大薸对奶厅废水主要污染物的去除效果研究

为探索低成本高效率的奶厅废水处理新技术,本研究以大薸（Pistia stratiotes）为研究对象,选择某奶牛养殖场奶厅废水原水、厌氧处理后和好氧处理后的废水开展室内试验,重点研究大薸对奶厅废水中主要胁迫盐分的耐受浓度阈值,以及大薸对奶厅废水中基础养分（TN、TP、COD等）和阴离子盐（SO₄^2-、Cl^-等）的去除效果。结果表明：当奶厅废水的电导率未超过2 193~2 527 μS·cm^-1时,大薸对奶厅废水中的盐分具有耐受性。但当奶厅废水中两种主要阴离子盐SO₄^2-和Cl^-含量分别超过5 mmol·L^-1和15~25mmol·L^-1时,大薸抗氧化酶活性受到抑制。在净化三类奶厅废水的过程中,大薸对水体COD的削减作用最为明显,减少了65.51%~86.75%,TN、NH₄⁺-N和TP含量分别降低了69.46%~87.52%、64.00%~96.59%和30.73%~66.02%,而SO₄^2-和Cl^-分别被大薸吸收了16.37%~18.04%和22.02%~35.83%。此外,大薸处理时间为23 d时,对奶厅废水原水和厌氧处理后的废水中多种污染物的去除效果最好。奶厅废水经厌氧处理后,大薸对多种污染物的削减作用更为明显,对水体中TN、NH₄⁺-N、TOC、SO₄^2-和Cl^-的去除效果较原水分别提升了9.60%、42.83%、40.94%、2.00%和13.81%。研究表明,大薸对奶厅废水中盐分具有耐受性,且奶厅废水经厌氧处理后大薸可以更为有效地降低其中主要污染物含量。     

化肥减施下粪水替代对设施白菜氮利用与土壤氮盈余的影响

为促进丹江口水源涵养区绿色发展,提升氮素利用率,控制农业面源污染,利用田间小区试验,研究化肥减施及减施下粪水替代对设施白菜产量、土壤无机氮累积量及氮素盈余的影响。结果表明,化肥减施20%对设施白菜产量影响不显著,相同施氮量下粪水替代白菜产量显著高于化肥减施处理,可以提高白菜对氮的利用能力。土壤硝态氮累积量随种植茬数的增加呈增加趋势,且显著高于土壤铵态氮累积量。化肥减施处理氮素盈余量较常规施肥处理降低了23.38%,化肥减施粪水替代处理氮素盈余量比常规施肥处理降低了29.24%~30.65%,氮素盈余量与土壤有机质含量和土壤硝态氮累积量呈显著正相关。研究表明,化肥减施下粪水替代在保证设施白菜产量的同时,提高了氮素利用率,是降低氮素盈余的有效措施。     

利用固液分离技术对规模化奶牛场的粪污治理

针对规模化奶牛场的粪污处理问题,利用了固液分离技术,对奶牛场内环境治理,尤其是圈舍内的清粪环节进行减量化改进。从技术角度上优化畜舍内的环境质量,从而弥补国内外现有畜禽养殖业中粪污治理模式中的弱项。本文以天津和润畜牧养殖有限责任公司的规模化奶牛场为试验点,对其产生的粪污进行技术化固液分离,分离后的固体粪便经发酵、晾晒后可作为奶牛的卧床垫料而重复利用。污水经稀释匀浆后储存于贮水池,在采用固液分离技术后,每天的产污水量下降了22%,粪污总量约下降21%。通过技术改进,固液分离处理后的粪污中,总悬浮颗粒物占比降低,污水中总氮和总磷含量降低,化学需氧量（COD）和生化需氧量（BOD）降低60%以上,水质得到提升。固液分离技术可为规模化养殖业提供更加便捷高效的处理粪污、降低污染物含量的产业化排污模式,使规模化养殖产品更加安全健康,同时也可以使人民的日常饮食得到安全保障。     

巢湖流域农村生活污水处理技术模式调查和分析

通过对巢湖流域9个县市典型的农村生活污水处理示范工程的调查分析,结果表明：目前巢湖流域生活污水处理主要有分散式厌氧-人工湿地集中处理、三水分离处理、污水收集集中处理和一体化设备集中处理等4种模式。其中分散式厌氧-人工湿地集中处理模式能减轻黑水管网布设的费用,在规划良好的村庄是一种可持续性发展的污水处理模式;三水分离模式主要是就地处理冲厕黑水,该模式投资比较省,无需完善的污水收集系统,可在经济水平落后且远离河流等公共水域的村庄应用;集中处理模式和一体化污水集中处理模式具有污水处理可控的优点,但需要完善的污水管网收集系统,投资费用高昂,在经济发达且良好规划的新村能取得很好的效果。     

巢湖流域农村生活污水处理设施运行管理机制的探讨

从给水排水规划、工艺设计、施工管理、运行费用、运行监管、产权明晰和运行管理考核体系等方面对巢湖流域农村生活污水处理设施的运行机制进行了探讨,为如何保证农村污水处理系统的稳定运行提供参考。     

鸟粪石沉淀法回收猪场沼液氮磷工艺参数优化模拟研究

针对规模化养殖场沼液难以农田消纳的问题,探索化学方法回收沼液中氮磷的工艺条件和优化参数。本研究选择猪场沼液为研究对象,采用鸟粪石沉淀法,进行单因素影响试验,选取p H、镁氮比、磷氮比为自变量,以氮磷回收率为响应值,通过BoxBehnken响应面试验设计对工艺参数进行优化。结果显示:猪场沼液氮磷回收的最佳工艺为:p H 10,镁氮比为1.1,磷氮比为0.6,氨氮回收率为65.21%,磷酸盐回收率为89.47%,实际值氨氮回收率为65.01%,磷酸盐回收率为90.81%,差值分别为0.20%、1.34%,回归模型拟合较好。     

