雾霾重污染期间北京居民对高浓度PM2.5持续暴露的健康风险及其损害价值评估

开展短期内高浓度空气污染造成的人体健康风险评价以及健康经济损失研究,对推进城市大气污染防控,保证人民群众的健康水平具有重要的科学价值和实际意义.研究选择2013年1月发生的北京市雾霾重污染事件,采用泊松回归模型评价全市居民对10~15日高浓度PM2.5暴露的急性健康损害风险,并采用环境价值评估方法估算人群健康损害的经济损失.结果表明,短期高浓度PM2.5污染对人群健康风险较高,约造成早逝201例,呼吸系统疾病住院1 056例,心血管疾病住院545例,儿科门诊7 094例,内科门诊16 881例,急性支气管炎10 132例,哮喘7 643例.相关健康经济损失高达4.89亿元(95%CI:2.04~7.49),其中早逝与急性支气管炎、哮喘三者占总损失的90%以上.建议应针对不同人群不同健康终点的健康风险进行健康预警并开展及早医学干预,以降低类似空气重污染事件给居民健康带来的风险和损失.     

基于AERMOD模型评估公路交通源PM_(2.5)的浓度分布

PM2.5是公路机动车主要污染物之一,对沿线居民的呼吸健康有直接的危害,因此有必要在公路建设环境影响评价中增加对交通源PM2.5扩散浓度的评估。本文通过分析空气质量模型AERMOD、PM2.5排放清单测算模型MOVES以及建模数据需求,在交通量调查、气象数据预处理以及道路源PM2.5排放清单测算的基础上,应用AERMOD模型评估了我国某高速公路沿线PM2.5的浓度分布水平。结果表明:在研究路段沿线下风向距路肩400m范围内,均受到公路交通源PM2.5污染(PM2.5净浓度≥4μg/m3)的影响;AERMOD模型可以精细化地评估道路机动车PM2.5对空气质量的影响,为道路沿线PM2.5浓度分布评估提供了一套研究方法,其评估结果对道路规划环境影响评价具有重要的参考价值。     

2010~2018年中国交通行业污染排放健康影响分析

以PM_2.5为标志性污染物,构建了交通行业“能源消耗-污染排放-健康影响”评估模型,旨在了解我国交通行业污染排放对居民健康影响的程度和趋势.2010~2018年,我国交通行业PM_2.5排放量在38.4~42.78万t波动,道路和水路部门贡献了97%左右的排放量;历年交通行业污染排放引起的居民健康损失相近,以2018年为例,全因早逝人数为14.9万例,心血管疾病住院15.91万例,呼吸系统疾病住院10.37万例,心血管疾病门诊641.69万例,呼吸系统疾病门诊630.99万例;交通行业污染排放造成的健康经济损失则增长迅速,由2010年的1380.13亿元增长到2018年的3479.42亿元,约占历年全国GDP的0.33%~0.39%.     

道路绿地消减噪声服务功能研究——以北京市为例

在城市化带来的环境问题中,噪声已成为影响城市居民身心健康的主要因素之一,而配置合理的绿地对噪声具有明显的降低作用。论文从绿地消减噪声的机理出发,基于实验测定结果,结合绿地斑块调查数据,对北京市城区道路绿地降噪效果及其价值进行了研究。结果如下:①不同组成结构的道路绿地降噪能力不同,其中乔灌草结构道路绿地降噪能力最强,其次为乔木类和灌木类,草坪类最差,各类型绿地降噪能力均随宽度的增加而增加;②北京市城区道路绿地年降噪9.35×10⁷ dB(A)·a^-1,其中乔灌草结构绿地占92.95%,单位面积道路绿地平均降噪20 477 dB(A)·hm^-2·a^-1,其中乔灌草结构绿地最高,为23 505 dB(A)·hm^-2·a^-1,分别是乔木类的2.92倍,灌木类的17.92倍,草坪类的18.64倍;③北京市城区道路绿地消减噪声的年价值为7.13×10⁸元·a^-1,单位面积道路绿地降噪价值为156 033元·hm^-2·a^-1。研究表明,北京市城区道路绿地结构搭配较为合理,在消减噪声方面发挥了重要作用,具有可观的生态效益。     

我国113个城市大气颗粒物污染的健康经济学评价

搜集2006年我国113个主要城市的PM10年均浓度和当年我国城市居民的健康资料,评价大气PM10污染对我国113个主要城市的居民健康影响,并粗略估算了相关的健康经济损失.结果表明,2006年大气PM10污染对我国113个城市的居民造成了较大的健康损失,可引起29.97万例过早死亡,9.26万例慢性支气管炎,762.51万例内科门诊,16.59万例心血管疾病住院和8.90万例呼吸系统疾病住院.折算成货币,总归因健康经济损失为3414.03亿元,其中由过早死亡造成的损失占87.79%.     

