合流制溢流产生的温室气体排放及碳中和视角下的污染控制策略

徐艺林 ,  叶程 ,  徐祖信 ,  楚文海

Engineering ›› 2025, Vol. 50 ›› Issue (7) : 40 -51.

PDF (3612KB)
Engineering ›› 2025, Vol. 50 ›› Issue (7) : 40 -51. DOI: 10.1016/j.eng.2025.03.027
研究论文

合流制溢流产生的温室气体排放及碳中和视角下的污染控制策略

作者信息 +

A Systematic Review of Greenhouse Gas Emissions Derived From Combined Sewer Overflows and Synergistic Control Strategies Toward Carbon Neutrality

Author information +
文章历史 +
PDF (3698K)

摘要

气候变化正在全球范围内加速，引发了人们对合流制溢流（CSO）相关环境风险的高度关注。这些降雨事件导致多种污染物过量排放到自然水体中。然而，CSO产生的温室气体（GHG）排放对于城市水系统的碳中和至关重要，但目前仍缺乏系统性研究。本研究采用生命周期评估方法扩展途径，深入剖析了CSO的形成和排放过程，揭示了每个时期驱动温室气体排放的潜在机制。鉴于CSO产生的温室气体排放空间分布的复杂性和不确定性，建立标准监测和估算方法至关重要。本研究明确了城市排水系统（UDS）内影响温室气体排放的因素，并界定了与CSO相关的交互式温室气体排放边界和核算框架。该框架进一步扩展，考虑了CSO事件中城市工程与水力相互作用的混合特性。先进的建模技术已成为预测和管理CSO温室气体排放的重要工具。本文旨在推动全面数据驱动方法在预测CSO温室气体排放中的应用，充分考虑CSO的内在异质性和排放到水生环境中的多源污染物的影响。研究强调了完善排放边界定义、采用数据驱动方法的创新碳核算实践，以及制定与城市排水系统碳中和目标相一致的综合管理策略。本文倡导采用包括先进技术和人工智能方法在内的解决方案来减少CSO相关的温室气体排放，并强调在未来的研究方向中整合低碳解决方案和全面数据驱动管理框架的重要性。

Abstract

Climate change is accelerating globally, raising significant concerns regarding the environmental risks associated with combined sewer overflows (CSOs). These rainfall events lead to the excessive discharge of multiple pollutants into natural waters. However, greenhouse gas (GHG) emissions from CSOs, which are crucial for carbon neutrality in urban water systems, remain fragmented. Using the life-cycle assessment method expansion approach, this study breaks down the formation and discharge processes of CSOs and uncovers the underlying mechanisms driving GHG emissions during each period. Given the complexity and uncertainty in the spatial distribution of GHG emissions from CSOs, the development of standard monitoring and estimation methods is vital. This study identifies the factors influencing GHG emissions within the urban drainage system (UDS) and defines the interactive GHG emission boundaries and accounting framework related to CSOs. This framework is expanded to consider the hybrid nature of urban engineering and hydraulic interactions during the CSO events. Advanced modeling technologies have emerged as essential tools for predicting and managing GHG emissions from CSOs. This review promotes comprehensive data-driven methods for predicting GHG emissions from CSOs, fully considering the inherent heterogeneity of CSOs and the impact of multi-source contaminants discharged into aquatic environments. It emphasizes refining emission boundary definitions, novel accounting practices adapting data-driven methods, and comprehensive management strategies in line with the move toward carbon neutrality in the UDS. It advocates the adoption of solutions including advanced technologies and artificial intelligent methods to mitigate CSO-related GHG emissions, stressing the significance of integrating low-carbon solutions and a comprehensive data-driven management framework in future research directions.

关键词

合流制溢流 / 温室气体排放 / 数据驱动模型 / 城市水资源管理 / 综合控制策略

Key words

Combined sewer overflow / Greenhouse gas emission / Data-driven models / Urban water management / Integrated control strategy

引用本文

引用格式 ▾
徐艺林,叶程,徐祖信,楚文海. 合流制溢流产生的温室气体排放及碳中和视角下的污染控制策略[J]. 工程（英文）, 2025, 50(7): 40-51 DOI:10.1016/j.eng.2025.03.027

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

自工业革命以来，全球变暖与向大气中排放的温室气体（GHG）之间的关系引起了广泛关注。水在运输、处理和排放过程中涉及许多物质和能量流动。因此，城市水循环是二氧化碳（CO2）、甲烷（CH4）和一氧化二氮（N2O）等主要温室气体的复杂排放源。对温室气体排放的重视与污水净化这一热点问题相呼应[1]。除了估算污水部分的温室气体排放外，细致划分系统边界对于温室气体管理也至关重要，因为以往的碳核算可能并不绝对准确，且排放边界会随着气候和经济等外部因素的变化而变化[2]。除了城市水系统中的传统热点[污水处理厂（WWTP）、河口和河流生态系统]外，近期关注点也逐渐转向合流制溢流（CSO）[2‒6]。通过城市排水系统（UDS；包括CSO和污水泄漏）中非正常途径排入城市水系统的污染物逐渐成为主要的温室气体排放源[7]。大多数发达国家的排水系统中，合流制排水系统（CSS）占很大比例，因此，CSO污染是大多数发达国家雨天污染管理的主要关注点。在人口增长和气候变化的双重压力下，尤其是在极端潮湿天气下，由于合流制系统集水能力不足，导致CSO有所增加[8]。这些溢流是由雨水冲刷人类活动产生的污染物以及未经处理的污水汇聚而成，然后排入河流中[9‒10]。有证据表明，CSO对受纳水体中的化学需氧量（COD）和总悬浮固体（TSS）水平有显著影响[11]。CSO带来的污染物负荷和流量往往与污水处理厂排放的处理后污水相当，甚至更为严重[12]。此外，CSO的形成会对污水收集和处理系统的运行产生负面影响。因此，在极端天气条件下，CSO的形成有可能在水务领域产生直接和间接的温室气体排放，对实现城市水系统的碳中和目标产生负面影响。

要解决全球范围内活跃的CSO所带来的温室气体排放挑战，需要为这些新兴的温室气体排放源定义边界、源、汇和评估方法。以往的研究[1‒2]主要集中在探索网络边界，包括污水管道、污水处理厂和相关设施。然而，受气候变化的影响，城市水系统与城市规模之间的频繁交互不可避免地增加了物质流的复杂性，从而使温室气体排放的边界定义变得复杂。在现有的碳核算框架中，与CSO相关的负面影响（如进水浓度、化学品消耗和能源消耗）被无意中纳入了实际的排放清单数据。然而，与CSO相关的温室气体排放尚未得到充分研究，其影响（尤其是在城市排水系统内的碳足迹方面）尚未被揭示。基于水-能源-碳耦合框架[5]，本文引入了一种新的视角。它将CSO排放与更广泛的城市水系管理过程中的各个环节相结合。与污水处理厂估算类似，CSO的温室气体排放可分为直接排放和间接排放。直接排放包括二氧化碳、一氧化二氮和甲烷。间接排放是基于工程和水力学中交互式城市污水管理系统的电力和化学品消耗所产生的生命周期排放。以往的研究[13‒15]确定了各种污水处理领域中的几种运行机制和反应过程。本研究重点关注水体环境、污水管道和污水管道沉积物层中的生化反应过程，特别是一氧化二氮和甲烷的产生，以及CSO体积的累积[2,16]。

先前关于CSO温室气体排放的研究仅简要涉及了本领域。此外，研究人员[1,8,17]对排水系统和水环境中的温室气体排放进行了定量估算，强调了这些因素对污水行业的独立影响。显然，这些研究误将CSO排放视为唯一的温室气体来源，忽视了CSO的形成、转移和排放的复杂过程。此外，日益严峻的极端天气驱动的城市水循环的动态不确定性是影响核算过程的重要因素。这一复杂过程的多样性阻碍了实践研究和基于模型的研究的普适性。CSO导致的现有温室气体估算存在巨大不确定性：①缺乏明确的碳排放源和边界指导；②用于长期估算和监测的数学和数据驱动模型有限；以及③缺乏综合的CSO控制技术来减轻其对整个环境的影响。总体而言，CSO的温室气体排放问题亟待引起高度重视。

本文旨在：①从立法框架制定层面揭示与CSO相关的温室气体排放潜力；②界定与CSO相关的排放边界和影响因素；③探索综合数据驱动途径，以协同减少CSO事件的污染和温室气体的排放。将与CSO相关的政策、法规和标准依据碳中和目标分为三个阶段进行梳理。本文回顾了关键的温室气体排放源和边界（如河流生态系统、管道以及外部化学品和能源使用），以及其作用机制和影响因素。同时，从CSO预测以及河流和排水系统中的温室气体产生和排放角度出发，对数学模型进行了系统总结和比较。本文提出了一种综合的城市CSO控制系统，该系统整合了整个城市排水系统中的缓解技术和数据驱动方法，从而形成了一种以温室气体减排为重点的策略。本文强调了CSO是重要的温室气体排放源，并着重指出需要综合的、低碳的污水管理解决方案。

