2015年中国PM2.5相关超额死亡数集成评估

环境空气细颗粒物(PM_(2.5))污染是我国目前较为突出的环境问题,也对人群健康造成严重威胁。基于国内外5套不同来源的2015年中国PM_(2.5)年均暴露浓度数据和5种暴露-反应关系(exposure-response,E-R)模型,设置了不同PM_(2.5)暴露浓度与E-R模型的25种组合情景,评估了2015年中国归因于环境PM_(2.5)导致的超额死亡数。结果表明,2015年全国(覆盖2 826个区县) PM_(2.5)相关超额死亡数为75.0万～256.5万例,其中应用国内E-R模型评估得到的超额死亡数(186.0万～256.5万例)大于国外模型评估得到的超额死亡数(75.0万～133.2万例);空间分布上,京津冀、河南、山东等重污染地区及人口密度较大地区的PM_(2.5)相关疾病负担较重,这些地区需制定更严格的政策来改善空气质量及保护公众健康。指出,我国地面监测站获得的暴露数据通常会高估全国PM_(2.5)的实际浓度均值,运用多套PM_(2.5)暴露浓度数据和多种E-R模型评估疾病负担,有利于减少评估的不确定性。提出,应加强我国PM_(2.5)与人群健康的队列研究及数据积累,以获取更准确的E-R关系,提升PM_(2.5)相关疾病负担评估结果的准确性。     

江苏省PM_(2.5)质量浓度的时空变化格局模拟

基于遥感数据,利用多元线性回归模型研究地面监测的PM_(2.5)质量浓度数据与AOD、气象数据及地面植被覆盖等数据的关系,空间精细化反演江苏省PM_(2.5)质量浓度分布。结果表明,AOD、气象数据及地面植被覆盖数据能较好地反演出PM_(2.5)质量浓度时空分布特征;江苏全省PM_(2.5)质量浓度呈现出冬高秋低、春夏居中的季节变化规律;春、冬季PM_(2.5)质量浓度的高值区集中在苏锡常、宁镇扬及泰州、南通等东南沿海的城市,而在靠近西北内陆的盐城、连云港、徐州、淮安、宿迁PM_(2.5)质量浓度较低,夏、秋季呈现出相反的态势。     

北京地区不同季节PM2.5和PM10浓度对地面气象因素的响应

利用2013年1月—2014年12月北京地区PM_(2.5)和PM_(10)监测数据和同期近地面气象观测数据,采用非参数分析法(Spearman秩相关系数)研究了北京地区PM_(2.5)和PM_(10)的浓度对不同季节地面气象因素的响应。结果表明:北京地区大气颗粒物浓度水平具有明显的季节特征,冬季大气颗粒物污染最严重,夏季最轻。不同季节影响颗粒物浓度水平的气象因素各不相同,其中风速和日照时数为主要影响因素。PM_(2.5)和PM_(10)质量浓度对气象因素变化的响应程度也有较大区别,PM_(2.5)/PM_(10)比值冬季最高,PM_(2.5)影响最大,春季最低,PM_(10)影响最大。这些结论可对制订科学有效的大气污染控制策略提供参考。     

荒漠草原无林地PM2.5、PM10时间变化特征及与气象因素的关系

选取荒漠草原无林地的PM_(2.5)、PM_(10)浓度以及气象因子数据,对颗粒物浓度的时间变化特征及其与气象因子的关系进行分析。结果表明:(1)1月的PM_(2.5)、PM_(10)月平均浓度最高,7月的PM_(2.5)与PM_(10)达到最低。季节尺度上PM_(2.5)、PM_(10)浓度变化为由大到小顺序依次为冬季秋季春季夏季。(2)风速≤4.0 m/s时,随着风速增加,PM_(2.5)、PM_(10)浓度不断降低;当风速4.0 m/s时,PM_(2.5)、PM_(10)浓度随风速增加而增加。PM_(2.5)、PM_(10)浓度与温度负相关。相对湿度≤50%时,随着相对湿度增加,PM_(2.5)、PM_(10)浓度呈增加趋势;相对湿度50%时,随着空气湿度增加,PM_(2.5)、PM_(10)浓度呈降低趋势。随着大气气压上升,PM_(2.5)与PM_(10)浓度随之增加。(3)不同季节的气象因子对PM_(2.5)、PM_(10)影响存在差异。     

基于随机森林算法的长江三角洲地区PM2.5浓度模拟研究

PM_(2.5)影响人们的生活,危害城市居民的健康,因而在大范围、连续空间上精准预测PM_(2.5)的浓度对于降低居民暴露在大气污染环境中的风险意义重大。基于空气中PM_(2.5)浓度对气象因子、社会经济因子和下垫面条件因子的响应关系,利用皮尔逊相关分析、PCA分析和随机森林模型RF构建了长江三角洲地区浓度的预测模型。研究发现:(1)PM_(2.5)浓度大小分布与夜间灯光指数NLI、国内生产总值GDP、降雨量PRE、温度TEP、相对湿度RH、植被指数EVI以及土地利用覆被LUCC呈显著相关(P0.05),其中NLI和GDP与PM_(2.5)浓度呈正相关,PRE、TEP、RH与PM_(2.5)浓度呈负相关。(2)主成分数量为4时,方差累积贡献率达到86.7%,PRE、RH、GDP、NLI和EVI是影响长三角地区PM_(2.5)浓度空间变化的最重要的5个因子。(3)PCA-RF模型对于PM_(2.5)浓度的预测具有较好的表现且在长三角中西部的城市预测效果好于东南部沿海城市。相对于逐步回归SR模型,PCA-RF模型验证数据集上的均方根误差RMSE降低12.7%,决定系数R2提高12.1%,平均绝对误差MAE降低8.3%。     

