基于降維分析的活性污泥絮體結構特征指標

胡小兵,朱榮芳,葉 星,謝瑞桃,唐素蘭,戴 波(.安徽工業大學建筑工程學院,安徽 馬鞍山2402；2.生物膜法水質凈化及利用技術教育部工程研究中心,安徽 馬鞍山 2402；.安徽工業大學能源與環境學院,安徽 馬鞍山 24000)

水污染與控制

基于降維分析的活性污泥絮體結構特征指標

胡小兵1,2*,朱榮芳1,葉 星3,謝瑞桃1,唐素蘭1,戴 波3(1.安徽工業大學建筑工程學院,安徽 馬鞍山243032；2.生物膜法水質凈化及利用技術教育部工程研究中心,安徽 馬鞍山 243032；3.安徽工業大學能源與環境學院,安徽 馬鞍山 243000)

為建立活性污泥絮體結構分析的特征指標,將現有描述絮體結構的19個微觀參數分為4類:絮體大小(SZ)、密實度(CP)、規則度(RG)和絲狀菌(FL)特征,分別含 4、5、8、2個.分別采用主成分分析法(PCA,線性降維)和等距映射法(Isomap,非線性降維)對這些絮體結構特征微觀參數進行降維分析,通過對兩種降維法的降維幅度和降維有效性的比較,確定絮體結構特征指標.結果表明:PCA降維后絮體SZ、FL各由1個綜合指標表征,而CP、RG各由3個綜合指標表征,SZ、CP、RG和FL的降維幅度分別為0.750、0.400、0.625和0.500;Isomap降維后絮體SZ、CP、RG和FL均由1個綜合指標表征,降維幅度分別為0.750、0.800、0.875和0.500.從降維幅度和降維有效性分析可知,Isomap降維后的綜合指標更能準確、簡潔地描述絮體結構特征,更適合作為活性污泥絮體結構的特征指標.

絮體結構特征指標；PCA線性降維；Isomap非線性降維；活性污泥

活性污泥絮體是由一系列絮團結合而成,絮體表面凹凸不平,有各種“孔洞”、“縫隙”構成運輸通道[1].正常狀態時的活性污泥絮體形態多樣[2].絮體作為微型生物單元在污水處理中起著重要作用[3],根據絮體結構特征可判斷污泥生化活性、物理特性(壓縮性、沉降性和脫水性).大而密實絮體具有良好的沉降性和脫水性,微絮體量增加影響處理出水濁度,絮體大小和形態影響廢水處理效率和經濟費用[4].

早期研究者利用顯微鏡測微尺測量絮體大小,但絮體大小簡單參數無法滿足對絮體復雜結構的表征[5],近年來,提出了其他表征絮體結構特征的眾多參數:密實度、偏心率、當量直徑、形狀系數、減小的回轉半徑、圓度、單位總懸浮固體內總細絲長度等,分別從不同角度描述絮體結構,并采用顯微數碼成像系統采集絮體圖片,利用圖像分析軟件測量絮體面積、孔隙面積、長度、寬度、周長、凸包絡周長和最大弗雷德直徑等基本參數,再利用參數計算公式得出每個絮體相關參數值[6].為了更準確地測得內部結構,自由沉降法、浮重測量、共聚焦激光掃描顯微鏡掃描和對流程度測量等方法均被用于絮體孔隙率分析[7],也有采用分形理論描述絮體結構,研究不同算法,確定不同類型分形維數[8],分形維數較低的污泥具有高剪切敏感性和低絮體強度、低污泥穩定性,可作為評估絮體混凝沉淀性能的參數之一[9-10].

然而,污泥絮體分形結構分析需采用激光粒度儀、掃描電鏡等現代分析設備[1,11-12],成本較高,難以滿足工程實踐的需要.采用傳統的顯微圖像分析,但若選擇少量參數,其他未被選擇的參數所表征的信息就會丟失,則不能全面反映絮體結構;若同時采用所有參數,參數之間存在信息交叉、重復現象,每個參數對絮體結構的作用大小無法判斷,不便用于絮體結構特征的綜合分析.