2 涉及合流制溢流的关于可持续性和碳中和的法规和建议

与CSO相关的法规和建议的制定构成了CSO控制和管理的重要基础。自20世纪60年代以来，CSO领域的历史法规和政策时间线（图1）可分为三个阶段（见附录A中的补充材料S1~S4）。向可持续和碳中和的城市排水系统的转变，以传统基础设施与创新基础设施（如灰绿基础设施）的融合为标志，这一转变在过去50年中受到了与CSO相关的政策的推动[18‒20]。这一转变因其在能源消耗[21]、直接[5]和间接碳足迹[22‒23]方面的减排效益而得到认可，其影响贯穿从初期建设到长期排放的全生命周期。

2.1 合流制溢流污染的全球状况

在实施了减轻CSO污染的政策和法规后，CSO需获得排放许可，并经过处理以去除威胁公共环境的污染物。然而，根据最近关于全球城市水系统的报告[24‒26]，CSO污染仍然是一个重大问题，并对水质构成间歇性风险。附录A中的表S1总结了全球CSO的污染负荷数据。例如，在英国（UK），国家监测数据显示，近年来CSO数量显著增加，过去三年中CSO事件频次和排放设施的数量一直居高不下[24‒26]。这些水力过载的CSO导致大片河流受到长期污染影响[由于氨氮含量普遍升高和（或）溶解氧含量降低] [27]。尽管英国在2023年之前完成了CSO监测设备的安装，但其他国家尚未建立完整的监测系统，这使得它们更容易面临未经评估的溢流风险影响。尽管做出了这些努力，但CSO污染仍然对全球城市水质构成重大威胁。此外，由于一些因素扰乱城市水循环，如气候变化导致极端天气事件更加频繁[28‒29]、老化的污水系统加上额外的地下水渗入，以及城市化进程中不透水表面积的增加[30‒34]，CSO事件的频率可能会增加。总体而言，目前针对CSO控制的努力并未取得令人满意的结果，CSO仍在向城市水体中输送大量污染物。

2.2 进一步的发展

此外，在碳中和政策[35‒36]体系中，将城市排水系统管理中的CSO控制作为其中一部分，以减轻环境影响，是不可避免的。因此，开发清洁能源技术和减少温室气体排放对于实现CSO控制及碳中和至关重要[37]。作为实现CSO管理这一里程碑的一步，与CSO相关的政策在指导CSO管理行动中发挥了重要作用。此外，识别排放潜力、明确排放边界以及实用的工程解决方案对于CSO中的温室气体排放管理至关重要。

3 识别合流制溢流的排放热点

受城市排水系统中CSO事件复杂交互特性的限制，关于其排放边界和分布的机理研究较为稀缺。本文仅能从现有文献和工程经验中推断原因并扩展排放边界。在城市排水系统的范围内，CSO通常伴随着向水体的污染物排放、雨天泵站的排放以及污水处理厂的超负荷运行。尽管大多数国家已在其碳核算框架中将污水处理厂确定为排放源，但目前仍忽视CSO，未将其视为城市排水系统中潜在的排放热点[2,38‒39]。CSO排放可视为一种特殊事件，会扰乱物质和能量流动的方向。图2展示了城市排水系统中从源到汇的直接和间接与CSO相关的温室气体排放示意图。这些排放边界是采用生命周期评估方法拓展途径（附录A中的补充材料S5和图S1）[40]定义的：①CSO排放的城市水系统：主要是河流生态系统；②静态城市污水管理系统：污水处理厂和管网附属基础设施；以及③城市工程和水文交互的边界：包括污水管道、污水管网和泵站。本文考虑了交互边界，这是一个关键概念，涵盖了CSO的最终去向以及受其影响的活动，如受纳水体和外部能源消耗。所有这些因素在CSO管理和温室气体估算中均发挥着关键作用。以下内容采用跨尺度方法[41]，讨论城市排水系统中与CSO相关的温室气体排放热点，以及这些单元内相应的机制和影响因素。

3.1 排水管道中的温室气体排放

排水管道系统是城市排水系统的重要组成部分，负责从住宅区收集污水并将其输送到污水处理厂。这些系统是温室气体排放（尤其是甲烷和一氧化二氮）的来源。尽管已有研究关注了二氧化碳和一氧化二氮[14,17,42‒44]，但数量较少，我们目前只能描述与甲烷形成相关的关键过程和因素，并将其作为污水管道系统中的排放边界。①管道类型和运行条件。根据运行方式，污水管道系统分为满管流管道和重力流污水管道（晴天城市污水系统的主要污水管道类别）[17]。在重力流污水管道中，停滞的污水流动会导致厌氧环境和固体沉积，从而增加来自整体相或污泥源的甲烷产生[1]。②生物机制。温室气体排放源自排水管道中沉积物、水体和管壁上生长的生物膜中发生的厌氧、缺氧或好氧生物过程[45]。③水力和环境因素。水位变化、温差和压差驱动着排水系统的气体排放[2]。在CSO储存效应[46]的驱动下，随着排水系统顶部空间的消除，充满污水管道的水将空气向上游移动到最近的落差结构，从而在CSO事件期间产生高空气流速。

另一个关键过程是，在CSO事件中，由于污水管道持续在高水位运行，其水力参数接近满管流污水管道的水力参数，从而由于污水管道中的压力变化而增加了甲烷的溶解度。因此，管道内以污水和沉积物两相存在的甲烷会随CSO排放进入自然水体，这可能会扰乱甲烷的时空分布模式，并导致甲烷的排放失控。根据当前的实验室实验和模型，大多数研究[47]都集中在甲烷的产生上，而不是污水管道系统中甲烷的排放[2]。CSO事件期间的复杂水力条件，如水和气流的混合以及复杂的拓扑结构，使得科学地解释CSO驱动的污水管道碳排放变得更加困难。

3.2 河流生态系统中的温室气体排放

越来越多的证据表明，全球河流生态系统是温室气体排放的重要来源[7,48‒49]。内陆水域向大气排放的碳约占全球碳排放的20%（每年4.3 pg碳）[50]。关于河流系统温室气体排放，已有研究对二氧化碳、甲烷和一氧化二氮的排放进行了探讨[48,51]。影响因素总结如下：①极端天气和水文条件。极端天气和水文条件的强度和频率驱动着河流系统的气体排放。在降雨事件中，CSO排放伴随着泵站排水和管道沉积物扰动，这些扰动向受纳水体输入大量有机污染物[4]。②污染物输入，包括营养物负荷和溶解态甲烷。冲刷后的排水管道沉积物向河流输入了大量含氮和磷的物质，分别占受纳水体中总氮（TN）和总磷（TP）质量的20.9%~44.6%和35.66%~47.3% [52]。同时，与雨水混合的冲刷污水含有溶解的甲烷，这些甲烷可迅速释放到大气中。③缺氧和厌氧环境。在这些条件下，河流系统极易迅速进入缺氧/厌氧状态，从而促进河流系统的温室气体排放。此外，CSO事件引发的河流温室气体排放可能具有滞后性，由于河流系统中气体存在时空异质性，因此需要对这一现象进行深入探讨。

3.3 电能消耗

潮湿天气下，短时间内流量的急剧增加给排水系统的运行带来了压力，尤其是污水收集和运输系统。极端天气事件（如极端降水、灾难性洪水、干旱、热浪/寒潮和风暴）发生频率的增加加剧了这一压力。在城市排水系统中，电能消耗正成为能耗强度和温室气体排放的关键热点。印度德里的一项案例研究[13]显示，污水运输环节的能耗占城市排水系统每日总能耗的45.3%。运行阶段能耗占比为70%，其中79%为电能。用于污水提升和污水管道运输的泵站设备也会产生间接温室气体排放，这些排放量是使用排放系数（EF）[53]计算的。该排放系数应根据当地实际情况优化调整。

3.4 化学品消耗

当城市排水系统发生CSO时，混有污水和雨水的径流会到达污水处理厂。这会导致污水处理厂超负荷运行，且进水中的有机化合物浓度降低。最直观的温室气体排放来自用于处理输送到污水处理厂的低碳高流量污水所使用的额外化学物质[15,54]。此外，有理由推测，溢流可能导致污水处理厂运行效率低下，从而需要采取碳密集型措施来维持其功能。

3.5 碳核算创新：更清晰的边界和方法转变

我们在对城市排水系统中CSO事件期间温室气体排放的时空分布和强度理解方面，存在知识和数据上的空白。由于复杂性、监测局限性和成本问题，再加上排放边界的不一致性和不明确性，温室气体估算仍然具有挑战性。为了更清晰地界定排放边界，加强CSO事件期间微观过程的研究至关重要，因为这可以提高排放边界的清晰度，并促进确定准确的碳排放贡献。改进数据监测和收集是弥补这一空白的基础。数据获取的要求包括：① CSO的水质和水量；② CSO事件期间管网内的水力参数（如水位、流量甚至沉积物厚度）；③污水系统管网附属基础设施的运行参数，如每日进水量和电能消耗；④ CSO发生前后受纳水体的水质和水量监测数据。包括排放系数和直接测量方法在内的碳核算方法受到数据收集和区域差异的限制。通过量化包括不同区域或城市特定CSO事件在内的城市排水系统参数中排放系数的变化，可以基于全面测量和综合数据收集建立全球排放清单。这一路径的实施强调了解决数据可用性和应对CSO事件性质变化的需求，我们将在下一节中进行探讨。

