基于降维分析的活性污泥絮体结构特征指标

胡小兵,朱荣芳,叶 星,谢瑞桃,唐素兰,戴 波(.安徽工业大学建筑工程学院,安徽 马鞍山2402；2.生物膜法水质净化及利用技术教育部工程研究中心,安徽 马鞍山 2402；.安徽工业大学能源与环境学院,安徽 马鞍山 24000)

水污染与控制

基于降维分析的活性污泥絮体结构特征指标

胡小兵1,2*,朱荣芳1,叶 星3,谢瑞桃1,唐素兰1,戴 波3(1.安徽工业大学建筑工程学院,安徽 马鞍山243032；2.生物膜法水质净化及利用技术教育部工程研究中心,安徽 马鞍山 243032；3.安徽工业大学能源与环境学院,安徽 马鞍山 243000)

为建立活性污泥絮体结构分析的特征指标,将现有描述絮体结构的19个微观参数分为4类:絮体大小(SZ)、密实度(CP)、规则度(RG)和丝状菌(FL)特征,分别含 4、5、8、2个.分别采用主成分分析法(PCA,线性降维)和等距映射法(Isomap,非线性降维)对这些絮体结构特征微观参数进行降维分析,通过对两种降维法的降维幅度和降维有效性的比较,确定絮体结构特征指标.结果表明:PCA降维后絮体SZ、FL各由1个综合指标表征,而CP、RG各由3个综合指标表征,SZ、CP、RG和FL的降维幅度分别为0.750、0.400、0.625和0.500;Isomap降维后絮体SZ、CP、RG和FL均由1个综合指标表征,降维幅度分别为0.750、0.800、0.875和0.500.从降维幅度和降维有效性分析可知,Isomap降维后的综合指标更能准确、简洁地描述絮体结构特征,更适合作为活性污泥絮体结构的特征指标.

絮体结构特征指标；PCA线性降维；Isomap非线性降维；活性污泥

活性污泥絮体是由一系列絮团结合而成,絮体表面凹凸不平,有各种“孔洞”、“缝隙”构成运输通道[1].正常状态时的活性污泥絮体形态多样[2].絮体作为微型生物单元在污水处理中起着重要作用[3],根据絮体结构特征可判断污泥生化活性、物理特性(压缩性、沉降性和脱水性).大而密实絮体具有良好的沉降性和脱水性,微絮体量增加影响处理出水浊度,絮体大小和形态影响废水处理效率和经济费用[4].

早期研究者利用显微镜测微尺测量絮体大小,但絮体大小简单参数无法满足对絮体复杂结构的表征[5],近年来,提出了其他表征絮体结构特征的众多参数:密实度、偏心率、当量直径、形状系数、减小的回转半径、圆度、单位总悬浮固体内总细丝长度等,分别从不同角度描述絮体结构,并采用显微数码成像系统采集絮体图片,利用图像分析软件测量絮体面积、孔隙面积、长度、宽度、周长、凸包络周长和最大弗雷德直径等基本参数,再利用参数计算公式得出每个絮体相关参数值[6].为了更准确地测得内部结构,自由沉降法、浮重测量、共聚焦激光扫描显微镜扫描和对流程度测量等方法均被用于絮体孔隙率分析[7],也有采用分形理论描述絮体结构,研究不同算法,确定不同类型分形维数[8],分形维数较低的污泥具有高剪切敏感性和低絮体强度、低污泥稳定性,可作为评估絮体混凝沉淀性能的参数之一[9-10].

然而,污泥絮体分形结构分析需采用激光粒度仪、扫描电镜等现代分析设备[1,11-12],成本较高,难以满足工程实践的需要.采用传统的显微图像分析,但若选择少量参数,其他未被选择的参数所表征的信息就会丢失,则不能全面反映絮体结构;若同时采用所有参数,参数之间存在信息交叉、重复现象,每个参数对絮体结构的作用大小无法判断,不便用于絮体结构特征的综合分析.

降维方式能够适应众多参数的分析,有线性降维和非线性降维 2种.最常用的线性降维方法主成分分析(PCA)是将原具有一定相关性的N个变量进行线性变换,将方差大、含信息量多的变量降维重新形成一组相互独立的 M 个新变量(M＜N)代替N个变量用于分析研究[13-16].PCA线性降维的低维数据能保持高维数据点间的线性关系,该方法已得到较多应用,如海洋沉积物中重金属污染来源评价[14],湿地退化过程分析评价[17],污泥沉降性能判别[18]等.等距映射(Isomap)是最为常用的非线性降维方法[19],是高维数据的低维表示[20-23],即从高维采样数据中恢复出低维流形,求出相应嵌入映射.Isomap法在高维数据降维方面应用广泛,如用于高光谱遥感数据降维[24]、恒星光谱离群点分析[23]等.