降維方式能夠適應眾多參數的分析,有線性降維和非線性降維 2種.最常用的線性降維方法主成分分析(PCA)是將原具有一定相關性的N個變量進行線性變換,將方差大、含信息量多的變量降維重新形成一組相互獨立的 M 個新變量(M＜N)代替N個變量用于分析研究[13-16].PCA線性降維的低維數據能保持高維數據點間的線性關系,該方法已得到較多應用,如海洋沉積物中重金屬污染來源評價[14],濕地退化過程分析評價[17],污泥沉降性能判別[18]等.等距映射(Isomap)是最為常用的非線性降維方法[19],是高維數據的低維表示[20-23],即從高維采樣數據中恢復出低維流形,求出相應嵌入映射.Isomap法在高維數據降維方面應用廣泛,如用于高光譜遙感數據降維[24]、恒星光譜離群點分析[23]等.

本研究擬通過簡單的顯微鏡圖片結合軟件分析得到多個活性污泥絮體結構參數,采用線性降維的主成分分析法(PCA)、非線性降維法的等距映射(Isomap)進行降維分析,比較兩者在降維幅度和降維有效性上對絮體結構特征指標的適用性,建立絮體結構特征指標,為污水處理中活性污泥特性的快速、準確檢測分析提供有效方法.

1 材料與方法

1.1 活性污泥馴化

試驗活性污泥取自馬鞍山市某污水處理廠(A2/O工藝)曝氣池,取回的污泥經攪拌沉淀后,去除懸浮于水面污泥和上清液,將下部沉降性較好的污泥作為接種污泥,系統內的接種污泥濃度(MLSS)控制為 3000mg/L.試驗污水為自來水與校園生活污水按10:1混合而成,并添加葡萄糖、NH4Cl和KH2PO4以控制碳氮磷比為100:5:1.活性污泥馴化采用柱狀反應器,底面直徑 7.2cm,高度92.0cm,有效容積3.2L.采用SBR法進行試驗,共設置3根反應柱,分別編號:SBR1、SBR2、SBR3,運行周期為 12h.曝氣方式為 SBR1曝氣 2h,停1h;SBR2曝氣2h,停2h;SBR3曝氣2h,停3h.3個反應器除曝氣方式外,其他工藝參數均相同:常溫(16.2～22.5℃),曝氣量為 0.2L/min,溶解氧保持在3.64～7.03mg/L,每個周期排水1.5L再進水1.5L.試驗歷時40d.

1.2 絮體結構特征分析

從絮體的微觀結構出發研究絮體結構特征,以顯微圖像分析技術為基礎,對顯微拍攝所得的絮體進行結構分析[6].總結出國內外已有絮體結構特征參數及圖像分析軟件內置參數,共 19個.根據各參數的物理意義,將這些參數歸納為:絮體大小(SZ)、絮體密實性(CP)、絮體規則性(RG)和絮體絲狀菌(FL)4類特性,具體如表1所示.

表1 絮體結構特征參數概括Table 1 The summary of characteristic parameters of floc structure

絮體結構特征微觀參數測定具體操作步驟為:在曝氣條件下,從反應器中量取10mL污泥混合液,混勻后使用微量移液器量取 25μL污泥樣品置于載玻片上,置于顯微鏡(奧林巴斯BX53,日本)載物臺上,顯微鏡接數碼相機(明美 Mshot DC30,中國),用顯微圖片拍攝軟件(明美 MShot Digital Imaging System,中國)對載玻片所有區域進行逐行拍攝,采集絮體圖片.一個載玻片采集圖像數為80張左右,其中含有絮體320個左右.利用Image-pro Plus圖像分析軟件對采集的圖片進行對比度、顏色飽和度、HSI測量區域選擇等預處理,然后選擇測量參數,測量值導出到Excel中,最后計算出每個絮體結構特征參數值,分析時取平均值(絮體數量和絲狀菌長度為總和).

試驗中,共采樣125次,得到10000張絮體圖片,構成原始數據矩陣P1=[p1,p2,…, p19]125×19.

