集率, 污染物未收集率和COD管道内生化降解率计算参数说明 Table 2 Description of calculated parameters for TN collection rate, COD collection rate, pollutant extravasation rate, and COD in-pipe biochemical degradation rate for the study area |
由此, 污水收集系统不同排放活动造成的碳排放强度可以通过以下公式计算.
（1）直接碳排放-管道中CH4
|
(5) |
公式（5）的计算参数说明如表 3所示.
|
|
表 3 排水管网中污染物的生化反应产生的CH4造成的碳排放强度计算参数说明 Table 3 Description of parameters for calculating the carbon emission intensity due to CH+ from biochemical reactions of pollutants in the drainage network |
参考《城镇水务系统碳核算与减排路径技术指南》[16], 排水管网中的生化反应产生的CH4排放因子计算方法如下.需要注意的是, 由于现有经验公式无法区分重力管道和压力管道的差异, 这使得区域层面管道中水力停留时间的计算比较困难.本研究通过污水产生量和管道体积推算区域层面管道污水的水力停留时间, 考虑到重力管道和压力管道的充满度不同, 假设重力管道充满度为设计最大充满度50%, 压力管道充满度为100%, 对分区管道总体积进行修正：
|
(6) |
|
(7) |
|
(8) |
|
(9) |
公式（6）~（9）的计算参数说明如表 4所示.
|
|
表 4 排水管网中的生化反应产生的CH4排放因子计算参数说明 Table 4 Description of parameters for calculating CH4 emission factors from biochemical reactions in the drainage network |
（2）直接碳排放-未收集CH4
|
(10) |
公式（10）的计算参数说明如表 5所示.
|
|
表 5 未收集污染物的生化反应产生的CH4造成的碳排放强度计算参数说明 Table 5 Description of parameters for the calculation of carbon emission intensity due to CH4 from biochemical reactions of uncollected pollutants |
（3）直接碳排放-未收集N2O
|
(11) |
公式（11）的计算参数说明如表 6所示.
|
|
表 6 未收集污染物的生化反应产生的N2O造成的碳排放强度计算参数说明 Table 6 Description of parameters for the calculation of carbon emission intensity due to N2O from biochemical reactions of uncollected pollutants |
（4）电耗碳排放
|
(12) |
公式（12）的计算参数说明如表 7所示.
|
|
表 7 提升泵站等设备电耗造成的碳排放强度计算参数说明 Table 7 Description of parameters for calculating carbon intensity due to electricity consumption of equipment such as pumping stations |
1.2 研究区域概况
研究区域位于中国东南沿海F市, 市区面积1 684.11 km2, 市区人口305.3万人.城区排水设施包含市政排水管网3 344 km（含污水管道1 120 km, 雨水管道1 964 km、截污管道260 km）.F市排水公司持续关注管网提质增效问题, 从2017年开始一直推进雨污分流改造和截污设施排查工作.在2020~2022年内完成146项污水冲洗、污水清疏、雨水清疏等管网养护项目以及多个泵站的变频改造.
考虑数据的可获得性, 选取2019~2022年作为时间范围对污水收集系统进行碳排放核算.考虑不同区域可能具有不同的活动水平数据, 选定F市主城区5个污水处理厂的收水区域（Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ区）作为核算对象开展研究.表 8展示了案例城市5个研究区域的活动数据.
|
|
表 8 案例城市5个研究区域活动数据展示1） Table 8 Presentation of activity data for five study zones in the case city |
2 结果与讨论 2.1 污水收集系统碳排放总量及结构特征 2.1.1 不同区域碳排放总量和结构特征
2019~2022年5个区域污水收集系统的碳排放总量和区域贡献率的变化情况如图 1所示.碳排放总量整体变化呈下降趋势, 从2019年的50 186 t下降至2 021年的35 171 t, 2022年几乎保持不变（35 134 t）. Ⅰ区和Ⅴ区之和对总碳排放的贡献率接近70%, 是排放最大的两个区域.随着2021年Ⅰ区的总碳排放量大幅下降, Ⅰ区的占比下降了15%左右, 而Ⅴ区的占比则提升了10%左右, 2022年的贡献率接近50%.相比之下, Ⅱ、Ⅲ和Ⅳ区占比相对较小（< 15%）且占比较为稳定.