杭州城区PM2.5和PM10污染特征及其影响因子分析

利用2013年12月—2014年11月杭州城区空气质量监测站PM_(2.5)、PM_(10)浓度值结合气象、道路、人口数据以及站点周边绿地信息分析PM_(2.5)、PM_(10)浓度时空特征及其影响因子。结果表明,杭州城区各监测站PM_(2.5)和PM_(10)晴天日浓度变化趋势基本一致,PM_(2.5)比PM_(10)污染严重;晴天日PM_(2.5)、PM_(10)浓度值与对应的温度(-0.463,-0.281)、风速(-0.305,-0.332)呈负相关,与湿度(0.257,0.239)呈正相关;晴天有风时,杭州市区PM_(2.5)、PM_(10)污染北部重于南部,东部重于西部,浓度极高值集中在风速小于5 m/s时段,且风速越小浓度值越高;温度为12℃左右,湿度在60%~80%时,颗粒物污染最严重;交通高峰时各监测站PM_(2.5)、PM_(10)污染程度存在明显差异。相关性分析表明,PM_(2.5)、PM_(10)污染程度与道路密度成正比,与缓冲区内绿地覆盖面积成反比。PM_(2.5)污染程度与人口密度成正比,PM_(10)污染与人口密度成反比。     

珠海市PM_(2.5)时空分布特征及其成因分析

选取2015年珠海市国控监测站ρ(PM_(2.5))数据,分析PM_(2.5)中有机碳(OC)、元素碳(EC)、水溶性离子组分等化学组成,ρ(PM_(2.5))时空分布特征,以及与气象因素的相互关系。结果表明,2015年珠海市PM_(2.5)年均值为31.0μg/m3,表现出显著的时间分布规律,月均值呈现"V"型趋势,PM_(2.5)中主要化学组分是有机物(OM),占总质量的34.0%,其次是硫酸根(SO2-4),占总质量的26.9%,具有明显的季节分布特征,呈现冬高夏低分布;ρ(PM_(2.5))日变化呈现双峰型分布,其值工作日显著高于非工作日;ρ(PM_(2.5))与平均温度、相对湿度、风速呈现负相关关系,与气压呈现显著正相关关系;珠海市ρ(PM_(2.5))空间分布总体呈现"东高西低,北重南轻"变化趋势,有机物、SO2-4和NH+4空间分布呈现东部高于西部趋势,颗粒物浓度受地形、气候因素和海域环境等影响呈现多样化分布趋势。     

南阳市PM_(10)、PM_(2.5)污染特征及其与气象因子的关系

利用2015年1月1日至12月31日南水北调中线源头南阳市主城区5个国控空气质量监测站24 h自动连续采样的PM_(10)、PM_(2.5)质量浓度数据和同期气象要素观测数据,分析了南阳市大气颗粒物浓度的污染特征及其与气象因子的关系。结果表明:2015年南阳市PM_(10)、PM_(2.5)年均质量浓度分别为0.136、0.074 mg/m~3,超标率分别为31.8%、39.2%;PM_(10)、PM_(2.5)峰值均出现在1月,PM_(10)谷值出现在11月,PM_(2.5)谷值出现在9月;PM_(10)四季日变化均呈双峰型,而PM_(2.5)冬季日变化呈双峰型,其他季节无明显峰值;PM_(2.5)/PM_(10)值在43%~65%,均值54%;PM_(10)、PM_(2.5)与大气压呈显著正相关,与温度、相对湿度呈显著负相关,与风速、降水相关性不明显。     

石家庄市空气颗粒物污染与气象条件的关系

利用2013—2014年石家庄市环境监测中心PM_(2.5)、PM_(10)逐时监测资料、同期的石家庄市地面气象观测站常规观测资料以及环境监测梯度站2013年1月各层PM_(2.5)和PM_(10)逐时观测资料,分析了PM_(2.5)、PM_(10)质量浓度的时空分布特征及与气象要素的相关关系。结果表明:石家庄市PM_(2.5)与PM_(10)的质量浓度及两者的比值均为冬季和秋季较高;在水平分布上,PM_(2.5)与PM_(10)的平均质量浓度为市区西部高于东部;在垂直分布上,随着高度的增加,PM_(2.5)和PM_(10)平均质量浓度先上升后下降;PM_(2.5)与PM_(10)的质量浓度与相对湿度呈正相关,其中PM_(2.5)的质量浓度与相对湿度相关性更高;PM_(2.5)与PM_(10)的质量浓度与风速呈负相关,随着风速的增大,PM_(2.5)与PM_(10)的平均质量浓度呈下降的趋势,但当风速大于5 m/s时,PM_(10)的质量浓度随着风速增大而上升,出现扬尘污染,总体来讲,刮西北风时PM_(2.5)与PM_(10)的质量浓度较高,刮东南风时PM_(2.5)与PM_(10)的质量浓度较低,这与风向和风速的日变化有关;PM_(2.5)与PM_(10)的质量浓度与降水呈负相关,随着降水的增加,PM_(2.5)与PM_(10)的平均质量浓度呈下降的趋势。     

