南京北郊夏季大气光化学污染特征研究

为了研究南京夏季光化学污染特征,于2013-05-18~2015-08-31连续观测了臭氧及其前体物的浓度及气象要素。结果表明:臭氧(O3)、氮氧化物(NOx)和挥发性有机物(VOCs)平均体积分数分别为(32.01±15.20)×10-9、(21.50±14.02)×10-9、(33.16±25.20)×10-9,一氧化碳(CO)为(0.66±0.44)×10-6;O3体积分数小时均值最大值可达146.42×10-9;O3超过国家环境空气质量标准14.1%;有11 d出现霾现象,占整个观测时段的11.1%。观测点受周边源排放影响较大。在风速为2~3 m/s的西南风作用下,VOCs中的活性物种体积分数较高,O3体积分数易累积出现高值;偏东风主导下主要来自周围工业源和交通源排放的NOx、CO和VOCs等体积浓度易出现高值。臭氧产生效率(OPE)值比较低约为2.17±0.12。     

北京上甸子区域大气本底站HCFC-22在线观测研究

2007年4月～2008年3月,利用GC-ECD在线观测系统,在北京上甸子区域大气本底站开展了HCFC-22在线观测,讨论了北京上甸子站HCFC-22浓度水平并初步分析其影响因素.该站大气HCFC-22浓度(摩尔分数,下同)为(278.1±113.6)×10-12.利用逐步逼近回归法进行本底值筛分,本底浓度为(199.5±5.1)×10-12,与北半球同纬度带Mace Head和TrinidadHead本底站观测结果基本一致;非本底浓度为(312.1±121.0)×10-12,出现频率69.8%,表明该站受到较强HCFC-22排放源及输送的影响.上甸子站HCFC-22本底浓度季节变化不明显,但非本底浓度呈现夏高冬低的特点,平均非本底浓度最高月(7月)比最低月(1月)高100.9×10-12,与HCFC-22排放的季节性有关.结合风向分析,该站西南扇区平均浓度(327.3×10-12)比东北扇区(236.2×10-12)高91.1×10-12.HCFC-22高浓度水平主要由W-WSW-SW方向贡献引起,NNE-N-NE方向则使得全年HCFC-22浓度水平明显降低.     

南京北郊夏季近地层臭氧及其前体物体积分数变化特征

南京北郊,钢铁、石化等重工业集中,大气污染现状不容乐观.为了研究此类重工业地区夏季光化学污染特征,于2013年5月18日~8月31日连续观测了臭氧及其前体物的浓度并同时记录了常规气象要素.结果表明,观测期间臭氧(O3)、氮氧化物(NOx)和挥发性有机物(VOCs)平均体积分数分别为(32.01±15.20)×10-9、(21.50±14.02)×10-9、(33.16±25.20)×10-9,一氧化碳(CO)为(0.66±0.44)×10-6;O3体积分数小时均值最大值达146.42×10-9;O3超过国家环境空气质量二级标准14.1%.对污染物进行浓度频率分布近似得到观测期间O3、NOx和VOCs背景体积分数分别为(5.71±2.51)×10-9、(12.20±0.36)×10-9和(22.44±0.38)×10-9,CO为(0.28±0.01)×10-6.观测点污染物受周边排放源的影响较大.在风速为2~3 m·s-1的西南风作用下,VOCs中的活性物种体积分数较高,O3体积分数容易累积达到高值;偏东风主导下主要来自周边工业源和交通源的NOx、CO和VOCs体积分数易出现高值.南京亚青期间对工业生产和部分机动车采取了调控措施,O3体积分数未明显减少,并有4 d超过国家二级标准.     

北京上甸子站气相色谱法大气CH4和CO在线观测方法研究

参照瓦里关全球大气本底站气相色谱在线观测系统的设计,通过系统调试、测试和参数优化,于2009年在北京上甸子区域大气本底站建立了高精度气相色谱法大气CH4和CO在线观测系统.该系统对CH4和CO的测量精度分别优于0.03%和0.45%,达到世界气象组织全球大气观测计划(WMO/GAW)的质量目标.研究建立了与该系统配套的标气选取方法及运行序列:选取可基本涵盖该站大气CH4和CO浓度范围的2瓶标气作为工作标气,其中CH4浓度分别为2 007.1×10-9、1 809.5×10-9(摩尔分数,下同),CO浓度分别为405.6×10-9、123.8×10-9,在高低浓度工作标气之间穿插分析3次大气样品,能够保证测量的准确度(观测浓度的标准偏差CH4<1.7×10-9、CO<1×10-9),同时可最大程度地节省工作标气.该方法已应用于华北地区本底大气CH4和CO的高精度连续观测.     