|
图 1 2019~2022年碳排放总量和区域贡献率变化 Fig. 1 Changes in total carbon emissions and regional contribution from 2019 to 2022 |
由于排污系数、电力排放因子、未收集污染物的生化反应产生的CH4和N2O排放因子各个区域取相同默认值, 所以造成区域碳排放总量差异的因素主要是不同的污水产生量、电力消耗量、污水处理厂进水量以及污水处理厂进水污染物浓度等, 以下详细分析了造成不同区域碳排放总量差异的原因.
（1）Ⅰ区和Ⅴ区具有相对较高的污水产生量, 即使污水处理厂进水污染物浓度有差异, 也不会影响这两区域承担更高污染物输送量的结果, 最终导致这两区域碳排放量也最大.实际上, 活动数据表明, 4年内多数区域的污水产生量呈上升趋势, 这意味着污水收集系统在满足更高收集水量的需求同时也面临着碳排放增加的压力, 这与先前研究的观点一致[21].
（2）在电力消耗量方面, 虽然较高的污水产生量往往意味着更多能源消耗, 但是本研究中Ⅲ区的污水产生量与Ⅱ区相差不大的情况下电力消耗量却高出Ⅱ区很多倍, 这可能与区域泵站的数量、布局与运行情况以及管道的类型有关.统计数据显示, 17座纳入碳排放核算的泵站中, Ⅲ区运行范围内包含6座, 而Ⅱ区仅包含1座.另外, Ⅲ区中压力管道与重力管道的体积之比达到0.40, 而Ⅱ区仅为0.25, 再次说明Ⅲ区的污水收集系统可能面临更高能源投入.由于不同区域的排水网络布局、埋深以及土地资源规划不同, 在泵站的建设与选址阶段就会出现能源消耗的差异[22], 因此尽量在建设阶段通过优化泵站布局降低能耗的思想正在被多数设计者采纳.当泵站已经投入使用后, 通过优化泵站运行的策略成为节能降碳的主要思路, 相关文献表示, 泵组变频[23]、区域优化调度[24]等技术手段有助于降低系统的能耗.
（3）污水处理厂进水量和污水处理厂进水污染物浓度的差异是造成区域碳排放总量的潜在的原因, 因为在本研究的核算方法中, 这些因素与污水产生量以及产污系数共同决定了区域的污染物未收集率和COD管道内生化降解率.对于Ⅳ区和Ⅴ区而言, 相对较高的污水处理厂进水TN浓度使得这2个区域的污染物未收集率结果较高, 进一步导致未收集的污染物导致的CH4、N2O排放水平较高.而Ⅰ区和Ⅴ区的污水处理厂进水COD浓度较低, 使得区域的COD管道内生化降解率结果较高, 导致排水管网中污染物的生化反应产生的CH4水平较高.需要说明的是, 本研究使用COD的收集率作为计算的指标, 然而由于城市管网存在地下水渗入、河水倒灌等因素, 导致污水厂收集处理的COD总量中有一部分实际为外水汇入[25], 这可能导致结果与真实值存在一些差异.通过比较不同区域的污水产生量和污水处理厂进水量可以发现, Ⅰ区和Ⅲ区是最可能受到外水入侵事件影响的两个区域, 因此这两个区域的COD管道内生化降解率可能较真值偏小, 碳排放量可能因此低估.
对于整个系统而言, 碳排放总量下降主要是由于Ⅰ区排放水平大幅下降导致的.通过观察活动数据可以发现：Ⅰ区污水厂的进水COD浓度和进水ρ（TN）从2020~2021年均有一定提升, 分别从132.17 mg·L-1和21.00 mg·L-1提升至174.36 mg·L-1和23.61 mg·L-1.在假定产污系数不变的情况下, 说明更多污染物输送到了污水处理厂而不是在管内降解.