基于神经网络模型对城市空气质量预报方法的优化研究

基于郑州市2017年1月1日—2022年2月28日环境空气细颗粒物(PM_(2.5))逐日质量浓度监测数据和同期气象数据,利用反向传播(BP)神经网络构建了环境空气PM_(2.5)质量浓度预报模型,实现了对郑州市后1日环境空气PM_(2.5)质量浓度日均值进行预报。构建了考虑大气氧化性因素(情景一)和不考虑大气氧化性因素(情景二)这2种情景,并对2种情景下的预报效果进行评价。结果显示,在情景一下,各季节PM_(2.5)预报质量浓度与实况质量浓度的标准化平均偏差(NMB)和均方根误差(RMSE)均处于较低水平,表明预报效果均具有较好的稳定性;各季节PM_(2.5)实况质量浓度与预报质量浓度之间的相关系数(r)、一致性指数(IA)、准确率(Q)和级别预报准确率(G)均处于较高水平,其中Q值均>79%,G值均>80%,表明各季节PM_(2.5)实况质量浓度与预报质量浓度趋势的吻合程度较高。情景一各季节PM_(2.5)预报质量浓度与实况质量浓度的NMB和RMSE均低于情景二,降幅分别为0.8%~2.3%和2.3~4.2μg/m 3;r值、IA、Q值和G值均高于情景二,增幅分别为3.5%~36.1%,2.2%~14.6%,6.4%~9.4%和3.5%~9.1%,表明考虑大气氧化性因素能够优化该模型。     

浅析环境监测对环境执法的案源保障作用

环境监测为环保行政执法提供的案源主要来自对企业监督性监测、在线监测、建设项目竣工验收监测、放射性及固废监测等过程.需从违法主体是否存在、违法事实是否清楚、法律依据是否充分、监测数据是否科学准确等方面,来保障案源的有效性.     

基于产生来源的固体废物鉴别研究

通过对美国、欧盟和日本的固体废物定义和范围,以及已完成的固体废物鉴别实例的研究,指出固体废物鉴别的关键点在于产生来源分析。提出依据产生来源,固体废物可以分为丧失原有使用价值的物质、生产过程中产生的副产物类物质、环境治理和污染控制过程中产生的物质、其他类物质4大类。如果待鉴别物质的产生来源属于该4大产生来源中的任何一类,则其属于固体废物。     

基于ETM 遥感影像的城市热岛效应监测技术研究

针对传统城市热岛效应监测技术方法的不足,探讨了利用热红外遥感影像进行城市热岛效应监测的方法。研究过程中采用密度分割法对广州市热岛分布状况进行模拟实验。最后结合其他统计资料,借助GIS等辅助工具,对热岛成因进行分析,提出缓解城市热岛效应的有效措施。实验结果表明,该种方法具有简便、准确、实用等特点,适合在我国城市开展进行热岛的常规监测。     

基于健康的环境监测技术规范研究

阐述了环境与健康监测的现状,根据江苏省典型区域环境与健康调查取得的成果和经验,对开展环境与健康监测的基本原则和技术思路作分析。提出环境与健康监测内容包括污染物排放监测、环境质量监测、外暴露监测、内暴露监测和健康效应监测,探讨了属于环保部门职责范畴的前3项监测技术内容及相关要求。     

基于L-M神经网络的道路交通噪声预测研究

神经网络具有很强的预测功能.根据石家庄公路交通噪声的实测数据,利用L-M优化算法的多层神经网络预测模型进行道路交通噪声的预测,经检验,计算值与实测值接近,预测精度令人满意.     

Climate Damage on Production or on Growth: What Impact on the Social Cost of Carbon?

Recent articles have investigated with integrated assessment models the possibility that climate damage bears on productivity (TFP) growth and not on production. Here, we compare the impact of these alternative representations of damage on the social cost of carbon (SCC). We ask whether damage on TFP growth leads to higher SCC than damage on production ceteris paribus. To make possible a controlled comparison, we introduce a measure of aggregate damage, or damage strength, based on welfare variations. With a simple climate-economy model, we compare three damage structures: quadratic damage on production, linear damage on growth and quadratic damage on growth. We show that when damage strength is the same, the ranking of SCC between a model with damage on production and a model with damage on TFP growth is not unequivocal. It depends on welfare parameters such as the utility discount rate or the elasticity of marginal social utility of consumption.     

峰面积法和逆矩阵法解析NaI(TI)谱仪γ射线谱的比较

通过实测、比对和理论分析,对分辩率较差的N