1.3 數據統計分析

1.3.1 PCA分析 將經過軟件處理所得絮體結構特征數據矩陣 P1=[p1,p2,…, p19]125×19錄入至SPSS 19(IBM,美國)中進行主成分分析.由于SPSS中只有因子分析模塊,而無主成分分析模塊.但因子分析與主成分分析之間僅有特征值之別,因此研究中以因子分析為基礎,將因子載荷矩陣除以主成分特征值得到主成分載荷矩陣,即主成分綜合評價函數的系數矩陣[18,25].主成分分析具體步驟如下:1)對絮體結構特征參數進行Pearson相關性分析,探討是否適合進行主成分分析;2)對 4類絮體結構特征參數所建立的原始變量矩陣分別進行標準化處理;3)分別求各類絮體結構特征參數的相關矩陣特征根和對應的標準化特征向量;4)確定用于表征對應絮體結構特性的主成分個數m,選取m個主成分使得累計貢獻率達到80%以上;5)寫出主成分表達式,建立通過線性降維得到的絮體結構特征指標.

1.3.2 Isomap分析 Isomap以多維尺度變換為基礎,把原始空間中距離計算從歐式距離變成流形上測地距離的非線性降維方法[26].本文采用Matlab R2011b(Math works,美國)編寫Isomap算法程序完成非線性降維[27].Isomap分析主要步驟如下:1)對 4類絮體結構特征參數所建立的原始變量矩陣分別進行標準化處理;2)將經過標準化后的不同類的絮體結構特征參數分別導入Matlab中進行非線性降維;3)計算不同維數的剩余方差;4)選取剩余方差小于0.05的維數,確定各類絮體結構特性的維數 n;5)寫出各類絮體結構特性的表達式,建立通過非線性降維得到的絮體結構特征指標.

2 結果與討論

2.1 絮體微觀參數間的相關性

PCA和Isomap分析分別利用各變量之間的線性關系和非線性關系將原始數據從高維空間映射到低維空間,只有當各變量之間存在相關性時,才能進行降維分析.因此,在進行降維分析前,需先探討各參數間的相關性,研究中對試驗數據(10000張絮體圖片)進行絮體微觀參數的相關性分析,得到各變量間的相關系數如圖1所示.

圖1 絮體結構特征參數相關性分布Fig.1 The correlations distribution among characteristic parameters of floc structure

由圖1可見,反映絮體大小的4個參數間均具有較強的正相關性(r=0.739,P＜0.05),均能較好地反映絮體大小結構.4個絮體大小參數除與絮體像素分數(PF)、孔率(HR)、長短軸比(Aspect)和長寬比(AR)相關性較弱外(|r|＜0.450,P＜0.05),與其他參數相關性均較強(|r|＞0.450, P＜0.05),這表明絮體大小對絮體結構特征影響較大.

表征絮體密實性特征的 5個參數間相關性較弱,相關系數絕對值均不超過 0.620.數量濃度(CN)和充實度(Ext)正相關性(r=0.617,P＜0.05)最大,這表明絮體內的孔隙與絮體數量有較強的相關性,絮體數量越多,孔隙越小.正相關性很弱的為數量濃度(CN)與面積濃度(CA),相關性僅為0.056,說明絮體面積大小并不是由絮體數量多少決定的,它還取決于單個絮體面積大小.負相關性最大的兩個參數為孔率(HR)和充實度(Ext)(r=-0.429,P＜0.05),因為這兩個參數分別是從正反兩面反映絮體內孔隙的大小.但兩者的負相關性并不強,觀察絮體孔率(HR)、充實度(Ext)與其他類別參數間的相關性發現,絮體孔隙大小還受絮體大小、規則性及絲狀菌多少的影響.

