环境空气应急监测的多技术手段与典型案例研究

通过调研2003—2018年全国189起突发环境空气事件,分析事件特征和现场应急监测存在的问题,结合新修订发布的环境应急监测标准和文件,以2019年某火灾事件应急监测为案例,探讨基于多技术手段联用的监测布点方案、应急监测技术和监测方式在实际工作中的应用成效。实践表明,采用多来源监测资源与新发展监测技术联合应用的新型环境空气应急监测模式,可实现多技术部门协作及现场应急多元监测资源的高效利用,提高突发环境空气事件的应急监测效率。     

电子制冷预浓缩仪-气相色谱-质谱法测空气中含硫化合物

建立电子制冷预浓缩仪-气相色谱-质谱法测定空气中10种含硫化合物的方法。经考察不同采样容器、优化预处理条件、研究样品保存等获得了最佳实验条件,并通过实际样品的测定,考察了方法的适用性。结果表明:硫化氢、甲硫醇和乙硫醇3种高活性含硫化合物校准曲线线性回归系数在0.990以上,另外7种含硫化合物在0.995以上;高、中、低空白加标样品相对标准偏差均为9.5%以内,乙硫醇由于具有高活性和吸附性,低浓度空白加标回收率为63%,其余组分回收率范围为83%~110%;当进样体积为400 mL时,各目标化合物的方法检出限为0.2×10^-3~1.1×10^-3 mg/m³。分析污水处理厂无组织排放监控点的空气结果显示,该方法具有较低的检出限及较强的抗干扰能力,能较好地满足目前监测工作的要求。     

北京城区和路边秋冬季PM2.5中碳质组分特征及来源分析

为探究北京市不同点位秋冬季碳质组分污染特征及其来源,该文于2020年9月和12月在城区和路边站点同时开展了有机碳(OC)、元素碳(EC)、PM_2.5、O₃、CO、NO_x(NO+NO₂)和气象因子连续在线监测。结果表明,研究期间空气质量较好,路边站ρ(OC)、ρ(EC)和ρ(PM_2.5)分别为(5.66±3.54)、(1.59±1.31)和(32.9±25.1)μg/m³,较城区分别高出32%、70%和33%,表明路边PM_2.5污染较重,移动源对碳质组分尤其是EC贡献显著;秋季两站点OC浓度无显著空间差异,路边站EC较城区站高47%,PM_2.5中ω(碳质颗粒(TCM=1.4×OC+EC))在城区和路边分别为29%和25%,冬季路边站OC和EC较城区高54%和83%,城区和路边ω(TCM)为27%和31%;除O₃以外,其他气态污染物和PM_2.5均呈冬季高于秋季、路边高于城区...     

北京市臭氧污染跳变型特征及影响因素分析

基于2016~2022年北京市环境监测和气象观测数据,结合后向轨迹聚类和潜在源区贡献分析北京市臭氧（O₃）污染特征、气象影响和潜在源区.结果表明,2016~2022年北京市共发生41次具有跳变特征的O₃污染过程,平均为5.9次·a^-1,发生时间集中在5~7月,跳变当日（OJD2）较跳变前一日（OJD1）的ρ（O₃-8h）平均值偏高78.3%,峰值浓度偏高78.9%,OJD2区域O₃浓度高值带呈现由南向北推进的特征.北京市跳变O₃污染发生主要原因可归纳为不利气象条件导致的本地积累叠加区域传输影响.跳变型O₃污染发生时具有偏南风频率增加、温度上升、气压降低和降水减少的特征,偏南风频率增加为O₃及其前体物的传输提供条件,在本地高温作用下快速发生光化学反应,叠加降水较少,综合推高OJD2的O₃浓度水平.聚类分析得到6条气团输送路径,OJD2来自偏北方向的气团减少11.2%,来自偏南和偏东方向气团增加6.7%和4.4%,气团以短距离传输为主,偏南和偏东方向对应的O₃浓度较高,对北京污染贡献较大.潜在源区分析揭示OJD2的O₃污染的主要潜在源区是京津冀中南部和东部,贡献了82.6%污染轨迹.跳变型O₃污染区域输送贡献明显,需要加强京津冀区域联防联控．     

北京市PM2.5水分含量及其变化特征

利用卡尔费休法可直接测定PM_2.5水分含量,方法精密度及准确度均较好.将该方法应用于北京市城区站点2020年全年的PM_2.5分析,结果显示PM_2.5水分浓度年均值为(5.0±4.1)µg/m³,在PM_2.5占比为(12.5±4.8)%,与PM_2.5质量浓度呈显著相关.水分质量浓度与PM_2.5的质量浓度月度及季节变化趋势基本一致.研究发现,随着空气污染加重,水分质量浓度及其在PM_2.5占比均呈上升趋势,二者相关性明显增强.可见污染发生时,水分增加有利于颗粒物吸湿增长从而推高污染水平,对PM_2.5的贡献同步增强.当沙尘污染发生时湿度处于同期较低水平,不利于细颗粒物的吸湿增长,水分质量浓度及其占比均处于较低水平. PM_2.5水分与二次离子及有机物均有很好的相关性,说明水分为气态污染物提供非均相转化载体,促进硝酸盐、硫酸盐、有机物的进一步生成.PM_2.5水分与地壳物质无相关性,证实地壳元素为一次源,不受水分影响.     

