全球液化石油气运输网络贸易社区特征及其演化分析

液化石油气在全球清洁能源消耗市场中扮演着极为重要的角色,其通过船舶在不同港口之间进行运输,而港口之间通过局部密集的运输关系,形成了联系极为紧密的贸易社区。采用复杂网络社区探测方法,基于2013—2017年全球液化石油气船舶轨迹大数据构建运输网络,并对其贸易社区特征及其演化趋势开展分析。结果表明：（1）液化石油气（Liquefied Petroleum Gas,LPG）贸易社区内的港口之间的联系更加紧密,不同社区内的枢纽港口联系也日益紧密;（2）各个贸易社区的规模呈现出增长趋势,且同一社区内的港口在地理空间上变得更为集聚;（3）亚太地区、中东、西北欧和地中海地区形成的社区在全球LPG贸易中一直保持着重要地位,而随着时间推移,美洲社区已逐渐从一个相对孤立的社区发展成为与其他社区存在紧密联系的社区。     

生态文明视角下的国土空间底线管控：“双评价”与国土空间规划监测评估预警

生态文明新时代下的空间规划体系对国土空间底线管控提出了明确要求,“双评价”与国土空间规划监测评估预警是底线思维的体现。研究“双评价”与国土空间规划监测评估预警在国土空间底线管控中的作用和地位,通过国土空间规划“一张图”实施监督信息系统的建设,对二者的联系及其相互作用进行体现,构建二者的联动方式,服务于国土空间底线管控及治理的全过程。“双评价”与国土空间规划监测评估预警共同组成底线管控的两个阶段,前者是开展底线管控的基础,后者是底线管控的路径和手段,两者皆是生态文明新时代下国土空间规划底线管控的重要工具,需以国土空间规划“一张图”实施监督信息系统为基础加强两者的有机结合。     

基于AIS轨迹修复的船舶排放空间表征改进方法与应用

基于船舶自动识别系统（Automatic Identification System,AIS）数据表征船舶排放是目前船舶排放空间表征的主流方法,但AIS船舶轨迹点缺失会造成船舶排放量低估和船舶空间分布表征错误,进而影响船舶排放控制区的划分.为改进船舶排放空间表征,本研究以2013年广东省AIS船舶数据为例,采用基于时间和经纬度的三次样条方法对AIS船舶轨迹进行修复,结合动力法计算船舶排放,分析对比AIS轨迹修复前后船舶排放表征的差异,并利用空气质量模型和卫星观测评估AIS轨迹修复对船舶排放表征和广东沿海空气质量模拟的改进效果.结果表明：轨迹修复后广东省海域船舶轨迹点总数由4685773个增至5746664个,船舶NO_x排放量增加了0.6%.对于轨迹点与排放缺失集中的粤东海域,轨迹修复后船舶轨迹点数增加了88%,NO_x排放量在广东省船舶排放量的占比提升至22%,特别是在粤东重点修复海域NO_x排放量增加了2.7倍.原始轨迹在广东省海域较为稀疏,在粤东海域有明显轨迹缺失;轨迹修复后广东省海域船舶轨迹更为密集,粤东海域船舶轨迹得以补充,船舶排放空间分布更连贯.对比模拟结果与卫星观测结果,轨迹修复后粤东重点修复海域船舶模拟浓度与观测浓度的偏差由51%减至6%,总体上船舶排放模拟结果更接近卫星观测结果.     

2018年春节期间京津冀地区污染过程分析

为了解2018年春节期间京津冀地区空气污染情况,利用近地面污染物浓度数据、激光雷达组网观测数据,结合WRF气象要素、颗粒物输送通量和HYSPLIT气团轨迹综合分析污染过程.结果表明,春节期间出现3次污染过程.春节前一次污染过程,各站点PM_2.5浓度均未超过200μg/m³;除夕夜,廊坊站点PM_2.5峰值浓度达到504μg/m³,是清洁天气的26倍;年初二~初五,各站点PM_2.5始终高于120μg/m³,且污染主要聚集在500m高度以下,北京地区存在高空传输,800m处最大输送通量达939μg/（m³·s）,此次重污染过程为一次典型的区域累积和传输过程.京津冀地区处于严格管控状态时,燃放烟花爆竹期间PM_2.5峰值浓度可达无燃放时PM_2.5峰值的3.2倍.为防止春节期间重污染现象的发生,需对静稳天气下燃放烟花炮竹采取预防对策.     