描述絮體規則性的參數數量較多(8個),參數間相關性比較復雜.其中分形維數(FD)與凸率(PR)和形狀因子(FF)均有很強負相關性,相關性系數分別為-0.947、-0.963(P＜0.05),從凸率(PR)和形狀因子(FF)的計算公式可看出,兩者均是將絮體實際形狀、大小與假定規則的形狀、大小進行比較,兩者之間呈顯著正相關(r=0.888,P＜0.05);形狀因子(FF)與伸長度(ST)顯著正相關(r=0.943, P＜0.05);長短軸比(Aspect)與長寬比(AR)和伸長度(ST)均有較強的負相關性,相關系數分別為-0.780、-0.675(P＜0.05),與其他參數相關性均不大(|r|＜0.520,P＜0.05),長寬比(AR)和伸長度(ST)均是絮體的實際長度、寬度與假定的長度、寬度及最大弗雷德直徑之間的關系進行比較;長徑比(RR)與其他各參數間的相關性均較弱(|r|＜0.650, P＜0.05);圓度(RD)與其他各參數間相關性均較低(|r|＜0.520,P＜0.05).

反映絮體內絲狀菌含量的單位絮體面積內絲狀菌長度(Fal)和單位懸浮固體內絲狀菌長度(Ftl)間有極強的正相關性 (r=0.959,P＜0.05).

進一步分析發現:絮體密實性(CP)參數與同類別參數間的相關性均不大,但與絮體大小(SZ)和絮體規則性(RG)的參數間相關性較強;絮體規則性(RG)參數與絮體大小(SZ)和絲狀菌(FL)參數間相關性也較強.反映絮體結構特征的19個參數間均存在比較理想的相關性,可利用主成分分析法對其進行降維,建立絮體結構特征指標表征絮體結構綜合特征.

2.2 基于PCA的絮體結構特征指標分析

2.2.1 PCA法絮體大小特征指標分析 表征絮體大小(SZ)的 4個參數 Amean、Pconv、Rmax和Deq經PCA法降維后可用一個綜合指標SZ表征(如表 2所示),它們對綜合指標的貢獻大小分別為0.977、0.979、0.979和0.845,相差較小,說明都能較好地表達絮體大小特征.表征絮體大小特征的綜合指標表達式為:

表2 絮體大小特征參數的主成分信息提取Table 2 The principal component message extracted from the characteristic parameters of floc size

2.2.2 PCA法絮體密實特征指標分析 表征絮體密實性的5個參數CN、PF、CA、HR和Ext也都能很好地描述絮體結構的密實性,絮體密實性特征參數的PCA法降維結果如表3所示.

表3 密實特征參數的主成分信息提取Table 3 The principal component messages extracted from the characteristic parameters of floc compactness

由表3可知,描述絮體密實性的5個參數經過PCA法降維處理后,可用3個綜合指標(CP1、CP2、CP3)表征,累積保留82.336%信息.各參數在3個綜合指標中的分布如圖2所示,成分1(CP1)上的主要參數是CN、HR和Ext;成分2(CP2)上的主要參數是CA和PF;成分3(CP3)上的主要參數是CN.絮體密實特征指標的表達式如下:

式中:每個參數符號前的S表示數據都是經過標準化后的數據;“||”為絕對值符號.

圖2 絮體密實性參數在各成分中分布Fig.2 The parameters distribution of floc compactness in components

2.2.3 PCA法絮體規則特征指標分析 描述絮體規則性(RG)的8個參數RD、PR、Aspect、FD、RR、ST、FF和AR,均是通過絮體實際周長與各種理論周長的比及各種長軸與短軸、長與寬的比來表征絮體規則性,其中圓度(RD)和形狀因子(FF)互為倒數.PCA法降維結果如表4所示.

表4 規則特征參數的主成分信息提取Table 4 The principal component message extracted from the characteristic parameters of floc regulation

圖3 絮體規則性參數在各成分中分布Fig.3 The parameters distribution of floc regulation in component

由表4可見,這8個參數通過PCA法降維后可用 3個綜合指標(RG1、RG2、RG3)表征,累計保留 85.556%信息,可較完整地表達絮體規則性.圖3反映了這8個參數在3個綜合指標中的貢獻率,PR、FF、ST、FD、Aspect和RR對RG1貢獻較大,RD對RG2貢獻較大,AR對RG3貢獻較大.絮體規則特征綜合指標表達式如下:

2.2.4 PCA法絮體絲狀菌特征指標分析 從兩個角度表征絮體內絲狀菌特征(FL),對其進行PCA法降維分析結果如表5所示.表征絮體內絲狀菌含量的兩個參數(單位絮體面積內絲狀菌長度 Fal、單位懸浮固體內絲狀菌長度 Ftl)間相關性較強,2個參數在綜合指標中的貢獻均為0.990.根據貢獻率和特征值得出絮體絲狀菌特征指標函數如下:

表5 絲狀菌特征參數的主成分信息提取Table 5 The principal component message extracted from the characteristic parameters of filamentous microbes

2.3 基于Isomap的絮體結構特征指標分析

2.3.1 Isomap法絮體大小特征指標分析 對樣品10000張絮體圖片的絮體大小(SZ)的4個參數數據進行標準化后,采用 Isomap非線性降維分析.Isomap降維過程的關鍵是通過近鄰點的個數(k值)確定維數,以達到最好的降維效果,k值選取以參數近鄰點數目為基礎,以殘差大小為標準,殘差大小需滿足分析有效性的范圍要求.分別選取k=2,3,4,維數為1～4,計算殘差所得如圖4所示.當k=3和 k=4時的殘差分析結果出現了重合,說明其分析結果相同,不需要再增大k值進行分析.對絮體大小特征的Isomap分析時,不同k值均能有較好的降維效果(R＜0.09),當k=2時,維數為1維時的殘差就已低于 0.05(達到保持原有信息的降維效果)[27],滿足降維要求.因此對絮體結構大小特征的非線性降維分析過程選在 k=2,維數為 1的條件下進行,得到降維結果為:

2.3.2 Isomap法絮體密實特征指標分析 對樣品10000張絮體圖片的絮體密實性(CP)的5個參數數據進行標準化后,采用Isomap非線性降維分析.分別選取 k=2,3,4,維數為 1～5,計算殘差,所得結果如圖5所示.當維數小于3時,不同的k值對降維效果有較好的區分,且 k值越大越不利于降低到低維上,所以沒有必要增加k值進行分析.當k=2時,降低到低維上效果最好,此時的殘差均已小于0.05,滿足分析要求.因此,選取k值為2,維數為1進行Isomap非線性降維.絮體結構的密實特征需1個綜合指標表征,其綜合表達式為:

圖4 絮體大小殘差曲線圖Fig.4 The curve graph of residual analysis of floc size

圖5 絮體密實性殘差曲線圖Fig.5 The curve graph of residual analysis of floc compactness

2.3.3 Isomap法絮體規則特征指標分析 由于絮體規則特征有8個參數,分別選取k=4,5,6,7,8,維數為1～8對絮體規則類參數進行殘差計算,結果如圖6所示.對于k=5,6,7,8,當維數低于4維時,不同 k值殘差區分規律性不強且變化不穩定,殘差值較大,保留信息相對較少;當維數高于4維時,不同k值的殘差區分明顯,k=5時的殘差最大,當k=7和k=8時殘差最小,完全重合,說明沒有必要再增加k值.當k=4時,投影到低維上的殘差值最小,保留的信息量多,殘差已滿足非線性降維要求(＜0.05),所以選擇k=4和1維對絮體規則特征進行非線性降維分析,降維后的綜合指標為:

圖6 絮體規則性殘差曲線圖Fig.6 The curve graph of residual analysis of the floc regulation

2.3.4 Isomap法絮體絲狀菌特征指標分析 描述絮體絲狀菌特征的參數有 Fal和 Ftl,計算殘差時,因為當 k＞n-1(n為變量個數)時,隨著 k值的增加,殘差分析結果相同,直接選擇 k=1,維數為 1進行Isomap法非線性降維.降維后的綜合表達式為:

2.4 絮體結構特征指標的建立

2.4.1 降維幅度比較 降維幅度定義為降維減少的變量數與原始變量數之比.PCA法、Isomap法對絮體結構參數的降維變量數與降維幅度如表6所示.

由表6可見,Isomap法對絮體規則度、密實性的降維數和降維幅度均大于 PCA 法.因此,Isomap法比PCA法降維后變量數少,降維幅度大,更適于絮體結構特征綜合指標的建立.

