2013—2016年74城市臭氧浓度变化特征

利用2013—2016年74城市臭氧（O₃）监测数据，综合探讨了全国74城市O₃浓度时空变化特征、变化趋势。结果表明：2013—2016年，74城市O₃-8 h各百分位浓度总体呈上升趋势，且百分位较高区间O₃浓度逐年上升速率越快，O₃-8 h第95百分位浓度年增长5.3 μg/m³，其次是第90百分位；O₃区域性污染特征明显，京津冀及周边、长三角、珠三角O₃污染问题突出；74城市O₃浓度超标天数年增长3 d/城市，O₃污染呈明显日、季节变化特征，午后14：00—17：00达到小时浓度峰值，超标日主要集中于5—10月；O₃对环境空气质量综合指数贡献率逐年增加，北京、上海和广州O₃贡献率年增长分别为1.9%、1.1%和0.8%。     

西安市大气颗粒物PM2.5与降水关系的探讨

对西安市2011年的降水及PM_2.5进行采样，并对其进行了pH及无机水溶性离子测定。结果表明，西安市酸雨的污染类型以硫酸型污染为主，连续性降水对大气颗粒物的去除效果明显，pH随降水量的增加而减小。对采样日降水前和降水后3 h的PM_2.5监测结果表明降水对PM_2.5质量浓度与其中的离子有一定去除作用。西安市的PM_2.5呈酸性，并且与降水的pH有着很好的相关性；另外降水前PM_2.5的质量浓度、SO₄^2-浓度与降水pH呈负相关，NO₃^-与降水pH的相关性不明显。近几年PM_2.5和降水中的SO₄^2-/NO₃^-当量值变化趋势表明西安市大气污染已步入煤烟和机动车尾气混合型污染类型，且机动车污染对大气污染和酸雨的贡献比例有所增加。     

山东省2015年PM2.5和O3污染时空分布特征

利用中国环境监测总站的城市空气质量自动监测数据，分析了2015年山东省细颗粒物（PM_2.5）和臭氧（O₃）污染的时空分布特征，并初步探讨了其与气象要素的相互关系。研究发现：山东省PM_2.5年均质量浓度和年超标天数的空间分布均呈现由东部向西部递增的趋势，半岛地区的浓度最低，其他地区浓度均较高，年均质量浓度最大值出现在德州（101 μg/m³）。各城市PM_2.5的月均质量浓度均呈现出季节性变化，冬季最高，夏季最低。O₃-8h年均值和O₃年超标天数的空间分布与PM_2.5不同，半岛地区污染天数最少，其次为南部地区，中部地区和西北部地区污染最为严重并且各区域的城市之间O₃污染情况存在较大差异，具有明显的局地性特征。O₃质量浓度在春末夏初最高，超标现象主要出现在5—8月。分析各城市PM_2.5污染和O₃污染的协同性与差异性发现，虽然不同城市之间两者污染情况存在一定差异，但整体上看，山东省大气复合污染特征明显，全年有10个城市的PM_2.5和O₃同时超标天数都在20 d以上，并且该现象主要发生在夏季。夏季高温低湿的大陆气团控制更有利于O₃和PM_2.5叠加共存形成复合型污染。温度≥26℃时，O₃-8 h与PM_2.5日均质量浓度的相关系数为0.63，相对湿度≤60%时，两者相关系数为0.69。此外，当在大陆气团的控制下发生O₃污染时，相对湿度的提高更有利于PM_2.5浓度的增加。     

天山北坡经济带城市NO2污染的时空分布特征

基于2015—2020年近地面NO₂质量浓度数据和2019年哨兵-5P TROPOMI卫星探测的对流层NO₂柱浓度数据，采用相关性分析、趋势分析等方法探究新疆天山北坡经济带6个城市NO₂污染的时空分布特征。结果表明：（1）从年均值来看，天山北坡经济带NO₂质量浓度总体呈下降趋势，尤其2018—2020年下降明显。其中乌鲁木齐NO₂质量浓度值最高、博乐最低。（2）从季度均值和月均值来看，各城市NO₂质量浓度季节变化明显，其中夏季最低、冬季最高；月均值呈“中间低、两头高”的变化特征。（3）从日均值来看，各城市NO₂质量浓度大多呈现双峰型分布,分别出现在早上10:00和晚上23:00。（4）从空间分布来看，NO₂柱浓度高值区多分布在人口密集和工业发达的城市地区，尤其是乌鲁木齐、昌吉、五家渠、石河子污染最为严重。     