本研究拟通过简单的显微镜图片结合软件分析得到多个活性污泥絮体结构参数,采用线性降维的主成分分析法(PCA)、非线性降维法的等距映射(Isomap)进行降维分析,比较两者在降维幅度和降维有效性上对絮体结构特征指标的适用性,建立絮体结构特征指标,为污水处理中活性污泥特性的快速、准确检测分析提供有效方法.

1 材料与方法

1.1 活性污泥驯化

试验活性污泥取自马鞍山市某污水处理厂(A2/O工艺)曝气池,取回的污泥经搅拌沉淀后,去除悬浮于水面污泥和上清液,将下部沉降性较好的污泥作为接种污泥,系统内的接种污泥浓度(MLSS)控制为 3000mg/L.试验污水为自来水与校园生活污水按10:1混合而成,并添加葡萄糖、NH4Cl和KH2PO4以控制碳氮磷比为100:5:1.活性污泥驯化采用柱状反应器,底面直径 7.2cm,高度92.0cm,有效容积3.2L.采用SBR法进行试验,共设置3根反应柱,分别编号:SBR1、SBR2、SBR3,运行周期为 12h.曝气方式为 SBR1曝气 2h,停1h;SBR2曝气2h,停2h;SBR3曝气2h,停3h.3个反应器除曝气方式外,其他工艺参数均相同:常温(16.2～22.5℃),曝气量为 0.2L/min,溶解氧保持在3.64～7.03mg/L,每个周期排水1.5L再进水1.5L.试验历时40d.

1.2 絮体结构特征分析

从絮体的微观结构出发研究絮体结构特征,以显微图像分析技术为基础,对显微拍摄所得的絮体进行结构分析[6].总结出国内外已有絮体结构特征参数及图像分析软件内置参数,共 19个.根据各参数的物理意义,将这些参数归纳为:絮体大小(SZ)、絮体密实性(CP)、絮体规则性(RG)和絮体丝状菌(FL)4类特性,具体如表1所示.

表1 絮体结构特征参数概括Table 1 The summary of characteristic parameters of floc structure

絮体结构特征微观参数测定具体操作步骤为:在曝气条件下,从反应器中量取10mL污泥混合液,混匀后使用微量移液器量取 25µL污泥样品置于载玻片上,置于显微镜(奥林巴斯BX53,日本)载物台上,显微镜接数码相机(明美 Mshot DC30,中国),用显微图片拍摄软件(明美 MShot Digital Imaging System,中国)对载玻片所有区域进行逐行拍摄,采集絮体图片.一个载玻片采集图像数为80张左右,其中含有絮体320个左右.利用Image-pro Plus图像分析软件对采集的图片进行对比度、颜色饱和度、HSI测量区域选择等预处理,然后选择测量参数,测量值导出到Excel中,最后计算出每个絮体结构特征参数值,分析时取平均值(絮体数量和丝状菌长度为总和).

试验中,共采样125次,得到10000张絮体图片,构成原始数据矩阵P1=[p1,p2,…, p19]125×19.

1.3 数据统计分析

1.3.1 PCA分析 将经过软件处理所得絮体结构特征数据矩阵 P1=[p1,p2,…, p19]125×19录入至SPSS 19(IBM,美国)中进行主成分分析.由于SPSS中只有因子分析模块,而无主成分分析模块.但因子分析与主成分分析之间仅有特征值之别,因此研究中以因子分析为基础,将因子载荷矩阵除以主成分特征值得到主成分载荷矩阵,即主成分综合评价函数的系数矩阵[18,25].主成分分析具体步骤如下:1)对絮体结构特征参数进行Pearson相关性分析,探讨是否适合进行主成分分析;2)对 4类絮体结构特征参数所建立的原始变量矩阵分别进行标准化处理;3)分别求各类絮体结构特征参数的相关矩阵特征根和对应的标准化特征向量;4)确定用于表征对应絮体结构特性的主成分个数m,选取m个主成分使得累计贡献率达到80%以上;5)写出主成分表达式,建立通过线性降维得到的絮体结构特征指标.

