规模化养牛场牛粪污综合利用研究

利用牛粪生产沼气,并将副产物有效利用是处理牛粪污的有效途径,为提高牛粪厌氧发酵的产气效率和副产物的利用率,整体工艺采用牛粪发酵前固液分离,固体进行好氧发酵回填牛卧床,分离液进行厌氧-好氧发酵,厌氧发酵产生沼气为系统增温,最后液体通过人工湿地处理达标排放。结果表明:对牛粪进行发酵前固液分离,降低了物料的粘度,利于微生物的传质,可以取得较好的产气效果,沼气通过沼气燃烧炉转化为热能为系统增温降低了其他能源的供给,同时湿地的利用也有效地改善了养牛场周边环境,为牛粪污生产沼气工程提供新思路。     

广东省船舶排放源清单及时空分布特征研究

分别采用基于船舶引擎功率和耗油量的排放因子法,估算了广东省地区2010年的船舶排放清单,并选取客货运输吞吐量、航道通航能力因子和港口地理坐标等数据作为权重因子,研究了该地区各类船舶排放的时空分布特征.结果表明,广东省各类船舶在2010年的SO2、NO x、CO、PM10、PM2.5和VOCs排放总量分别为14.6×104t、23.1×104t、3.0×104t、7.9×103t、7.2×103t和9.3×103t.广东省客货运输船舶月排放波动较小;渔业船舶在1月、4月和11月份的排放比例最高.广东省客货运输船舶水域排放集中在西江干线水道和珠江三角洲高等级航道网内,港口排放主要分布在广东省珠江三角洲沿海发达城市地区;渔船港口排放量呈显著的沿海条带状空间分布特征.     

北京市民用燃煤烟气中气态污染物排放特征

以北京远郊农村居民常用的蜂窝煤、煤球、烟煤散煤为实验用煤,开展燃烧实验.研究了烟气无机污染物排放因子、VOCs释放情况.结果表明在充分燃烧的条件下,蜂窝煤、煤球、烟煤气态污染物SO2排放因子分别为1.50、1.91、1.62kg·t~(-1);NOx排放因子分别为0.420、0.901、2.20 kg·t~(-1);CO排放因子分别为22.4、37.3、87.3 kg·t~(-1).燃烧排放的NOx和CO的排放因子顺序关系为:烟煤煤球蜂窝煤;SO2的排放因子大小顺序分别为:煤球烟煤蜂窝煤.获得了北京市2014年3种民用煤燃烧排放的气态污染物的排放清单,烟煤散煤排放的SO2超过了0.55万t,NOx超过了0.75万t,CO超过了29万t.3种煤质燃烧过程中点火和封火阶段VOCs排放浓度相对较高,各阶段VOCs排放因子为点火阶段最高,封火阶段次之.     

西安市人为源挥发性有机物排放清单及研究

对西安市各类VOCs人为源进行系统分类,收集活动水平数据,应用国内外排放因子研究的最新成果,采用排放因子法建立了西安市2014年人为源VOCs排放清单.结果表明:2014年西安市人为源大气VOCs排放量为11.51×104t,其中,固定燃烧源、生物质燃烧源、工艺过程源、有机溶剂使用源、移动源、油品存储与销售源和废弃物处理源的排放量分别占VOCs排放总量的2.53%、3.32%、13.30%、51.50%、23.64%、4.82%和1.02%.油墨印刷、建筑涂料和汽车喷涂为有机溶剂使用源重点排放行业,VOCs排放量占到排放总量的48.89%;工艺过程源中化学药品、医药制造、原油加工和化学纤维为重点排放行业,VOCs排放量占到排放总量的10.19%.各区县中,长安区、雁塔区、未央区、碑林区VOCs排放量明显较高,其分担率分别为16.53%、14.88%、14.47%和12.99%.     