表6 PCA、Isomap法降維幅度的比較Table 6 The comparison of PCA and Isomap in decrease range of dimension reduction

2.4.2 降維有效性比較 采集SBR反應器中活性污泥,拍攝絮體圖片,從中隨機選取100張圖片進行降維分析,對比得到結果均表現出采用Isomap法得到的綜合指標能更準確地描述絮體大小特征、密實特征、規則特征及絲狀菌特征.其中4張圖片中的絮體(a,b,c,d)分別采用PCA法和Isomap法進行結構分析,結果如圖7所示.

絮體大小特征:Isomap法降維后綜合指標SZ(Isomap)從大到小(1.193＞0.941＞0.235＞0.018)排序是(d)、(b)、(c)、(a),與圖7中絮體觀察結果一致.圖(d)中絮體表面伸出大量絲狀菌,從絲狀菌伸長的范圍看,其所涵蓋的范圍最廣,因此圖(d)中的絮體最大;圖(b)絮體最大,但由于存在幾個更小的絮體,使得其平均面積減小.而 PCA法分析結果為:絮體大小特征綜合指標從大到小的順序為(a)、(c)、(b)、(d),這與實際的形態不符.因此,采用Isomap法得到的綜合指標能更準確地描述絮體大小特征.

絮體密實特征:Isomap法降維后的綜合指標越大,絮體結構越密實.Isomap降維后絮體密實特征指標(CP)依次減小 26.179＞19.018＞8.228＞4.274,與圖 7(a)、(b)、(c)和(d)吻合.PCA法降維后的綜合指標:CP1從(a)1.322、(b)0.815、(c)0.041依次減小,圖(d)中絮體的CP1較大2.095,超過前3個絮體.但觀察絮體圖片可以發現,(a)、(b)、(c)和(d)中的絮體密實性是依次降低的,顯然僅從CP1無法正確描述絮體的密實性,進而從CP2出發,分析絮體密實性,影響CP2的主要參數是PF和CA(見2.2.2節),圖(d)中絮體的PF、CA小,絮體更松散,CP2(0.010)最小.CP3中的主要參數是 CN,圖(b)中的絮體數量最多,然而其CP3(0.873)并不是最大.因此,采用 PCA法的綜合指標表征絮體密實特征復雜,且沒有 Isomap法準確.

圖7 不同絮體結構特征分析(放大100倍)Fig.7 The characteristic analysis of different floc structure (magnification,×100)

絮體規則特征:Isomap法所得綜合指標數值越大,其形狀越不規則,與圖中的絮體形態吻合:圖(c)中的絮體形狀最不規則(RG=12.695),圖(a)中絮體形狀最為規則(RG=10.399).PCA法的3個指標對不同形狀規則的絮體描述并無明顯規律,無法判斷絮體的規則特征.

絮體絲狀菌特征:Isomap法和PCA法的分析結果均是圖(d)絮體最大,分別為1.260、1.058;圖(a)、(b)次之,FL(Isomap)均為0.463,FL(PCA)均為0.389.觀察4張圖片中的絲狀菌可見,圖(d)中的絮體存在大量絲狀菌,其他3張圖片中的絮體并沒有明顯的絲狀菌.因此Isomap法和PCA法降維后的綜合指標均可準確地用于絮體絲狀菌特征的表征.

綜上所述,無論從降維幅度還是降維有效性的角度分析,Isomap法降維后得到的絮體結構特征綜合指標更適于描述絮體結構特征,因此將Isomap法降維后所得綜合指標作為絮體結構特征指標.

3 結論

3.1 根據物理意義將現有表征絮體結構特征的 19個微觀參數分為4類指標:絮體大小特征(SZ)、規則特征(RG)、密實特征(CP)和絲狀菌特征(FL),每類參數個數分別為4、8、5和2個.

3.2 使用PCA法降維后得到的絮體大小特征、絮體絲狀菌特征分別由1個綜合指標SZ(PCA)、FL(PCA)表征,絮體規則性特征、絮體密實性特征分別由 3個綜合指標 RG1(PCA)、RG2(PCA)、RG3(PCA),CP1(PCA)、CP2(PCA)、CP3(PCA)表征;4類參數(SZ、RG、CP、FL)分別可累計解釋原始數據總信息量的 89.671%、85.556%、82.336%和 97.974%,降維幅度分別為 0.750、0.625、0.400和0.500.

