基于多源遥感信息的人为热排放量空间化——以浙江省为例

基于自上而下能源清单法,主要考虑工业、交通、建筑和人体新陈代谢这4个热源对人为热的贡献,估算了2010年浙江省68个县市的人为热排放总量.使用DMSP/OLS遥感夜间灯光数据以及阈值法提取出人为热排放的主要区域,并有效减少夜灯像元溢出效应的影响.利用夜间灯光数据和增强型植被指数(EVI)构建人居指数,基于各市县人为热排放总量与其行政区范围内人居指数累计值之间很强的相关关系建立人为热排放量空间化模型,获得了250m分辨率下浙江省2010年城市人为热通量的空间分布.结果显示浙江省各县市的平均人为热排放通量为5.5W/m²,城市高值区一般介于10~40W/m².栅格化的人为热数据可以为城市气候环境的数值模拟研究提供基础数据支持.     

中国城市人为热通量估计及时空分布

基于中国统计年鉴中1985~2018年全国能源消耗和人口数据,估计中国城市人为热排放通量及其时间变化趋势.利用人口空间分布和污染物排放清单数据,探讨人为热排放的空间分布特征.依据能源类型,人为热分为工业、交通运输、建筑和新陈代谢4类排放.结果表明,我国人为热排放多年来持续增长,2000年增长加速,2012~2016年增速有所放缓.2016年我国平均人为热排放通量达到0.442W/m²,工业、建筑、交通、新陈代谢排放的全国平均人为热排放通量分别为0.311,0.072,0.038和0.020W/m².人为热排放的高值主要分布在京津冀、长江三角洲、珠江三角洲重点城市群区域以及其他一些规模较大的区域重点城市.4类人为热排放均呈现东部多、西部少的特点.工业排放人为热分布与区域经济发展水平和城市化程度有关.交通运输排放的人为热主要集中在交通枢纽城市.与已有的人为热排放清单相比,本研究估计的人为热排放通量在规模较大的城市具有更大的数值,更能体现人类活动对人为热排放的贡献.     

长江三角洲城市群人为热排放特征研究

基于常规可获取的能源、交通、人口等统计资料,利用“自上而下”的能源清单法,研究了2010年长江三角洲(以下简称“长三角”)城市群地区各类人为热排放量及其时空分布特征.结果表明:该地区人为热排放总量为1.4′1019J/a,其中工业、交通、建筑、新陈代谢分别占75.1%、12.5%、9.9%和2.5%.上海、苏州、无锡、杭州和南京五个城市的人为热排放总量约占研究区域总量的71%.长三角城市群的人为热年平均排放通量为5.3W/m2,大部分地区介于5~30W/m2,城市高值区一般介于20~70W/m2,上海明显高于其他城市.为方便有关环境气候模式的输入,本文提供了人为热排放的网格化空间分布和简单的时间变化廓线.     

长江三角洲城市群人为热排放特征研究

基于常规可获取的能源、交通、人口等统计资料,利用“自上而下”的能源清单法,研究了2010年长江三角洲(以下简称“长三角”)城市群地区各类人为热排放量及其时空分布特征.结果表明:该地区人为热排放总量为1.4′1019J/a,其中工业、交通、建筑、新陈代谢分别占75.1%、12.5%、9.9%和2.5%.上海、苏州、无锡、杭州和南京五个城市的人为热排放总量约占研究区域总量的71%.长三角城市群的人为热年平均排放通量为5.3W/m2,大部分地区介于5~30W/m2,城市高值区一般介于20~70W/m2,上海明显高于其他城市.为方便有关环境气候模式的输入,本文提供了人为热排放的网格化空间分布和简单的时间变化廓线.     

中国人为热变化及其对地表能量平衡的影响

利用人口统计、分布数据及能源消费统计资料,对中国1980~2015年人为热通量（Q_a）的时空变化进行了研究,并将其与地表净太阳辐射（R_n）进行了对比分析,以探讨人为热对不同尺度地表能量平衡的影响.结果表明,在研究时段内,全国平均Q_a呈显著升高趋势（0.11W/m²/10a,P<0.001）,从1980年的0.07W/m²上升到2015年的0.45W/m²,已经约相当于全球工业革命以来CO₂排放引起辐射强迫（1.68W/m²）的27%;其中Q_a高值区（≥ 1.00W/m²）已由1990年的点状分布变为2015年的面状分布,占到全国面积的10%;全国平均R_n的趋势率（0.18W/m²/10a）略大于Q_a,但未通过显著性检验（P=0.381）.对于参与计算的31个省会城市,2015年市区Q_a平均值在1~32W/m²之间,平均达17W/m²,相当于R_n平均值（147W/m²）的12%;在栅格尺度上（0.5min×0.5min）,除拉萨外,其余城市的Q_a像元最大值均超过了120W/m²,已经导致局地的热平衡发生了本质变化.研究认为,人为热释放因素不但需要在城市气候模拟研究中给予更多考虑,而且在全球和区域气候模拟与评价中以及制定气候变化应对策略时也有必要给予充分考虑,以促进全面认识并减缓气温升高.     