2.1.2 不同排放活动碳排放总量和结构特征图 2展示了2019~2022年不同碳排放活动的排放量和贡献率的变化.可以发现, 排放贡献率最大的是未收集污染物的生化反应产生的CH4排放.即使2021和2022年比例下降, 依然占据40%的碳排放总量.从排放量上来看, 未收集污染物的生化反应产生的CH4排放逐年降低, 而排水管网中污染物的生化反应产生的CH4排放在连续2 a降低之后, 2022年有所增长.污染物未收集率和COD在管道中的生物降解率的变化（图 3）可以解释这一现象, 随着TN收集率的逐步提高, 污染物未收集率逐步下降, 该参数的变化造成了未收集污染物的生化反应产生的CH4和N2O排放均出现逐年下降的趋势.受COD收集率和污染物未收集率共同变化的影响, COD在管道中的生物降解率表现出先下降, 2022年有所上升, 导致排水管网中污染物的生化反应产生的CH4排放在连续2 a降低之后, 2022年有所增长的结果.
|
图 2 2019~2022年不同碳排放活动排放量和贡献率变化 Fig. 2 Changes in emissions and contribution of different carbon-emitting activities from 2019 to 2022 |
|
图 3 2019~2022年TN收集率、COD收集率、污染物未收集率和COD管道内生化降解率的变化（5个区域平均值） Fig. 3 Changes in TN collection rate, COD collection rate, pollutant exfiltration rate, and COD in-pipe biochemical degradation rate from 2019 to 2022 (average of five regions) |
以4a的碳排放强度的计算结果为基础, 图 4展示了不同区域碳排放强度的分布情况, 碳排放强度由大到小依次为：Ⅴ区（0.22 kg·m-3） > Ⅲ区（0.19 kg·m-3） > Ⅳ区（0.17 kg·m-3）=Ⅱ区（0.17 kg·m-3） > Ⅰ区（0.10 kg·m-3）, 括号中为均值.经Kruskal-Wallis方差分析, 发现Ⅰ区和Ⅴ区的总碳排放强度具有显著性差异（P < 0.05）.
|
图 4 各区域碳排放强度分布情况 Fig. 4 Distribution of carbon intensity by region |
通过表 9可以看出, Ⅴ区域计算结果具有最高的COD管内生物降解率, 这是该区域具有较高的CH4直接排放强度水平的主要原因.同时, 经计算Ⅴ区域还具有最长的水力停留时间（0.29 d, 其他区域的水力停留时间范围在0.14~0.28 d）, 这导致Ⅴ区域CH4直接排放因子的计算结果最大.综上原因, 最终导致Ⅴ区域的碳排放强度最高.经计算, Ⅰ区域由于具有所有区域中最低的污染物未收集率, 因此未收集污染物的生化反应产生的CH4和N2O排放强度都处于较低的位置, 最终导致Ⅰ区域的总碳排放强度处于5个区域中的最低水平.
|
|
表 9 各区域的部分关键计算参数展示1） Table 9 Demonstration of some of the key calculation parameters for each region |
2.2.2 不同排放活动碳排放强度对比
以2019~2022年的碳排放强度的计算结果为基础, 图 5展示了不同排放活动强度的分布情况, 碳排放强度由大到小依次为未收集污染物的生化反应产生的CH4排放强度（0.075 kg·m-3） > 排水管网中污染物的生化反应产生的CH4排放强度（0.027 kg·m-3） > 未收集污染物的生化反应产生的N2O排放强度（0.026 kg·m-3） > 电耗碳排放强度（0.025 kg·m-3）, 括号中为均值.
