汽油车技术发展对尾气排放影响研究进展

近年来,汽油车尾气排放已成为城市大气污染的主要来源之一.为减少油耗、温室气体和大气污染物的排放,汽油直喷技术(GDI)、醇类燃料替代以及混合动力系统等新兴技术被应用到汽车产品中,该研究对GDI发动机汽车、醇类燃料车和混合动力车的颗粒物(PM)、氮氧化物(NO_x)、总碳氢化合物(THC)的排放研究进行梳理和总结,综合评估先进动力技术和醇类燃料的环境影响.结果表明:GDI汽油车的PM排放因子为进气道喷射(PFI)汽油车的1.2~5倍,加装汽油颗粒物捕集器(GPF)后GDI汽油车的PM排放大幅下降,同时具备催化能力的GPF可减少NO_x和THC排放.与汽油车相比,乙醇燃料车PM排放量减少了35%~56%,尾气THC排放减少了10%~44%,但挥发性有机物(VOCs)蒸发排放增加了20%~41%,其主要来自于日呼吸损失.各类型车辆的NO_x排放差异较小,比较结果存在一定的不确定性.混合动力车相比传统内燃机汽车污染物减排优势明显,可积极推广其在公共交通和私家车队中的应用.建议今后研究应着重关注以下几个方面:①GDI和混合动力车在实际条件下排放污染物的环境影响;②醇类燃料车VOCs蒸发排放控制技术及相关法规标准的完善;③新兴技术汽油车排放污染物的生成机理及其影响因素.      

基于空气质量监测数据的钢铁行业污染源识别方法

京津冀及周边地区等重点区域已经建立具有高时空分辨率特点的空气质量监测网,但监测数据主要用于环境空气质量评价,在大气污染来源识别中应用较少.采用特征雷达图中的双重归一化算法对区域上2018～2019年秋冬季空气质量监测数据中的SO₂、 NO₂、 CO、 PM_2.5和粗颗粒物(PM₁₀与PM_2.5的浓度差值)这5种因子进行分析,识别出偏SO₂、偏NO₂、偏CO、偏PM_2.5、偏粗颗粒物、偏SO₂-CO、偏NO₂-CO和偏PM_2.5-CO这8种典型污染特征.以偏SO₂-CO特征为例,结合污染特征时空分布、主要污染源排放特征和PM_2.5源解析,判断该特征下对空气质量影响最突出的污染源,并将该方法用于一次典型污染过程的分析.结果表明,研究时段内偏SO₂-CO特征的平均占比为7.6%.（1）偏S...     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.