石家庄市NO2时空分布特征及影响因素

为了解石家庄市NO₂时空分布特征及影响因素,结合GIS和相关性分析,对2018年环境空气自动监测站监测数据、气象数据和社会经济数据进行统计分析。结果表明:261个乡镇NO₂年均质量浓度范围为11~68 μg/m³,超标率为47.9%,仅有49个乡镇NO₂日均质量浓度达到国家二级标准。主城区NO₂质量浓度高于周边县(市、区),NO₂总体呈圆环形带状分布。月变化方面,1-3月、10-12月污染较重,峰值出现在1月。NO₂日变化呈"高-低-高"的变化趋势,区域差异明显。NO₂与温度、湿度、风速呈负相关,与大气压呈正相关,气象条件的月际差异是导致NO₂月差异的重要因素,NO₂空间分布主要受地形、人口密度和机动车排放等因素影响。研究结果提示秋冬季是NO₂治理的关键时期,主城区为重点防控治理区域。     

安徽省2017—2018年PM2.5浓度时空分异特征

以2017—2018年安徽省133个空气质量监测站（国控点66个,省控点67个）228万条PM_2.5质量浓度数据为基础,基于空间自相关和地统计方法对该区PM_2.5浓度的时空分异特征进行分析。结果显示：安徽省年平均PM_2.5质量浓度为49.63 μg/m³,88%的监测站点PM_2.5质量浓度超过国家环境空气质量标准二级限值;PM_2.5浓度呈现明显的冬季高、夏季低、春秋季适中的特征,日变化曲线呈双峰结构,峰值在09：00和22：00前后,低值在16：00—17：00;全省PM_2.5浓度全局Moran指数为0.673 6,月度指数为0.389 6~0.745 6,均表现为空间聚集性,且冬季PM_2.5浓度的空间聚集性更强;局部空间自相关指数表明全省PM_2.5浓度呈西北高-高集聚、东南低-低集聚的特点,低值集聚区稳定在黄山市及其周边;全省PM_2.5浓度总体表现为由北向南递减的趋势,但受局部地形的影响,PM_2.5浓度在西部大别山和皖南山区出现明显的下降趋势。研究结果综合了国控点和省控点监测数据,更加详细地表征区域PM_2.5浓度的时空分异特征,为该区实施有效的环境污染防控提供重要参考。     

基于Prophet模型的空气污染物浓度预测方法

准确预测大气污染物浓度的时空变化趋势是制定、修订大气污染防控措施和持续改善空气质量的关键。笔者以内蒙古呼和浩特市为研究区,基于2015-2020年城市环境空气质量自动监测站的月度数据,运用Prophet模型,研究确定环境监测数据的突变点和Prophet模型饱和预测上下限等特征,完成了"十四五"期间研究区PM_2.5、 PM₁₀、 NO₂、 SO₂、 O₃5项污染物的浓度预测。采用可决系数、均方根误差及平均偏差误差对预测模型结果进行精度评估,并重点分析了2025年各项污染物浓度的时空变化规律。结果表明:Prophet模型可以较为精准地对5项污染物浓度进行预测,预计2025年呼和浩特市PM_2.5、 PM₁₀、 NO₂、 SO₂、 O₃质量浓度分别为41.64,、71.71、36.85、21.66、123.24 μg/m³,与以往该地区各项污染物时空特征一致,未来该市PM_2.5、 PM₁₀、 NO₂、 SO₂全年浓度均呈U形分布,具有冬季高、夏季低的特点,O₃全年浓度呈倒V形分布,具有夏季高、冬季低的特点。除此之外,研究还发现未来该市西部地区污染程度高于东部。预测结果表明:当前内蒙古对空气污染的治理措施为空气污染的持续改善提供了保障,O₃污染有加重趋势但尚在可控范围内,需要进一步加强防控。该研究揭示了呼和浩特市"十四五"期间5项空气污染物的浓度和时空变化趋势,可为呼和浩特市空气质量持续改善提供数据参考。     