半岛型城市PM2.5多情景数值模拟研究

烟台是中国最东部半岛型城市之一,研究应用WRF-CMAQ空气质量模拟系统和排放清单技术,建立以PM2.5质量改善为核心的一次污染物质减排情景和PM2.5浓度下降之间的定量对应关系.分析结果表明,若烟台2020年实现空气质量达标,SO2、NOx、一次PM2.5分别需消减30%、30%和40%以上;一次PM2.5减排控制对PM2.5浓度下降的贡献,是SO2和NOx等常规污染物减排控制效益的8倍左右;如果仅依靠消减SO2和NOx等常规污染物,无法实现PM2.5浓度的大幅度下降.     

应用PART5模式计算机动车尾气管的颗粒物排放

采用修正的PART5模式获得了北京市机动车尾气管的颗粒物(PM10和PM2.5)排放因子.在此基础上,计算了北京市1995和1998年机动车PM10和PM2.5的排放总量,并确定了分车型的排放分担率和颗粒物中各组分(铅、硫酸盐、可溶性有机物和残余碳等)的比例.结果表明,北京市机动车PM10和PM2.5的平均排放因子很高,其中汽油车、摩托车和重型柴油车的排放因子分别是美国同期水平的1.7～8.6倍、2.1～3.5倍和1.3～1.5倍.1995年北京市机动车尾气管排放的PM10和PM2.5分别为2445t和1890t,1998年则分别增至3359t和2694t,增加的幅度为37.4%和42.5%.     

2015年春节北京市空气质量分析

对2015年春节(2月18~24日)期间北京市PM2.5、PM10、SO2、NO2的浓度及PM2.5组分进行了分析,并基于PM2.5/CO比值法定量估算了除夕夜烟花爆竹PM2.5排放量.结果表明,春节期间北京市PM2.5、PM10、SO2、NO2的平均浓度分别为116.85、184.71、22.14、36.27μg·m-3,比2014年同期分别增长52.61%、92.41%、-40.15%、-0.46%;除夕夜01:00PM2.5、PM10、SO2、NO2峰值浓度分别为412.69、541.63、152.73、51.09μg·m-3,比2014年同期峰值浓度分别增长19.02%、14.37%、76.57%、11.35%;污染物峰值浓度空间分布上人口密集地区浓度水平明显较高;具有烟花燃放特征的指示性PM2.5组分ρ(Cl-)、ρ(K+)、ρ(Mg2+)峰值浓度分别是2013~2014年各项离子年均浓度的18.85、66.72、70.10倍;烟花爆竹燃放会在短时间内造成严重的大气污染,除夕夜北京市区烟花爆竹排放PM2.5总量约为2.13×105kg.进一步分析显示春节半月期间污染源排放量大幅降低对北京市空气质量的改善效果明显.     

北京市典型绿化灌木阻滞吸附PM2.5能力研究

选取北京市典型绿化灌木物种大叶黄杨、小叶黄杨、紫叶小檗、矮紫杉,结合气室模拟与实地观测的方法,综合测定不同树种对PM2.5的吸附能力.同时,收集2012年12月~2013年5月间北京市区PM2.5浓度值,分析了北京市冬春季PM2.5污染特征.结果表明,由气室实验得到的4种植物对PM2.5阻滞吸附能力排序为:紫叶小檗>小叶黄杨>矮紫衫>大叶黄杨,其原因主要为叶片特征差异所致;室外测量结果表明,4种物种吸附能力排序为:小叶黄杨>紫叶小檗>矮紫衫>大叶黄杨.气室模拟与室外实测结果均表明,小叶黄杨和紫叶小檗具有较强的阻滞吸附PM2.5的能力;气室模拟与室外观测实验中植物阻滞吸附PM2.5能力的大小略有差异,其原因应与植物结构相关.同时,通过分析北京市PM2.5浓度的季节性变化,发现北京市冬季的PM2.5浓度值尤为高,且常绿灌木植物仍能表现出较好的阻滞吸附PM2.5的能力.     

