重庆市北碚大气中PM2.5、NOx、SO2和O3浓度变化特征研究

重庆是我国西南工业重镇,但长期受大气污染困扰.利用全自动在线环境监测仪器,于2012年1月—2014年2月,对重庆市北碚区大气中的典型污染物PM2.5、NO_x、SO_2和O_3进行了观测研究.结果表明:重庆北碚大气首要污染物为PM2.5,2012和2013年平均浓度分别为(67.5±31.9)和(66.6±37.5)μg·m~(-3),是国家环境空气质量一级标准35μg·m~(-3)的1.9倍,两年超过国家二级标准的天数分别为119和126 d,年超标率均大于1/3;两年NO_x,SO_2及O_3的年平均浓度分别为(57.1±24.6)和(55.1±36.6),(43.1±24.0)和(35.0±21.9)及(31.1±24.9)和(48.5±37.4)μg·m~(-3).大气污染物浓度具有明显的季节变化特征,PM2.5和NO_x冬季污染最为严重,两年冬季平均值分别比两年年平均值高33.6%、59.6%和43.2%、8.5%;O_3表现为夏高冬低;SO_2春季最高且污染最轻.大气污染物日变化显示PM2.5和NO_x浓度呈双峰日变化形式,有早晚两个峰值,与城市交通高峰相对应.SO_2和O_3浓度呈单峰日变化,前者峰值出现在午前10∶00—12∶00大气对流层被打破之后,而后者峰值出现在午后16∶00局地光化学最强之时.消减各种污染源的颗粒物直接排放,消减气态污染物SO_2和NO_x的工业排放,消减机动车NO_x和VOCs等的排放,才有可能使重庆北碚的大气污染状况得到改善.     

基于广义相加模型的北京市2018—2022年地面臭氧气象影响要素研究

臭氧污染是制约北京市环境空气质量持续改善的关键因子,气象是导致臭氧浓度超过国家标准的重要因素,探究气象要素与臭氧浓度之间的关系,对有效治理臭氧污染具有重要意义.本文分析了2018—2022年北京市地面臭氧浓度的演变特征,并利用气象要素和臭氧日最大8 h滑动平均浓度(O₃-8 h)观测数据,基于广义相加模型和合成少数过采样技术,构建了适用于北京的臭氧非线性回归预测模型,识别了影响北京市O₃-8 h浓度日际变化气象因子的重要程度.结果显示：(1)近5年北京市臭氧浓度仍处于高位波动阶段,5—9月是臭氧浓度超标最严重的时期.(2)回归模型对高浓度臭氧具有良好的预测能力,其对北京市5—9月O₃-8 h浓度变化的方差解释率为83.3%.(3)基于回归模型发现,日最高气温、风向、紫外辐射强度、相对湿度、风速、地表平均气压与O₃-8 h浓度之间均有显著的非线性关系,其中,日最高气温、风向和紫外辐射强度为主导O₃-8 h浓度变化的气象要素.在高温、主导风向为偏南风、紫外辐射强度较强的气象条件下,...     

北京冬季PM2.5中金属元素浓度特征和来源分析

为了解北京冬季细颗粒物中金属元素的浓度水平及其来源,于2014年12月至2015年1月使用中流量PM_(2.5)采样器在北京城区开展了为期30 d的连续采样,采用滤膜称重法检测PM_(2.5)浓度,电感耦合等离子体质谱法(ICP-MS)分析PM_(2.5)中16种元素总量,并采用富集因子法和因子分析法分析元素污染特征及其来源.结果表明,观测期间PM_(2.5)中主要金属元素为K、Ca、Fe、Al和Mg,占16种元素总量的90.7%.与白天相比,地壳元素如Mg和Al等在夜间的浓度下降30%以上,而人为源金属元素如Cu和Pb等的浓度则上升40%以上.从优良天到重污染天气,上述16种金属元素的总浓度上升1倍,但其在PM_(2.5)中的比例却逐渐降低,说明金属元素的富集不是PM_(2.5)上升的主要原因.随着污染程度的加剧,Cu、Zn、As、Se、Ag和Cd等主要来自人为源的金属元素浓度上升较快,重度污染天与优良天的浓度比值范围为2.9~5.3;而Al、Mg、Ca、Mn和Fe等地壳元素浓度上升则较缓,重度污染天与优良天的浓度比值范围为1.2~1.8.北京冬季PM_(2.5)中金属元素主要来源于燃煤和生物质燃烧、交通和工业排放以及地面扬尘,贡献率分别为34.2%、25.5%和17.1%.     

北京东灵山地区主要大气污染物浓度变化特征

2009年8月～2011年6月在北京东灵山森林站连续观测了SO2、NOx、O3和PM2.5的浓度,利用观测数据分析了大气污染物的月变化、季节变化和统计日变化特征,结合气流轨迹探讨了传输对污染物的影响.结果表明,观测期间NO、NO2、NOx、O3、SO2和PM2.5浓度的平均值分别为(2.0±1.6)、(13.2±7.2)、(15.3±8.2)、(61.0±19.6)、(3.6±3.6)、(35.6±32.0)μg.m-3,均低于北京城区的观测值.NOx浓度秋季最高,夏季最低,分别为(17.0±8.0)μg.m-3和(13.8±4.1)μg.m-3.O3浓度春、夏季高于秋、冬季,最高值出现在6月份.SO2冬季浓度最高,夏季浓度最低,冬季与夏季的比值约为2.7.PM2.5夏季的浓度要远高于其他3个季节,达到56.4μg.m-3.NOx、O3和SO2浓度日变化显著,其中NOx日变化为双峰型,O3和SO2日变化为单峰型,PM2.5日变化幅度较小.     