不同季节人为氯排放对二次气溶胶影响的数值模拟

利用WRF-CMAQ模式对比有无人为氯排放的模拟试验,定量分析了不同季节人为氯排放对二次无机气溶胶和二次有机气溶胶的影响.结果表明,人为氯排放对硫酸盐的影响较小,而硝酸盐对人为氯排放较为敏感,Cl-颗粒物与HNO₃、N₂O₅、NO₃和NO₂均可发生反应生成硝酸盐,同时NH₃也会转化为铵盐.人为氯排放使冬、春、夏、秋季硝酸盐月均浓度分别最高增加9.8μg/m³(34.3%)、1.5μg/m3(11.4%)、1.3μg/m³(9.1%)和2.6μg/m³(10.3%),铵盐月均浓度分别最高增加3.0μg/m³(30.7%)、0.6μg/m³(10.3%)、0.5μg/m3(6.5%)和1.1μg/m³(8.0%),冬季影响最大,夏季影响最小.人为氯排放增强了Cl原子和OH自由基对VOCs的降解作用,不同种类的SOA浓度略有上升,人...     

基于SEFA方法的异位土壤修复环境足迹分析——以某钢铁厂为例

以安徽省合肥市某钢铁污染场地为例,采用SEFA工具计算和对比复合污染土壤异位组合修复方案的环境足迹.方案一:淋洗+化学氧化+水泥窑;方案二:稳定化+化学氧化+热脱附+异地填埋;方案三:生物降解+稳定化.结果表明,3种修复方案环境足迹存在一定差异.当重点关注能源和空气污染两个绿色可持续修复核心要素时,方案三环境足迹最小,能源消耗总量21808万MJ,温室气体(GHG)排放总量1.73万tCO₂e;修复1m³有机污染土壤的环境足迹整体表现为化学氧化<生物降解<异位热脱附,化学氧化、生物降解和异位热脱附三种修复技术的温室气体排放强度分别为0.05、0.09和0.17tCO₂e/m³,能源消耗量分别为949.55,1677.54,3049.11MJ/m³.修复1m³重金属污染土壤时,异地填埋技术的环境足迹最小,能源消耗和温室气体排放最低;稳定化修复技术在空气污染物排放方面环境足迹最小.     

干旱区盐湖沿岸不同植物群落土壤CO2排放特征

为探究盐湖区不同植物群落土壤CO₂排放速率及影响因素,以新疆达坂城盐湖沿岸小獐毛、鸢尾、芨芨草、黑果枸杞群落和撂荒地土壤为研究对象,在2016年4~12月采用Li-8100A监测了不同植物群落土壤CO₂排放特征,分析了CO₂排放与5（ST5）,10（ST10）,15cm（ST15）土壤温度、含水量、电导率的关系.结果如下：4~12月小獐毛群落土壤CO₂日排放呈单峰曲线,7月土壤CO₂排放速率最高,峰值出现在14：00左右;7月鸢尾、芨芨草、黑果枸杞和撂荒地土壤CO₂排放呈双峰曲线,峰值出现在10：00和14：00~16：00左右,其余月份均呈单峰曲线,峰值出现在12：00~14：00;不同植物群落类型、同一植物类型不同月份土壤CO₂排放存在显著差异（P<0.001）.4~12月芨芨草群落土壤CO₂累积排放量最高（2508.01g/m²）,大于撂荒地（2235.01g/m²）、鸢尾（1903.03g/m²）、黑果枸杞（1690.27g/m²）和小獐毛（550.34g/m²）植物群落处理.小獐毛群落土壤CO₂排放与ST15显著相关（R²=0.739,P<0.05）,且对ST15变化最敏感;鸢尾、芨芨草、黑果枸杞群落和撂荒地处理土壤CO₂排放与ST5相关性较高（R²=0.708~0.821）,对ST10变化响应敏感.小獐毛群落土壤温度敏感系数（Q₁₀）最大值出现在6月（7.97）,鸢尾（21.74）、芨芨草（13.21）、黑果枸杞（18.23）和撂荒地（7.65）处理则出现在11,12月.不同植物群落土壤CO₂排放与含水量相关性较低;一元线性方程（log_eC_f=-0.149EC+0.943）能较好的模拟土壤电导率（EC）与CO₂排放（C_f）的关系.除土壤温度外,盐分也是影响盐湖沿岸土壤碳排放的重要因素.因此,在考虑陆地生态系统碳收支时不能忽略盐湖生态系统,以及盐分对土壤碳过程的影响.     

