2014年北京市CO浓度水平和时空分布

对北京市地面监测站点的CO浓度进行分析，探讨其浓度水平、变化趋势和时空分布特征。2014年春、夏、秋、冬四季北京市CO平均浓度分别为1.06、0.87、1.34、2.17 mg/m³。CO浓度均呈双峰型变化，第一个峰值出现在07：00-09：00，主要由交通早高峰的排放引起；第二个峰值出现在23：00左右，主要受交通晚高峰排放和夜间边界层高度降低的挤压效应的共同影响。从空间分布来看，全年整体呈现南高北低的分布特征，尤其是秋、冬季较为明显，体现了工业布局和区域传输对CO的影响。从全年来看，湿度对CO浓度的影响最大。对2014年冬季北京市的一次高CO浓度分析结果表明，此次过程是由本地排放和区域传输共同造成的，气象要素中地面气压对CO浓度影响最大。     

2014年北京市城区臭氧超标日浓度特征及与气象条件的关系

根据2014年1~12月北京市环境保护监测中心监测的O₃浓度数据,综合探讨了北京市O₃的时空分布及与其气象条件的关系.结果表明:2014年北京市全年O₃小时平均浓度约为56.18 μg·m^-3,O₃超标日小时平均浓度约为148.05 μg·m^-3且超标日主要集中在5~9月;超标日O₃日变化呈现单峰型分布,06:00或07:00为低谷,15:00、16:00左右达到峰值;超标日O₃浓度在09:00~23:00明显高于夏季同时间段浓度平均;空间分布上中心城区站点O₃浓度相对较低,而城区西部植物园站点浓度最高;统计的2014年北京市O₃超标日地面形势场3种类型高压类、低压类、均压类各占16%、36%、48%;超标日O₃浓度与气压、湿度、能见度呈负相关关系,与风速、温度呈正相关关系; 2014年5月29日~6月1日北京市发生的一次O₃重污染过程是由本地光化学污染及区域输送造成的,区域输送对北京市O₃浓度有着十分重要的影响.     

北京冬奥会同期空气污染数值模拟

第24届冬季奥运会将于2022年2月4—20日在我国北京市和河北省张家口市联合举办,主要会场有北京奥体中心、北京延庆县和张家口市崇礼县.为了模拟分析冬奥会空气质量情况,利用冬奥会同期(2006—2016年2月)北京市和张家口市空气质量资料及韩国气象厅天气图资料(2013—2016年2月),分析该时段重污染发生的频次,统计不利于污染物扩散的天气形势出现概率及污染传输路径,并结合嵌套网格空气质量预报模式(NAPQMS),评估不同减排方案对ρ(PM_2.5)的影响.结果表明:① 2006—2016年冬奥会同期,北京奥体中心和延庆县发生重污染天气的概率分别为17%和9%,污染发生的风险频率为北京奥体中心>延庆县>张家口市,并且北京奥体中心和延庆县在2月13—16日易出现持续的重污染天气过程;② 2013—2016年2月不利于污染扩散的天气形势出现概率较为频繁,尤其在850 hPa高度和地面,不利天气形势出现的概率分别为35%和41%;地面偏南风易将在北京西南方滞留较长时间的污染气团沿太行山输送至北京;③ 冬奥会期间,若于2月2—12日及17—20日将京津冀及周边城市污染物排放量在当前的基础上减排50%、2月13—16日减排75%,将可能不出现重污染日.严格控制北京及周边地区的大气污染物排放是保障冬奥会期间空气质量的必要措施.      

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.     

基于深度学习的大数据空气污染预报

为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的.本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法.该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能.得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势.因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性.最后,通过实验证明新方法可以提高空气污染预报性能.     

北京市PM_(2.5)主要化学组分浓度水平研究与特征分析

为研究北京市大气环境PM_(2.5)中主要化学组分特征,于2012年8月—2013年7月期间,在北京市定陵、车公庄、东四、石景山、通州、房山、亦庄和榆垡等8个点位开展为期1年的样品采集,共计采集472组样品,分析每组样品中OC、EC、水溶性离子和18种无机元素等组分.研究结果表明,本次研究的组分重建后和实际PM_(2.5)浓度相关性显著,相关系数为0.94,所测组分平均占PM_(2.5)总量的90%;各点位不同季节PM_(2.5)中主要的组分均为OC、NO_3~-、SO_4~(2-)、NH_4~+,呈南高北低的趋势,冬季OC是夏季的1.7倍,NO_3~-和SO2--4在四季呈交替状态,除榆垡点位的SO_4~(2-)NO_3~-外,其他点位均是NO_3~-SO_4~(2-),4种主要的组分质量浓度分别为(23.1±21.4)、(20.3±23.4)、(19.4±22.2)、(13.6±15.2)μg·m-3,占PM_(2.5)总含量的18.5%、16.3%、15.6%、10.9%;研究水溶性离子发现,8个点位全年SNA/PM_(2.5)比例为42.8%,其中,夏季最高(49.9%),秋季较低(31.1%),NO_3~-/SO_4~(2-)比值平均为1.05,相对往年研究结果 NO_3~-/SO_4~(2-)比值有增加的趋势.     