沸石的载铁改性及饮用水除氟试验研究

为避免使用含铝材料,采用新方法制得载铁改性斜发沸石,并通过一系列静态及动态试验对其除氟性能及影响因素进行了研究.结果表明:经过改性活化的斜发沸石滤料的除氟容量(DC)得到显著提高,静态达0.665 mg/g,动态达0.2 mg/g,分别约为原沸石除氟容量(0.03 mg/g)的20和7倍.载铁改性斜发沸石对F的吸附符合Langmuir吸附等温模式,其最适pH为6～7,氟吸附速率快,再生稳定;同时其也能高效去除饮用水中的锰离子,除锰容量(MRC)达2.442 mg/g.对高氟地下水的处理效果证明,该滤料不仅降氟达到国家饮用水标准,而且具有再生简易、使用寿命长等特点.     

天气型对北京地区近地面臭氧的影响

臭氧(O3)是夏秋季北京城市大气光化学污染物中的首要气态污染物,气象因素是影响其浓度水平和变化规律的主要因子之一.2008年7月~2008年9月,在北京市4个站点进行了臭氧、氮氧化物(NOx)和一氧化碳(CO)浓度的同步连续观测,并对同期天气型进行了分类比对分析.结果显示,观测期间,北京地区处于低压前部(主要是蒙古气旋)和高压前部的比例分别为42%和20%,分别是造成臭氧浓度高值和低值的主要背景场.处于低压前部控制时,高温、低湿以及局地环流形成的山谷风造成区域臭氧累积,小时最大值(体积分数)高达102.2×10-9,并随气压的升高以3.4×10-9Pa-1的速率降低,山谷风风向的转变决定了臭氧浓度最大值出现时间,峰值出现在14:00左右;处于高压前部控制时,低温、高湿以及系统性北风造成区域臭氧低值,小时最大值(体积分数)仅为49.3×10-9,系统性北风将臭氧峰值出现时刻推后到16:00左右.北京地区臭氧光化学污染呈现出区域一致性,并与天气型有较好相关,关注天气型结构和演变对预报大气光化学污染具有重要意义.     

2007年夏季北京大气CO检测分析

采用经过改进的装配有氧火焰离子化检测器(FID)的气相色谱仪(GC),配合自动进样、分析和标定系统,以10min一次的采样频率,于2007年7月-9月,在中国科学院大气物理研究所铁塔分部连续采样,监测北京大气CO浓度变化.结果表明,北京城市大气CO浓度日变化呈双峰型,两峰值出现的时间分别为7:00-8:00和23:00-24:00,浓度分别达3.66×10-6V/V和4.92×10-6V/V.北京大气CO的浓度变化受源排放强度和气象要素共同影响.机动车限行,对降低大气CO的浓度效果明显,但天气过程对CO的清除作用也不可忽视.     

天津滨海新区秋冬季大气污染特征分析

为了解天津滨海新区大气污染物浓度水平和污染来源,2009年9月1日~2010年2月28日对NOx、CO、SO2、O3、PM2.5、PM10进行了连续在线观测,并同步观测了气象要素.结果表明,秋冬季上述污染物最高日均值(秋冬平均值±标准差,O3为日小时均值最大值)分别达到300.7(65.4±52.9)×10-9、7.278(1.324±1.169)×10-6、53(13±12)×10-9、95(28±21)×10-9(体积分数)和287.4(62.3±53.6)μg/m3、1421.4(161.9±136) μg/m3. NOx和SO2秋季低于冬季,O3和PM10反之. CO和PM10相对国家二级标准超标率为2%和38%,PM2.5相对WHO标准(75μg/m3)超标率为31%.季节统计日变化显示CO和NOx为早晚双峰型,SO2为中午的单峰型,O3为午后单峰型,且秋季日变化振幅远大于冬季, PM10为早晚双峰型,但冬季比秋季晚出峰2~3h.除冬季PM10,大气污染物浓度49%~74%的逐日变化由气象要素影响.滨海新区大气污染受局地排放和外源输送共同影响,西南方向气流易造成污染物积累,其次是东北方向,而东和东南气流最有利于污染物扩散;各污染物具体表现为NOx主要受局地源控制;SO2主要受外来输送影响;CO和PM2.5同时受本地源和外来源的共同影响;PM10秋季表现为本地源污染,而冬季为本地源和外来源的共同影响.     

遥感数据结合Biome-BGC模型估算黄淮海地区生态系统生产力

植被净生态系统生产力(NEP)和净第一性生产力(NPP)作为表征植被活动的关键变量,在全球变化研究及区域生态环境评价中起着很重要的作用。Biome-BGC是一个模拟生态系统植被和土壤中的能量、水、碳、氮的流动和存储的生物地球化学循环模型。论文利用2004年时间序列MODIS LAI遥感产品和气象数据,对黄淮海地区的NEP和NPP进行了模拟估算,由于Biome-BGC模型没有农作物生理生态参数,农作物模拟通过修改草地生理生态参数,并在增加施肥、灌溉和收割代码基础上实现。结果表明,2004年黄淮海地区NEP、NPP呈现南部大于北部的空间分布特征;不同植被类型平均NEP和NPP大小顺序分别为:混交林>落叶阔叶林>常绿针叶林>农作物>灌木>草地、混交林>农作物>落叶阔叶林>常绿针叶林>灌木>草地;与观测数据、MODIS NPP产品和统计数据进行对比,表明Biome-BGC模型可较好用于区域植被生产力的模拟,农作物模拟结果与统计数据的决定系数达到0.612 3,且模拟得到的黄淮海地区农作物NPP比MODIS NPP产品更接近统计值。