4 与合流制溢流相关的温室气体排放估算方法及支持模型

尽管数学模型并不完善，但它为CSO问题提供了一种解决方案。这些模型通过建立与CSO相关的环境因素的合理定量关系，并确定它们与温室气体排放之间的相关性，从而弥合了实验室实验与大规模预测之间的差距。因此，此类建模可以成为支持城市排水系统运营管理和缓解策略开发的有力工具。由于CSO事件中温室气体排放的时空异质性特征，研究人员已初步探索了与CSO各排放边界相对应的建模框架。通过在不同类型的排水系统中改变关键参数，并调整模型的驱动机制，提高了CSO温室气体排放估算的准确性和细化程度。图3展示了后续内容中提出的综合建模框架，涵盖其数据需求、相关架构和未来发展潜力。

值得注意的是，已有几项研究探讨了模拟溢流体积、持续时间和其他参数的CSO模型[55‒56]。随着污水系统中温室气体生成模型的建立[51,57]，人为排放（如城市径流）对河流氮和碳输送的影响也逐渐被阐明。在后续内容中，将系统地总结和讨论与CSO引起的温室气体排放相对应的现有估算方法，以完善城市排水系统中与CSO相关的温室气体排放估算系统（图3）。

4.1 合流制溢流模型——基本物理和化学参数的监测数据

全面绘制温室气体排放图的第一步，尤其是对于那些没有成熟模型的情况，需深入研究CSO事件中的水文连通性和微观尺度反应。CSO模型为温室气体估算提供了基本的物理和化学参数，并作为污水管道和河流环境之间必不可少的预测桥梁。如图3所示，水量和水质模型主要构成了污水管道-河水模型，用于预测CSO中的体积和污染物负荷，以进行温室气体估算。

4.1.1 合流制溢流体积的建模

这些模型大致可分为三类：基于物理的模型、统计模型和基于人工智能（AI）的模型（见附录A中的补充材料S6~S8）[54]。在预测与CSO相关的温室气体排放方面，预测CSO体积的模型可协助估算：①直接排放量：有多少污水与雨水混合后流入河流生态系统；②间接排放量：有多少雨水进入污水处理厂，从而导致处理效率低下。附录A中的表S2和表S3总结了利用这三种模型预测溢流量相关的研究。基于物理原理的模型以物理过程原理为基础，描述了模拟过程中解释参数之间的关系[58]。关键的输入参数包括管道的几何特性和边界条件、集水区条件、土壤特性、不透水区域面积以及模拟区域的数字高程模型[56,59‒62]。统计模型使用数据驱动技术解释变量与不同溢流特征之间的关系，通常预测在特定置信区间内发生CSO的概率[8,63]。与基于物理的模型相比，统计模型的优势在于输入数据需求较少、耗时更短，且对物理和化学知识的要求更低[56]。这些模型有效地模拟了有限数量的CSO事件，并通过模型组合增强了预测能力[64‒66]。基于AI的模型解决了数据集固有的不确定性，使其非常适合城市排水系统的运行管理[56]。深度学习技术，如循环神经网络和长短期记忆网络，擅长使用多个隐藏层从原始数据中提取特征[67]。此外，管道中的污水流量会因社会现象和气候变化因素（如大气湿度、时间、一周中的日期等要素）而呈现不同的趋势，这些因素应纳入建模过程。通过构建框架，将大数据算法与基于物理的数值模型相结合，可以实现几秒钟内CSO位置和时间轨迹的准确预测[68]。

4.1.2 合流制溢流污染物负荷建模

污水管道系统内的水量和水质数学模型通常用于评估CSO的污染物负荷。理想情况下，应采用综合建模方法来估算CSO对当前水量和水质的影响。这些方法与城市排水系统及受纳水体的水文和水动力模型协同作用，并考虑它们之间的相互作用[69,70]。第4.1.1节详细阐述了水量模型（如基于物理的模型），该模型可以实现对污水基础设施的精细化设计和精准分析。为了模拟CSO对地表水质的影响，仅考虑单一污染物指标，如生化需氧量（BOD）等反映有机物含量的指标。这可能不足以全面定义受纳水体的水质，因为其他污染物也很重要。在这种情况下，虽然可以在污水系统内使用水质模型，但其性能通常较差[2]。作为一种选择，可以将样本CSO排放量应用于回归模型的校准，以预测CSO的污染物负荷，而这种方法在很大程度上依赖于样本的质量和CSO的监测可靠性[71,72]。另一种选择是利用降雨量和CSO体积特征来预测CSO事件中的总悬浮固体（TSS）和化学需氧量（COD）负荷[73]。然而，这些数据集并不总是有效的；例如，世界各地的污水系统可能具有不同的布局和污水来源（如不同的家庭和工业污水）。此外，由于溢流事件中的“初期径流”或其他过程，CSO浓度通常会随时间的变化而变化。我们发现，这需要关于某些污染物对受纳水体相对影响的知识和有效数据；然而，在数据匮乏的地区或国家，可能缺乏此类知识。此外，如何应对CSO对观测稀疏区域的水量和水质的影响已成为亟待解决的问题。

4.2 污水管道温室气体模型

探测技术（示踪剂扩散法和可选的气体成像红外摄像机）是用于污水管道中甲烷的传统测量技术。然而，由于测量环境的复杂性，这些技术在时间和空间变化上表现出不准确性，因此不适用于长期定量监测。因此，先进的监测方法和基于数学或机器学习（ML）的模型对于甲烷排放量的估算至关重要，为完善污水管道系统中甲烷排放系数提供了有力工具。目前，尚未对污水管道中二氧化碳和一氧化二氮的排放过程建立直接模型[2]。尽管城市排水管道系统中甲烷排放尚无标准化模型，但已有几项研究开发了动力学或经验模型，这些模型考虑了影响甲烷排放和生化过程的主要因素，从而提供了初步的测量工具。附录A中的表S4总结了以往研究中使用的具有代表性的甲烷模型。以下两节将详细分析这两类甲烷模型的建模情况。

4.2.1 动力学模型

如表S4所示，动力学模型描述了管道内的主要生化过程，并根据测量的动力学参数预测甲烷浓度的变化。在大多数污水管道模型（如SeweX模型[74]）中，生物反应被建模为生物膜过程。作为动态模型，SeweX模型（附录A中的补充材料S9）被用于分析管道中甲烷的分布模式。然而，SeweX模型计算量大，且假设整个管道内的生物膜活性均匀，这可能无法反映污水成分和生物膜活性的变化[75,76]。其他动力学模型，如一级动力学模型和修正的Gompertz模型，也被应用于监测甲烷的产生。一级动力学模型仅模拟稳定后的累积甲烷产量，因为它无法针对反应开始时微生物的适应阶段进行校准。通过引入参数c来修正模型（表S4），以考虑污水中可溶性惰性组分的不同反应动力学，该模型除绝对参数（如初始延迟和最终甲烷产量等宏观参数）外均取得了良好的拟合效果[77]。将滞后时间（λ）作为底物生物可降解性和利用率的重要指标，修正后的Gompertz模型与一级动力学模型相比，在预测和测量甲烷产量方面表现更优[78]。然而，动力学模型可能受到未知因素或污水成分变化的限制，并且往往忽视管道沿线沉积物中发生的生化过程[47]。因此，整合描述污水管道中参数变化的经验方程将提高这些模型的适用性。

4.2.2 经验方程

基于大量的实验室规模数据推导得出的污水管道中甲烷产生和排放的经验方程，其表达式较动力学模型更为简洁。表S4列出了先前研究中开发出的经验方程及其在模拟甲烷产量方面的表现。以往的动力学模型是基于压力流污水管道中甲烷产生量、管道面积与体积比以及水力停留时间（HRT）之间的拟合相关性而建立的[14]。由于外部气候条件的干扰较少，大多数经验方程与压力流污水管道系统的性能拟合得更好[79]。在重力流污水管道中，较长的HRT和更复杂的反应条件会导致甲烷排放量增加[79]。在重力流污水管道中甲烷产生和排放的同等潜力以及监测城市径流和雨水冲入城市排水系统时甲烷排放过程的实时变化方面，仍存在研究空白。最近的研究[1,5]重点关注了重力污水管道中的甲烷排放。这些模型整合了多种生化过程和物理过程（如化学沉淀反应过程、不同介质及其界面上的生化反应过程以及污水管道上部空间的对流过程）[75,77,80]。总体而言，这些研究旨在通过纳入多种反应过程和环境因素，为预测重力流污水管道中的甲烷排放提供综合模型。这些模型为公认的甲烷产生和排放测量模型奠定了基础。然而，为增强其应用性，仍需使用更全面的数据集进行进一步验证。