京津冀农业源氨排放对PM2.5的影响

根据收集的京津冀区域农业氨排放源活动水平数据,使用排放因子法建立了2014年京津冀地区农业氨排放清单.结果表明,2014年京津冀地区农业源氨排放总量为1750695t,平均排放强度为8.09t/km²;河北省、北京市和天津市农业氨排放量分别为1594087t、58822t和97786t.;猪和蛋鸡是畜禽养殖业中氨排放的主要来源,分别占31.29%和26.07%.模拟结果表明,农业氨减排使京津冀地区PM_2.5的年均浓度下降12.04μg/m³,下降比例约为18.36%,4月份和7月份农业氨减排对PM_2.5的影响较大,而1月份影响较低;农业氨减排使无机盐（硫酸盐+铵盐+硝酸盐）的年均浓度下降10.00μg/m³,年均浓度下降比例为41.84%,对硝酸盐的影响最大,铵盐次之,硫酸盐最小.     

昆明市干季碳气溶胶污染特征及来源解析

为研究西南高原城市昆明的碳气溶胶浓度特征及其来源,2018年11月20日—2019年3月23日,在昆明主城区采集PM_2.5样品共117个,测定有机碳(OC,organic carbon)和元素碳(EC,elemental carbon)的质量浓度,对其进行源解析。结果显示：昆明市PM_2.5平均浓度为72.31±26.19μg/m³,碳气溶胶浓度(TC,total carbon)为38.04±18.74μg/m³,约占PM_2.5的53%。碳气溶胶以有机碳排放为主,OC约占TC的75%,EC平均质量为9.15±4.02μg/m³。OC/EC值为3.23,二次有机碳(SOC,secondary organic carbon)约占有机碳的40%左右,存在二次有机污染物。碳组分浓度排序为：OC3>OC4>OPC>EC1>OC2>OC1>EC2>EC3,以汽油车尾气排放、燃煤、扬尘、生物质燃烧源占主导。外源气团影响了昆明市碳质...     

北京市大兴区道路积尘年际变化特征及管控研究

为探究长时间跨度的道路积尘变化特征,于2019~2020年对北京市大兴区内主要道路进行尘负荷检测,并于2020年四季收集道路PM₁₀和PM_2.5积尘样品,分析化学组分,建立成分谱.结果表明,2019年和2020年大兴区道路尘负荷年均值分别为1.05g/m²和0.74g/m²,2020年大兴区道路尘负荷较2019年下降29.5%.2019年道路尘负荷热点聚集区分散,大兴区内道路尘负荷高值区较多,2020年热点区集中出现在西北部,冷点区集中在东部区域.2020年大兴区道路扬尘排放因子低于2019年,大部分乡镇/街道中,2020年的扬尘排放因子和排放量低于2019年,呈现出东南部 > 中部 > 西北部的趋势.2020年大兴区道路扬尘排放量低于2019年,大兴区南部和西北部乡镇/街道内的扬尘排放量大于中部.受建筑施工活动影响.2020年大兴区道路PM₁₀和PM_2.5积尘化学组分中以土壤风沙和建筑施工活动相关的元素为主,Ca、Mg、Si、Al元素分别共占比39.39%和41.71%.对大兴区道路尘负荷进行针对性管控,首先需要对运输车辆进行及时冲洗,降低轮胎的尘土夹带量.其次应加强工地出口至附近1km的道路清扫保洁频次,将工地出口处道路尘负荷对周边道路的辐射影响降低.     