1.3.2 Isomap分析 Isomap以多维尺度变换为基础,把原始空间中距离计算从欧式距离变成流形上测地距离的非线性降维方法[26].本文采用Matlab R2011b(Math works,美国)编写Isomap算法程序完成非线性降维[27].Isomap分析主要步骤如下:1)对 4类絮体结构特征参数所建立的原始变量矩阵分别进行标准化处理;2)将经过标准化后的不同类的絮体结构特征参数分别导入Matlab中进行非线性降维;3)计算不同维数的剩余方差;4)选取剩余方差小于0.05的维数,确定各类絮体结构特性的维数 n;5)写出各类絮体结构特性的表达式,建立通过非线性降维得到的絮体结构特征指标.

2 结果与讨论

2.1 絮体微观参数间的相关性

PCA和Isomap分析分别利用各变量之间的线性关系和非线性关系将原始数据从高维空间映射到低维空间,只有当各变量之间存在相关性时,才能进行降维分析.因此,在进行降维分析前,需先探讨各参数间的相关性,研究中对试验数据(10000张絮体图片)进行絮体微观参数的相关性分析,得到各变量间的相关系数如图1所示.

图1 絮体结构特征参数相关性分布Fig.1 The correlations distribution among characteristic parameters of floc structure

由图1可见,反映絮体大小的4个参数间均具有较强的正相关性(r=0.739,P＜0.05),均能较好地反映絮体大小结构.4个絮体大小参数除与絮体像素分数(PF)、孔率(HR)、长短轴比(Aspect)和长宽比(AR)相关性较弱外(|r|＜0.450,P＜0.05),与其他参数相关性均较强(|r|＞0.450, P＜0.05),这表明絮体大小对絮体结构特征影响较大.

表征絮体密实性特征的 5个参数间相关性较弱,相关系数绝对值均不超过 0.620.数量浓度(CN)和充实度(Ext)正相关性(r=0.617,P＜0.05)最大,这表明絮体内的孔隙与絮体数量有较强的相关性,絮体数量越多,孔隙越小.正相关性很弱的为数量浓度(CN)与面积浓度(CA),相关性仅为0.056,说明絮体面积大小并不是由絮体数量多少决定的,它还取决于单个絮体面积大小.负相关性最大的两个参数为孔率(HR)和充实度(Ext)(r=-0.429,P＜0.05),因为这两个参数分别是从正反两面反映絮体内孔隙的大小.但两者的负相关性并不强,观察絮体孔率(HR)、充实度(Ext)与其他类别参数间的相关性发现,絮体孔隙大小还受絮体大小、规则性及丝状菌多少的影响.

描述絮体规则性的参数数量较多(8个),参数间相关性比较复杂.其中分形维数(FD)与凸率(PR)和形状因子(FF)均有很强负相关性,相关性系数分别为-0.947、-0.963(P＜0.05),从凸率(PR)和形状因子(FF)的计算公式可看出,两者均是将絮体实际形状、大小与假定规则的形状、大小进行比较,两者之间呈显著正相关(r=0.888,P＜0.05);形状因子(FF)与伸长度(ST)显著正相关(r=0.943, P＜0.05);长短轴比(Aspect)与长宽比(AR)和伸长度(ST)均有较强的负相关性,相关系数分别为-0.780、-0.675(P＜0.05),与其他参数相关性均不大(|r|＜0.520,P＜0.05),长宽比(AR)和伸长度(ST)均是絮体的实际长度、宽度与假定的长度、宽度及最大弗雷德直径之间的关系进行比较;长径比(RR)与其他各参数间的相关性均较弱(|r|＜0.650, P＜0.05);圆度(RD)与其他各参数间相关性均较低(|r|＜0.520,P＜0.05).

反映絮体内丝状菌含量的单位絮体面积内丝状菌长度(Fal)和单位悬浮固体内丝状菌长度(Ftl)间有极强的正相关性 (r=0.959,P＜0.05).

进一步分析发现:絮体密实性(CP)参数与同类别参数间的相关性均不大,但与絮体大小(SZ)和絮体规则性(RG)的参数间相关性较强;絮体规则性(RG)参数与絮体大小(SZ)和丝状菌(FL)参数间相关性也较强.反映絮体结构特征的19个参数间均存在比较理想的相关性,可利用主成分分析法对其进行降维,建立絮体结构特征指标表征絮体结构综合特征.