4.3 河流温室气体模型

研究人员越来越强调全球范围内河流生态系统中温室气体排放的重要性[48‒49,81]，而关键工作在于为复杂环境中的温室气体排放建立一个可靠的模拟框架。现有研究已开始在其研究网络中纳入更多排放源，如外部来源（如地表径流和地下水输入）和汇（如采样点下游水体运输过程中的完全反硝化作用和大气释放）[81]。然而，现有模拟结果仍存在较大的不确定性，这可能是由于方法偏差、数据稀缺以及对驱动河流温室气体排放的环境因素理解不足或理解不均衡所致。因此，迫切需要开发一种高效模型，充分考虑水文运输过程中河流温室气体的源、汇和转化过程。以往的研究[81,82]主要集中在模拟或监测不同时空条件下单一温室气体排放，特别是一氧化二氮的排放。在此背景下，一些研究人员开始监测气候变化驱动的温室气体排放，然而，提高涉及城市径流和CSO的人为氮和碳排放的温室气体排放的预测准确性仍然具有挑战性。附录A中的表S5总结了各种研究中用于测量河流环境温室气体排放的量化方法和模型。为了解决整个河流生态系统的温室气体排放问题，已开发出几种综合模型，这些模型将河流网络氮或碳去除模型与测量的反应速率相结合，并将温室气体排放模型与土壤和水评估工具相整合。此外，还采用幂律缩放和动态陆地生态系统模型来评估河流温室气体排放。然而，大多数模型主要假设温室气体是由河道内的生物地球化学过程产生的。必须考虑水-气界面上的气体交换过程以及来自城市地区的外部氮和碳源。目前，量化淡水系统温室气体排放的方法很少，如涡动相关法[82]、浮箱法[83]、通量梯度法和扩散模型[84]。这些方法的优点和局限性在表S5中进行了总结。值得注意的是，在建模过程中必须考虑河流特征，如流动条件、水深和水位。第4.1节指出，数据驱动模型可用于估算这些特征，相关研究通过模拟全球不同河流的温室气体排放量已验证了该方法的有效性[85]。

4.4 战略性温室气体排放估算

如图3所示，通过整合污水管道和河流中的温室气体排放模型，城市排水系统中的温室气体模型提供了宏观视角，而CSO预测模型则作为详细分析工具，用于评估CSO相关的温室气体排放。因此，采用系统化的碳核算方法对于理解城市排水系统中复杂的水循环至关重要。从综合框架的角度来看，这些方法具有共同的关键参数和信息（图3）。结合社会经济因素以及污水管道特性和地理条件来评估水质和水量，对于评估温室气体排放潜力至关重要。解决数据可用性和质量问题，并填补微观和宏观尺度上温室气体估算与CSO之间的建模空白，是进一步发展的关键方向。重要的是，要在此框架内考虑极端天气事件的影响，并对碳氮循环进行全面评估，以明确控制策略[86,87]。

5 缓解与合流制溢流相关的温室气体排放

对排放潜力的认知，强调了寻求实用工程解决方案的必要性。减少CSO的排放量和污染物负荷，有望有效缓解温室气体排放。迄今为止，已开发出多种CSO控制技术，如增加雨水储存能力、扩建滞留或蓄水设施，以及开发污水管网分流和处理技术。在大多数地区，将现有的城市污水系统改为分流制排水系统（即污水系统和雨水系统）通常成本过高，且由于某些管道缺陷，无法保证污染物减少[88]。因此，本节仅回顾不涉及污水管道改造的控制策略。图4展示了减少CSO排放温室气体的最新策略，并总结了温室气体减排的机制。总体而言，这些策略可分为“管道前端”减排、“管道中”监测和“管道末端”处理。此外，本章强调了利用数据驱动技术减少CSO排放的潜力，并为未来的研究和实际应用提出了一个综合的CSO控制框架。

5.1 “管道前端”控制措施

“管道前端”控制措施的目的是尽可能防止雨水进入污水系统。强降雨期间，在雨水进入城市污水系统之前，对雨水和径流进行外部储存和处理，可以减少CSO，这通常被称为城市水资源管理框架下的雨水控制方法（SCM）[89]。考虑到集水区可用空间有限以及城市土地利用紧张，这些类型的雨水控制方法通常以绿色基础设施的形式出现，以最大限度地利用城市空间。这在可持续城市排水系统（SuDS）中被称为低影响开发基础设施，在其他地区则被称为“海绵城市”[90]。图4展示了现有的解决方案，包括水力缓冲区、物理化学过滤和吸附系统、生物滞留过程、絮凝剂辅助生物滞留以及基于向心引力原理的地下分离装置。附录A中的表S6总结了常见雨水控制方法的效果及其适用性。

可持续城市排水系统中的绿色基础设施，包括绿色屋顶、渗透沟渠和其他基于自然的解决方案[91]，能够滞留雨水、缓解径流峰值，并进一步去除与雨水径流相关的特定污染物（如悬浮物负荷）[91‒93]。也就是说，雨水管理设施可以通过增加径流集水时间、减少径流量和去除径流中的污染负荷来缓解CSO的温室气体排放[94]。然而，尽管雨水管理设施在城市雨水管理方面表现出色，但在成本效益方面，它并不能完全取代传统的灰色基础设施（如雨水沟、排水沟、管道和蓄水池）。多项对比研究表明，与单一基础设施相比，结合灰色基础设施的绿色基础设施在减少峰值流量和污染物负荷方面是更好的选择[95,96]。同时，绿色基础设施和灰色基础设施在缓解CSO方面具有不同的机制。带有出水口控制的绿色基础设施能更好地减少CSO的体积，而灰色基础设施则更擅长减少其频率[96]。此外，可持续城市排水系统能够长期减少CSO的体积，减少比例在50%~90%之间[94]。由于气候变化持续不断，每个绿色基础设施长期减少CSO的能力至关重要。除了提高局部的雨水管理能力外，绿色基础设施在整个污水系统生命周期中的环境影响也较低，这主要是由于其减少了建筑材料的生产需求，以及在建设过程中减少了间接的温室气体排放（如燃料消耗）[97]。采用生命周期评价方法估算，雨水花园的总碳减排量和净碳减排量分别为1927.41 t和809.99 t二氧化碳当量（tCO2e），而一项城市规模的城市排水系统评估显示，绿色基础设施使年度温室气体减排水平提高了45.9% [98,99]。需要利用连续的长期降雨事件数据对绿色基础设施与CSO排放口之间的相互作用进行系统模拟，并且需要进一步研究在高强度降雨事件中通过整合绿色基础设施部署策略减少CSO的可能性。

5.2 “管道内”监测

“管道内”监测旨在优化城市排水系统中的现有基础设施。随着水务部门的数字化，实时控制（RTC）已被证明是减少CSO的有效方法[89,100,101]。通过配备传感器和流量控制执行器后，实时控制能够充分利用管道的蓄水和输水能力，并就城市排水系统中执行器的设置做出实时运行决策[100,102,103]。传统的实时控制方法包括启发式控制（HC）和模型预测控制（MPC）。启发式控制使用预设规则来控制城市排水系统，因此对环境条件的变化（如降雨期间水量和水质的波动）缺乏适应性，导致CSO控制性能不佳[105]。模型预测控制方法通常优于启发式控制方法，因为它使用短期降雨预测、城市排水系统模型模拟和优化算法来优化每个控制时间点的运行策略[100,105,106]。然而，模型预测控制方法的性能受到降雨预测准确性及其优化算法计算速度的限制[100,102]。幸运的是，无线技术的使用以及管道网络中闸门、阀门和泵站的自主控制为模型预测控制方法的应用提供了便利。

随着深度学习（DL）方法在城市水资源管理中的广泛应用[107]，基于强化学习（RL）和深度强化学习（DRL）的实时控制方法也被应用于城市排水系统的运行[100,102,104,108‒110]。深度强化学习通过试验和相对简单的反馈机制来训练强化学习智能体，以通过闭环框架实现实时控制城市排水系统[104]。换言之，与启发式控制和模型预测控制相比，它更适合实时控制场景[110]。此外，强化学习控制器的性能对深度神经网络的构建十分敏感，因此需要大量计算资源来提升性能。从控制架构的角度出发，人们也做出了额外努力来增强通信的稳健性。Zhang等[103]提出了一种基于多智能体强化学习（MARL）的分散式实时控制方法，以减少溢流，从而增强通信的稳健性。现实案例的合成降雨条件下，与当前使用的基于规则的控制（RBC）相比，该方法将CSO体积减小了14.39%~21.36%。更多优化控制效果和通信稳健性的强化学习策略，如集中式和完全分散式方法，以及针对通信故障的更稳健、更安全的应对方案，仍具有广阔的研究潜力。

5.3 “管道末端”处理

在管道末端拦截和处理CSO是减轻其对城市水系统温室气体排放影响的最后一道屏障。关于CSO末端处理及其温室气体减排机制的现有策略如图4所示。总体而言，“管道末端”处理策略可分为自然处理[如人工湿地（CW）]和技术紧凑型处理。在用于CSO处理的人工湿地中，垂直流人工湿地，也被称为滞留土壤过滤器（RSF），颇受欢迎，其由种植介质床组成，污水通过该床层进行渗透。如附录A中的表S7所示，RSF在处理化学需氧量、总磷和氨氮（NH4+-N）等传统目标污染物以及减少峰值流量方面的处理性能已得到广泛研究，显示出高效的去除效率和稳定性。

在排放前，采用在线处理方法（如消毒、吸附或化学混凝）可以实现技术紧凑型的处理方案[89,111]。附录A中的表S8总结了CSO紧凑型处理技术的替代方案及其在污染物负荷去除方面的性能。这些处理技术可以从CSO中去除总悬浮固体、磷酸盐和有机物。尽管新兴污染物的去除效率已得到充分研究（表S8），但目前尚缺乏关于其在CSO处理中应用的研究。这一研究空白可能归因于两方面的滞后：其一，针对CSO控制，技术紧凑型处理方案的提出较晚；其二，基于物理原理的模型[如雨水管理模型（SWMM）]在CSO建模中的应用滞后。CSO中的污染物来源复杂，涉及不同相态（如固相和液相），对城市雨水多源污染的深入分析是开发控制过程的基础。