辛集市"十三五"期间空气质量特征分析

重点对河北省辛集市"十三五"期间整体空气质量变化情况以及影响辛集市优良天数的2个重要参数O₃和PM_2.5的污染规律进行了分析。结果表明,辛集市"十三五"期间空气质量改善明显,优良天数整体增加,污染天数整体减少。O₃浓度及其作为首要污染物出现的天数整体呈现上升趋势,对综合指数的贡献率逐年增加;O₃污染高发期主要集中在4—9月,高值区域分布差距较大,但市区污染持续突出。PM_2.5浓度逐年下降,以PM_2.5为首要污染物的天数逐年减少;PM_2.5浓度季节变化特征整体呈现"秋冬高、春夏低"的分布特点,空间分布呈"南北高、中间低"的污染特征。     

江苏省2014-2016年臭氧污染区域特征分析

分析2014—2016年江苏省O₃污染状况，以及苏北、苏中和苏南3个典型区域O₃年度、季度、日变化和频度占比等分布特征。结果表明，江苏省的O₃空间分布呈现北低南高，2014—2016年的O₃超标占比由18.4%上升至34.9%；2016年苏北、苏中和苏南地区O₃-8h第90百分位数与2014年相比，上升2.7%，21.8%和3.3%；3个区域夏季O₃-8h均值最高，春、秋2季次之，冬季最低；O₃-1h日变化呈单峰状态，最低值出现在06:00—07:00，最高值出现在15:00—16:00；2016年3个地区的O₃频度占比均呈正态分布，主要集中在40~80 μg/m³，所占比例均>15%；苏中和苏南区域2016和2014年相比O₃频率占比的变化幅度较大，苏北地区变化幅度不大。指出，江苏省的O₃污染程度在逐年提高，污染范围从苏南逐渐往中部和北部城市扩大。     

云南省臭氧污染特征及气象影响分析

为研究云南省臭氧(O₃)污染特征及其与气象因子的关系,基于统计学方法及ArcGIS空间差异分析、线性趋势分析、空间离散系数等方法,对全省16个市(州)2015—2017年33个环境监测站点的监测数据进行了研究。结果表明:研究期间,O₃逐渐取代其他大气常规污染物成为首要污染物,其浓度变化范围为19～138 μg/m³。云南省各市(州)O₃浓度年变化呈现周期性,月度峰值集中出现在春季(3—5月)；日变化呈单峰形,峰值集中在14:00—17:00。O₃浓度的空间格局由纵向集聚为主转变为横向集聚为主,各集聚区交错分布,低值区由西北部转移到西南部；O₃浓度增长率为正的区域集中于东北部和中部,面积约为20.81万km²,占全省总面积的54.29%,其余半环状区域增长率为负。迪庆州O₃污染情况与其他市(州)明显不同,且受其他市(州)传输的影响较小。气象因子对O₃浓度的影响随时间和地域条件的变化而变化,对典型市(州)(迪庆州、丽江市、昭通市)O₃浓度影响最大的为偏南风,影响的浓度区间为20～160 μg/m³。     

异辛烷中2,2',4,4',5,5'-六溴联苯标准样品的研制

介绍了异辛烷中2,2',4,4',5,5'-六溴联苯(PBB-153)标准样品的研制方法。分别采用气相色谱法、差示扫描量热法对PBB-153原料进行纯度分析,测定了原料中水分、杂质的含量,利用质量平衡法计算得到纯品纯度为99.0%,相对扩展不确定度为1.2%(k=2)。异辛烷中PBB-153标准样品采用称量-容量法制备,配制浓度为50.00μg/m L,利用气相色谱法对其进行均匀性检验和稳定性监测,结果显示均匀性良好,稳定性可达18个月以上。对不确定度进行评估,结果显示相对扩展不确定度为4%(k=2)。该标准样品与国外同类样品具有量值一致性,能有效支撑中国六溴联苯的履约监测与环境管理等工作。     

胶州湾大型底栖动物的次级生产力

基于国外大型底栖动物次级生产力的评估方法,结合国内研究现状,选取了3种Brey模型对胶州湾大型底栖动物的次级生产力进行估算,通过2015—2017年连续3个季度对胶州湾海域大型底栖动物的调查,最终结果表明:胶州湾大型底栖动物的次级生产力与其他海域相比具备较高的水平,次级生产力的季节性变化明显,其中夏季为最高;湾内高值区位于湾顶中部红岛以南到向西偏移至大沽河口和红石崖附近。分析发现历年来大型底栖动物群落的物种组成基本保持稳定,菲律宾蛤仔(Ruditapes philippinarum)资源的变化是造成次级生产力变化的最主要因素。研究推荐使用Brey(2012)模型来估算胶州湾大型底栖动物次级生产力,春、夏、秋季的估算结果分别为880.17、1 537.64、458.33 kJ/(m~2·a)。     

