基于卫星遥感的京津冀热环境效应分析

为探究北京城区和京津冀城市群等不同尺度上地表热环境时空格局变化以及与大气污染和污染排放的关系,利用Landsat-58、Terra MODIS和Aura卫星上OMI等多期数据,采用普适性单窗算法反演了不同区域的地表温度强度,并结合京津冀重点行业NOX排放量和区域NO2柱浓度空间分布数据,分析了2001—2016年北京及京津冀地区大气污染、能源消耗和城市热力格局之间的关系。结果表明:北京市热岛分布具有显著的地域性,高地表温度与相对较低地表温度集聚与相间分布并存,建成区城市热岛效应明显; 2001—2016年随着城市的快速发展,城区快速向外蔓延,北京城市的热场强度逐年加强,范围逐年向东、向南扩大;热岛高强度范围与NO2高污染区、NOX高排放区有较好的一致性,热岛强度的分布特征有助于大气污染物"热量"网络的规划,卫星热红外遥感可提供必要的技术支撑。     

北京市城市屋面径流特征研究

对北京市城区不同功能区和不同类型的屋面进行三场降雨径流监测,并分析屋面径流污染过程和水质特征。采用降雨径流污染物平均浓度(EMC)分析评价径流污染程度,结果表明径流水质与屋面材质、降雨强度等因素有关,沥青屋面污染较重,降雨强度越大,径流水质越差;三场降雨中污染物浓度随降雨历时总体上呈先升高后降低的变化趋势,初期径流水质较差,存在明显的初始冲刷现象。     

原子荧光法测定水中砷监测质量控制指标研究

通过全国多家实验室测定的大量监测数据研究了原子荧光法测定水中砷的质量控制指标,并与《水和废水监测分析方法》(第4版)中的相关指标进行了比较,旨在为环境监测工作提供质量控制依据和质量控制指标。研究表明,标准样品实验室内相对偏差的控制范围为小于等于4%;浓度小于0.05 mg/L的实际样品的相对偏差小于等于10%,浓度大于等于0.05 mg/L时相对偏差小于等于5%。实验室间相对偏差的控制范围为小于等于10%。相对误差一般控制在±15%以内,加标回收率为90%～110%。     

基于Himawari 8的沙尘遥感监测与应用

基于Himawari 8静止卫星数据实现了沙尘天气24h动态遥感监测.通过对Himawari 8通道15、13、11亮温值、通道15与13亮温差（BT15-BT 13）、通道13与11亮温差（BT13-BT 11）进行时间序列分析和直方图统计,发现在所选通道中,各地物亮温值分布较为接近,冰云亮温值约为220~250K;沙尘、水云和高纬度地表亮温值约为260~270K;低云、雾和中纬度地表亮温值约为270~290K.通道13对识别沙尘较为敏感,沙尘在通道13的亮温值明显低于通道11和15,在BT15-BT13亮温差值图上沙尘区存在明显高值,在BT13-BT11亮温差值图上为负值,明显低于其他地物.相关性分析结果显示,BT15-BT13和BT13-BT11与地面PM₁₀浓度在0.01水平上显著相关.通过BT15-BT13、BT13-BT11和通道13进行假彩色合成生成的沙尘遥感结果与气象数据,地面PM₁₀数据,激光雷达数据相结合,可对华北地区沙尘污染的起源,形成过程和行进轨迹进行24h的三维动态观测.     

北京城区夏季VOCs初始体积分数特征及来源解析

为明确北京市夏季VOCs体积分数特征及来源,在2022年5～8月对北京城区VOCs开展了连续监测并利用光化学比值法计算了初始体积分数.结果表明：(1)研究期间,北京城区初始φ(TVOCs)为(30.0±11.5)×10^-9,其中含氧VOCs和烷烃占比达到34.2%和33.2%,体积分数较高的物种是丙酮、乙烷、乙醛和丙烷等低碳物质.(2)北京城区初始TVOCs体积分数略微呈现单峰变化趋势,11:00达到峰值,下午略有降低.(3)各排放物质中对O₃生成贡献较大的主要是异戊二烯、乙醛、正丁醛和乙烯等物质,而对二次有机气溶胶生成贡献较大的主要是甲苯、异戊二烯、间/对-二甲苯和乙苯物质.(4)基于初始体积分数的PMF解析发现,老化背景及二次源(30%)对北京市VOCs贡献率最高,机动车源(25%)则是最主要的一次人为源,此外溶剂及燃油挥发源贡献率16%,燃烧源贡献率11%,工业过程源贡献率9%,天然源贡献率9%.(5)影响北京市的人为源主要来自东部和南部区域,天然源则来自西部和西北部区域.研究显示,应进一步削减机动车排放,开展区域联防联控降低整个区域V...     

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。     

基于形态空间格局分析方法和最小累积阻力模型的北京市平原区造林工程生态格局分析

为了科学评估北京市平原区造林工程的生态影响，利用高分卫星数据获取2018—2020年北京市平原区造林面积、分布及变化信息，分析了造林工程的空间格局特征，并采用形态空间格局分析(MSPA)方法及最小累积阻力(MCR)模型，构建了北京市平原区生态网络，通过情景模拟分析造林工程对生态源地、生态廊道产生的影响。结果显示，2018—2020年北京市平原区造林工程主要沿西北东南方向实施，实现了对原有林地资源分布不均衡问题的解决。热点建设区域为北部的延庆及东南部的通州、大兴，呈现由城市边界逐步向市中心蔓延的发展趋势。在不考虑其他因素对土地利用的影响的前提下，造林工程的实施使平原区林地面积增长了9.8%。通过情景模拟发现，造林工程的实施使生态网络向连通、完整、均衡方向发展。其中，生态源地面积增长了131.0 km²,主要生态源地连通性提升了41.1%,生态廊道的分布由主要分布在西北部山区向西北、东南两个方向均有密集分布转变。综上，造林工程的生态环境效应显著，造林工程的实施对生态环境质量改善具有重要意义。