全球和东亚地区CH4浓度时空分布特征分析

利用最新的AIRS卫星观测资料分析了2002年12月~2016年11月全球和东亚地区（70°~140°E,10°~55°N）CH₄浓度的时空变化分布特征.研究发现,2003~2016年,全球CH₄年平均浓度从1774.2×10^-9增加到1789.1×10^-9,年增长率约为1.1×10^-9/a;东亚地区CH₄年平均浓度从1811.5×10^-9增加到1841.0×10^-9,年增长率约为2.0×10^-9/a.在美国西南部、南美洲南部、澳大利亚东南部、中国青藏高原和东北地区等地上空,CH₄浓度增幅比较明显,而在北美洲的东北部上空,CH₄浓度出现负增长.北美洲东北部和俄罗斯东部等地上空CH₄浓度的变化与温度变化呈正相关;如在冬季,该地区温度与周围地区相比更低,同时CH₄浓度更低.本文利用近10a的卫星数据获得了CH₄浓度的垂直廓线,显示不同纬度带CH₄浓度均随着高度的升高逐渐减小,且高纬度地区CH₄浓度减小的最快.近年来,在低纬度地区对流层中低层CH₄浓度变化较为明显.在对流层低层（850hPa）,北半球CH₄浓度随着纬度增加逐渐变大;在南半球则随着纬度增加先减小后变大.而在平流层内,CH₄浓度在赤道处最大,且随着纬度的升高逐渐减小.此外,CH₄的浓度分布存在明显的季节变化：在北半球,大部分地区夏季CH₄浓度高于冬季（约20×10^-9~40×10^-9）,但在撒哈拉沙漠和中国新疆塔里木盆地等地区上空,冬季CH₄浓度高于夏季（约40×10^-9~60×10^?9）.在冬季,中国四川西部上空的CH₄浓度要比青藏高原上空高（约100×10^-9~120×10^-9）.     

基于随机森林模型的中国近地面NO2浓度估算

NH₃针对传统近地面NO₂浓度空间模拟过程中NO₂浓度与其影响要素之间关系的复杂非线性机制解释不充分的缺陷,本研究基于随机森林（RF）算法、融合多源地理要素开展了近地面NO₂浓度空间分布模拟研究.以卫星OMI对流层NO₂柱浓度数据和多源地理要素（道路交通、气象因子、土地利用/覆盖、地形高程、人口数量）为输入变量,近地面NO₂浓度为输出变量,利用RF算法构建近地面NO₂浓度反演模型.通过对比地面观测数据与传统土地利用回归模型（LUR）检验RF模型的有效性,基于所构建的最优RF模型在不同时间尺度下模拟分析中国大陆地区近地面NO₂浓度空间分布特征.结果表明：（1）集成多源地理要素的RF回归模型精度高,月均模型整体拟合度R² 0.85,RMSE 6.08μg/m³,交叉验证的R² 0.84,RMSE 6.33μg/m³,显著高于LUR模型（拟合R² 0.53,RMSE 10.48μg/m³,交叉验证的R² 0.53,RMSE 10.49μg/m³）; （2）地面NO₂浓度与预测变量呈现显著的复杂非线性与时间尺度依赖关系,卫星OMI柱浓度对模型影响程度最大,重要性指标IncMSE介于97.40%~116.54%,多源地理特征变量对RF模型同样具有不可忽视的贡献力（IncMSE在23.34%~47.53%之间）;（3）中国大陆地区NO₂污染程度较高,年均模拟浓度为24.67μg/m³,存在明显季节性空间差异,NO₂浓度冬季（31.85μg/m³） > 秋季（24.86μg/m³） > 春季（23.24μg/m³） > 夏季（18.75μg/m³）,呈现以华北平原为高值中心、向外围逐渐减轻的空间分布格局.较已有研究揭示对流层NO₂柱浓度宏观分布特征,本研究对近地面NO₂污染特征的研究成果对于合理制定污染防控策略、降低居民暴露健康损害具有指导意义.     

