大气预浓缩仪-GC/FPD测定环境空气中的痕量硫化物

采用大气预浓缩仪-GC/FPD建立了环境空气中7种含硫化合物的测定方法。结果表明,经惰性化改造后的大气预浓缩仪-GC/FPD测定系统的基线低,对硫化物无残留。7种化合物的线性回归方程的相关系数均在0.995以上,高、中、低3种浓度的空白加标回收率分别为98.6%~105.3%、99.1%~103.7%、85.7%~99.7%,除硫化氢的相对标准偏差为10.9%外,其余6种含硫化合物的相对标准偏差可控制在6.9%以内。当进样体积为400 m L时,方法的检出限在0.10~1.1 ng/m3。CO2、H2O对实际样品的测定无干扰。因此,该方法能够满足目前监测工作的要求,更加适用于环境空气中痕量含硫化合物的测定。     

基于环境监测数据的APEC会议空气质量保障环境改善效果评估

在简要回顾APEC期间的空气质量情况的基础上,从多方面较系统的分析了APEC期间北京市空气质量的变化特征,包括各项污染物浓度水平的同比分析、不同区域不同类别站点小时浓度的百分数分布及变化情况分析、污染物日变化规律变化特征分析、空气质量改善效果的空间分布特征分析、颗粒物组分变化特征分析、污染来源解析模型、数值污染模型等方法,力求从多个方面深入了解APEC控制措施对北京市污染水平、污染特征造成的影响,并利用组分、模型等方法定性定量的评估主要空气质量影响因素、不同的污染控制措施对APEC期间空气质量改善的作用及贡献。结果表明,APEC期间,北京市空气质量得到明显改善,空气质量基本处于优良级别,各项污染物浓度大幅下降,APEC污染控制期各项污染物的百分位数浓度与无控制期出现明显分离特征,污染物的日变化低浓度持续时间更长且增长更缓慢。     

基于大气超级站观测的2017年5月北京市沙尘天气过程分析

结合常规污染物监测、PM_2.5化学组分监测、激光雷达监测和颗粒物数浓度及粒径监测等手段，对2017年5月影响北京市的一次沙尘天气过程进行分析。结果表明：5月4日凌晨起沙尘天气开始影响北京市，延庆、官园和通州3个站点PM₁₀峰值浓度分别为2 091、2 245、2 590 μg/m³，体现了该次沙尘天气影响程度之重。PM_2.5浓度与PM₁₀变化一致，也达到重度污染的水平。沙尘天气移动路径是沿着区域西北至东南方向。沙尘天气主体从3 km左右的高空进入北京市，随后逐渐渗透至1 km高度以及地面，且沙尘层厚度较高，覆盖了地面至3 km的高度。沙尘天气过程中OM和Ca²⁺组分增幅最大。在沙尘天气影响严重时间段，沙尘天气源与生物质燃烧源比例之和大于50%，最高值为67.6%。沙尘天气过程中颗粒物峰值粒径为0.965~1.037 μm。     

PM2.5在线水溶性离子与滤膜采集-实验室检测的比对分析

2014年1~12月,使用URG在线及滤膜采集-实验室分析两种方法对北京市大气细颗粒物PM_(2.5)中的水溶性离子进行检测,并对春、夏、秋、冬这4种不同季节下两种测量方法的差异性进行了比对研究.全年测量结果显示,在线URG所获离子总量高于滤膜采集所获离子总量,其中两种方法所测Cl~-、NO_3~-、Mg~(2+)、Ca~(2+)年均浓度差异不大,而在线所测SO_4~(2-)、NH_4~+、Na~+、K~+结果均明显高于滤膜测试结果.4种主要的水溶性离子中SO_4~(2-)、NO_3~-和Cl~-的相关性较好,NH_4~+相关性略差;不同季节两种测量方法所获结果也略有不同,NO_3~-、SO_4~(2-)、Cl-在秋、冬季差异不显著,而NH_4~+仅在冬季拟合性较好.     

2015年北京城区大气PM2.5中NH4+、NO3-、SO42-及前体气体的污染特征

2015年1~12月对北京市城区开展PM_(2.5)中主要水溶性离子NH_4~+、NO_3~-和SO_4~(2-)(统称SNA)及其前体气体NH_3、NO、NO_2和SO_2的监测,共获得样本325组.用特氟龙滤膜采集PM_(2.5)中SNA,用在线仪器实时监测各前体气体.分析各前体气体和SNA的污染特征并同时对其相关性进行研究.观测期间NH_3、NO、NO_2、SO_2、NH_4~+、NO_3~-和SO_4~(2-)的年平均浓度分别为21.5、17.7、54.3、14.2、8.1、13.5和12.7μg·m~(-3),SNA质量浓度占PM_(2.5)的43.4%.NO、NO_2和SO_2冬季最高,夏季最低;NH_3为夏季最高,秋冬较低;NH_4~+浓度和体积分数四季波动不大;NO_3~-浓度和体积分数均夏季最低;SO_4~(2-)浓度为冬季最高,百分含量为夏季最大.全年([NO_3~-]+2[SO_4~(2-)])与NH_4~+的比值为0.97,表明阴离子主要以NO_3~-和SO_4~(2-)的形式存在.随着污染程度的增加,各化合物浓度均有明显上升,NO_3~-是重污染过程累积效应比较明显且贡献率最大的离子.SO_4~(2-)则在污染级别较低时,贡献率较大.NO_3~-与NO_2,NO、NH_4~+与NH_3,SO_4~(2-)与SO_2在置信度为0.01水平上均显著相关;SO_4~(2-)和SO_2变化规律呈负相关,NO_2和NO_3~-基本呈正相关,相比NH_3,NH_4~+浓度的高低受酸性气体NO_2、SO_2影响更大.     