3.3 采用 Isomap法降維后得到的絮體結構特征各指標可分別由綜合指標 SZ(Isomap)、CP(Isomap)、RG(Isomap)、FL(Isomap)表征,降維幅度分別為0.750、0.875、0.800和0.500.

3.4 與PCA降維法相比較,Isomap法降維后的變量更少,降維幅度更大;降維后綜合特征指標更能準確描述絮體的結構特征,降維有效性更高.因此,采用Isomap法建立的絮體結構特征指標更適合作為活性污泥絮體結構的特征指標,并由此得到絮體結構特征各類指標的綜合表達式.

[1] 阮曉東,劉俊新.活性污泥絮體的分形結構分析 [J]. 環境科學, 2013,34(4):1457-1463.

[2] 龍騰銳,何 強,林 剛.活性污泥中絲狀菌與絮體結構的關系研究 [J]. 中國給水排水, 2000,16(2):5–8.

[3] Han Y, Liu J, Guo X, et al. Micro-environment characteristics and microbial communities in activated sludge flocs of different particle size [J]. Bioresource Technology, 2012,124:252–258.

[4] Jin B, Wilen B M, Lant P. Impacts of morphological, physical and chemical properties of sludge flocs on dewaterability of activated sludge [J]. Chemical Engineering Journal, 2004,98: 115–126.

[5] 沈韞芬,章宗涉,顧曼如,等.微型生物監測新技術 [M]. 北京:中國建筑工業出版社, 1990.

[6] Costa J C, Mesquita D P, Amaral A L, et al. Quantitative image analysis for the characterization of microbial aggregates in biological wastewater treatment: a review [J]. Environmental Science and Pollution Research International, 2013,20(9):5887–5912.

[7] Chung H Y, Lee D J. Porosity and interior structure of flocculated activated sludge floc [J]. Journal of Colloid and Interface Science, 2003,267(1):136–143.

[8] He W P, Nan J, Li H Y, at el. Characteristics analysis on temporal evolution of floc size and structure in low-shear flow [J]. Water Research, 2012,46(2):509-520.

[9] 宣科佳,王毅力,魏科技,等.A2/O工藝中好氧污泥絮體的分形結構與理化特征分析 [J]. 環境科學, 2009,30(7):2013-2021.

[10] Vahedi A, Gorczyca B. Application of fractal dimensions to study the structure of flocs formed in lime softening process [J]. Water Research, 2011,45(2):545-556.

[11] 李振亮,張代鈞,盧培利,等.活性污泥絮體粒徑分布與分形維數的影響因素 [J]. 環境科學, 2013,34(10):3975-3980.

[12] Koivuranta E, STOOR T, Hattuniemi J, et al. On-line optical monitoring of activated sludge floc morphology [J]. Journal of Water Process Engineering, 2015,5:28-34.

[13] Ollakka H, Ruuska J, Taskila S. The application of principal component analysis for bioheapleaching process – Case study: Talvivaara mine [J]. Minerals Engineering, 2016,95:48-58.

[14] 劉 瀟,薛 瑩,紀毓鵬,等.基于主成分分析法的黃河口及其鄰近水域水質評價 [J]. 中國環境科學, 2015,35(10):3187-3192.

[15] Shi J H, Song W X. Sparse principal component analysis with measurement errors [J]. Journal of Statistical Planning and Inference, 2016,175:87-99.

[16] Zhou C, Wang L, Zhang Q, et al. Face recognition based on PCA image reconstruction and LDA [J]. Optik-International Journal for Light and Electron Optics, 2013,124(22):5599–5603.

[17] 尚 文,楊永興,韓大勇.基于 PCA的滇西北高原納帕海濕地退化過程分析及其評價 [J]. 生態學報, 2013,33(15):4776-4789.