2.2 基于PCA的絮体结构特征指标分析

2.2.1 PCA法絮体大小特征指标分析 表征絮体大小(SZ)的 4个参数 Amean、Pconv、Rmax和Deq经PCA法降维后可用一个综合指标SZ表征(如表 2所示),它们对综合指标的贡献大小分别为0.977、0.979、0.979和0.845,相差较小,说明都能较好地表达絮体大小特征.表征絮体大小特征的综合指标表达式为:

表2 絮体大小特征参数的主成分信息提取Table 2 The principal component message extracted from the characteristic parameters of floc size

2.2.2 PCA法絮体密实特征指标分析 表征絮体密实性的5个参数CN、PF、CA、HR和Ext也都能很好地描述絮体结构的密实性,絮体密实性特征参数的PCA法降维结果如表3所示.

表3 密实特征参数的主成分信息提取Table 3 The principal component messages extracted from the characteristic parameters of floc compactness

由表3可知,描述絮体密实性的5个参数经过PCA法降维处理后,可用3个综合指标(CP1、CP2、CP3)表征,累积保留82.336%信息.各参数在3个综合指标中的分布如图2所示,成分1(CP1)上的主要参数是CN、HR和Ext;成分2(CP2)上的主要参数是CA和PF;成分3(CP3)上的主要参数是CN.絮体密实特征指标的表达式如下:

式中:每个参数符号前的S表示数据都是经过标准化后的数据;“||”为绝对值符号.

图2 絮体密实性参数在各成分中分布Fig.2 The parameters distribution of floc compactness in components

2.2.3 PCA法絮体规则特征指标分析 描述絮体规则性(RG)的8个参数RD、PR、Aspect、FD、RR、ST、FF和AR,均是通过絮体实际周长与各种理论周长的比及各种长轴与短轴、长与宽的比来表征絮体规则性,其中圆度(RD)和形状因子(FF)互为倒数.PCA法降维结果如表4所示.

表4 规则特征参数的主成分信息提取Table 4 The principal component message extracted from the characteristic parameters of floc regulation

图3 絮体规则性参数在各成分中分布Fig.3 The parameters distribution of floc regulation in component

由表4可见,这8个参数通过PCA法降维后可用 3个综合指标(RG1、RG2、RG3)表征,累计保留 85.556%信息,可较完整地表达絮体规则性.图3反映了这8个参数在3个综合指标中的贡献率,PR、FF、ST、FD、Aspect和RR对RG1贡献较大,RD对RG2贡献较大,AR对RG3贡献较大.絮体规则特征综合指标表达式如下:

2.2.4 PCA法絮体丝状菌特征指标分析 从两个角度表征絮体内丝状菌特征(FL),对其进行PCA法降维分析结果如表5所示.表征絮体内丝状菌含量的两个参数(单位絮体面积内丝状菌长度 Fal、单位悬浮固体内丝状菌长度 Ftl)间相关性较强,2个参数在综合指标中的贡献均为0.990.根据贡献率和特征值得出絮体丝状菌特征指标函数如下:

表5 丝状菌特征参数的主成分信息提取Table 5 The principal component message extracted from the characteristic parameters of filamentous microbes

2.3 基于Isomap的絮体结构特征指标分析

2.3.1 Isomap法絮体大小特征指标分析 对样品10000张絮体图片的絮体大小(SZ)的4个参数数据进行标准化后,采用 Isomap非线性降维分析.Isomap降维过程的关键是通过近邻点的个数(k值)确定维数,以达到最好的降维效果,k值选取以参数近邻点数目为基础,以残差大小为标准,残差大小需满足分析有效性的范围要求.分别选取k=2,3,4,维数为1～4,计算残差所得如图4所示.当k=3和 k=4时的残差分析结果出现了重合,说明其分析结果相同,不需要再增大k值进行分析.对絮体大小特征的Isomap分析时,不同k值均能有较好的降维效果(R＜0.09),当k=2时,维数为1维时的残差就已低于 0.05(达到保持原有信息的降维效果)[27],满足降维要求.因此对絮体结构大小特征的非线性降维分析过程选在 k=2,维数为 1的条件下进行,得到降维结果为:

2.3.2 Isomap法絮体密实特征指标分析 对样品10000张絮体图片的絮体密实性(CP)的5个参数数据进行标准化后,采用Isomap非线性降维分析.分别选取 k=2,3,4,维数为 1～5,计算残差,所得结果如图5所示.当维数小于3时,不同的k值对降维效果有较好的区分,且 k值越大越不利于降低到低维上,所以没有必要增加k值进行分析.当k=2时,降低到低维上效果最好,此时的残差均已小于0.05,满足分析要求.因此,选取k值为2,维数为1进行Isomap非线性降维.絮体结构的密实特征需1个综合指标表征,其综合表达式为:

图4 絮体大小残差曲线图Fig.4 The curve graph of residual analysis of floc size

图5 絮体密实性残差曲线图Fig.5 The curve graph of residual analysis of floc compactness

2.3.3 Isomap法絮体规则特征指标分析 由于絮体规则特征有8个参数,分别选取k=4,5,6,7,8,维数为1～8对絮体规则类参数进行残差计算,结果如图6所示.对于k=5,6,7,8,当维数低于4维时,不同 k值残差区分规律性不强且变化不稳定,残差值较大,保留信息相对较少;当维数高于4维时,不同k值的残差区分明显,k=5时的残差最大,当k=7和k=8时残差最小,完全重合,说明没有必要再增加k值.当k=4时,投影到低维上的残差值最小,保留的信息量多,残差已满足非线性降维要求(＜0.05),所以选择k=4和1维对絮体规则特征进行非线性降维分析,降维后的综合指标为:

图6 絮体规则性残差曲线图Fig.6 The curve graph of residual analysis of the floc regulation

2.3.4 Isomap法絮体丝状菌特征指标分析 描述絮体丝状菌特征的参数有 Fal和 Ftl,计算残差时,因为当 k＞n-1(n为变量个数)时,随着 k值的增加,残差分析结果相同,直接选择 k=1,维数为 1进行Isomap法非线性降维.降维后的综合表达式为:

2.4 絮体结构特征指标的建立

2.4.1 降维幅度比较 降维幅度定义为降维减少的变量数与原始变量数之比.PCA法、Isomap法对絮体结构参数的降维变量数与降维幅度如表6所示.

由表6可见,Isomap法对絮体规则度、密实性的降维数和降维幅度均大于 PCA 法.因此,Isomap法比PCA法降维后变量数少,降维幅度大,更适于絮体结构特征综合指标的建立.

表6 PCA、Isomap法降维幅度的比较Table 6 The comparison of PCA and Isomap in decrease range of dimension reduction

2.4.2 降维有效性比较 采集SBR反应器中活性污泥,拍摄絮体图片,从中随机选取100张图片进行降维分析,对比得到结果均表现出采用Isomap法得到的综合指标能更准确地描述絮体大小特征、密实特征、规则特征及丝状菌特征.其中4张图片中的絮体(a,b,c,d)分别采用PCA法和Isomap法进行结构分析,结果如图7所示.

絮体大小特征:Isomap法降维后综合指标SZ(Isomap)从大到小(1.193＞0.941＞0.235＞0.018)排序是(d)、(b)、(c)、(a),与图7中絮体观察结果一致.图(d)中絮体表面伸出大量丝状菌,从丝状菌伸长的范围看,其所涵盖的范围最广,因此图(d)中的絮体最大;图(b)絮体最大,但由于存在几个更小的絮体,使得其平均面积减小.而 PCA法分析结果为:絮体大小特征综合指标从大到小的顺序为(a)、(c)、(b)、(d),这与实际的形态不符.因此,采用Isomap法得到的综合指标能更准确地描述絮体大小特征.

絮体密实特征:Isomap法降维后的综合指标越大,絮体结构越密实.Isomap降维后絮体密实特征指标(CP)依次减小 26.179＞19.018＞8.228＞4.274,与图 7(a)、(b)、(c)和(d)吻合.PCA法降维后的综合指标:CP1从(a)1.322、(b)0.815、(c)0.041依次减小,图(d)中絮体的CP1较大2.095,超过前3个絮体.但观察絮体图片可以发现,(a)、(b)、(c)和(d)中的絮体密实性是依次降低的,显然仅从CP1无法正确描述絮体的密实性,进而从CP2出发,分析絮体密实性,影响CP2的主要参数是PF和CA(见2.2.2节),图(d)中絮体的PF、CA小,絮体更松散,CP2(0.010)最小.CP3中的主要参数是 CN,图(b)中的絮体数量最多,然而其CP3(0.873)并不是最大.因此,采用 PCA法的综合指标表征絮体密实特征复杂,且没有 Isomap法准确.