光散射原理的大气PM2.5小型传感器监测性能评估研究

随着大气污染治理的不断深入,精细化、精准化和智能化的环境管理需求不断增加,迫切需要在特定区域开展高密度的监测,以弥补现有传统监测的不足.在此背景下,PM_2.5传感器监测方法在国内迅速发展,为研究光散射原理的大气PM_2.5小型传感器监测性能,于2018年7月—2019年7月在北京市建立了比对测试平台,对不同原理、不同品牌的PM_2.5传感器设备进行为期1年的测试与分析.结果表明：(1)激光粒子计数法PM_2.5传感器性能优于红外法PM_2.5传感器,激光粒子计数法PM_2.5传感器设备与自动标准设备比对的相关系数(R²)均大于0.45,红外法PM_2.5传感器设备与自动标准设备比对的R²均小于0.40.采用激光粒子计数法的工业级PM_2.5传感器数据有效率均在95%以上,更适用于业务化PM_2.5监测.(2)多数激光粒子计数法的工业级传感器设备与标准设备有较好的一...     

北京大气中醛酮化合物污染特征与来源分析

为研究北京大气中醛酮化合物的污染特征,利用2,4-二硝基苯肼采样管采样-高效液相色谱仪分析的方法,于2020年1月—12月以及2020年5月26—29日对北京城区评价点(车公庄)大气中的13种醛酮化合物开展常规和加密监测分析,于2020年9月17—21日对北京城区评价点和北京东南边界点(永乐店)开展同步监测分析,并对醛酮化合物的来源进行了初步分析.结果表明：(1)2020年北京城区大气中醛酮化合物总浓度为(25.1±8.5)μg/m³,其中丙酮、甲醛和乙醛的贡献率分别为43.1%、30.7%和15.6%.臭氧生成潜势呈甲醛>乙醛>丙酮的特征,其中甲醛和乙醛对臭氧生成潜势的贡献率分别为66.5%和23.0%.(2)醛酮化合物总浓度呈夏季>春季>秋季>冬季的特征,甲醛和乙醛浓度日变化均呈“双峰”特征,均在12:00—15:00达第1个峰值,在17:00—19:00达第2个峰值.(3)同步监测期间,车公庄和永乐店的醛酮化合物总浓度分别为(24.4±7.8)(24.1±7.5)μg/m³,车公庄丙酮、甲醛的贡献率分别较永...     

北京城区PM2.5各组分污染特征及来源分析

为探索北京城区大气细颗粒物( PM_{2. 5}) 及其各组分的浓度特征,于 2019 年全年在车公庄地区开展了 PM_{2. 5}及水溶性离子、碳质组分及金属元素的连续在线监测． 结果表明,2019 年北京城区 ρ( PM_{2. 5}) 平均值为 46. 7 μg·m^{- 3},化学组分中 ρ[有机物（ OM） ]、ρ（ NO₃^-） 、ρ( SO₄^2-) 、ρ（ NH₄⁺） 、ρ（ EC） 、ρ（ Cl^-） 、ρ（ 微量元素） 和 ρ（ 地壳物质） 分别为 9. 1、11. 1、5. 7、5. 4、1. 4、0. 9、1. 6 和 7. 3 μg·m^{- 3},SNA ( SO₄^2-、NO₃^-和 NH₄⁺) 合计占到了...     

北京城区不同组分PM2.5散射特性及来源分析

近年来北京城区PM_2.5浓度下降伴随其中二次离子占比升高,为探索不同组分PM_2.5散射特性及其来源,于2020年12月至2021年11月开展了小时分辨率的PM_2.5及其组分浓度和散射系数的连续在线监测,分析了PM_2.5组分及散射的特征和来源.结果表明,研究期间北京城区PM_2.5最主要组分为NO^-₃,PM_2.5中ω(NO^-₃)和ω(SNA)分别为24%和46%.根据浓度和组分占比将PM_2.5划分为6种类型：优型出现频率最高,为56%,四季分布均匀,PM_2.5中ω(SNA)、ω(OM)和ω(FS)相当,分别为32%、 32%和28%;沙尘(D)型和OM(O)型全年出现频率较低,分别以FS和OM为主要组分,PM_2.5中ω(FS)和ω(OM)分别为66%和46%,主要分布于春季和夏季;OM+SO₄     

2018年11—12月北京市重污染天气过程数值预报能力评估

2018年11—12月北京市发生了4次以PM_2.5为首要污染物的重污染天气过程，为了分析数值模型对4次重污染过程的预报能力，将CMAQ模式提前1~7 d对北京市PM_2.5的小时预报结果与观测结果对比，分别从离散统计和分类统计2个方面评估CMAQ模式对4次重污染天气过程的预报效果，并简要分析了偏差产生的气象方面原因。结果表明：CMAQ模式提前1~6 d对重污染天气过程的预报显示出良好的性能，为日常业务预报提供了可借鉴的参考信息，可较好地预报出PM_2.5小时浓度变化趋势和浓度水平，离散统计结果显示提前1~4 d的预报结果好于提前5~7 d，相关系数r基本大于0.8，但有一定程度的低估趋势；分类统计结果显示不同预报时效预报准确率大于70%，探测准确率高于55%，部分时段可以达到80%~90%，对人工预报起到了良好的参考作用；输入的气象场的变化及其偏差对于重污染的起始时间、持续时间及清除时间有一定的影响，对相对湿度预报偏小和风速预报偏大是造成CMAQ模式低估的一个重要原因。