长江三角洲顶部冰后期地层的沉积特征

钻探证实,镇江市谏壁镇长江北岸高桥镇北部埋藏硬粘土层,之上为冰后期松散沉积物.沉积物主要为粉砂、粘土质粉砂、砂泥互层,中部局部夹含细砾中细砂,顶部见淤泥质粘土;夹数十层植物炭屑层;以水平纹理为主,局部见小型交错层理、波状层理.表明冰后期以来该地处于水动力较弱的河湖环境,为多期湖沼相沉积夹汊道河流相沉积,局部有海相沉积物加入.根据碳化植物碎屑14C年龄,推测冰后期底界年龄约13 000 aBP,海侵到达该地的时间约为9 000 aBP,海侵最高位时间约为6 500 aBP.冰后期平均沉积速率约为4.9 m/ka,湖沼相3.4～6 m/ka,河流相10～15 m/ka.对全新统的底界年龄和海相层的埋藏深度进行了讨论.     

长江三角洲地区大气污染物输送规律研究

采用NCEP全球再分析资料运行MM5获得研究区域2004年代表月份的气象场模拟结果,运用HYSPLIT4.8模式,计算代表城市的后向及前向气流轨迹.结果表明,不同季节,气流轨迹的分布差异明显,影响范围各不相同.影响长三角地区低层大气的输送气流主要来源于蒙古、华北或东北地区,途径黄海海域或东部沿海的山东、江苏或上海等地抵达长三角地区.受夏季西南季风的影响,西南方向也是比较重要的输送途径.长江三角洲地区对外界的中尺度污染传输主要受东亚季风活动的影响,其中冬季季风是长三角污染物向华南和西太平洋地区传输的一个主要机制;影响长三角污染物输送的重要系统还包括春夏控制我国东部沿海地区的西太平洋副热带反气旋环流,该系统主要向西影响我国内陆地区.     

长江三角洲地区能源消费大气污染物排放特征

针对长江三角洲(以下简称“长三角”)16个主要地区,基于常规可获取的统计资料确定污染源活动水平,结合最新的污染源调查资料及相关研究成果确定污染物排放因子,以2008年为基准年,研究了能源消费大气污染物排放特征,建立了具有较高时空分辨率、且便于滚动更新的网格化动态排放清单.结果表明:长三角16个地区2008年能源消费过程中SO2、NOx、PM10、PM2.5、CO的排放量分别为3158.58, 3154.96,979.76,632.34,5258.08kt.其中上海、苏州、南京、杭州、无锡和宁波6城市污染物排放总量均占长三角地区排放总量的60%左右.SO2和NOx排放主要集中在工业和火电部门,颗粒物和CO排放则主要集中在工业部门,机动车对于CO也有较大的排放贡献率.火电部门污染排放具有较强的月变化特征;道路机动车排放受居民出行规律影响,具有明显的周变化和日变化特征.     

长江三角洲冬季电厂排放对大气污染的影响

分析了长江三角洲地区电厂排放的基本特征并利用WRF-Chem模拟冬季大气污染状况,研究了冬季电厂排放主要污染物的特征及其对空气质量的影响,结果显示,长三角电厂排放的主要大气污染物为SO₂、NO_x及PM_2.5,2010年排放量可分别达到826.8、1475.6和137.3Gg,分别占长三角地区人为源总排放量的34%、38%和14%.冬季主要大气污染物（SO₂、NO₂、PM_2.5）浓度高值区分布在南京-上海,杭州-宁波一带.电厂对SO₂浓度贡献量（率）的空间分布与SO₂排放的空间分布较为一致,而NO₂、PM_2.5,其贡献量（率）的高值区主要分布在安徽、浙江和江西的交界处以及浙江省的东海岸.相对SO₂、NO₂,电厂对PM_2.5贡献量（率）较低,各地均在20μg/m³（15%）以下.污染时期电厂排放对模拟的PM_2.5和SO₂贡献率（6.9%、34.2%）较清洁时期（4.9%、20.7%）大,而对于NO₂,清洁和污染时期的贡献量没有明显差别,均在10μg/m³左右.冬季气温低、风速小及边界层高度低的特征不利于低层污染物的扩散,易导致重污染事件的发生.     

基于随机森林算法的长江三角洲地区PM2.5浓度模拟研究

PM_(2.5)影响人们的生活,危害城市居民的健康,因而在大范围、连续空间上精准预测PM_(2.5)的浓度对于降低居民暴露在大气污染环境中的风险意义重大。基于空气中PM_(2.5)浓度对气象因子、社会经济因子和下垫面条件因子的响应关系,利用皮尔逊相关分析、PCA分析和随机森林模型RF构建了长江三角洲地区浓度的预测模型。研究发现:(1)PM_(2.5)浓度大小分布与夜间灯光指数NLI、国内生产总值GDP、降雨量PRE、温度TEP、相对湿度RH、植被指数EVI以及土地利用覆被LUCC呈显著相关(P0.05),其中NLI和GDP与PM_(2.5)浓度呈正相关,PRE、TEP、RH与PM_(2.5)浓度呈负相关。(2)主成分数量为4时,方差累积贡献率达到86.7%,PRE、RH、GDP、NLI和EVI是影响长三角地区PM_(2.5)浓度空间变化的最重要的5个因子。(3)PCA-RF模型对于PM_(2.5)浓度的预测具有较好的表现且在长三角中西部的城市预测效果好于东南部沿海城市。相对于逐步回归SR模型,PCA-RF模型验证数据集上的均方根误差RMSE降低12.7%,决定系数R2提高12.1%,平均绝对误差MAE降低8.3%。     