北京上甸子大气本底站氢氟碳化物在线观测研究

在北京上甸子区域大气本底站利用气相色谱/质谱联用（GC-MS）系统对大气中11种氢氟碳化物（HFCs）开展在线观测研究.2018年1~12月,HFC-23、HFC-32、HFC-125、HFC-134a、HFC-143a、HFC-152a、HFC-227ea、HFC-236fa、HFC-245fa、HFC-365mfc、HFC-4310mee本底数据浓度分别为：（31.9±0.4）×10^-12、（22.1±1.7）×10^-12、（29.3±1.3）×10^-12、（110.2±2.4）×10^-12、（24.0±0.3）×10^-12、（10.3±0.7）×10^-12、（1.59±0.04）×10^-12、（0.19±0.01）×10^-12、（3.30±0.08）×10^-12、（1.27±0.03）×10^-12、（0.28±0.01）×10^-12;本底数据出现频率分别为：34.5%、23.4%、22.5%、24.6%、24.5%、42.5%、24.3%、46.4%、38.3%、68.1%、77.9%;非本底数据浓度分别为：（39.2±11.1）×10^-12、（47.7±21.8）×10^-12、（38.6±8.7）×10^-12、（137.3±15.7）×10^-12、（26.1±2.2）×10^-12、（15.9±7.0）×10^-12、（2.77±1.11）×10^-12、（0.25±0.06）×10^-12、（4.10±0.97）×10^-12、（1.34±0.06）×10^-12、（0.30±0.01）×10^-12.HFC-32、HFC-125、HFC-134a、HFC-143a、HFC-227ea本底浓度呈线性上升趋势,年增长率分别为：4.4×10^-12,3.8×10^-12,7.3×10^-12,1.0×10^-12,0.14×10^-12a^-1,而HFC-152a呈现明显的季节变化.以CO为示踪物利用示踪物比值相关法估算了HFC-23、HFC-32、HFC-125、HFC-143a、HFC-152a、HFC-236fa、HFC-245fa排放量,分别为6.4,17,14,27,4.0,0.10,1.3kt/a.     

沈阳大气污染物与气象因素对呼吸疾病门诊数的影响

利用时间序列的半参数广义相加模型,分析沈阳市2015年12月~2016年12月整个观测期间和污染期间大气污染物与气象因素及其交互作用对呼吸系统疾病门诊就诊人数的影响.结果表明：无论是全人群、不同性别、还是不同年龄人群中,HONO对门诊人数的影响均非常显著.最佳滞后时间下,PM₁₀、PM_2.5、SO₂、NO₂、HONO和NH₃的浓度每增加10μg/m³或1个IQR,对应的呼吸系统疾病日门诊人数增加百分比（ER）分别为1.29%（1.18%~1.4%）,1.31%（1.2%~1.43%）,3.28%（3.07%~3.50%）,5.26%（4.91%~5.61%）,12.89%（4.45%~22.01%）和11.09%（9.84%~12.36%）.HONO、NH₃和PM_2.5对女性的影响远比对男性的影响大,污染日当日对门诊量的影响最大;PM_2.5对≥65岁的老人影响大;NH₃、HONO和SO₂对15~65岁人群影响大.污染天气条件下HONO和NO₂对门诊人数影响最高,均为污染日当日对门诊量的影响最大.沙尘天气Ca²⁺等土壤性离子影响最大.多污染物模型中,不同污染物对呼吸疾病的影响具有协同作用或拮抗作用.气温对各呼吸疾病的影响最强,低温和高污染物浓度对呼吸系统疾病门诊人数的影响有交互作用.     