北京上甸子区域大气本底站甲基氯仿在线观测研究

利用GC-ECD在线观测系统,在北京上甸子区域大气本底站开展了甲基氯仿(CH3CCl3)2年在线观测,利用逐步逼近回归法进行本底值筛分,讨论了上甸子站CH3CCl3浓度水平及其变化趋势.该站2009年和2010年的年均大气CH3CCl3本底浓度(摩尔分数,下同)分别为(9.03±0.53)×10-12和(7.73±0.47)×10-12,本底数据出现频率为61.1%(2009年)和60.4%(2010年).上甸子站CH3CCl3浓度水平与北半球同纬度带本底站观测结果基本一致,低于文献报道的2001~2005年间我国华南区域和城市观测的结果.观测期间本底浓度呈下降趋势,下降率为1.39×10-12a-1.结合风向分析,该站CH3CCl3平均浓度最高的风向来自西南扇区,而平均浓度最低的风向来自东北扇区,不同风向的浓度差值分别为0.77×10-12(2009年)和0.52×10-12(2010年).2010年各风向CH3CCl3平均浓度比2009年降低1.03×10-12~1.68×10-12.     

浙江临安大气本底站CO浓度及变化特征

利用基于光腔衰荡光谱(CRDS)技术自组装的大气CO在线观测系统,于2010年9月~2012年2月在浙江省临安大气本底站对大气CO进行了在线观测.结果表明临安站四季CO日变化明显受人为活动影响,分别在每日07:00~10:00和19:00~20:00出现峰值,夏季CO日平均浓度和振幅均最低,分别为314.3×10-9±7.6×10-9(摩尔分数,下同)和50.1×10-9±47.9×10-9.该站全年大气CO浓度呈现冬春季高、夏季低的趋势,与北半球瑞士Jungfraujoch站、青海瓦里关等站基本一致,但平均浓度明显高于其他国际站点,全年CO月均值振幅约为286.8×10-9±19.2×10-9.后向轨迹聚类和地面风结果分析表明,临安站非本底CO浓度主要来自于N-NNE-ENE扇区内城市及工业等人为排放所引起.春、夏和冬季最大的浓度抬升均出现在ENE风向,冬季抬升值最大,约为106.3×10-9±58.0×10-9.     

大气NOx测量准确性问题分析

采用美国热电公司的NO-N02-NOx分析仪(Model 42i TL)和NOy分析仪(Model 42i NOy),在2011年1月-10月期间,对北京城市大气中的NO、NOx和NOy进行了连续在线测量.两台仪器对NO的测量结果具有较高的一致性(r＞0.998,p＜0.01),说明两台仪器测量精度基本一致.将NOy分析仪(Model 42i NOy)采样口处安装和不安装颗粒物过滤膜两种条件下测量的NOy结果与NO-NO2-NOx分析仪所测的NOx结果分别进行了相关性分析([NOy] =0.989x[NOx],R2 =0.993;[NOy] =1.134 ×[NOx],R2=0.959),得出以下两个结论:①以颗粒态硝酸盐为代表的颗粒物是造成NOx与NOy偏差的主要原因,其所占比例在10％左右;②目前Model 42i-TL所测NOx的浓度水平较真实值偏高,其测量值更接近气态NOy的浓度水平.为估算NO2测值被高估的程度(以2011年8月6日-15日观测数据为例),用扣除部分气态NOz物种(HONO、HNO3、PAN、PPN)的修正方法,推论出在夏季N02被高估约7％(R2=0.968).     