武当山夏季颗粒物数浓度谱分布特征及气团来源影响研究

为研究大气边界层中上层大气颗粒物的数浓度谱分布特征及气团来源的影响,于2018年6月利用3080型SMPS粒径谱仪对武当山14.6~660 nm颗粒物数浓度谱进行观测,分析和探讨了其数浓度谱分布及日变化特征,并结合后向轨迹、潜在源贡献因子法（PSCF）与浓度权重轨迹分析法（CWT）探讨对武当山颗粒物数浓度影响较大的外源输送路径和贡献源区.结果表明:①武当山大气颗粒物主要以爱根模态为主,平均数浓度为2 500个/cm3,积聚模态、核膜态平均数浓度分别为2 265、359个/cm3,3种模态数浓度分别占总数浓度的48.79%、44.21%、7.01%.②在新粒子生成日,核膜态数浓度于10:00开始上升,11:00—17:00的核膜态数浓度相对较高,约2 000个/cm3.新粒子生成日ρ（SO₂）与ρ（O₃）的日变化趋势均与核模态数浓度较为相似,表明SO₂和O₃参与光化学反应后的产物（硫酸及有机物）有利于新粒子的生成与增长.新粒子生成日风速、温度均大于非新粒子生成日,但相对湿度较低.③在东部及局地气团影响下大气颗粒物主要以积聚模态为主,数浓度分别为2 311和2 596个/cm3;核模态、爱根模态数浓度在受西北气团影响时最大,数浓度分别为806和3 078个/cm3.④潜在源区分析表明,影响武当山积聚模态数浓度的主要源区为十堰市本地及襄阳市,二者贡献值在840个/cm3以上.研究显示,武当山颗粒物主要以爱根模态为主,颗粒物数浓度日变化主要受大气边界层发展及山谷风的影响,较高的ρ（SO₂）与ρ（O₃）以及高温、低湿及较大的风速均有利于新粒子的生成,周边城市的区域性传输对武当山颗粒物的影响较大.      

厦门市冬季PM2.5污染情境识别及其与气象条件的关系

为研究厦门市冬季不同PM_2.5污染情境与气象条件和气团轨迹路径特征的关系,结合PM_2.5观测数据,使用AGAGE（Advanced Global Atmospheric Gases Experiment）统计方法识别2014—2018年冬季厦门市PM_2.5观测值、基线值和污染值情境,通过气象数据统计和气团后向轨迹聚类对不同PM_2.5污染情境下气象条件和气团轨迹路径特征进行探究.结果表明:①厦门市冬季不同PM_2.5污染情境下,ρ（PM_2.5）及PM_2.5污染值情境时长占比均呈波动中下降的趋势,具体表现为冬季PM_2.5观测值、污染值和基线值情境下,ρ（PM_2.5）平均值分别从2014年的42.2、90.7、16.4 μg/m3降至2018年的26.3、56.9、8.8 μg/m3,冬季PM_2.5污染值情境时长占比从2014年的10.2%降至2018年的3.0%.②冬季PM_2.5污染值情境下气象要素呈低风速、低气压、高温度、高相对湿度的特征.③冬季到达厦门市的气团轨迹路径中,局地路径由于大气条件稳定易累积形成PM_2.5污染;偏北路径和西北路径易从临近省份携带污染物输入导致PM_2.5污染,属于重要的外源污染输入路径;沿海路径和偏西路径均属于清洁路径,但沿海路径易在福建省北部与偏北路径重合形成污染输入,加强了偏北路径的污染物输送能力.研究显示,近年来厦门市冬季PM_2.5污染有明显减弱趋势,但不利的气象条件和外来污染输入仍会造成PM_2.5污染的发生.      

典型西南工业城市春冬季PM2.5来源与潜在源区分析——以柳州市为例

为了揭示柳州城区春冬季PM_2.5的来源及其潜在源区分布和贡献,利用2018年24h自动监测数据和气象数据对柳州市大气污染物浓度变化特征进行了分析,并且使用后向轨迹模型（HYSPLIT）对春冬季柳州市PM_2.5逐日72h气流后向轨迹和前向轨迹进行聚类分析,同时结合潜在源贡献因子分析法（WPSCF）和轨迹浓度权重法（WCWT）对其潜在源区和浓度贡献进行了分析.结果显示,（1）在研究期内,不利的主导风向和工业区布局导致研究区PM_2.5在春冬季污染较严重,且工业源和交通源是其主要本地来源;（2）春冬季PM_2.5高值主要来源于西北和东南方向,其中,西北向PM_2.5主要来源于本地排放,且浓度在空间上呈现西高东低的趋势;（3）春季后向轨迹PM_2.5浓度整体大于冬季,春冬季中对柳州市PM_2.5影响最大轨迹均来自东部的短距离输送,而来自西北的气流轨迹输对PM_2.5贡献最低.春冬季柳州市大气PM_2.5通过气流传输对贵州地区大气环境有较大影响;（4）春季,柳州市PM_2.5的主要潜在源区分布在广西东南部、广东中西部、南海沿岸海域、湖南中部、江西西北部、湖北东部及安徽西北部;冬季,主要分布在广西东南部、广东西南部和南海沿岸海域.     

利用HYSPLIT模型研究珠三角地区VOCs时空分布特征

于2016年在中国广东大气超级监测站,开展4个季节的VOCs长时间观测,共获得2142组有效数据,并利用HYSPLIT模型分析珠三角地区VOCs时空分布特征.结果表明,各类VOCs混合比和化学反应活性具有明显的季节变化特点.观测期间,VOCs平均浓度为（18.523±20.978）×10^-9,其中,低碳烯烃和苯系物二者混合比之和仅占46%,但贡献了85%的·OH消耗速率（L_OH）、82%的臭氧生成潜势（OFP）和97%的二次气溶胶生成潜势（SOAFP）.观测站点主要受来自北部内陆地区气团（1#）、西部内陆地区气团（2#）、台湾海峡南端气团（3#）以及南部海洋地区气团（4#）的影响.1#气团中炔烃和苯系物的混合比占比最高,分别达到10%、37%,而3#气团中低碳烷烃的浓度水平最高,达到（8.437±5.561）×10^-9.通过估算气团中VOCs的化学反应活性,可以发现,1#气团的VOCs化学反应活性最强,其对O₃和SOA的生成贡献最高.1#、2#、3#和4#气团中VOCs的化学反应活性主要由苯系物和低碳烯烃贡献.