基于城市功能区划分的道路机动车大气污染物排放清单研究——以厦门市海沧区为例

道路机动车尾气排放是造成城市近地面空气污染的主要原因之一,建立基于城市功能区划分的道路机动车大气污染物排放清单对改善中观尺度的城市空气质量具有重要辅助作用.本文以厦门市海沧区为例,基于城市功能区划分方法,结合各功能区内监测道路的机动车通行量实测数据,建立道路机动车大气污染物排放清单,并分析各功能区道路机动车大气污染物排放特征.结果发现,海沧区道路机动车尾气排放物中CO的排放贡献率最高,工业区和居住区的道路机动车大气污染物排放量对海沧区的空气污染贡献率最大,海沧区夜间大气污染物的主要排放源来自于工业区道路机动车大气污染物排放;生态服务区及公共管理与公共服务区的道路机动车排放特征受相邻工业区机动车大气污染物排放的影响较为显著.研究表明:城市功能区分布欠合理是导致道路机动车大气污染物高排放量的重要原因之一;基于城市功能区划分构建道路机动车大气污染物排放清单的研究方法,不仅可为中观尺度下的城市大气污染排放情况提供有效的调查途径,而且能为城市功能格局的合理规划提供重要的理论依据.     

南昌市固定燃烧点源大气污染物排放清单及特征

大气污染物排放清单是了解区域污染物排放特征、准确模拟空气质量的重要资料,而工业点源是大气污染的重点排放源.通过收集相关活动水平信息和合理的排放因子,采用"自下而上"的方法建立了南昌市2014年点源大气污染物排放清单.结果表明,SO_2、NO_x、CO、PM_(10)、PM_(2.5)和VOC排放总量分别为29576.2、17115.1、25946.6、4689.4、922.9和1190.4 t,其中,金属炼制行业对SO_2、CO和VOC的贡献最高,分别占37.75%、30.59%和38.45%;火电行业是NO_x的主要来源,其贡献率为47%;水泥等建材制造行业对PM_(10)和PM_(2.5)排放贡献最高,分别为26%和25%.根据排放源污染物排放量及地理坐标信息,建立了0.4 km×0.4 km的污染物排放量空间分布特征图,结果表明,南昌市大气污染物排放较为集中,青山湖区北部和新建区北部是SO_2、NO_x、CO和VOC的主要排放区,而PM_(10)和PM_(2.5)的排放量相对分散,并在安义县出现排放高值区.通过将计算结果与统计数据结果进行对比,了解所估算清单的准确程度.对SO_2和NO_x的计算值和统计值进行统计分析,结果显示,NMB(标准化平均偏差)和NME(标准化平均误差)值均小于50%,清单计算精度较高.同时,为了解清单数据质量,对清单的不确定性进行定量分析,结果显示,SO_2和VOC不确定性较低而PM_(10)和PM_(2.5)的不确定性相对较高,清单整体不确定性与其他研究结果相差不大.建议后期研究可以从提升基础数据质量和建立具有区域代表性的排放因子数据库着手,从而减小排放量的不确定性,获得精准可靠的大气污染物清单并应用于空气质量模型预报等更深入的研究.     

南昌市移动源排放清单研究

根据收集的南昌市移动源活动水平数据,采用合适的估算方法、排放因子和GIS技术,建立了南昌市2007—2014年移动源排放清单,并对2014年移动源清单进行了空间化处理与分析,空间分辨率为1 km×1 km.结果表明,2007—2014年南昌市移动源共向大气排放CO、HC、NO_x、PM_(2.5)、PM_(10)、SO_2分别为18.26×10~4、5.07×10~4、18.46×10~4、0.99×10~4、1.08×10~4、3.31×10~4t.其中,2014年移动源向大气中排放的这6种污染物总量分别为2.14×10~4、0.76×10~4、1.97×10~4、0.08×10~4、0.09×10~4、0.55×10~4t.道路移动源中,汽油小型客车是CO、HC和SO_2最大的贡献源,排放量分别占机动车排放总量的55.1%、78.5%和56.1%;柴油重型货车是NO_x、PM_(2.5)和PM_(10)排放贡献率最大的车型,分别占43.2%、40%和40%.非道路移动源中,小型拖拉机对CO、HC、NO_x、PM_(2.5)和PM_(10)的贡献率均较大,分别占非道路移动源排放总量的29.9%、26.9%、23.4%、29.5%和29.8%;SO_2排放主要来源于船舶,占非道路移动源SO_2排放总量的45.1%.高污染排放集中的区域,主要是青山湖区、西湖区和东湖区.     