粤港澳大湾区NO2污染的时空特征及影响因素分析

利用Aura卫星搭载的臭氧观测仪（OMI）反演的对流层NO₂柱密度数据,分析了自2005年以来粤港澳大湾区（GBA）对流层NO₂柱密度的空间分布特征、时间变化趋势及其影响因素.研究结果表明GBA对流层NO₂柱密度从2005~2018年呈减少的趋势,每年递减约为2.8%.小波系数显示时间演化过程中存在9个月的主振荡周期,冬季浓度较高,夏季较低.人为排放和各种自然因素,导致了GBA对流层NO₂柱浓度月变化在时间和空间上存在明显差异,最小值和最大值分别出现在6和12月,多年平均值分别为3.9665×10¹⁵和12.3423×10¹⁵molec/cm².NO₂在空间分布上呈现明显的空间分异特征,冬季12月最明显.NO₂污染严重的高值区主要出现在中部地区,如广州市、佛山市和中山市,最大的对流层NO₂柱密度可达18.8306×10¹⁵molec/cm²,大约是周边地区的3 倍,且高污染区域向四周逐渐扩散,连成一片.低值区主要在北部的肇庆市和东部的惠州市,多年平均的对流层NO₂柱密度约为7.1400×10¹⁵molec/cm².对流层NO₂柱密度的增长率在不同区域的变化趋势呈现明显的差异,变化范围为-15×10¹⁵~6×10¹⁵molec/cm²,增长率百分比范围为-65%~65%.出现增长的地区主要是肇庆市北部和惠州市东部的低值区;对流层NO₂出现明显减少的区域集中在中部的高值区,减少量最大的地区为广州市、佛山市和中山市交界处.     

唐山上空CO2和CO浓度特征的飞机探测研究

为研究唐山城市上空CO₂与CO浓度时空分布,进一步定量其碳排放,于2018年11月~2019年3月,利用运十二飞机搭载高精度温室气体分析仪和相关辅助设备,对唐山市上空（200m~4600m）CO₂与CO浓度进行飞机探测.探测期间共取得6组CO₂和CO浓度垂直廓线数据.结果表明：探测期间CO₂浓度变化范围406×10^-6~453×10^-6,CO浓度变化范围27×10^-9~1135×10^-9.夜间探测有明显的混合层存在时,CO₂与CO浓度分布在混合层内有向上聚集现象,且在混合层顶均达到最大值;白天探测无明显的混合层存在时,浓度整体随高度增加而减小.在探测期间整层的平均风力小于4级时,CO₂和CO浓度极显著相关,CO₂和CO浓度比变化范围32.2~43.9.以2019年2月23日白天的架次为案例进行分析,微风条件下空气团经过城市后,CO₂和CO浓度均有所增加,显示当日唐山是CO₂和CO的源,结合质量平衡法或大气反演模式可以进一步估算城市CO₂和CO排放量.     

宝鸡市秋冬季大气VOCs浓度特征及其O3和SOA生成潜势

2017年10月、12月在宝鸡市城区开展了共29d的挥发性有机物（VOCs）浓度在线监测,共测出102种VOCs,分别采用最大增量反应活性（MIR）系数法和气溶胶生成系数（FAC）法估算了宝鸡市各VOCs组分的臭氧生成潜势（OFPs）和二次有机气溶胶生成潜势（SOAFPs）,筛选出生成O₃与SOA活性最大的VOCs成分.结果表明：宝鸡市秋季和冬季TVOC的浓度分别为（68.62±21.85）×10^-9和（42.44±16.62）×10^-9,总OFPs分别为185.49×10^-9和126.00×10^-9,总SOAFPs分别为3.26,0.65μg/m³.秋季VOCs中含量最多的2种组分为烷烃（21.83×10^-9）和芳香烃（13.37×10^-9）,分别占TVOC的31.82%和19.49%,乙烯、反-2-戊烯和甲苯是OFPs最大的3个成分,甲苯、间/对二甲苯和乙苯是SOAFPs最大的3个成分.而在冬季,烷烃（17.34×10^-9）和炔烃（8.81×10^-9）是VOCs中含量最多的2种组分,分别占TVOC的40.85%和20.75%,乙烯、丙烯、乙炔是OFPs最大的3个成分,甲苯、间/对二甲苯、乙苯是SOAFPs最大的3个成分.优先减少烯烃和芳香烃的排放是宝鸡市秋冬季抑制O₃和SOA的形成的有效途径.     