奶牛场用水特征及节水措施

为了系统全面地掌握奶牛养殖场用水特征,提出科学合理的节水措施,采用查阅文献和实地调研相结合的方法,概述了国内外奶牛养殖现状,系统总结了奶牛养殖各环节用水特征、变化规律及影响因素。结果显示:饮用水、清洁水、降温水是国内外奶牛养殖主要用水构成,养殖规模、泌乳牛比例、挤奶厅类型、气候特点等是影响奶牛场用水特征的主要因素,构建涵盖多因素的用水量预测模型是研究热点。分析确定了饮用水、挤奶厅用水和喷淋用水是奶牛养殖重点节水环节,并对后续奶牛场养殖过程节水研究提出了具体建议。     

羊粪与尾菜配比对高固体厌氧消化性能的影响

为考察羊粪与尾菜联合高固体厌氧消化性能,采用批式试验,在初始有机负荷为45 gVS·L~(-1)和中温(37℃)的条件下研究羊粪与尾菜不同挥发性固体(VS)质量配比(1∶0、3∶1、2∶1、1∶1、1∶2、1∶3、0∶1)对厌氧消化性能的影响。结果表明:羊粪与尾菜在3∶1、2∶1、1∶1、1∶2、1∶3的不同配比处理条件下累积VS甲烷产率分别为181.6、158.7、194.2、184.6、197.2 mL·g~(-1)VS,与羊粪单独发酵处理相比,甲烷产率提高7.3%~33.3%,与尾菜单独发酵处理相比,厌氧消化迟滞期(λ)与达到最大VS累积甲烷产量90%所需的时间(T90)分别缩短3.2~5.8 d与2.8~5.4 d。联合厌氧消化协同效应分析表明,除2∶1处理外,羊粪与尾菜不同配比联合高固体厌氧发酵均存在协同作用。在中温高固体厌氧消化工程应用中,建议羊粪与尾菜VS配比为1∶1,设计水力停留时间为20 d,累积VS甲烷产率为194.2 mL·g~(-1)VS。     

奶牛场粪污制备卧床垫料过程中物料性质及污染物含量的周年变化规律

为了考察奶牛场粪污制备卧床垫料过程中的牛粪性质及相关污染物含量的周年变化规律,选择天津市一家规模化奶牛养殖场作为研究对象,进行不同阶段、不同季节的连续采样,并对样品中的TN、TP、pH、含水率、有机质、粪大肠菌群和Cu、Zn等重金属进行了系统检测分析。检测数据分析显示:泌乳牛牛粪中的TN、TP、VS、Cu、Zn的排放量存在显著性季节差异(P0.05),且TN、TP、Cu、Zn、Cd的排放量均以冬季最高;经过BRU(Bedding Recovery Unit)好氧发酵处理后,再生牛粪固体中的含水率、重金属Zn和粪大肠菌群的含量出现不同程度的降低,而TN、TP和重金属Cu的含量则基本呈现升高趋势。     

规模化奶牛场泌乳牛粪便氮磷含量预测模型研究

为了探讨基于泌乳牛日粮营养成分及其基本生产状况预测粪便氮磷含量的可行性,建立粪便总氮(fecal nitrogen,FN)、粪便总磷(fecal phosphorus,FP)含量的预测模型。本试验以中国荷斯坦奶牛为研究对象,选取天津市具有代表性的7家规模化奶牛场为采样点,利用问卷调查收集了20组泌乳期奶牛日粮营养成分及基本生产状况等基础数据,并采集了60份粪便样品,测定其氮磷含量。选取其中14组泌乳期奶牛日粮营养成分及基本生产状况等基础数据和48份泌乳牛粪便的氮磷含量,利用SAS统计分析软件,对其进行相关性分析和回归分析,建立预测模型。结果表明:日粮有机质摄入量(organic matter intake,OMI)和粗脂肪摄入量(crude fat intake,CFi)与泌乳牛粪便总氮含量有显著的正相关性,相关系数分别为0.836和0.705。泌乳牛体重(body weight,BW)与粪便总磷含量呈负相关性,相关系数为-0.525。利用多元线性回归分析建立的预测模型的决定系数R2显著高于一元线性回归方程。其中基于泌乳牛产奶量(milk yield,MY),产奶天数(days in milk,DIM),日粮有机质摄入量OMI和氮摄入量(nitrogen intake,NI)建立的粪便总氮含量的预测模型的决定系数R2可达0.96(P0.001),预测方程为:y=0.43+0.29×MY+0.02×DIM+0.92×OMI-13.01×NI。粪便总磷含量的预测模型的决定系数R2相对低于总氮含量的预测模型,最高为0.62(P0.10),预测方程为:y=22.97-0.026×BW-4.02×NI+14.63×PI(phosphorus intake,PI)。最后利用6组泌乳牛日粮营养成分及其基本生产状况的基础数据和对应的18份粪便样品的氮磷含量对最优预测模型进行了外部验证。结果表明,粪便总氮含量和总磷含量的预测值与测定值间的相对误差分别为1.62%和3.81%,预测标准差分别为0.70 mg·g-1和0.68 mg·g-1,模型取得较理想的预测结果。