基于亨利定律的水中臭氧浓度检测方法研究

为提高水中臭氧(O_3)浓度检测方法的普适性、准确性和便捷性,提出了一种新的非接触式的水中O_3浓度检测方法。基于亨利定律(Henry’s Law),采用电化学方法,建立空气中O_3浓度与水中O_3浓度的回归方程,从而推导出水中O_3浓度。实验结果显示,水体O_3传感器的检出限为0.02 mg/L,检测上限为0.40 mg/L,可决系数R~2为0.998 9,相对误差最大值为7.05%,相对标准偏差最大值为2.82%。实际样品检测显示,水体O_3检测传感器的检测结果与O_3快速测定试剂盒(DPD法)的检测结果完全吻合。该方法不但综合了智能传感器的小型化、网络化、实时测量等特性,而且结构简单、成本低、响应快,适用于水体中O_3浓度的快速检测。     

“十四运”期间西安PM2.5中水溶性无机离子污染特征

为探究中国第十四届运动会(简称“十四运”)期间西安大气PM_2.5中水溶性无机离子浓度水平及来源，利用高分辨率MARGA ADI 2080离子在线分析仪对西安“十四运”前、“十四运”期间和“十四运”后水溶性无机离子进行实时观测，分析了不同时段水溶性无机离子组分污染特征、pH变化及污染来源。结果表明，“十四运”前、“十四运”期间和“十四运”后PM_2.5质量浓度分别为13.4、11.9、32.6μg/m³,SNA(NO^-₃、SO₄^2-和NH⁺₄三者统称)质量浓度分别为5.8、5.4、13.3μg/m³,占总水溶性无机离子的91.6%～93.6%。“十四运”前和“十四运”期间NO^-₃与SO₄^2-质量浓度比分别为0.7和0.9,表明移动源的比例增加，主要受交通管控的影响。“十四运”后NO     

新安江水库主要入流营养盐的时间变化特征及其影响因素分析

流域上游来水是水库的重要补给源，其水质状况直接决定下游受纳水库的生态系统状态和功能，研究入库来水营养盐的时间演变特征并揭示其变化的影响因素，为水库水质管理提供重要科学依据。以新安江水库安徽辖区为研究区，分析了2007—2016年期间流域入库水质的变化特征，探讨水文、气象等环境条件对入库水质的影响。研究结果表明，2007年以来，COD_Mn和透明度表现为下降趋势，TN、TP、NH₃-N呈明显上升趋势，来水营养水平上升，但叶绿素a呈下降趋势。流域降水带来的水文情势的变化对来水水质起重要作用，来水中N、P营养盐丰水期显著高于枯水期，同流域降水过程显著正相关。     

西安市黑碳气溶胶浓度特征及与气象因素和常规污染物相关性

利用西安市环境监测站超级站2013年9月1日—2015年5月31日黑碳气溶胶(BC)的监测数据,研究空气中BC浓度特征及其与气象因素和常规污染物相关性。结果表明:BC小时平均浓度均值在春季、夏季和冬季的变化趋势呈"W"型,秋季呈"V"型,且冬季的第一个最低值和峰值比春季和夏季的分别延迟1 h和2~3 h,且20:00~次日6:00秋季BC小时平均浓度均值高于当年冬季。BC浓度在秋季和冬季较高,夏季较低。冬季BC/PM_(2.5)基本最低,秋季BC/PM_(2.5)相对最高。BC日平均浓度与气温、降水和风速的日平均值为极负显著相关,且风速小于1.0 m/s时,其与风速呈最显著的负相关。除O_3外,BC日平均浓度与其他常规空气污染物浓度呈显著相关,表明其同源性很强,且受机动车尾气排放的影响更大。     