5.4 呼吁建立综合的合流制溢流控制框架

城市在控制与CSO相关的温室气体排放方面资源有限。因此，为了最大限度地提高现有和未来CSO控制策略的成本效益并减少温室气体排放，所提出的解决方案应配备先进的控制技术和数据驱动方法[112,113]。尽管先前的研究已经评估了实时控制方法对不同类型绿色基础设施和其他可持续城市管理方法的影响[105,114‒117]，但仍需应用更复杂的实时控制方案[如模型预测控制、随机控制（RBC）甚至基于深度学习的实时控制方案]来改进绿色基础设施控制，分析如何根据环境优先级逐步实施和分配绿色基础设施，以避免CSO。同时，也出现了通过智能控制城市排水系统中的雨水流入，优化CSO控制策略以提高中小型降雨事件期间的蓄水和输水能力的需求。为了比较不同实时控制策略（即模型预测控制和随机控制）在整合大规模绿色基础设施分布的性能，Jean等[118]证明，将绿色基础设施与模型预测控制相结合的方案是避免几乎所有CSO事件的更好策略。未来的研究应继续将模型预测控制和其他新兴实时控制方法与绿色基础设施和其他可持续城市管理方法相结合，以确定这些技术如何相互协同。同时，从整个生命周期温室气体减排以降低CSO排放影响的角度来看，迫切需要一个综合框架，包括：①更先进的控制过程以减少CSO体积和污染物，②更全面且具备应急能力的数据驱动技术以管理城市水系统，以及③更大规模的城市设施（如污水处理厂和河流生态系统）以从全市角度控制CSO，这可能为城市排水系统减少温室气体排放的方式带来新的根本性变革。

6 实施碳中和实践时面临的挑战与局限性

基于最新研究，目前对城市排水系统中与CSO相关的温室气体排放的理解存在显著缺口和相互矛盾的结论。观察到的局限性和挑战如下。

（1）除城市污水系统中的CSO外，由管道之间的错混接以及分流制排水系统中的结构和功能故障[118]所引发的分流制污水管道溢流（SSO），会向中国水生环境引入高浓度污染物，构成严重威胁。在发展中国家，污水管道与雨水管道错混接的现象十分普遍。因此，在潮湿天气下，分流制污水管道溢流也会加剧城市污染[119]。CSO和分流制污水管道溢流均会导致温室气体排放，然而，关于这一问题的全面研究却寥寥无几。因此，迫切需要更广泛地关注与管道运行故障相关的碳排放边界、足迹和验证系统，同时还应考虑城市地区CSO和分流制污水管道溢流的不同情况。

（2）明确界定CSO的排放边界对于有效的碳管理至关重要。对微观物理、化学和生物过程的研究可以阐明排放边界并评估排放动态。例如，迫切需要揭示CSO形成和排放过程中温室气体排放的规律，并解析不同反应介质之间污染物和温室气体的转化调控机制。对CSO事件的长期观测，包括事件期间的多频次采样和分析，对于准确量化其对水质参数、水文模式和温室气体排放的影响至关重要。这需要部署额外的在线监测设备并实施全面的监测方案。

（3）数据驱动的城市排水系统可提供CSO控制和管理的新方法，克服碳核算中的挑战，如数据稀缺、信息准确性低[120]以及强烈的时空异质性。例如，CSO事件中实时水质和水量数据的动态稀缺性阻碍了温室气体预测和监测的实现。这些方法需要先进的计算能力以实现详细预测，并需要改进硬件设备和数学算法。我们认为，机器学习和深度学习将从根本上改变城市排水系统的管理和运营，以应对气候变化和环境挑战。此外，基于污水的流行病学研究可以增强CSO的监测能力，并为公共卫生和福祉提供见解[121]。

（4）实施综合CSO控制策略以实现碳中和面临阻力和权衡。CSO控制的结果、运营成本和温室气体排放之间存在冲突。此外，量化潜在收益与投资必要性之间的权衡仍然具有挑战性。在城市水循环中，污水与水、能源和碳排放之间存在着动态联系[122,123]。考虑到不同尺度的CSO控制策略，它们对碳排放控制的贡献呈现出不同的结果。在城市排水系统中，污水碳损失管理与直接碳排放控制之间存在矛盾[2]。为了指导未来的CSO，可以实施系统模拟，根据不同的城市经济和社会特征优化建设方案，进而寻求环保且经济的控制策略。

这些挑战和局限性表明，在城市排水系统中应用数据驱动的CSO控制策略并不局限于技术创新。要转变城市排水系统的运营方式，必须从整体系统的角度出发，并且使用的技术应适应当地条件。同时，应认识到，与利用污水处理厂运营或进行末端控制相比，减少由管道问题（如雨污管道错混接[88]）引起的温室气体排放，是从根源上减少整个城市排水系统中温室气体排放的解决方案。因此，在城市排水系统中，从CSO排放风险管理向从源头（即排水管网）到汇点（即自然水体或污水处理厂）的全面可持续温室气体管理转变，代表着未来的发展方向。

7 结论

本文全面阐述了针对CSO温室气体排放的政策、动态和控制策略。作为处理CSO的指导方针，相关政策已逐渐将减少CSO对整个环境的影响确定为一项新兴目标。关于CSO的温室气体排放源，值得注意的是，在降雨事件中，CSO形成的河流生态系统中产生的温室气体排放尤为显著。暴雨频发导致的额外电力和化学品消耗也产生了间接的温室气体排放。

模型在CSO相关温室气体排放估算中的应用仍处于早期阶段，因为大多数研究都集中在模拟城市排水系统中CSO的具体过程（如CSO的体积和频率）、污水系统中的温室气体生成以及各种因素驱动的河流生态系统中的温室气体排放。目前尚未开发出综合的碳排放过程模型。尽管实时控制方法中深度学习技术的创新应用已积累了宝贵经验，但数学技术，特别是机器学习和深度学习的应用尚未得到充分开发。未来，CSO相关温室气体排放模型与城市排水系统管理中的综合数据库相结合的前景广阔，这将有助于政府获取CSO排放及其环境影响的实时动态数据。

鉴于人工智能在城市水系统数字化和智能化管理中的潜力，本文探讨了如何将这些转型应用于实际实施和管理策略。我们认为，应对温室气体排放挑战，不能局限于传统的孤立技术来缓解CSO。整合了径流减少、污水管道运行优化和高效末端处理的综合控制系统，已作为应对网络中温室气体排放复杂性的新兴方法。如果城市未发生洪涝，利用数据驱动技术（如实时控制和CSO建模）可以提供更适用的CSO控制策略，既能最大化单一控制方法的影响，也能减少CSO对整个环境的负面影响。

我们设想在未来，从安全智慧城市的角度出发，将开发出一条三步走的发展路线：首先建立受CSO影响的温室气体排放的动态全局机制；其次推进数据驱动技术的实际应用，再到成本与效益之间的权衡；最终通过控制CSO实现对碳排放的积极减排。这一方法对城市污水系统的碳中和具有重大贡献，强调了将数据驱动技术与实际城市水系统管理相结合的重要性。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Song CH, Zhu JJ, Willis JL, Moore DP, Zondlo MA, Ren ZJ. Methane emissions from municipal wastewater collection and treatment systems. Environ Sci Technol 2023;57(6):2248‒61. . 10.1021/acs.est.2c04388
[2]

Chen J, Wang H, Yin W, Wang Y, Lv J, Wang A. Deciphering carbon emissions in urban sewer networks: bridging urban sewer networks with city-wide environmental dynamics. Water Res 2024;256:121576. . 10.1016/j.watres.2024.121576
[3]

Aghdam E, Mohandes SR, Zayed T. Evaluating the sensory and health impacts of exposure to sewer overflows on urban population. J Clean Prod 2023;413:137498. . 10.1016/j.jclepro.2023.137498
[4]

Zhao G, Wang D, Sun T, Ding Y, Chen S, Li Y, et al. Emission of greenhouse gas from urban polluted river during different rainfall events: typhoon and storm will promote stronger evasions. J Hydrol 2023;625:130166. . 10.1016/j.jhydrol.2023.130166
[5]

Su Q, Dai HC, Xie SY, Yu XY, Lin Y, Singh VP, et al. Water‒energy‒carbon nexus: greenhouse gas emissions from integrated urban drainage systems in China. Environ Sci Technol 2023;57(5):2093‒104. . 10.1021/acs.est.2c08583
[6]

Zhu H, Wang Q, Liu J, Zheng X, Xu M. Closing the gap in methane emission from urban wastewater sewer system in China. J Clean Prod 2024;437:140722. . 10.1016/j.jclepro.2024.140722
[7]

Xu W, Wang G, Liu S, Wang J, McDowell WH, Huang K, et al. Globally elevated greenhouse gas emissions from polluted urban rivers. Nat Sustain 2024;7(7):938‒48. . 10.1038/s41893-024-01358-y
[8]

Bizer M, Kirchhoff CJ. Regression modeling of combined sewer overflows to assess system performance. Water Sci Technol 2022;86(11):2848‒60. . 10.2166/wst.2022.362
[9]

Perry WB, Ahmadian R, Munday M, Jones O, Ormerod SJ, Durance I. Addressing the challenges of combined sewer overflows. Environ Pollut 2023;343:123225. . 10.1016/j.envpol.2023.123225
[10]

Whelan MJ, Linstead C, Worrall F, Ormerod SJ, Durance I, Johnson AC, et al. Is water quality in British rivers “better than at any time since the end of the Industrial Revolution”? Sci Total Environ 2022;843:157014. . 10.1016/j.scitotenv.2022.157014
[11]