京津冀地区散煤燃烧大气污染物排放清单

为研究京津冀地区民用散煤燃烧大气污染物的排放情况，结合散煤燃烧活动水平与燃用特征，根据排放因子法自下而上建立了2018年京津冀地区民用散煤燃烧污染物排放清单，研究了污染物排放的时空分布特征并使用蒙特卡罗方法对排放清单进行了不确定性分析.结果表明：2018年京津冀地区民用散煤燃烧量共计3799.22万t，PM_2.5、CO、SO₂、NO_x的排放量分别为9.27，341.31，5.17，5.44万t.污染物排放集中在11月份~次年3月份，大多数地区呈现出相同的日排放趋势.8：00、11：00、18：00、21：00左右出现污染物排放峰值，小时排放系数平均值分别为11%，6%，7%，13%.PM_2.5排放高值区主要集中在北部、东部及部分南部地区，CO主要集中在北京和天津地区，SO₂和NO_x主要集中在天津和承德地区.     

北京森林BVOCs排放特征及对区域空气质量的影响

利用林业二类调查蓄积资料,广泛调研植物源挥发性有机物（BVOCs）排放因子的最新研究成果,运用光温影响模型对北京森林BVOCs排放特征进行研究,并分析其对区域空气质量的影响.结果显示,2015年北京森林BVOCs排放量平均值为27.97×10⁹g C/a,变化域值范围为（9.46~76.45）×10⁹g C/a,其中异戊二烯、单萜烯和其他VOCs贡献率分别为75.09%、15.62%和9.29%.不同树种间BVOCs排放量差异较大,杨树和栎树是主要的异戊二烯排放源,贡献率分别为63.16%和25.92%;油松是主要的单萜烯排放源,贡献率为40.90%.不同龄级林对BVOCs排放的贡献不同,中龄林贡献率最大,占总量的39.14%.BVOCs排放呈夏季高、冬季低的特征,春、夏、秋、冬排放量分别占全年的12.55%、77.48%、9.76%和0.21%.BVOCs对O₃生成潜势的贡献量为240.51×10⁹g,其中异戊二烯占92.66%,是主要的贡献者;对二次有机气溶胶（SOA）生成潜势的贡献量为1.73×10⁹g,异戊二烯和单萜烯分别占24.26%和75.73%.研究表明,北京森林BVOCs排放会导致大气年均SOA浓度增加0.94μg/m³,O₃浓度上升9.01μg/m³,特别是对夏季O₃污染具有较大贡献.建议城市绿化时应从有助于空气质量改善的角度考虑树种的VOCs排放能力.     

北京能源消费排放CO2增量的影响因素分析——基于三层嵌套式的I-O SDA技术

通过构建一个扩展的竞争型经济-能源-碳排放投入产出表,运用三层嵌套结构式I-O SDA 技术,从整体情况、分产业、工业分行业3 个层面,对1997—2007 年北京的碳排放增量进行了分解。结果表明:消费、投资、调出和出口等经济规模增长要素,以272.46%的贡献率成为增排的主要因素,而能源消费强度变动效应,则以-237.13%的贡献率成为减排的决定性因素;在规模扩张各效应中,调出和消费超过投资和出口达8 403.38×10⁴ t,是增排的主要贡献者;2002—2007 年间以“高碳”为特征的新一轮工业化,使该期增排占到1997—2007年总增量的86.41%;服务业的贡献率是75.93%,为增排的第一大部门,但2002—2007 年工业超出服务业1 036.40×10⁴ t;重制造业的贡献率是1 030.76%,为增排的重点行业,而能源工业则以-992.81%的贡献率,成为减排的重点行业;各时段各效应在不同产业、工业不同行业发挥的作用大小不同且不够稳定。     

基于DEM的山区冬季燃煤污染物排放遥感测算——以北京市门头沟区为例

选择山地面积占98.5%的北京市门头沟区作为研究区,利用资源三号（ZY-3）三线阵前、后视影像构建立体模型,提取数字高程模型（Digital Elevation Model,DEM）.由高分二号影像,基于CART（Classification and Regression Tree）决策树的面向对象方法对居住房屋进行提取,获取空间分布与面积,并结合采暖面积、采暖季燃煤量等抽样调研数据确定的深、浅山区（海拔>300m为深山区,海拔<300m为浅山区）燃煤系数,建立燃煤量估算模型.进一步,基于文献调研法获取型煤排放因子,测算燃煤产生的PM₁₀、PM_2.5、NO_x、SO₂、CO的排放量.结果表明：借助遥感技术,基于DEM可对山区燃煤污染物排放量进行快速有效测算.地形对冬季燃煤量有显著影响,深山区燃煤系数分别为12.5kg/m²,浅山区为9.375kg/m².2017年门头沟使用型煤取暖的房屋面积为5.68km²,冬季燃煤总量为6.52万t,山区各镇大气污染物排放量差别较大.