基于本地污染源调查的杭州市大气污染物排放清单研究

基于实地调查数据并辅以统计数据,采用物料衡算法和排放因子法,估算了杭州市2015年大气污染物排放清单,并选取经纬度坐标、路网、航道、土地类型和人口等数据作为权重因子,研究了该地区各类排放源污染物排放空间分布特征.结果表明,杭州市2015年SO_2、NO_x、CO、VOCs、PM_(10)、PM_(2.5)和NH_3年排放总量分别为22.20×10~3、108.17×10~3、192.10×10~3、134.94×10~3、78.12×10~3、27.65×10~3和59.75×10~3t.工业源是杭州市SO_2排放的主要来源,移动源对NO_x和CO的排放贡献最为显著,扬尘源是杭州市PM_(10)和PM_(2.5)排放的最主要来源,其次为工业源;VOCs排放的主要来源依次为工业源、天然源和移动源;NH_3排放主要来自农业源.从空间分布来看,排放主要集中在中心城区及其周边的萧山、下沙、大江东、余杭和富阳等工业企业相对密集的区域.本研究建立的排放清单在污染源覆盖范围和排放因子方面仍然存在一定的不确定性,建议在后续研究中重点开展低、小、散企业及本地化排放因子调查研究工作,进一步提升大气污染物排放清单的准确度.     

基于互联网大数据的成都餐饮源细颗粒物排放空间分配研究

餐饮过程排放的废气正成为大城市大气污染的重要来源之一.根据成都市2013年排放清单更新的研究成果,综合运用本地化的餐饮排放因子、排放活动水平的调查成果和成都市统计年鉴的统计数据等信息,对成都市餐饮源的PM_(2.5)排放总量进行了估算,其结果为4740 t·a~(-1).为了对区域的餐饮废气排放进行空间分配,本文抓取了互联网兴趣点POI信息.通过这些信息,对成都市的社会餐饮、学校食堂餐饮和家庭餐饮的空间来源进行了表征,对成都市生活源中餐饮污染物排放的空间分布规律进行了探索,并提出了新的餐饮源高分辨空间分配方法.结果表明,基于POI空间分配的2013年成都餐饮源单位面积年排放强度均值为0.29 t·km~(-2)·a~(-1),主城区均值为3.47 t·km~(-2)·a~(-1),全市的排放量分布区间为0~35.7 t·km~(-2)·a~(-1).互联网POI信息可以作为研究城市餐饮源空间分布的重要数据来源,在实际应用上更适于表征社会餐饮点源污染.     

A highly resolved temporal and spatial air pollutant emission inventory for the Pearl River Delta region, China and its uncertainty assessment

A highly resolved temporal and spatial Pearl River Delta (PRD) regional emission inventory for the year 2006 was developed with the use of best available domestic emission factors and activity data. The inventory covers major emission sources in the region and a bottom–up approach was adopted to compile the inventory for those sources where possible. The results show that the estimates for SO₂, NO_x, CO, PM₁₀, PM_2.5 and VOC emissions in the PRD region for the year 2006 are 711.4 kt, 891.9 kt, 3840.6 kt, 418.4 kt, 204.6 kt, and 1180.1 kt, respectively. About 91.4% of SO₂ emissions were from power plant and industrial sources, and 87.2% of NO_x emissions were from power plant and mobile sources. The industrial, mobile and power plant sources are major contributors to PM₁₀ and PM_2.5 emissions, accounting for 97.7% of the total PM₁₀ and 97.2% of PM_2.5 emissions, respectively. Mobile, biogenic and VOC product-related sources are responsible for 90.5% of the total VOC emissions. The emissions are spatially allocated onto grid cells with a resolution of 3 km × 3 km, showing that anthropogenic air pollutant emissions are mainly distributed over PRD central-southern city cluster areas. The preliminary temporal profiles were established for the power plant, industrial and on-road mobile sources. There is relatively low uncertainty in SO₂ emission estimates with a range of −16% to +21% from power plant sources, medium to high uncertainty for the NO_x emissions, and high uncertainties in the VOC, PM_2.5, PM₁₀ and CO emissions.