图7 不同絮体结构特征分析(放大100倍)Fig.7 The characteristic analysis of different floc structure (magnification,×100)

絮体规则特征:Isomap法所得综合指标数值越大,其形状越不规则,与图中的絮体形态吻合:图(c)中的絮体形状最不规则(RG=12.695),图(a)中絮体形状最为规则(RG=10.399).PCA法的3个指标对不同形状规则的絮体描述并无明显规律,无法判断絮体的规则特征.

絮体丝状菌特征:Isomap法和PCA法的分析结果均是图(d)絮体最大,分别为1.260、1.058;图(a)、(b)次之,FL(Isomap)均为0.463,FL(PCA)均为0.389.观察4张图片中的丝状菌可见,图(d)中的絮体存在大量丝状菌,其他3张图片中的絮体并没有明显的丝状菌.因此Isomap法和PCA法降维后的综合指标均可准确地用于絮体丝状菌特征的表征.

综上所述,无论从降维幅度还是降维有效性的角度分析,Isomap法降维后得到的絮体结构特征综合指标更适于描述絮体结构特征,因此将Isomap法降维后所得综合指标作为絮体结构特征指标.

3 结论

3.1 根据物理意义将现有表征絮体结构特征的 19个微观参数分为4类指标:絮体大小特征(SZ)、规则特征(RG)、密实特征(CP)和丝状菌特征(FL),每类参数个数分别为4、8、5和2个.

3.2 使用PCA法降维后得到的絮体大小特征、絮体丝状菌特征分别由1个综合指标SZ(PCA)、FL(PCA)表征,絮体规则性特征、絮体密实性特征分别由 3个综合指标 RG1(PCA)、RG2(PCA)、RG3(PCA),CP1(PCA)、CP2(PCA)、CP3(PCA)表征;4类参数(SZ、RG、CP、FL)分别可累计解释原始数据总信息量的 89.671%、85.556%、82.336%和 97.974%,降维幅度分别为 0.750、0.625、0.400和0.500.

3.3 采用 Isomap法降维后得到的絮体结构特征各指标可分别由综合指标 SZ(Isomap)、CP(Isomap)、RG(Isomap)、FL(Isomap)表征,降维幅度分别为0.750、0.875、0.800和0.500.

3.4 与PCA降维法相比较,Isomap法降维后的变量更少,降维幅度更大;降维后综合特征指标更能准确描述絮体的结构特征,降维有效性更高.因此,采用Isomap法建立的絮体结构特征指标更适合作为活性污泥絮体结构的特征指标,并由此得到絮体结构特征各类指标的综合表达式.

[1] 阮晓东,刘俊新.活性污泥絮体的分形结构分析 [J]. 环境科学, 2013,34(4):1457-1463.

[2] 龙腾锐,何 强,林 刚.活性污泥中丝状菌与絮体结构的关系研究 [J]. 中国给水排水, 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] 沈韫芬,章宗涉,顾曼如,等.微型生物监测新技术 [M]. 北京:中国建筑工业出版社, 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工艺中好氧污泥絮体的分形结构与理化特征分析 [J]. 环境科学, 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,张代钧,卢培利,等.活性污泥絮体粒径分布与分形维数的影响因素 [J]. 环境科学, 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] 刘 潇,薛 莹,纪毓鹏,等.基于主成分分析法的黄河口及其邻近水域水质评价 [J]. 中国环境科学, 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,杨永兴,韩大勇.基于 PCA的滇西北高原纳帕海湿地退化过程分析及其评价 [J]. 生态学报, 2013,33(15):4776-4789.

[18] 张新喜,完颜健飞,胡小兵,等.基于活性污泥絮体微观参数的污泥沉降性能判别 [J]. 环境科学学报, 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,陈福强.基于 Isomap算法的恒星光谱离群点挖掘 [J]. 光谱学与光谱分析, 2014,34(1):267–273.

[24] 丁 玲,唐 娉,李宏益.基于 ISOMAP的高光谱遥感数据的降维与分类 [J]. 红外与激光工程, 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 艳. Isomap算法在地震属性参数降维中的应用 [D]. 四川:成都理工大学, 2007.

致谢：对马鞍山市污水厂在污泥采样方面提供的帮助表示感谢.

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,安徽省泾县人,副教授,博士,主要从事水处理生物学与污水生态处理研究.发表研究论文30余篇.

2016-09-23

安徽省高校科学研究项目(KJ2013A059)

* 责任作者, 副教授, hxb1612@ahut.edu.cn