本底站和城区站CO浓度变化特征和源贡献

采用FLEXPART大气扩散模式结合清单的模拟方法,通过与2010年上甸子大气本底站和城区海淀宝联站的CO观测浓度的比较,研究了北京地区CO浓度变化特征,并统计分析了各类排放源的贡献差异.研究结果表明：上甸子站和宝联站CO模拟浓度与观测浓度的变化趋势基本一致,相关系数分别优于0.74和0.45;与观测值相比,两站模拟浓度值偏低,模式对观测浓度峰值模拟能力有限.利用不同源清单模拟获得的同一站点CO浓度值相近,但交通、工业、民用等分类排放源对CO模拟浓度的贡献差异明显.与INTEX-B2006清单相比,利用MEIC2010排放清单模拟的宝联站交通与工业排放贡献的占比小、民用排放占比大;而上甸子站交通排放贡献的占比小,民用与工业排放的贡献占比大.因此,利用FLEXPART模式结合清单的模拟方法对CO浓度具有较好的模拟能力,可以较为准确地反映区域大气本底站和城区站CO浓度的变化特征;各类排放源对模拟浓度的贡献不仅受到测站所在地的局地排放源影响,更与影响测站的印痕区域的排放源密切相关.     

我国4个WMO/GAW本底站大气CH4浓度及变化特征

利用基于光腔衰荡光谱(CRDS)技术自组装的大气CH4在线观测系统,于2009～2010年在青海瓦里关、浙江临安、北京上甸子和黑龙江龙凤山这4个世界气象组织全球大气观测网(WMO/GAW)大气本底站对大气CH4进行了在线观测.临安站在所有季节中CH4浓度都表现出类似的日变化趋势,即浓度在每日～05:00(北京时间)达到最高值,在～14:00为最低.夏季龙凤山站CH4浓度表现出类似的规律,但其日变化振幅较大,达到216.8×10-9(摩尔分数,下同).上甸子站春、秋、冬季CH4浓度呈现类似变化趋势,但夏季日平均值较高,在晚间～20:00达到最高值,瓦里关站四季CH4浓度日变化均不明显.3个区域本底站(临安、上甸子和龙凤山)全年CH4本底浓度存在明显的变化,临安站CH4本底浓度在7月达到全年最低水平.龙凤山站则表现出相反的趋势,在8月达到全年最高值,其全年浓度表现出"W"型变化.冬季龙凤山和上甸子站CH4浓度高于春季和秋季.瓦里关站全年浓度变化较小,月平均浓度振幅仅为11.5×10-9.临安、上甸子和龙凤山3个区域本底站夏季CH4非本底数据占总数据的比例>70%.为分析气团传输的影响,对4站夏季高浓度时刻(瓦里关:CH4>1 870×10-9,龙凤山CH4>2 100×10-9,临安CH4>2 150×10-9,上甸子CH4>2 050×10-9)对应的气团轨迹进行聚类分析表明,夏季出现的高浓度CH4观测数据可能主要由气团传输所引起.     

北京上甸子区域大气本底站四氯化碳(CCl_4)在线观测

利用自组装GC-ECD系统在北京上甸子区域大气本底站开展大气四氯化碳(CCl4)摩尔分数在线观测.2007年4月～2008年3月期间,该站CCl4本底摩尔分数(89.4±0.7)×10-12,与北半球同纬度带Mace Head和Trinidad Head本底站观测结果基本一致;非本底摩尔分数(94.7±5.1)×10-12,出现频率63.6%,表明该站也能捕捉到高摩尔分数CCl4空气团输送信息;CCl4本底摩尔分数变化较小,且没有明显的季节变化;非本底摩尔分数呈现夏高冬低的特点,平均非本底摩尔分数最高月份(6月)比最低月份(1月)高7.6×10-12.应用CO比值相关法初步估算2007年4月～2008年3月我国CCl4排放量约4.7kt·a-1,与文献报道Bottom-up方法估算我国同期CCl4排放量接近;CO比值相关法估算CCl4排放量的不确定性主要来自同源假设及观测站代表性.     