[18] 張新喜,完顏健飛,胡小兵,等.基于活性污泥絮體微觀參數的污泥沉降性能判別 [J]. 環境科學學報, 2015,35(12):3815–3823.

[19] Zheng Y, Fang B, Tang Y Y, et al. Learning orthogonal projections for Isomap [J]. Neurocomputing, 2013,103:149–154.

[20] Bu Y, Chen F, Pan J. Stellar spectral subclasses classification based on Isomap and SVM [J]. New Astronomy, 2014,28:35–43.

[21] Orsenigo C. An improved set covering problem for Isomap supervised landmark selection [J]. Pattern Recognition Letters, 2014,49:131–137.

[22] Yoon J C, Lee I K. Visualization of graphical data in a user-specified 2D space using a weighted Isomap method [J]. Graphical Models, 2014,76(2):103–114.

[23] 卜育德,潘景昌,陳福強.基于 Isomap算法的恒星光譜離群點挖掘 [J]. 光譜學與光譜分析, 2014,34(1):267–273.

[24] 丁 玲,唐 娉,李宏益.基于 ISOMAP的高光譜遙感數據的降維與分類 [J]. 紅外與激光工程, 2013,42(10):2707-2711.

[25] Cheng C. Multiscale imaging, modeling, and principal component analysis of gas transport in shale reservoirs [J]. Fuel, 2016, 182:761-770.

[26] Yang B, Xiang M, Zhang Y P. Multi-manifold discriminant Isomap for visualization and classification [J]. Pattern Recognition, 2016,55:215-230.

[27] 倪 艷. Isomap算法在地震屬性參數降維中的應用 [D]. 四川:成都理工大學, 2007.

致謝：對馬鞍山市污水廠在污泥采樣方面提供的幫助表示感謝.

Characteristic indexes of floc structure in activated sludge based on dimensionality reduction methods.

HU Xiao-bing1,2*, ZHU Rong-fang1, YE Xing3, XIE Rui-tao1, TANG Su-lan1, DAI Bo3(1.College of Architectural Engineering, Anhui University of Technology, Ma’anshan 243032, China；2.Engineering Research Center of Water Purification and Utilization Technology based on Biofilm Process, Ministry of Education, Ma’anshan 243032, China；3.College of Energy and Environment, Anhui University of Technology, Ma’anshan 243000, China). China Environmental Sciense, 2017,37(5)：1759～1768

In order to establish characteristic indexes of floc structure in activated sludge, 19microscopic parameters used for description of floc structure were divided into four groups: floc size (SZ), compactness (CP), regulation (RG) and filamentous microbes (FL). These four groups included 4, 5, 8, 2indexes, respectively. Principal component analysis method (PCA, linear dimension reduction) and Isometric mapping method (Isomap, nonlinear dimension reduction) were used to reduce dimensions of these parameters of floc structure. By comparing decrease range and effectiveness of dimension reduction with two methods above, the characteristics indexes of floc structure were established. After treatment of dimension reduction with PCA, the group index of SZ, FL of floc structure can be characterized by 1comprehensive index, so can the group index FL, but for the group index CP, RG, each of them need 3comprehensive indexes to represent their characteristics. The decrease range of dimension reduction of SZ, CP, RG, FL are 0.750, 0.400, 0.625 and 0.500, respectively. The dimensionality of floc structure reduced by Isomap method can be characterized by 1comprehensive index for each group, the decrease range of dimension reduction of SZ, CP, RG, FL are 0.750, 0.800, 0.875 and 0.500, respectively. Therefore, the comprehensive indexes with Isomap dimension reduction are more accurate, concise to describe floc structure characteristics than those with PCA dimension reduction and more suitable for being characteristics indexes of floc structure in activated sludge.

characteristic indexes of floc structure；PCA linear dimension reduction；Isomap nonlinear dimension reduction；activated sludge

X703

A

1000-6923(2017)05-1759-10

胡小兵(1966-),男,安徽省涇縣人,副教授,博士,主要從事水處理生物學與污水生態處理研究.發表研究論文30余篇.

2016-09-23

安徽省高校科學研究項目(KJ2013A059)

* 責任作者, 副教授, hxb1612@ahut.edu.cn