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.     

2012~2013年间北京市PM2.5中水溶性离子时空分布规律及相关性分析

2012年8月~2013年7月,在北京市包括城市背景、城区、郊区以及边界传输点在内的9个监测点位进行大气细颗粒物PM2.5样品的采集与分析,共获得486个有效样本及9种水溶性离子的质量浓度.观测期间9种水溶性离子总质量浓度为60.5μg·m-3,浓度水平高低顺序分别为NO-3SO2-4NH+-4Cl-Na+K+Ca2+F-Mg2+;其中SO2-4、NO-3和NH+4(三者简称SNA)占全部所测水溶性离子的88%;NO-3是全年波动范围最大的二次离子.对所测阴、阳离子相关性研究发现,阴、阳离子总体相关性良好,春、冬季阴、阳离子相关性要好于夏、秋季.对不同颗粒质量级别中的水溶性离子研究发现,SNA积累活跃,相对于SO2-4的积累,NO-3和NH+4在二次离子的形成过程中占据主导地位;NO-3是重污染过程累积效应比较明显且贡献相对较高的二次离子.     

2013年1月北京市一次空气重污染成因分析

采用数值模式与观测资料相结合的方式,对北京市2013年1月9日至15日一次空气重污染过程的大气环境背景、气象条件和形成原因进行了初步分析.结果表明,重污染过程期间10日至14日PM2.5平均值为323μg·m-3;重污染过程与当地气象条件密切相关,稳定的大气环流形势为污染的持续提供了大气环流背景,风速较小、湿度较大、边界层较低、持续逆温是造成重污染的主要原因;重污染过程中区域输送对北京PM2.5贡献率在53%~69%之间且存在明显的二次转化,区域输送起着更为重要的作用;气象条件对持续性重污染的形成和破坏起到了关键性的作用,因此需要加强对重污染预警预报研究,以有效预防和控制空气重污染.     

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.     

2014年春节期间北京市空气质量分析

对2014年1月30日(除夕)13时到1月31日(初一)12时期间北京市官园、怀柔和良乡监测站的CO、SO2、NOx、PM10、PM2.5浓度及PM2.5化学组分和能见度等监测数据进行分析,探讨了污染源减排和烟花爆竹燃放对北京市空气质量的叠加影响.研究发现,烟花爆竹的集中燃放会在短时间内造成严重的大气污染,其中,对PM10、PM2.5和SO2的影响最为显著.官园、怀柔和良乡监测站在1月31日凌晨1时的PM10浓度值分别为377.8、253.2和627.0μg·m-3,分别为1、2月份平均值的2.4、2.0和3.6倍;PM2.5浓度值分别为292.0、184.7和522.4μg·m-3,分别为1、2月份平均值的2.1、1.5和3.2倍.烟花爆竹的燃放对PM2.5化学组分中的K+、SO2-4、Cl-、Mg2+和Na+等影响最大,1月31日凌晨1时这5种离子在PM2.5浓度中占的比例高达92.1%.烟花爆竹的燃放造成1月31日凌晨1时监测中心和良乡的能见度分别降至2422 m和3591 m,是1、2月份能见度均值的22.9%和32.8%.2010—2014年"春节半月"期间官园、怀柔和良乡PM10平均浓度大多低于冬季均值和年均值,2014年"春节半月"这3个监测站的PM2.5浓度相比于冬季均值分别下降了33.3%、20.6%和39.2%,表明污染源减排对空气质量的正影响非常明显.     

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.