基于支持向量机回归和小波变换的O3预报方法

使用南京工业区2016年6月1日~8月15日的臭氧（O₃）、O₃前体物及常规气象数据，结合多元线性回归（MLR）方法和小波变换（WT）改进支持向量机回归（SVR）对O₃小时浓度的预报精度.结果表明，通过WT方法将一个高变异性的序列转化为多个低变异性的序列后再处理可提高预报精度，M-WT-SVR预报的决定系数（R²）达到0.90，平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（RMSE）分别为3.86×10^-9、28.26%和5.57×10^-9，优于M-SVR和SVR.低层细节序列主要与NO、NO₂和芳香烃有关，而更高层的近似序列受到气象条件、前体物和O₃前期浓度共同影响.与经典的MLR方法相比，M-WT-SVR对O₃小时浓度的预报有明显优势.     

基于机器学习的星载短波红外CO2柱浓度估算

利用OCO-2卫星遥感数据、全球碳柱总量观测网(TCCON)站观测数据、NDVI归一化植被指数数据、ERA5大气数据,采用决策树和集成学习(XGBoost、普通随机森林、极端随机森林、梯度提升)对二CO₂平均柱浓度进行预测.通过相关性分析、特征选择与特征提取,建立模型预测CO₂平均柱浓度,再与TCCON站点的地基观测数据进行比对.通过分析不同模型(决策树、XGBoost、普通随机森林、极端随机森林、梯度提升)预测的结果,发现使用极端随机森林回归模型预测CO₂平均柱浓度的精度最高, R²、均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)分别为:0.953、0.492×10^-6、0.260×10^-6、0.063%,其余模型次之,因此对极端随机森林回归模型的预测性能随自身参数的影响进行了分析,结果表明,在误差允许的范围内(±2×10^-6),极端随机森林回归模型和梯度提升回归模型预测的准确率一样,都为98.10%.由于C...     

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.     

我国中部地区大气CO2柱浓度时空分布

基于日本GOSAT及美国AIRS反演数据产品,对我国中部六省大气CO₂时空分布特征进行研究,结果表明：由GOSAT反演的中部地区2010~2013年大气CO₂年均柱浓度由389.36×10^-6增长到396.52×10^-6,年均绝对增长率达2.39×10^-6/a,呈现出冬春季高值、夏秋季低值的季节变化特征,其柱浓度年均值及去长期趋势后的月均值均略低于长三角地区,高于京津冀和东三省地区;其CO₂柱浓度高值区集中在湖南、江西及周边一带,年均绝对增长率为2.01×10^-6,其柱浓度年均值及去长期趋势后的月均值与长三角地区相当,略低于京津冀和东三省地区,由于受地面源汇影响较小,其与GOSAT反演结果相反,可能是由于AIRS反映了对流层中层大气状况,而GOSAT则更多地反映了近地面层大气CO₂变化.     

基于梯度提升回归树算法的地面臭氧浓度估算

将机器学习中的梯度提升回归树（GBRT）算法应用到中国地区地面O₃浓度制图中,利用地面O₃浓度观测数据,结合WRF气象数据、MODIS植被归一化指数以及高程人口数据建立训练预测数据集.通过反向变量选择法选取模型最佳特征变量对其进行训练,十折交叉验证结果：决定系数R²=0.89、均方根误差RMSE=4.75μg/m³.同时对全国O₃人口暴露水平进行评估.结果表明：在暴露强度上,我国人口加权O₃浓度值排在前5的省依次是山东、河南、江苏、河北、上海,均值浓度为94.48μg/m³.在暴露持续时间上,非达标天数最多的5个省依次是河南、山东、河北、宁夏、北京,一年内有42%的天数处于非达标的状态.     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