Dirckx G, Vinck E, Kroll S. Stochastic determination of combined sewer overflow loads for decision-making purposes and operational follow-up. Water 2022;14(10):1635. . 10.3390/w14101635
[12]

Bertels D, De Meester J, Dirckx G, Willems P. Estimation of the impact of combined sewer overflows on surface water quality in a sparsely monitored area. Water Res 2023;244:120498. . 10.1016/j.watres.2023.120498
[13]

Singh P, Kansal A. Energy and GHG accounting for wastewater infrastructure. Resour Conserv Recycl 2018;128:499‒507. . 10.1016/j.resconrec.2016.07.014
[14]

Guisasola A, de Haas D, Keller J, Yuan Z. Methane formation in sewer systems. Water Res 2008;42(6‒7):1421‒30.
[15]

Zhang X, Hao T, Zhang T, Hu Y, Lu R, Li D, et al. Towards energy conservation and carbon reduction for wastewater treatment processes: a review of carbon-neutral anaerobic biotechnologies. J Water Process Eng 2024;59:105026. . 10.1016/j.jwpe.2024.105026
[16]

Willis J. GHG methodologies for sewer CH4, methanol-use CO2, and biogas combustion CH4 and their significance for centralized wastewater treatment [dissertation]. Queensland: University of Queensland; 2017.
[17]

Liu YW, Ni BJ, Sharma KR, Yuan ZG. Methane emission from sewers. Sci Total Environ 2015;524‒25:40‒51.
[18]

Fryd O, Dam T, Jensen MB. A planning framework for sustainable urban drainage systems. Water Policy 2012;14(5):865‒86. . 10.2166/wp.2012.025
[19]

Casal-Campos A, Sadr SMK, Fu G, Butler D. Reliable, resilient and sustainable urban drainage systems: an analysis of robustness under deep uncertainty. Environ Sci Technol 2018;52(16):9008‒21. . 10.1021/acs.est.8b01193
[20]

Wang T, Zhang YH, Li HZ, Xu ZX, Jin W. Policies on combined sewer overflows pollution control: a global perspective to inspire China and less developed countries. Crit Rev Environ Sci Technol 2024;54(14):1050‒69. . 10.1080/10643389.2023.2286956
[21]

New York City’s Water‒Energy Nexus. A tool to measure greenhouse gas emissions for water sustainability initiatives. In: Proceedings of the International Conference on Sustainable Infrastructure; 2017 Oct 26‒28; New York City, NY, USA. Washington, DC: American Society of Civil Engineers; 2017. . 10.1061/9780784481196.024
[22]

Rodríguez-Sinobas L, Zubelzu S, Perales-Momparler S, Canogar S. Techniques and criteria for sustainable urban stormwater management. The case study of Valdebebas (Madrid, Spain). J Clean Prod 2018;172:402‒16. . 10.1016/j.jclepro.2017.10.070
[23]

De Sousa MRC, Montalto FA, Spatari S. Using life cycle assessment to evaluate green and grey combined sewer overflow control strategies. J Ind Ecol 2012;16(6):901‒13. . 10.1111/j.1530-9290.2012.00534.x
[24]

Hammond P, Suttie M, Lewis VT, Smith AP, Singer AC. Detection of untreated sewage discharges to watercourses using machine learning. Npj Clean Water 2021;4(1):18. . 10.1038/s41545-021-00108-3
[25]

Environment Agency. Environment Agency publishes storm overflow spill data for 2023 [Internet]. London: GOV.UK; 2024 Mar 21 [cited 2024 Nov 1]. Available from:

[26]

Environment Agency. Storm overflow-spill frequency portal: event duration monitoring (EDM) [Internet]. London: GOV.UK; undated [cited 2024 Nov 1]. Available from:

[27]

Scottish Environment Protection Agency (SEPA). Improving urban waters [Internet]. Aberdeen: Scottish Environment Protection Agency; undated [cited 2024 Nov 1]. Available from:

[28]

Semenza JC. Cascading risks of waterborne diseases from climate change. Nat Immunol 2020;21(5):484‒7. . 10.1038/s41590-020-0631-7
[29]

Zhai P, Pörtner HO. Global warming of 1.5 ℃. Report. Geneva: The Intergovernmental Panel on Climate Change (IPCC); 2018.
[30]

Dirckx G, Fenu A, Wambecq T, Kroll S, Weemaes M. Dilution of sewage: is it, after all, really worth the bother? J Hydrol 2019;571:437‒47. . 10.1016/j.jhydrol.2019.01.065
[31]

Liu T, Su X, Prigiobbe V. Groundwater-sewer interaction in Urban Coastal Areas. Water 2018;10(12):1774. . 10.3390/w10121774
[32]

Quaranta E, Fuchs S, Jan Liefting H, Schellart A, Pistocchi A. A hydrological model to estimate pollution from combined sewer overflows at the regional scale: application to Europe. J Hydrol Reg Stud 2022;41:101080. . 10.1016/j.ejrh.2022.101080
[33]

Su X, Liu T, Beheshti M, Prigiobbe V. Relationship between infiltration, sewer rehabilitation, and groundwater flooding in coastal urban areas. Environ Sci Pollut Res Int 2020;27(13):14288‒98. . 10.1007/s11356-019-06513-z
[34]

Environmental Protection Agency (EPA). Report to congress on the impacts and control of combined sewer overflows and sanitary sewer overflows; Availability of public health experts workshop summary (EPA 833-R-02-002). Report. Washington, DC: National Archives; 2004. . 10.2175/193864704784147421
[35]

Masson-Delmotte V, Zhai P, Pirani A, Connors SL, Péan C, Berger S, et al. Climate change 2021: the physical science basis. Report. Geneva: Intergovernmental Panel on Climate Change (IPCC); 2021.
[36]

Höhne N, Kuramochi T, Warnecke C, Röser F, Fekete H, Hagemann M, et al. The Paris Agreement: resolving the inconsistency between global goals and national contributions. Clim Policy 2017;17(1):16‒32. . 10.1080/14693062.2016.1218320
[37]

Bouckaert S, Pales AF, McGlade C, Remme U, Wanner B, Varro L, et al. Net Zero by 2050: a roadmap for the global energy sector. Report. Paris: International Energy Agency; 2021. . 10.1787/c8328405-en
[38]

Shahid MK, Choi Y. Comprehensive analysis of greenhouse gas emissions and emission factors in a Korean domestic wastewater treatment plant: insights into mechanisms and pathways for climate change mitigation. J Water Process Eng 2023;56:104476. . 10.1016/j.jwpe.2023.104476
[39]

Intergovernmental Panel on Climate Change (IPCC). Guidelines for national greenhouse gas inventories. Report. Geneva: IPCC; 2006.
[40]

Heijungs R, Allacker K, Benetto E, Brandão M, Guinée J, Schaubroeck S, et al. System expansion and substitution in LCA: a lost opportunity of ISO 14044 amendment 2. Front Sustain 2021;2:692055. . 10.3389/frsus.2021.692055
[41]

Peters GP. Carbon footprints and embodied carbon at multiple scales. Curr Opin Environ Sustain 2010;2(4):245‒50. . 10.1016/j.cosust.2010.05.004
[42]

Sudarjanto G, Gutierrez O, Ren G, Yuan Z. Laboratory assessment of bioproducts for sulphide and methane control in sewer systems. Sci Total Environ 2013;443:429‒37. . 10.1016/j.scitotenv.2012.10.083
[43]

Jiang G, Sharma KR, Yuan Z. Effects of nitrate dosing on methanogenic activity in a sulfide-producing sewer biofilm reactor. Water Res 2013;47(5):1783‒92. . 10.1016/j.watres.2012.12.036
[44]

Gutierrez O, Sudarjanto G, Ren G, Ganigue R, Jiang G, Yuan Z. Assessment of pH shock as a method for controlling sulfide and methane formation in pressure main sewer systems. Water Res 2014;48:569‒78. . 10.1016/j.watres.2013.10.021
[45]

Mannina G, Butler D, Benedetti L, Deletic A, Fowdar H, Fu G, et al. Greenhouse gas emissions from integrated urban drainage systems: where do we stand? J Hydrol 2018;559:307‒14. . 10.1016/j.jhydrol.2018.02.058
[46]

Lowe SA. Sewer ventilation: factors affecting airflow and modeling approaches. J Water Manage Model 2016:C395. . 10.14796/jwmm.c395
[47]

Liu Y, Ni BJ, Ganigue R, Werner U, Sharma KR, Yuan Z. Sulfide and methane production in sewer sediments. Water Res 2015;70:350‒9. . 10.1016/j.watres.2014.12.019
[48]

Zhang W, Li H, Xiao Q, Li X. Urban rivers are hotspots of riverine greenhouse gas (N2O, CH4, CO2) emissions in the mixed-landscape Chaohu Lake basin. Water Res 2021;189:116624. . 10.1016/j.watres.2020.116624
[49]

Upadhyay P, Prajapati SK, Kumar A. Impacts of riverine pollution on greenhouse gas emissions: a comprehensive review. Ecol Indic 2023;154:110649. . 10.1016/j.ecolind.2023.110649
[50]