成都市铺装道路扬尘排放清单及空间分布特征研究

对成都市城区和郊区不同等级铺装道路共采集了96个道路扬尘样品,通过调研得到了不同等级道路车流量、平均车重和道路长度等有关活动水平数据,采用AP-42法估算该地区不同等级道路扬尘排放因子和排放量,并利用Arc GIS软件得到了道路扬尘PM10和PM2.5排放量的空间分布图。结果表明:成都市城区道路和郊区公路积尘负荷平均值分别为0.50,0.94 g/m2;郊区等外级公路的PM10和PM2.5的排放因子最大,分别为2.59,0.63 g/VKT,城区支路的PM10和PM2.5的排放因子最大,分别为1.15,0.28 g/VKT;基准年2012年道路扬尘PM10和PM2.5的排放总量分别为48 745.46,11 793.26 t。从空间分布看,中心城区每一网格道路扬尘PM10和PM2.5排放量最大,分别达到300,70 t以上。     

Particulate matter exchange between atmosphere and roads surfaces in urban areas

The deposition and the re-suspension of particulate matter (PM) in urban areas are the key processes that contribute not only to stormwater pollution, but also to air pollution. However, investigation of the deposition and the re-suspension of PM is challenging because of the difficulties in distinguishing between the resuspended and the deposited PM. This study created two Bayesian Networks (BN) models to explore the deposition and the re-suspension of PM as well as the important influential factors. The outcomes of BN modelling revealed that deposition and re-suspension of PM10 occurred under both, high-traffic and low-traffic conditions, and the re-suspension of PM2.5 occurred under low-traffic conditions. The deposition of PM10 under low-volume traffic condition is 1.6 times higher than under high-volume traffic condition, which is attributed to the decrease in PM10 caused by relatively higher turbulence under high-volume traffic conditions. PM10 is more easily resuspended from road surfaces compared to PM2.5 as the particles which larger than the thickness of the laminar airflow over the road surface are more easily removed from road surfaces. The increase in wind speed contributes to the increase in PM build-up by transporting particulates from roadside areas to the road surfaces and the airborne PM2.5 and PM10 increases with the increase in relative humidity. The study outcomes provide a step improvement in the understanding of the transfer processes of PM2.5 and PM10 between atmosphere and urban road surfaces, which in turn will contribute to the effective design of mitigation measures for urban stormwater and air pollution.     

不同时刻污染减排对北京市PM2.5浓度的影响

利用空气质量模式Model-3/CMAQ及京津冀地区高分辨率排放源清单,针对有代表性的污染时段(2012年2月7~16日),设置了5种不同时刻的减排方案(在污染峰值提前4d、提前3d、提前2d、提前1d及当天减排),对比在同样的减排比例下,不同时刻开始减排的效果差异.研究发现,提前采取减排控制措施比污染峰值当天开始减排对降低PM2.5浓度的影响更为明显,而且提前采取应急减排的时间越早,PM2.5浓度下降越明显.提前1d、2d、3d减排海淀站和城六区峰值浓度下降率分别为23%和22%、31%和30%、39%和38%,均明显高于当天减排的峰值浓度下降率10%和9%.但随着提前天数的增加,PM2.5峰值浓度进一步下降的幅度越来越小,减排效益较之前显著降低.提前4d减排海淀站和城六区峰值浓度下降率分别为40%和39%,提前4d减排和提前3d减排对降低污染峰值日PM2.5浓度的效果已没有太大差别.同时针对另一个污染时段(2012年1月11~20日)进行了相似的敏感性试验,得出了类似的结论.因此,针对某些污染事件的应急减排,综合考虑减排成本和减排效果,根据气象条件的预报,在可能引起重污染事件的不利气象条件来临时提前2~3d采取减排措施效果最好,既能有效降低PM2.5浓度,也可以避免因盲目长时间减排造成的成本过大.     

2014~2016年间郑州市控制PM10和PM2.5污染的健康效益评估

根据郑州市2014~2016年间大气中PM₁₀和PM_2.5年平均浓度数值,采用泊松回归相对危险模型,评估了控制PM₁₀和PM_2.5污染后所能带来的95%置信区间下的健康效应及健康效益.结果表明,2014~2016年间,PM₁₀浓度达到二级限值后所带来的经济效益（以亿元计,括号中为置信区间,下同）分别为181.8（150.4,211.2）、242.5（202.5,279.4）和206.2（173.3,239.2）,分别占郑州市当年生产总值的2.7%、3.3%和2.5%;PM_2.5浓度达标后所带来的经济效益分别为178.8（143.7,211.6）、216.5（174.6,255.3）和172.5（137.8,205.5）,分别占郑州市当年生产总值的2.6%、3.0%和2.1%.PM₁₀和PM_2.5浓度达标后,城镇受益人数高于农村,急性支气管炎减少人数高于其他健康终端,对于慢性支气管炎,成人受益比儿童大,哮喘则相反.慢性支气管炎人数减少带来的健康经济效益最高,其次为哮喘,门诊和住院的健康效益最低.     