“十三五”时期哈尔滨空气质量变化特征及影响因素分析

对"十三五"期间哈尔滨市空气质量状况、变化特征及影响因素进行分析,为哈尔滨市打赢蓝天保卫战提供科学参考。以哈尔滨市为研究区域,基于哈尔滨市12个国控监测点位监测结果,对"十三五"期间哈尔滨市环境空气质量优良天数及6项污染物进行分析,总结了环境空气质量变化特征及影响因素。结果表明:"十三五"期间,哈尔滨市环境空气质量呈现波动向好趋势,较"十二五"期间大幅改善,除细颗粒物外,其他指标已稳定达二级标准,臭氧成为仅次于细颗粒物的首要污染物,冬季燃煤污染是环境空气最主要的污染来源,秋季秸秆焚烧及春季清除秸秆根茬也会产生一定影响。     

纳氏试剂法检测水中低浓度氨氮存在问题分析及方法改进探讨

针对采用《水质氨氮的测定纳氏试剂分光光度法》(HJ 535—2009)测定低浓度氨氮时存在的测不准问题,研究了药剂投加量、反应时间等因素对检测结果的影响,认为低浓度氨氮下的显色反应速度过慢是测定结果不准的原因,并据此提出利用强碱调节pH的方法加速反应进程。改良后的方法可以在0.2～1.2 mg/L氨氮浓度范围内呈现良好的线性关系,相关系数r为0.999 4。该方法具有较高的准确度和精密度,有效扩大了低浓度氨氮的检测范围,在实际样品检测中的回收率为102.5%～115.0%,可为准确测定水环境和饮用水中的氨氮浓度提供一种简便易行的手段。     

京津冀与长三角地区氢氯氟碳化物本底特征

基于北京上甸子与浙江临安区域大气本底站2011—2019年氢氯氟碳化物(HCFCs)采样观测数据,开展了京津冀与长三角地区6种HCFCs(HCFC-22、HCFC-141b、HCFC-142b、HCFC-124、HCFC-132b和HCFC-133a)本底特征研究。研究结果表明:临安站HCFCs浓度水平和浓度变率比上甸子站明显更高,尤其是HCFC-133a,其浓度及浓度变率均比上甸子站高1个量级,表明长三角地区HCFCs排放量可能较京津冀地区更大。2个站点HCFCs本底浓度基本一致,差异范围为-6.1%~7.1%。上甸子站本底数据占比为26.4%~69.0%,而临安站本底数据占比不足23%。在《关于消耗臭氧层物质的蒙特利尔议定书》的约束下,2个站点多数HCFCs年均浓度呈下降趋势或变化较小。2个站点HCFC-132b浓度相对较低,但2019年相比2018年有明显升高。结合风向进行分析,发现上甸子站HCFC-22、HCFC-141b、HCFC-142b和HCFC-132b高浓度水平主要由西南扇区(北京城区方向)的WSW、SSW及SW方向贡献,而HCFC-124和HCFC-133a在各风向上的浓度和载荷差异较小。临安站HCFC-124高浓度水平主要由SSE和NNE方向贡献,分别对应金华和湖州方向;其他5种HCFCs的高浓度水平主要由东北扇区的ENE方向贡献,对应杭州城区方向。     

A New Mathematical Approach in Environmental and Life Sciences: Gene–Environment Networks and Their Dynamics

An important research area in life sciences is devoted to modeling, prediction, and dynamics of gene-expression patterns. As clearly understood in these days, this enterprise cannot become satisfactory without acknowledging the role of the environment. To a representation of past, present, and most likely future states, we also encounter measurement errors and uncertainties. This paper surveys and improves recent advances in understanding the foundations and interdisciplinary implications of the newly introduced gene–environment networks, and it integrates the important theme of carbon dioxide emission reduction into the networks and dynamics. We also introduce some operational and managerial issues of practical working and decision making, expressed in terms of sliding windows, quadrants (modules) of parametric effects, and navigating (controlling) between such effects and directing them. Given data from DNA microarray experiments and environmental records, we extract nonlinear ordinary differential equations that contain parameters that have to be determined. For this, we employ modern (Chebychevian) approximation and (generalized semi-infinite) optimization. After this is provided, time- discretized dynamical systems are studied. A combinatorial algorithm with polyhedra sequences allows to detect the region of parametric stability. Finally, we analyze the topological landscape of gene–environment networks with its structural (in)stability. By embedding as a module and investigating CO₂ emission control and figuring out game theoretical aspects, we conclude. This pioneering work is theoretically elaborated, practically devoted to health care, medicine, education, living conditions, and environmental protection, and it invites the readers to future research.