Drake TW, Raymond PA, Spencer RGM. Terrestrial carbon inputs to inland waters: a current synthesis of estimates and uncertainty. Limnol Oceanogr Lett 2018;3(3):132‒42. . 10.1002/lol2.10055
[51]

Sun HH, Tian Y, Zhan W, Zhang HR, Meng YM, Li LP, et al. Estimating Yangtze River basin’s riverine N2O emissions through hybrid modeling of land-river atmosphere nitrogen flows. Water Res 2023;247:120779. . 10.1016/j.watres.2023.120779
[52]

Yan S, Xu H, Fang Y, Li J, Lv M, Li G, et al. The characteristics and traceability analysis of the overflow pollution during the flood season in an urban area. Water 2024;16(22):3159. . 10.3390/w16223159
[53]

Bhawan S, Puram R. CO2 baseline database for the Indian power sector. Report. New Delhi: Central Electricity Authority, Ministry of Power, Government on India; 2014.
[54]

Chen S, Liu H. Achieving low-carbon and sustainable wastewater treatment by controlling the flow of pollutants: a pilot scale investigation on reducing greenhouse gas emissions and enhancing resource recovery. J Water Process Eng 2024;64:105665. . 10.1016/j.jwpe.2024.105665
[55]

Owolabi TA, Mohandes SR, Zayed T. Investigating the impact of sewer overflow on the environment: a comprehensive literature review paper. J Environ Manage 2022;301:113810. . 10.1016/j.jenvman.2021.113810
[56]

Ma SH, Zayed T, Xing JD, Shao YY. A state-of-the-art review for the prediction of overflow in urban sewer systems. J Clean Prod 2024;434:139223. . 10.1016/j.jclepro.2023.139923
[57]

Gao X, Ouyang W, Lin CY, Wang KC, Hao FH, Hao X, et al. Considering atmospheric N2O dynamic in SWAT model avoids the overestimation of N2O emissions in river networks. Water Res 2020;174:115624. . 10.1016/j.watres.2020.115624
[58]

Nguyen HH, Peche A, Venohr M. Modelling of sewer exfiltration to groundwater in urban wastewater systems: a critical review. J Hydrol (Amst) 2021;596:126130. . 10.1016/j.jhydrol.2021.126130
[59]

Morales VM, Mier JM, Garcia MH. Innovative modeling framework for combined sewer overflows prediction. Urban Water J 2017;14(1):97‒111. . 10.1080/1573062x.2015.1057183
[60]

Thorndahl S, Rasmussen MR. Short-term forecasting of urban storm water runoff in real-time using extrapolated radar rainfall data. J Hydroinform 2013;15(3):897‒912. . 10.2166/hydro.2013.161
[61]

Rossman LA. Storm water management model user’s manual, version 5.0. Cincinnati: National Risk Management Research. Laboratory 2010.
[62]

Schroeder K, Riechel M, Matzinger A, Rouault P, Sonnenberg H, Pawlowsky Reusing E, et al. Evaluation of effectiveness of combined sewer overflow control measures by operational data. Water Sci Technol 2011;63(2):325‒30. . 10.2166/wst.2011.058
[63]

Vezzaro L. Extrapolating performance indicators for annual overflow volume reduction of system-wide real time control strategies. Urban Water J 2022;19(1):15‒21. . 10.1080/1573062x.2021.1948078
[64]

Szelag B, Suligowski R, Drewnowski J, De Paola F, Fernandez-Morales FJ, Bak L. Simulation of the number of storm overflows considering changes in precipitation dynamics and the urbanisation of the catchment area: a probabilistic approach. J Hydrol 2021;598:126275. . 10.1016/j.jhydrol.2021.126275
[65]

Hamidi A, Farnham DJ, Khanbilvardi R. Uncertainty analysis of urban sewer system using spatial simulation of radar rainfall fields: New York City case study. Stochastic Environ Res Risk Assess 2018;32(8):2293‒308. . 10.1007/s00477-018-1563-8
[66]

Zhang YT, Li CL, Duan HP, Yan KF, Wang JH, Wang WH. Deep learning based data-driven model for detecting time-delay water quality indicators of wastewater treatment plant influent. Chem Eng J 2023;467:143483. . 10.1016/j.cej.2023.143483
[67]

Yin Z, Zahedi L, Arturo S, Leon M, Amini H, Bian L. A machine learning framework for overflow prediction in combined sewer systems. In: Proceedings of the World Environmental and Water Resources Congress 2022; 2022 Jun 5‒8; Atlanta, GA, USA. Washington, DC: American Society of Civil Engineers; 2022. p. 194‒205. . 10.1061/9780784484258.019
[68]

Keupers I, Wolfs V, Kroll S, Willems P. Impact analysis of CSOs on the receiving river water quality using an integrated conceptual model. In: Proceedings of the 10th International Conference on Urban Drainage Modelling; 2015 Sep 20‒23; Mont-Sainte-Anne, QC, Canada. Leuven: KU Leuven; 2015.
[69]

Vaes G, Feyaerts T, Swartenbroekx P. Influence and modelling of urban runoff on the peak flows in rivers. Water Sci Technol 2009;60(7):1919‒27. . 10.2166/wst.2009.638
[70]

Ly DK, Maruejouls T, Binet G, Litrico X, Bertrand-Krajewski JL. Evaluation of two statistical approaches for estimating pollutant loads at adjacent combined sewer overflow structures. Water Sci Technol 2018;78(3):699‒707. . 10.2166/wst.2018.346
[71]

Maruéjouls T, Binet G. Impact of two pollutant fluxes calculation methods along with uncertainties on estimation of combined sewer overflow contribution to environmental pollution at the whole urban catchment scale. Urban Water J 2018;15(8):741‒9. . 10.1080/1573062x.2018.1540710
[72]

Brzezin´ska A, Sakson G, Zawilski M. Predictive model of pollutant loads discharged by combined sewer overflows. Water Sci Technol 2018;77(7):1819‒28. . 10.2166/wst.2018.050
[73]

Sharma KR, Yuan Z, de Haas D, Hamilton G, Corrie S, Keller J. Dynamics and dynamic modelling of H2S production in sewer systems. Water Res 2008;42(10‒11):2527‒38.
[74]

Sun J, Ni BJ, Sharma KR, Wang Q, Hu S, Yuan Z. Modelling the long-term effect of wastewater compositions on maximum sulfide and methane production rates of sewer biofilm. Water Res 2018;129:58‒65. . 10.1016/j.watres.2017.11.007
[75]

Mohanakrishnan J, Sharma KR, Meyer RL, Hamilton G, Keller J, Yuan Z. Variation in biofilm structure and activity along the length of a rising main sewer. Water Environ Res 2009;81(8):800‒8. . 10.2175/106143008x390771
[76]

Willis J, Brower B, Graf W, Murthy S, Peot C, Regmi P, et al. Manuscript: new GHG methodology to quantify sewer methane. In: Proceedings of Water Environment Federation; 2018 Mar 25‒28; Portland, OR, USA. Alexandria: The Water Environment Federation; 2018. . 10.2175/193864718825139465
[77]

Zhang W, Wei Q, Wu S, Qi D, Li W, Zuo Z, et al. Batch anaerobic co-digestion of pig manure with dewatered sewage sludge under mesophilic conditions. Appl Energy 2014;128:175‒83. . 10.1016/j.apenergy.2014.04.071
[78]

Chaosakul T, Koottatep T, Polprasert C. A model for methane production in sewers. J Environ Sci Health 2014;49(11):1316‒21. . 10.1080/10934529.2014.910071
[79]

Xu J, He Q, Li H, Yang C, Wang Y, Ai H. Modeling of methane formation in gravity sewer system: the impact of microorganism and hydraulic condition. AMB Express 2018;8(1):34. . 10.1186/s13568-018-0559-6
[80]

Hu M, Li B, Wu K, Zhang Y, Wu H, Zhou J, et al. Modeling riverine N2O sources, fates, and emission factors in a typical river network of Eastern China. Environ Sci Technol 2021;55(19):13356‒65.
[81]

Guérin F, Abril G, Serça D, Delon C, Richard S, Delmas R, et al. Gas transfer velocities of CO2 and CH4 in a tropical reservoir and its river downstream. J Mar Syst 2007;66(1‒4):161‒72.
[82]

Wang R, Zhang H, Zhang W, Zheng X, Butterbach-Bahl K, Li S, et al. An urban polluted river as a significant hotspot for water‒atmosphere exchange of CH4 and N2O. Environ Pollut 2020;264:114770. . 10.1016/j.envpol.2020.114770
[83]

Xiao Q, Zhang M, Hu Z, Gao Y, Hu C, Liu C, et al. Spatial variations of methane emission in a large shallow eutrophic lake in subtropical climate. J Geophys Res Biogeosci 2017;122(7):1597‒614. . 10.1002/2017jg003805
[84]

Marzadri A, Amatulli G, Tonina D, Bellin A, Shen LQ, Allen GH, et al. Global riverine nitrous oxide emissions: the role of small streams and large rivers. Sci Total Environ 2021;776:145148. . 10.1016/j.scitotenv.2021.145148
[85]

Zhou Y, Huang B, Wang J, Chen B, Kong H, Norford L. Climate-conscious urban growth mitigates urban warming: evidence from Shenzhen, China. Environ Sci Technol 2019;53(20):11960‒8. . 10.1021/acs.est.9b01645
[86]