北京市社会化环境监测机构发展现状调查与监管建议

通过多角度调研发现,越来越多的社会化环境监测机构(以下简称社会化机构)投入环境监测行业,且社会化机构的营收、数量、人均产值逐年上升,表明该行业正处于蓬勃发展期且规模效应显著,社会化机构做大做强更有利于其发展。目前,多数社会化机构属于小微企业,近3年的技术人员流动率高达50%,使得社会化机构需在人员要素上投入更多精力与成本,同时也增大了管理部门的监管难度。结合以上调查结果,提出把人员作为重要考量要素,以信息共享为前提,充分发挥联合监管的优势,对各社会化机构采取分级分类的动态监管模式。     

基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

2022年北京市城区PM2.5水溶性离子含量及其变化特征

为探究北京市大气细颗粒物（PM_2.5）水溶性离子含量及其变化特征,有针对性地提出污染防治方案,对2022年全年PM_2.5水溶性离子、气态前体物（SO₂、NO₂）和气象因素（温度、RH）进行分析测定.结果表明,北京市城区PM_2.5中占比最高的水溶性离子为NO₃^-、NH₄⁺和SO₄^2-,占PM_2.5的52.7%,ρ（PM_2.5）（33.2 μg·m^-3）和ρ（SNA）（18.9 μg·m^-3）低于历史研究结果,但SNA占比（52.7%）、SOR（0.45）和NOR（0.15）高于历史研究结果,体现出北京市细颗粒物污染得到明显改善,但仍具有较强的二次污染特征.NO₃^-/SO₄^2-为2.2,高于历史及附近省市研究结果,反映出移动源的影响不断扩大.从季节变化上看,PM_2.5呈现秋高夏低的变化特征,秋、春、冬这3个季节NO₃^-的占比最高,夏季SO₄^2-占比最高,而NH₄⁺在各季节占比变化不大.NOR与SOR的季节变化规律几乎相反,反映出二者的转化形成因素存在差异.北京城区SNA的主要存在形式为NH₄NO₃和（NH₄）₂SO₄,其中冬季阴阳离子中和度最高,夏季阳离子NH₄⁺稍显不足,而春秋两季NH₄⁺处于过量状态,北京城区为富氨环境.从污染级别看,水溶性离子质量浓度均随污染加重有不同程度的增长,增长最快的是SNA,其在PM_2.5中占比出现先上升后稳定的变化特征.从空间分布特征来看,中心城区和东南西北部郊区的SNA质量浓度大小均为：NO₃^->SO₄^2->NH₄⁺,体现了以NO₃^-为主导的污染特征;SNA对PM_2.5的贡献率最高的区域发生在东部、中心城区和传输点,表明在中心城区和东部地区二次反应相对活跃,同时区域传输也是二次离子的重要来源.     

超声解吸-气相色谱法同时测定环境空气中乙腈和丙烯腈

采用大容量活性炭管吸附环境空气,丙酮-二硫化碳混合溶液（体积比为1∶1）超声解吸目标物,用气相色谱法（带FID检测器）同时测定样品中乙腈和丙烯腈。通过优化试验条件,使方法在1.00 mg/L~50.0 mg/L范围内线性良好,乙腈和丙烯腈的方法检出限均为0.003 mg/m3。低、中、高3个质量浓度水平的模拟环境样品6次测定结果的RSD为3.4%~7.0%,加标回收率为86.8%~102%。用该方法在北京某石化公司厂界布设采样点测定,结果为未检出。     

深度学习在裸地扬尘源监测中的应用研究

裸地是扬尘的重要来源,施工建设过程中形成的裸地极易在大风天气作用下造成扬尘污染。因此,快速、有效地定位裸地位置,并确认其管控措施落实情况,对于开展裸地扬尘源监管具有重要意义。基于高分辨率遥感监测数据,结合人工解译裸地扬尘源数据集,以北京市大兴区为例,利用深度学习方法对裸地和防尘网覆盖裸地进行分类识别。同时,利用颜色匹配法对大兴区防尘网覆盖裸地进行识别,横向评估深度学习方法的识别精度。结果显示：深度学习方法对防尘网覆盖裸地的识别精度达97%,对裸地的识别精度达61%;颜色匹配法对防尘网覆盖裸地的识别精度达85%。防尘网覆盖裸地的颜色特征鲜明,深度学习方法和颜色匹配法对防尘网覆盖裸地的识别精度都在85%以上。深度学习方法对于面积大于2 000 m²的图斑有着较好的识别精度。深度学习方法可以提高裸地遥感解译的效率,实现规范化图像识别,可以作为人工判读的辅助手段。在实际应用中,可通过进一步积累样本来增强模型性能。深度学习方法适用于裸地扬尘源线索快速发现、工地防尘网措施落实情况快速检测等场景。