城市径流污染负荷动态更新研究

实现城市径流污染负荷动态更新是城市非点源污染有效控制的重要前提.在采用事件平均浓度估算方法的基础上,引入面积和降雨量更新因子,估算北京市2009-2012年街道路面和园林绿地COD、TN、TP、氨氮排放量.结果显示,随着面积和降雨量的增加,北京市城市径流污染物排放量总体呈增加趋势.     

基于源区监测的城市地表径流污染空间分异性研究

通过对汉阳城区14个地表源区4次降雨径流过程水样的采集与分析,研究城市地表径流污染空间分异性及其影响因素,以期为地表径流污染的源区控制提供科学依据.结果表明,城市地表径流颗粒态COD、TN和TP分别占58%±17%、65%±13%和92%±6%,溶解态TN中NH 4+-N、NO 3--N和DON相当.不透水地表功能、交通流量、土地利用、人口密度以及卫生管理水平是影响城市地表径流水质空间分异的主要因素.土地利用对径流污染程度的影响是旧城居民区一般城区居民区/饮食区交通商业区新建区城市绿地,人口密度高和管理差的旧城区径流污染最重;道路地表径流污染程度与交通流量呈正相关,交通流量越高地表径流污染越重,1级交通干道2级干道支路.加强地表卫生的管理,并对地表径流污染产生的关键源区进行控制是减轻城市地表径流对水环境负面影响的有效途径.     

2015年12月北京市一次重污染过程中PM_(2.5)特征分析

2015年入冬以来京津冀区域重污染频发,综合分析了2015年12月19—26日京津冀及周边地区发生的一次重污染过程中PM_(2.5)分布特征及成因。监测数据显示,2015年12月北京市重污染日共计13 d,累计月均值为151.8μg/m3。在12月19—26日一次重污染过程中,区域污染面积均超过40万km2,北京市单站PM_(2.5)小时均值超过800μg/m3。污染初期北京市南部地区PM_(2.5)浓度明显偏高,且PM_(2.5)极端高值出现在南部站点。污染输送阶段,北京市PM_(2.5)小时浓度在短时内呈爆发式增长,浓度增值是年均值的2~5倍。污染缓解阶段,偏北风作用,浓度明显下降。除了极端不利的天气形势外,区域散煤排放是造成重污染的重要原因;河北省唐山、保定、廊坊、石家庄等城市区域输送加重了污染程度。     

北京市东北城区冬季大气细粒子与相关气体污染特征

利用VAPS通用型大气污染物采样仪与DX-600型离子色谱仪于2008年11月及2009年1月进行了北京市东北城区大气细粒子(PM2.5) 可溶性离子组分和相关气体组分的同时监测与分析.结果表明,在采样期间,北京PM2.5质量浓度随时间呈“3峰”的变化,在“3个峰段”期,随采样时间的推进,PM2.5质量浓度增高;与北京市以往监测结果相比,北京市PM2.5中几种主要水溶性无机离子的污染水平呈现下降的趋势;PM2.5呈弱酸性,对大气环境酸化和酸性湿沉降的形成具有一定的促进作用;PM2.5中NH4+主要以硫酸盐、硝酸盐及氯盐的形式存在;PM2.5中SO42-、NO3-的质量浓度变化趋势分别与环境空气中SO2、NO2的质量浓度变化趋势相似,PM2.5中SO42-和NO3-分别主要由SO2、NO2转化而来,且NO2二次转化率低于SO2的二次转化率.     

上海中心城区冬季PM_(2.5)中有机碳和元素碳组成变化特征

采样分析了上海中心城区冬季2009年1月-2月PM2.5中有机碳和元素碳组分,并对其污染和变化特征进行了分析。监测分析结果表明,中心城区范围内OC、EC质量浓度空间分布无明显差异;OC、EC是PM2.5的重要组成部分,其在PM2.5中的质量分数分别为8.88%、1.49%;ρ(OC)/ρ(EC)比值较高,为5.73,且存在一定程度的二次有机污染;OC质量浓度和EC质量浓度有着很好的相关性,二者一定程度上有着相同的源;春节前后,TC浓度变化(即OC+EC)呈现明显的假日效应,机动车排放是TC的重要来源之一。