Hui C, Li Y, Zhang W, Yang G, Wang H, Gao Y, et al. Coupling genomics and hydraulic information to predict the nitrogen dynamics in a channel confluence. Environ Sci Technol 2021;55(8):4616‒28. . 10.1021/acs.est.0c04018
[87]

Zhang R, Xiao R, Wang F, Chu W, Hu J, Zhang Y, et al. Direct discharge of sewage to natural water through illicitly connected urban stormwater systems: an overlooked source of dissolved organic matter. Sci Total Environ 2023;890:164248. . 10.1016/j.scitotenv.2023.164248
[88]

Petrie B. A review of combined sewer overflows as a source of wastewater derived emerging contaminants in the environment and their management. Environ Sci Pollut Res Int 2021;28(25):32095‒110. . 10.1007/s11356-021-14103-1
[89]

Hua P, Yang W, Qi X, Jiang S, Xie J, Gu X, et al. Evaluating the effect of urban flooding reduction strategies in response to design rainfall and low impact development. J Clean Prod 2020;242:118515. . 10.1016/j.jclepro.2019.118515
[90]

Ahiablame LM, Engel BA, Chaubey I. Effectiveness of low impact development practices: literature review and suggestions for future research. Water Air Soil Pollut 2012;223(7):4253‒73. . 10.1007/s11270-012-1189-2
[91]

Drake J, Bradford A, van Seters T. Stormwater quality of spring‒summer‒fall effluent from three partial-infiltration permeable pavement systems and conventional asphalt pavement. J Environ Manage 2014;139:69‒79. . 10.1016/j.jenvman.2013.11.056
[92]

Riechel M, Matzinger A, Pallasch M, Joswig K, Pawlowsky-Reusing E, Hinkelmann R, et al. Sustainable urban drainage systems in established city developments: modelling the potential for CSO reduction and river impact mitigation. J Environ Manage 2020;274:111207. . 10.1016/j.jenvman.2020.111207
[93]

Joshi P, Leitão JP, Maurer M, Bach PM. Not all SuDS are created equal: impactof different approaches on combined sewer overflows. Water Res 2021;191:116780. . 10.1016/j.watres.2020.116780
[94]

Liao ZL, Zhang GQ, Wu ZH, He Y, Chen H. Combined sewer overflow control with LID based on SWMM: an example in Shanghai, China. Water Sci Technol 2015;71(8):1136‒42. . 10.2166/wst.2015.076
[95]

Lucas WC, Sample DJ. Reducing combined sewer overflows by using outlet controls for green stormwater infrastructure: case study in Richmond, Virginia. J Hydrol 2015;520:473‒88. . 10.1016/j.jhydrol.2014.10.029
[96]

Lund NSV, Borup M, Madsen H, Mark O, Arnbjerg-Nielsen K, Mikkelsen PS. Integrated stormwater inflow control for sewers and green structures in urban landscapes. Nat Sustain 2019;2(11):1003‒10. . 10.1038/s41893-019-0392-1
[97]

Peng Y, Wang Y, Chen H, Wang L, Luo B, Tong H, et al. Carbon reduction potential of a rain garden: a cradle-to-grave life cycle carbon footprint assessment. J Clean Prod 2024;434:139806. . 10.1016/j.jclepro.2023.139806
[98]

Liu J, Wang J, Ding X, Shao W, Mei C, Li Z, et al. Assessing the mitigation of greenhouse gas emissions from a green infrastructure-based urban drainage system. Appl Energy 2020;278:115686. . 10.1016/j.apenergy.2020.115686
[99]

van der Werf JA, Kapelan Z, Langeveld J. Towards the long term implementation of real time control of combined sewer systems: a review of performance and influencing factors. Water Sci Technol 2022;85(4):1295‒320. . 10.2166/wst.2022.038
[100]

Balla KM, Bendtsen JD, Schou C, Kalles CS, Ocampo-Martinez C. A learning based approach towards the data-driven predictive control of combined wastewater networks—an experimental study. Water Res 2022;221:118782. . 10.1016/j.watres.2022.118782
[101]

Tian W, Fu G, Xin K, Zhang Z, Liao Z. Improving the interpretability of deep reinforcement learning in urban drainage system operation. Water Res 2024;249:120912. . 10.1016/j.watres.2023.120912
[102]

Zhang Z, Tian W, Liao Z. Towards coordinated and robust real-time control: a decentralized approach for combined sewer overflow and urban flooding reduction based on multi-agent reinforcement learning. Water Res 2023;229:119498. . 10.1016/j.watres.2022.119498
[103]

Tian W, Liao Z, Zhang Z, Wu H, Xin K. Flooding and overflow mitigation using deep reinforcement learning based on Koopman operator of urban drainage systems. Water Resour Res 2022;58(7):e2021WR030939. . 10.1029/2021wr030939
[104]

Lund NSV, Falk AKV, Borup M, Madsen H, Steen MP. Model predictive control of urban drainage systems: a review and perspective towards smart real-time water management. Crit Rev Environ Sci Technol 2018;48(3):279‒339. . 10.1080/10643389.2018.1455484
[105]

Lund NSV, Borup M, Madsen H, Mark O, Mikkelsen PS. CSO reduction by integrated model predictive control of stormwater inflows: a simulated proof of concept using linear surrogate models. Water Resour Res 2020;56(8): e2019WR026272. . 10.1029/2019wr026272
[106]

Fu G, Jin Y, Sun S, Yuan Z, Butler D. The role of deep learning in urban water management: a critical review. Water Res 2022;223:118973. . 10.1016/j.watres.2022.118973
[107]

Liao Z, Zhang Z, Tian W, Gu X, Xie J. Comparison of real-time control methods for CSO reduction with two evaluation indices: computing load rate and double baseline normalized distance. Water Resour Manage 2022;36(12):4469‒84. . 10.1007/s11269-022-03221-1
[108]

Saliba SM, Bowes BD, Adams S, Beling PA, Goodall JL. Deep reinforcement learning with uncertain data for real-time stormwater system control and f lood mitigation. Water 2020;12(11):3222. . 10.3390/w12113222
[109]

Mullapudi A, Lewis MJ, Gruden CL, Kerkez B. Deep reinforcement learning for the real time control of stormwater systems. Adv Water Resour 2020;140:103600. . 10.1016/j.advwatres.2020.103600
[110]

Botturi A, Ozbayram EG, Tondera K, Gilbert N, Rouault P, Caradot N, et al. Combined sewer overflows: a critical review on best practice and innovative solutions to mitigate impacts on environment and human health. Crit Rev Environ Sci Technol 2021;51(15):1585‒618. . 10.1080/10643389.2020.1757957
[111]

Hino M, Benami E, Brooks N. Machine learning for environmental monitoring. Nat Sustain 2018;1(10):583‒8. . 10.1038/s41893-018-0142-9
[112]

Lapointe M, Rochman CM, Tufenkji N. Sustainable strategies to treat urban runoff needed. Nat Sustain 2022;5(5):366‒9. . 10.1038/s41893-022-00853-4
[113]

Xu WD, Burns MJ, Cherqui F, Fletcher TD. Enhancing stormwater control measures using real-time control technology: a review. Urban Water J 2021;18(2):101‒14. . 10.1080/1573062x.2020.1857797
[114]

Jean ME, Morin C, Duchesne S, Pelletier G, Pleau M. Optimization of real-time control with green and gray infrastructure design for a cost-effective mitigation of combined sewer overflows. Water Resour Res 2021;57(12): e2021WR030282. . 10.1029/2021wr030282
[115]

García L, Barreiro-Gomez J, Escobar E, Tellez D, Quijano N, Ocampo-Martinez C. Modeling and real-time control of urban drainage systems: a review. Adv Water Resour 2015;85:120‒32. . 10.1016/j.advwatres.2015.08.007
[116]

Jean ME, Morin C, Duchesne S, Pelletier G, Pleau M. Real-time model predictive and rule-based control with green infrastructures to reduce combined sewer overflows. Water Res 2022;221:118753. . 10.1016/j.watres.2022.118753
[117]

The Environmental Protection Agency (EPA). Report to congress on impacts and control of combined sewer overflows and sanitary sewer overflows. Report. Washington, DC: EPA; 2002.
[118]

Xu Z, Xu J, Yin H, Jin W, Li H, He Z. Urban river pollution control in developing countries. Nat Sustain 2019;2(3):158‒60. . 10.1038/s41893-019-0249-7
[119]

Lv J, Du L, Lin H, Wang B, Yin W, Song Y, et al. Enhancing effluent quality prediction in wastewater treatment plants through the integration of factor analysis and machine learning. Bioresour Technol 2024;393:130008. . 10.1016/j.biortech.2023.130008
[120]

Wen J, Duan L, Wang B, Dong Q, Liu Y, Chen C, et al. In-sewer stability assessment of 140 pharmaceuticals, personal care products, pesticides and their metabolites: implications for wastewater-based epidemiology biomarker screening. Environ Int 2024;184:108465. . 10.1016/j.envint.2024.108465
[121]

Wang X, Song L, Bai R. Energy consumption evaluation and carbon emission analysis for municipal wastewater treatment plants in Hohhot City. Enuivon Sci Technol 2013;36(2):196‒9.
[122]

Hu D, Wang L, Zhou Z. Status and prospects of greenhouse gas emissions in wastewater treatment. Enuivon Sci Technol 2014;37(3):108‒12.

AI Summary AI Mindmap
PDF (3612KB)

Supplementary files

SI

7941

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