团絮状双效催化聚苯硫醚滤料反应参数及机理

以N-油酰基多肽表面活化聚苯硫醚滤料,以酸性KMnO₄在60~80℃操作温度下正向滴定,在氧化作用下实现活性组分氧化.实验研究了催化滤料的低温NO还原和Hg⁰氧化性能,并通过SEM、EDX及TPD表征手段对催化滤料物化结构进行分析.分别考察了（0.9）Mn-Ce-Fe-Co-O_x/PPS反应体系温度、气相O₂浓度、初始NO浓度、氨氮比（NSR）、入口SO₂浓度的最佳反应参数.结果表明,有效组分MnO_x、CeO_x、CoO_x、Fe₂O₃以团絮状均匀分散在纤维表面;在反应温度170℃、O₂≥5%、NO≤500×10^-6、氨氮比1.0、SO₂≤100 500×10^-6条件下,催化滤料对NO还原及Hg⁰氧化效率基本达到80%左右;程序升温脱附实验Hg-TPD结果表明SO₂的Hg⁰氧化促进作用机理于SO₃与Hg⁰非均相反应优于SO₂硫酸化反应,而NO-TPD结果则表明NO与O₂在PPS表面相互作用类型以吸附态亚硝酸盐为主,吸附态NO₂次之.     

国庆期间南岭背景大气中PAN的浓度特征与来源

为了评估华南地区国庆期间频发的大范围区域光化学污染事件对华南背景大气的影响,2018年国庆节前后（9月19日~10月19日）,在广东南岭国家大气背景站对光化学污染的代表产物过氧乙酰硝酸酯（PAN）开展了连续在线观测,并对PAN的浓度特征和来源进行了分析.结果表明,研究期间南岭PAN的平均体积浓度为（0.66±0.54）×10^-9,最大值为2.33×10^-9,显著高于国内外其他背景站点（（0.21~0.44）×10^-9）,且PAN的夜间浓度一直维持在较高的水平;PAN和O₃（r=0.90）、NO₂（r=0.87）的相关性较强,通过PAN和O₃的线性拟合估算出O₃的大气背景体积浓度为（46.22±0.65）×10^-9,表明南岭光化学反应十分活跃;受区域光化学污染事件的影响,国庆期间南岭PAN的浓度显著升高,达到（1.18±0.45）×10^-9,而同期NO/NO₂比值降低,导致PAN大气寿命延长,有利于PAN的本地累积;结合气团后向轨迹,潜在源贡献分布以及前体物NO₂的全国分布特征分析,发现国庆期间高浓度PAN主要来自湖南,湖北、河南、江西等华中地区.     

深圳大学城园区典型OVOCs污染特征与来源解析

采用质子转移反应质谱仪（PTR-MS）对深圳大学城园区2017年不同季节（分干湿两季）的6种典型OVOCs和其他非甲烷烃类（NMHCs）进行连续在线监测,分析其干湿季的浓度特征与日变化规律,并应用光化学龄的参数化方法开展OVOCs的来源解析.结果表明,在观测的6种OVOCs中,甲醇的平均浓度最高,达10×10^-9~12×10^-9,其次是乙酸、丙酮和乙醛,约2~5×10^-9,甲酸和丁酮的含量最低,仅1×10^-9~2×10^-9.通过日变化观察到的OVOCs湿季峰值浓度时间明显早于干季,乙醛表现出与臭氧（O₃）相似的日变化特征,揭示了其可能存在二次来源;甲醇和丁酮的峰值浓度时间均早于O₃,可能存在重要的一次排放源.采用光化学龄模型解析出日间污染物来源比例：在污染较重的干季,甲醇、乙醛、丙酮和丁酮的人为一次源占主导,甲酸和乙酸的二次源是主要贡献者;在较清洁的湿季,天然源成为乙醛、丙酮、丁酮、甲酸和乙酸的主要来源.