|
图 5 各排放活动碳排放强度分布情况 Fig. 5 Distribution of carbon intensity by emitting activity |
经Kruskal-Wallis方差分析, 发现不同排放活动碳排放强度在0.05级别上不具有显著性差异（P > 0.05）.尽管如此, 未收集污染物的生化反应产生的CH4排放强度均值表现较高, 需要引起关注.对比计算公式可以发现, 造成这种结果的原因之一是排放因子的选择.实际上, 本研究中使用的IPCC-2019提供的排放到自然水体中的CH4排放因子（0.028 kg·kg-1）作为未收集污染物的生化反应产生的CH4排放因子.该值高于通过经验公式计算得到的所有排水管网中的生化反应产生的CH4排放因子（范围为0.015~0.028 kg·kg-1）.按照IPCC指南中通用的计算方法, CH4排放因子的值与最大CH4生产能力（BO）以及CH4修正因子（MCF）有关.在最大CH4生产能力（BO）通常取默认值的条件下, CH4修正因子（MCF）的差异直接决定了排放因子的差异, 而CH4修正因子（MCF）与环境关系密切.相关研究报道[26], 管道中CH4的产生与溶解氧、pH、有机质和水力条件有关, 环境的差异可能是造成因子差异的根本原因.
由于本研究中计算得到的水力停留时间（0.14~0.28 d）低于文献中报道的排水管网中实际水力停留时间[27]（8h, 约为0.33 d）, 可能会造成排水管网中的生化反应产生的CH4排放因子的低估, 在8 h的水力停留时间条件下, 排水管网中的生化反应产生的CH4排放因子计算结果（0.028 kg·kg-1）几乎与收集污染物的生化反应产生的CH4排放因子一致.然而, 即使假定不同排放活动的CH4排放因子相同, 由于计算排水管网中污染物的生化反应产生的CH4排放时使用COD生物降解率, 而未收集污染物的生化反应产生的CH4排放的计算使用的是污染物未收集率, 而本研究的计算结果中COD生物降解率（范围在0%~34%）大部分低于同年同区域的污染物未收集率（范围在5.3%~0.51%）, 最终也会导致未收集污染物的生化反应产生的CH4排放强度高于排水管网中污染物的生化反应产生的CH4排放强度.实际上, 在本研究的核算方法下, 污染物未收集率与COD生物降解率直接由TN和COD的收集率决定.因此, 排水管网的提质增效活动在提高污染物收集率的同时, 对污水收集系统的温室气体减排而言也是具有积极意义的.虽然提高污染物收集率的行为看似是把更多的压力转移到污水处理厂, 但是不可否认的是集中式的处理手段相较于未收集导致的污染物损失更加有利于CH4等温室气体的收集与处理, 从技术的发展和更广泛的系统视角看, 管网的提质增效行动对于温室气体的减排也是有益的.
基于本研究对CH4排放强度的核算结果, 表 10展示了目前同行研究中对污水收集系统CH4碳排放强度结果的报道.可以看出, 目前文献中对污水收集系统碳排放的监测和评估主要考虑排水管网中污染物的生化反应产生的CH4排放, 一般没有考虑未收集污染物的生化反应产生的CH4排放.就排放强度而言, 本研究核算得到的排水管网中污染物的生化反应产生的CH4排放强度与相关研究中的重力管道的CH4排放强度结果相似, 均值略高于文献中报道重力管道的CH4排放强度期望均值, 可能的原因是文献中的监测值与模型计算可能存在一定误差, 且目前的监测值大多为固定采样点的液相监测, 没有把气相中散逸的CH4气体计算在内.另外需要注意的是, Song等[10]基于文献统计的结果发现, 压力管道的CH4直接排放强度比重力管道高出至少3倍以上, 说明不同类型的管道CH4直接排放强度存在差异.但是目前由于暂时缺少计算压力管道中CH4直接排放因子的经验模型, 本研究计算排水管网中污染物的生化反应产生的CH4排放因子时将所有管道视为重力管道计算, 根据文献中提到的差异, 实际的结果可能高于目前的计算值.