北京市典型排放源PM_(2.5)成分谱研究

为了建立和完善北京市PM_(2.5)本地化源谱,对北京市11类排放源PM_(2.5)进行采集,并测定其26种组分,分析了不同排放源源谱的组分特征.结果表明,在有组织排放源中,燃煤电厂PM_(2.5)中OC和Si含量很高,占PM_(2.5)的质量分数分别为8.56%和6.19%(平均值),而供热/工业锅炉排放PM_(2.5)中则是SO_4~(2-)(占48.38%)和OC(11.0%)比例最高,水泥窑炉PM_(2.5)中OC(7.12%)、Ca(4.81)和Si(4.41%)占有较大比例;垃圾焚烧排放的PM_(2.5)中Si、Ca、K和SO_4~(2-)均较高,分别占8.15%、9.36%、7.17%和6.79%,且Cl~-含量(2.5%)高于其他所有源,生物质燃烧源PM_(2.5)中OC(21.7%)、Si(6.75%)、Ca(6.15%)较为丰富,餐饮源PM_(2.5)中OC(19.44%)、SO_4~(2-)(5.76%)和K(3.11%)含量均较高;无组织开放源中,道路扬尘和土壤风沙PM_(2.5)化学组分含量变化较为一致,均是Si(分别为16.8%和9.3%)和OC(分别为8.89%和6.61%)最高,建筑水泥尘PM_(2.5)中Ca(17.46%)含量高于其他源;流动排放源PM_(2.5)中OC、EC比例最高,其中,重型柴油车的OC(29.79%)与EC(26.5%)排放比例相当,而轻型汽油车OC排放占有绝对优势(占75%).本文通过对比国内外部分排放源PM_(2.5)成分谱的差异,指出不同区域相同源类排放的PM_(2.5)化学组分差异较大,在应用受体模型中的化学质量平衡模型(CMB)判断受体颗粒物来源时,应基于本地的排放源成分谱,以避免较大的误差.     

基于LSTM-GCN的PM2.5浓度预测模型

应用机器学习算法开展空气质量预测已成为当前研究热点之一,空气质量监测数据具有显著的时空特征,即具有时间维度时序特征和空间维度传输演化特征。面向空气质量监测数据,联合LSTM提取的时间特征和GCN提取的空间特征,提出预测PM_2.5浓度的LSTM-GCN组合模型。以北京市35个空气质量监测站2018—2020年监测数据进行仿真实验,并将LSTM-GCN模型与LSTM模型、GCN模型以及时空地理加权回归模型(GTWR)进行对比,结果显示:LSTM-GCN模型相较于LSTM模型均方根误差(RMSE)、平均绝对误差(MAE)分别降低了11.68%、7.34%;相较于GCN模型RMSE、MAE分别降低了40.22%、36.37%;相较于GTWR模型RMSE、MAE分别降低了17.52%、23.69%,表明所提出LSTM-GCN模型在准确率上有所提升。用LSTM-GCN模型预测2021年1—7月PM_2.5浓度,结果显示预测效果较好。     

电子制冷预浓缩仪-气相色谱-质谱法测空气中含硫化合物

建立电子制冷预浓缩仪-气相色谱-质谱法测定空气中10种含硫化合物的方法。经考察不同采样容器、优化预处理条件、研究样品保存等获得了最佳实验条件,并通过实际样品的测定,考察了方法的适用性。结果表明:硫化氢、甲硫醇和乙硫醇3种高活性含硫化合物校准曲线线性回归系数在0.990以上,另外7种含硫化合物在0.995以上;高、中、低空白加标样品相对标准偏差均为9.5%以内,乙硫醇由于具有高活性和吸附性,低浓度空白加标回收率为63%,其余组分回收率范围为83%~110%;当进样体积为400 mL时,各目标化合物的方法检出限为0.2×10^-3~1.1×10^-3 mg/m³。分析污水处理厂无组织排放监控点的空气结果显示,该方法具有较低的检出限及较强的抗干扰能力,能较好地满足目前监测工作的要求。     

北京市PM2.5水分含量及其变化特征

利用卡尔费休法可直接测定PM_2.5水分含量,方法精密度及准确度均较好.将该方法应用于北京市城区站点2020年全年的PM_2.5分析,结果显示PM_2.5水分浓度年均值为(5.0±4.1)µg/m³,在PM_2.5占比为(12.5±4.8)%,与PM_2.5质量浓度呈显著相关.水分质量浓度与PM_2.5的质量浓度月度及季节变化趋势基本一致.研究发现,随着空气污染加重,水分质量浓度及其在PM_2.5占比均呈上升趋势,二者相关性明显增强.可见污染发生时,水分增加有利于颗粒物吸湿增长从而推高污染水平,对PM_2.5的贡献同步增强.当沙尘污染发生时湿度处于同期较低水平,不利于细颗粒物的吸湿增长,水分质量浓度及其占比均处于较低水平. PM_2.5水分与二次离子及有机物均有很好的相关性,说明水分为气态污染物提供非均相转化载体,促进硝酸盐、硫酸盐、有机物的进一步生成.PM_2.5水分与地壳物质无相关性,证实地壳元素为一次源,不受水分影响.