基于观测数据的石家庄交通干线附近臭氧光化学敏感性分析

为确定石家庄东部郊区交通干线附近O₃生成光化学敏感性,利用2019年1月1日—2020年10月31日在线观测的NO_x、NO_y和O₃等数据计算并分析了O₃生成效率(OPE)及O₃光化学敏感性的NO_x临界浓度.结果表明:1交通干线附近O₃光化学敏感性存在季节差异,春季主要受VOCs控制,整体OPE为2.6±0.3,夏、秋季节主要受NO_x与VOCs协同控制,整体OPE分别为5.3±0.4和5.1±0.8;2NO_x体积分数>11×10^-9时,O₃生成主要为VOCs控制;NO_x体积分数介于6×10^-9~11×10^-9时,O₃生成主要受VOCs与NO_x协同控制;NO_x体积分数<6×10^-9时,O₃生成主要为NO_x控制;3O₃生成敏感性存在日变化特征,10:00之前O₃生成主要受VOCs控制,10:00—11:00是O₃生成由VOCs控制转变为VOCs和NO_x协同控制的过渡时段,12:00之后O₃生成主要由VOCs和NO_x协同控制,且午后14:00—16:00之间NO_x对O₃控制比例凸显.因此,石家庄O₃治理不但要重视NO_x与VOCs排放源的协同管控,尤其午后还需要对NO_x排放源进行分时段精细化管控.     

北京城区夏季O3化学生成过程

选取2007年7月1日—8月31日中的21个晴空日,利用观测资料和光化学箱模式计算了北京城区测点的O₃生成速率G(O₃)和O₃生成效率OPE.结果表明,21个晴空日中G(O₃)日最高小时值分布在(18~82)×10^-9h^-1之间;在O₃污染和非污染日G(O₃)最高值的平均水平无显著差异,且与O_x浓度之间不存在一致的对应关系,表明O₃化学生成过程不能全面解释地面O₃浓度的累积,物理传输过程对测点O₃实测浓度有显著作用;各个化学过程对G(O₃)的贡献率对比结果显示,HO₂ 在 NO向NO₂的转化中贡献最大;OPE值分布在2.8~5.8之间,总体水平为4.1±0.1;OPE值与NO_x浓度之间为非线性关系,OPE值随NO_x浓度的增加而减少,表明消减测点附近VOCs排放能有效降低O₃浓度.     

基于达标约束的南京市环境空气质量情景模拟

以2030年南京市6项污染物达标为约束,在2015年大气污染物排放清单基础上,利用CMAQ模型分析了PM_(2.5)对南京本地不同前体物排放的敏感性,通过情景分析预测排放清单,模拟了4种减排情景的空气质量变化,最终获得达标约束下大气污染物总量控制指标.模拟结果显示,减少一次颗粒物PPM (primary particulate matter)排放对降低大气中的PM_(2.5)浓度最为有效;在周边地区减排的基础上,本地减少PPM排放对PM_(2.5)年均浓度下降的相对贡献可达88%,其次为NH_3、NOx、SO_2与VOCs减排,其相对贡献分别为10. 3%、5. 5%、3. 2%与0. 5%;相比2015年,4种情景下南京市主要大气污染物减排比例在22%～53%,未来控制活动水平对减排SO_2、NH_3与CO较有效,而NOx和VOCs末端治理方面还有较大空间;将SO_2、NOx、PM10、PM_(2.5)、BC、OC、CO、VOCs及NH_3的排放量分别控制在2. 43×104、8. 47×10~4、9. 42×10~4、3. 74×10~4、0. 19×10~4、0. 30×10~4、26. 56×10~4、13. 08×10~4及1. 50×10~4t以内时,预计南京市6项污染指标可以达到国家环境空气质量二级标准.     

珠江三角洲非道路移动源排放清单开发

根据收集到的珠江三角洲非道路移动源活动水平数据,采用适合各类非道路移动源污染物排放量的估算方法和排放因子,建立了珠江三角洲地区2006年非道路移动源排放清单.结果表明,珠江三角洲地区2006年非道路移动源排放SO2为6.52×104t,NOx为1.24×105t,VOC为4.54×103t,CO为2.67×104t,PM10为4.51×103t.其中船舶为最大的SO2、NOx、CO和PM10排放贡献源,分别占非道路移动源排放总量的96.4%、73.8%、39.4%和50.5%.在船舶排放源中,SO2、NOx、VOC、CO和PM10排放量的89.8%、81.8%、77.3%、79.5%和81.7%来自货轮和散装干货船.非道路移动源已成为该地区第三大SO2和NOx排放贡献源,分别占珠江三角洲大气污染源SO2和NOx排放总量的8.6%和13.5%.     