|
|
表 10 本研究与现有文献对污水收集系统CH4碳排放强度的结果比较 Table 10 Comparison of the results of this study with the existing literature on the carbon intensity of CH4 emissions from drainage systems |
3 展望
在使用核算模型对城市污水收集系统的碳排放进行核算时, 本研究发现基于报告或文献中的排放因子计算较为简便, 但也会产生较大不确定性.例如, 未收集污染物的生化反应产生的CH4排放因子可能与研究区域的特征有关, 墨西哥研究团队[30]报道的0.19 kg·kg-1, 在数值上远高于IPCC-2019报道的0.028 kg·kg-1.使用经验模型得到的排水管网中污染物的生化反应产生的CH4排放因子可能方法相对准确, 但是水力停留时间的确定相对困难.
因此, 在未来一方面应该重视城市污水收集系统中监测手段的应用.现有研究报道了适应排水管网环境的CH4在线测量传感器[31], 还有研究报道了红外（IR）光谱在污水收集系统CH4在线的应用[32].这些监测技术应该在未来受到关注, 与核算模型互为补充.另一方面, 随着计算机技术的发展, 数字赋能是现在各个传统行业解决问题的新思路.城市排水管网建模和实时控制策略（RTC）以及机器学习方法的发展为排水管网系统智能化研究提供了方法手段.虽然机器学习的预测结果通常更准确, 仿真时间更少, 但是其对数据的需求比较高.对于排水管网来说, 如果没有实际监测点位的布置, 机器学习的数据源中就缺少管网缺陷点位的样本, 最终就难以解释存在排水管网缺陷时排水管网CH4排放的变化情况模拟.这个问题可以通过使用一些成熟的管网模型进行改善.未来机器学习与传统模型的结合也可能为碳排放核算提供新思路.
4 结论（1）污水收集系统碳排放总量和强度具有区域差异性：由于污水产生量、污水处理厂进水污染物浓度、耗电量等参数的不同, 污水收集系统碳排放总量表现出区域差异性.在碳排放强度方面, 水力停留时间、污染物未收集率与COD生物降解率等因素造成了污水收集系统区域碳排放强度的差异.
（2）污水收集系统不同排放活动的碳排放强度具有差异, 管网的提质增效行动有助于污水收集系统温室气体减排：未收集污染物的生化反应产生的CH4排放在本研究中展现出最高排放强度（0.075 kg·m-3）, 说明未收集的污染物产生的排放需要受到重视.在本研究的核算方法下, 污染物未收集率与COD生物降解率直接由TN和COD的收集率决定.说明排水管网的提质增效活动在提高污染物收集率的同时, 对污水收集系统的温室气体减排而言也具有积极意义, 并且也更加有利于CH4等温室气体的集中收集与处理.
（3）本研究对污水收集系统碳排放核算的研究仍有不足. ①不确定性的量化：受数据、因子等因素的限制, 本研究在方法上进行了一些假设.在未来研究中可以通过因子的深化研究弥补目前存在的缺陷；②影响机制的深入分析：本研究虽然简单分析了不同区域与不同排放活动的强度差异, 但是对更深层次的影响机制仍欠考虑.未来研究可以通过对污水收集系统碳排影响机制的进一步研究来提出更可行的降碳策略.