空气污染物的时空演化及社会经济驱动因素研究——以长江三角洲地区为例

本文以2006—2015年长江三角洲城市群为研究对象,分析该地区不同部门因能源消费而产生的典型污染物排放量,然后利用LMDI模型,对空气污染进行社会经济驱动因素分析。结果表明:该地区CO_2、SO_2、PM_(2.5)与PM_(10)等空气污染物排放量均呈现先快速增长后缓慢减少的趋势,排放的峰值多出现在了2013年,而NO_x则一直保持增长的趋势。其中,电力与工业部门是空气污染物的主要排放源,但对排放量贡献呈减少趋势,生活部门与交通部门污染物排放量则逐步增长,尤其是对PM_(2.5)与PM_(10)排放量的贡献不可忽视。人口与经济增长对污染物排放量起到了正向拉动作用,经济因素的驱动作用最为明显,其效应值呈现先小幅增加后大幅下降的趋势,能源效率与能源结构有抑制作用,其对污染物排放的效应值仅次于经济因素,而能源结构变化的效应很小。     

长江三角洲2017年机动车IVOCs排放清单构建及其对SOA的生成影响

中等挥发性有机物（IVOCs）对大气中二次有机气溶胶（SOA）的生成有重要贡献,但尚未包括在目前的排放清单中.本研究以长三角地区为研究对象,分别基于排放因子法和IVOCs/POA比例系数法对长三角地区2017年机动车IVOCs的排放量进行估算,构建长三角地区2017年机动车IVOC排放清单,分析其不确定性并估算其对SOA生成潜势的影响.基于排放因子法的结果表明,2017年长三角地区机动车IVOCs排放总量为3.58万t,SOA的生成潜势为695 t,其中载货汽车的IVOCs排放量在长三角大部分城市的占比均超过70%;从燃料类型来看,柴油车的IVOCs排放量远高于汽油车.基于IVOCs/POA比例系数法的结果表明,由不同的IVOCs/POA比例以及不同的POA/PM_2.5占比得到的排放清单结果差别巨大,最大值可达64.2万t,最小仅为5.2万t,造成的SOA生成潜势分别为1.55万t和1032 t.本研究表明基于不同的估算方法构建的IVOCs排放清单结果差别巨大,具有很大的不确定性,将直接影响后续空气质量模型对SOA的模拟结果.因此,需进一步将不同清单结果用于空气质量模型中对SOA进行模拟,通过与观测值的比较,从而获得较为准确的长三角地区机动车IVOCs排放清单.     

南通地区城镇用地扩展时空特征分析

以多时相LandsatTM/ETM卫星遥感影像为数据源,引入扩展速度、扩展强度、分维数、空间自相关指数等测度指标,分析了南通地区各类城镇的用地扩展过程、形态变化、结构分异及空间格局等时空特征。结果表明:①各类城镇用地扩展速度逐渐提高,扩展强度逐渐加大;②区域城镇用地扩展在1980年代以中心城市扩展为主,1990年代以后则以县(市)城和建制镇用地扩展为主;③因区域城市化进程加速和自然条件的影响,城镇用地分维数呈现逐渐增大的趋势,表明城镇用地的形态越来越不稳定;④城镇用地扩展主要以中、低速扩展类型为主;⑤城镇用地扩展速度、扩展强度的空间自相关性偏弱,但个别类型也呈现出集聚分布的趋势,如扩展速度的高值区域呈现出一定的临江和沿交通干线分布的特征,扩展强度的高值区围绕中心城市分布。     

DNDC模型在长江三角洲农田生态系统的CH4和N2O排放量估算中的应用

长江三角洲是我国农业发达地区之一,其农业生产所排放的CH₄和N₂O,早已引起了研究者的重视.本研究在分析总结现有的野外观测结果的基础上,验证了估算区域痕量气体排放量的生物地球化学模型DNDC,估算出长江三角洲地区的CH₄和N₂O排放量分别为1.69(1.29～2.09)Tg·a^-1和0.019(0.014～0.024)Tg·a^-1,分别占全国农田CH₄和N₂O排放量的16.7%和6.1%.     

Surface-exchange of NOx and NH3 above a winter wheat field in the Yangtze Delta, China

Introduction N itrogen oxides (N O x=N O N O 2) in the troposphere are m ainly derived from fuel com bustion, soil-biogenic em issions, biom ass burning, and lightning (Finlayson-Pitts et al., 1986; H am eed and D ignon, 1988; Levy et al., 1989; Logan, 1…