基于大数据分析和IVE模型的杭州市机动车污染物排放变化特征研究

以杭州市全市域为研究对象,基于机动车排放管理数据库和IVE模型本地化后计算出市区、城区、城郊和郊区4类区域及快速路、主干路和次干路3类道路的各类机动车排放清单,利用Arc GIS及杭州市路网信息建立了1 km×1 km网格化空间分布,分析了机动车污染物排放特征.结果显示,杭州市机动车各污染物NO_x、CO、PM_(2.5)和VOCs的年排放量分别为4.9×10~4、12.5×10~4、0.2×10~4、2.1×10~4t.各种车型中,中重型货车对NO_x和PM_(2.5)的贡献均最大,分别为45.8%和36.3%,其次为大中型客车、公交客运,小微型客车对CO和VOCs的排放贡献最大,分别为69.3%和51.1%.机动车各污染物排放强度均呈现由城市中心向城市边缘递减的趋势,高排放区域集中在城中心及城南和城北区域,同时各污染物排放量日变化特征明显,均出现弱双峰现象.     

长三角区域非道路移动机械排放清单及预测

基于长三角典型城市非道路移动机械实地调查成果,结合长三角各城市非道路移动机械相关指标现状及变化趋势,建立了长三角三省一市非道路移动机械大气污染源排放清单,并开展了2005~2025年区域非道路移动机械保有量、燃油消费量及污染物排放量预测.2014年长三角非道路移动机械总量约为8.23×106台,柴油消费量约9.95×106t,SO_2、NO_x、CO、VOCs、PM10和PM_(2.5)排放分别为5.5×10~3、4.9×10~5、7.6×10~5、1.1×10~5、2.9×10~4和2.7×10~4t,农用机械占长三角机械总量的93%,CO和VOCs排放贡献分别为88%和77%;建筑及市政工程机械的NO_x和PM_(2.5)排放贡献较为突出,分别占49%和35%.长三角中部和北部城市机械排放贡献相对突出.2005~2014年间,长三角地区非道路移动机械保有量、油耗及排放增幅均相对较快,预计到2020和2025年,区域非道路移动机械总量增速明显放缓,柴油消费量分别比2014年增加2%和8%.到2020年,SO_2、NO_x、CO、VOCs、PM10和PM_(2.5)排放分别比2014年下降97%、10%、3%、10%、11%和11%;到2025年分别下降97%、16%、3%、15%、21%和21%.预计未来长三角区域非道路移动机械排放将呈现逐年下降趋势,但相比机动车降幅仍相对较小,其排放贡献将日益突出,加快老旧机械淘汰并进一步提升机械排放标准对削减非道路移动机械排放总量具有十分重要的意义.     

泰安市大气臭氧污染特征及敏感性分析

2018年5～7月对泰安市城区站点的臭氧及前体物进行在线监测,并基于特征比值法和光化学模型分析了臭氧及前体物的污染特征及臭氧生成对前体物的敏感性.结果表明,观测期间泰安市正遭受较为严重的臭氧(O_3)污染,臭氧浓度的日变化呈典型的单峰型变化,15:00左右出现最高值,氮氧化物(NO_x)和VOCs的日变化趋势整体呈现夜间高白天低的变化特征.由O_3生成效率(OPE)、VOCs/NO_x和H_2O_2/NO_z特征比值法及基于EKMA曲线的方法均得出观测期间泰安市大气O_3光化学生成偏向于NO_x敏感区及过渡区,削减NO_x和VOCs均对O_3生成具有控制作用.同时基于EKMA曲线的方法还得出在O_3前体物浓度减排时按照丙烯等效浓度(PE)与NO_x浓度比值为8∶3进行VOCs(PE)和NO_x削减可以达到O_3浓度控制的最佳效果.     