| [1] | IPCC. Climate change 2021: the physical science basis[R]. Cambridge: Cambridge University Press, 2023. |
| [2] | Liu Z. China's carbon emissions report 2016[EB/OL]. https://dash.harvard.edu/bitstream/handle/1/29916843/China_Carbon_Emissions_2016_final_web.pdf?sequence=1&isAllowed=y, 2024-01-04. |
| [3] |
刘然彬, 于文波, 张梦博, 等. 城镇水务系统碳核算与减碳/降碳规划方法[J]. 中国给水排水, 2023, 39(8): 1-10. Liu R B, Yu W B, Zhang M B, et al. Carbon accounting and reduction planning in urban water sector[J]. China Water & Wastewater, 2023, 39(8): 1-10. |
| [4] |
张翔宇, 胡建坤, 马凯, 等. 给水厂典型工艺碳排放特征与影响因素[J]. 环境科学, 2024, 45(1): 123-130. Zhang X Y, Hu J K, Ma K, et al. Carbon emission characteristics and influencing factors of typical processes in drinking water treatment plant[J]. Environmental Science, 2024, 45(1): 123-130. |
| [5] |
李成, 马顺君, 贺鑫, 等. 典型给水厂运行碳排放核算与碳减排路径[J]. 给水排水, 2023, 49(7): 1-7. Li C, Ma S J, He X, et al. Carbon emission calculation and carbon emission reduction path of typical waterworks operation[J]. Water & Wastewater Engineering, 2023, 49(7): 1-7. |
| [6] | Xi J R, Gong H, Guo R, et al. Characteristics of greenhouse gases emission from wastewater treatment plants operation in China (2009–2016): a case study using operational data integrated method (ODIM)[J]. Journal of Cleaner Production, 2023, 402. DOI:10.1016/j.jclepro.2023.136829 |
| [7] |
李惠娟, 彭党聪, 刘文博, 等. 不同污水处理工艺非二氧化碳温室气体的释放[J]. 环境科学, 2017, 38(4): 1640-1646. Li H J, Peng D C, Liu W B, et al. Non-CO2 greenhouse gas release from different biological wastewater treatment processes[J]. Environmental Science, 2017, 38(4): 1640-1646. |
| [8] | 国家发展改革委, 住房城乡建设部, 生态环境部. 国家发展改革委住房城乡建设部生态环境部关于推进污水处理减污降碳协同增效的实施意见[EB/OL]. https://www.gov.cn/zhengce/zhengceku/202312/content_6923468.htm, 2024-01-04. |
| [9] |
苑心, 李轩, 胡言午, 等. 隐形的地下碳源: 城市排水管道CH4排放[J]. 给水排水, 2022, 48(9): 139-146. Yuan X, Li X, Hu Y W, et al. Potential carbon emission source underground: fugitive methane emission in the urban sewers[J]. Water & Wastewater Engineering, 2022, 48(9): 139-146. |
| [10] | Song C H, Zhu J J, Willis J L, et al. Methane emissions from municipal wastewater collection and treatment systems[J]. Environmental Science & Technology, 2023, 57(6): 2248-2261. |
| [11] | Jin P K, Wang B, Jiao D, et al. Characterization of microflora and transformation of organic matters in urban sewer system[J]. Water Research, 2015, 84: 112-119. DOI:10.1016/j.watres.2015.07.008 |
| [12] | Jin P K, Gu Y G, Shi X, et al. Non-negligible greenhouse gases from urban sewer system[J]. Biotechnology for Biofuels, 2019, 12. DOI:10.1186/s13068-019-1441-8 |
| [13] | Beelen B, Parker W. A probabilistic approach to the quantification of methane generation in sewer networks[J]. Journal of Environmental Management, 2022, 320. DOI:10.1016/j.jenvman.2022.115775 |
| [14] | Chaosakul T, Koottatep T, Polprasert C. A model for methane production in sewers[J]. Journal of Environmental Science and Health, Part A, 2014, 49(11): 1316-1321. DOI:10.1080/10934529.2014.910071 |
| [15] | Guisasola A, Sharma K R, Keller J, et al. Development of a model for assessing methane formation in rising main sewers[J]. Water Research, 2009, 43(11): 2874-2884. DOI:10.1016/j.watres.2009.03.040 |