兰州盆地人为源大气污染物网格化排放清单及其空间分布特征

基于所搜集的兰州盆地各类人为污染源排放大气污染物的活动水平数据及其排放因子,采用"自下而上"的方法建立了2009年兰州盆地(石油化工城市)1 km×1 km的7种(类)大气污染物网格化排放清单,并对其来源和空间分布特征进行了分析研究.结果显示:2009年兰州盆地NOx、SO_2、VOCs、CO、PM_(10)、PM_(2.5)和NH3的排放总量分别为1.2×10~5、8.8×10~4、4.3×10~4、4.1×10~5、9.6×10~4、4.2×10~4和1.4×10~4t;工业燃烧排放是兰州盆地NO_x和SO_2的主要贡献源,分别占其总排放量的85.70%和52.55%;工业非燃烧过程排放是VOCs的最大贡献源,占总排放量的81.25%;工业点源和工业非燃烧过程排放是CO的两大贡献源,分别占其总排放量的33.97%和28.32%;PM_(10)和PM_(2.5)主要来源于工业非燃烧过程,贡献分别为51.09%和55.12%;氮肥使用和禽畜养殖是NH_3排放最大的贡献源,分别占其总排放量的39.20%和30.70%.空间分布特征表现为:以工业源为主要排放源的NO_x、SO_2、VOCs、CO、PM_(10)、PM_(2.5)主要分布在工业和人口最为集中的兰州盆地市区一带,NH_3的排放则主要集中在榆中县和皋兰县交界的农村地区.同时,还对2014年工业燃烧源和道路移动源的7种(类)大气污染物排放量进行了估算,并与2009年进行了排放比较研究.结果表明,2014年工业污染源的7种(类)污染物排放量与2009年相比平均增幅不高,最高不超过30%,但移动源污染物排放量却大幅增加,增幅将近1倍.此外,基于排放因子及活动水平的不确定性,本研究对排放清单的结果进行了不确定性分析,并通过蒙特卡罗模拟对各污染物的排放量进行了评估.本排放清单的建立,不仅填补了兰州盆地大气污染物网格化排放清单的空白,还可为兰州盆地大气污染物排放清单更新、区域环境过程、大气复合污染成因及大气污染预警技术等相关研究提供基本方法手段及基础数据.     

海峡西岸经济区大气污染物排放清单的初步估算

以2009年为基准年,结合污染源普查数据、统计年鉴及工业活动、居民生活等多个方面对海峡西岸经济区包括SO2、NOx、PM2.5、VOCs和NH3在内的大气污染物的排放量进行了估算,建立了海西区大气污染物排放清单.结果发现,上述5类污染物基准年的排放量分别为40.67×104、55.84×104、50.57×104、152.26×104和26.18×104t.其中,SO2、NOx及PM2.5的排放主要来自电厂,占排放总量的比例分别为25.58%、34.89%和38.75%;VOCs和NH3的主要排放源分别来自植被排放和养殖业,其贡献量分别为49.12%和47.07%.采用GIS对排放清单进行网格化处理,得出SO2、NOx及PM2.5的高排放强度区域与固定源的空间分布较为一致.此外,结合国家和地方"十二五"发展规划,采用情景分析方法估算了2015年海西区大气污染物的排放清单.与基准年相比,SO2、NOx和NH3的排放量呈下降趋势,PM2.5和VOCs的排放量呈大幅度增加.基准年排放清单的不确定性分析显示,VOCs排放估算的不确定度最大,为225%.     

长沙市人为源大气污染物排放清单及特征研究

根据收集的长沙市人为源活动水平数据,建立了该地区2014年1 km×1 km人为源大气污染物排放清单.结果显示,2014年长沙市SO_2、NO_x、CO、PM_(10)、PM_(2.5)、BC、OC、VOCs和NH_3排放总量分别为53.5×10~3、78.3×10~3、284.6×10~3、102.3×10~3、42.1×10~3、4.0×10~3、7.2×10~3、64.2×10~3、27.1×10~3t.化石燃料固定燃烧源为最大的SO_2排放贡献源,道路移动源是主要的NO_x贡献源,CO排放主要来自化石燃料固定燃烧源和道路移动源,长沙市VOCs的最大贡献源是溶剂使用源,PM_(10)、PM_(2.5)最主要的排放源是扬尘源,BC最大的排放贡献源为化石燃料固定燃烧源,生物质燃烧源是最大的OC贡献源,NH_3排放主要来源于畜禽养殖和农业施肥.空间分布结果显示,长沙市NH_3的排放在宁乡县、望城区、长沙县、浏阳市分布较多,主要呈现片状分布.其他污染物排放高值区则主要分布在中心城区、工业区及道路分布区域.