| [16] | Kyung D, Kim D, Yi S, et al. Estimation of greenhouse gas emissions from sewer pipeline system[J]. The International Journal of Life Cycle Assessment, 2017, 22(12): 1901-1911. DOI:10.1007/s11367-017-1288-9 |
| [17] | Su X, Shao W W, Liu J H, et al. How does sponge city construction affect carbon emission from integrated urban drainage system?[J]. Journal of Cleaner Production, 2022, 363. DOI:10.1016/j.jclepro.2022.132595 |
| [18] | 中华人民共和国生态环境部. 排放源统计调查产排污核算方法和系数手册[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202106/W020210624327149500026.pdf, 2024-01-04. |
| [19] | IPCC. 2019 Refinement to the 2006 IPCC guidelines for national greenhouse gas inventories[R]. Switzerland: Intergovernmental Panel on Climate Change, 2019. |
| [20] | 中华人民共和国生态环境部. 企业温室气体排放核算与报告指南发电设施[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk06/202212/W020221221671986519778.pdf, 2024-01-04. |
| [21] | Liu J H, Wang J, Ding X Y, et al. Assessing the mitigation of greenhouse gas emissions from a green infrastructure-based urban drainage system[J]. Applied Energy, 2020, 278. DOI:10.1016/j.apenergy.2020.115686 |
| [22] | Liu T T. Design and operation of municipal rain and sewage united pumping station[J]. Journal of Architectural Research and Development, 2023, 7(4): 51-56. DOI:10.26689/jard.v7i4.5092 |
| [23] | 魏丽娟. 论变频节能技术在排水泵站改造中的应用[J]. 黑龙江水利科技, 2016, 44(1): 109-110. |
| [24] |
林永钢, 吴龙跃, 郑越, 等. 基于模型预测控制的污水系统多泵站优化调度[J]. 中国给水排水, 2023, 39(21): 49-54. Lin Y G, Wu L Y, Zheng Y, et al. Optimal scheduling technology for multiple pumping stations in sewage systems based on MPC[J]. China Water & Wastewater, 2023, 39(21): 49-54. |
| [25] |
李璇, 蒋永伟, 曹蕾, 等. 生活污水集中收集处理率精准核算方法的对比分析[J]. 环境科技, 2023, 36(6): 59-63. Li X, Jiang Y W, Cao L, et al. Comparative analysis of accurate accounting methods of domestic sewage collection rate[J]. Environmental Science and Technology, 2023, 36(6): 59-63. |
| [26] |
郝晓地, 孙群, 李季, 等. 排水管道甲烷产生影响因素及其估算方法[J]. 中国给水排水, 2022, 38(20): 1-7. Hao X D, Sun Q, Li J, et al. Affecting factors and estimating methods of methane produced in sewers[J]. China Water & Wastewater, 2022, 38(20): 1-7. |
| [27] | Pikaar I, Sharma K R, Hu S H, et al. Reducing sewer corrosion through integrated urban water management[J]. Science, 2014, 345(6198): 812-814. DOI:10.1126/science.1251418 |
| [28] | Short M D, Daikeler A, Wallis K, et al. Dissolved methane in the influent of three Australian wastewater treatment plants fed by gravity sewers[J]. Science of the Total Environment, 2017, 599-600: 85-93. |
| [29] | Eijo-Río E, Petit-Boix A, Villalba G, et al. Municipal sewer networks as sources of nitrous oxide, methane and hydrogen sulphide emissions: a review and case studies[J]. Journal of Environmental Chemical Engineering, 2015, 3(3): 2084-2094. |
| [30] | Gonzalez-Valencia R, Sepulveda-Jauregui A, Martinez-Cruz K, et al. Methane emissions from Mexican freshwater bodies: correlations with water pollution[J]. Hydrobiologia, 2014, 721(1): 9-22. |
| [31] | Liu Y W, Ni B J, Sharma K R, et al. Methane emission from sewers[J]. Science of the Total Environment, 2015, 524-525: 40-51. |
| [32] | Boulart C, Connelly D P, Mowlem M C. Sensors and technologies for in situ dissolved methane measurements and their evaluation using Technology Readiness Levels[J]. TrAC Trends in Analytical Chemistry, 2010, 29(2): 186-195. |