合肥市典型交通干道大气苯系物的特征分析

为研究合肥市交通干道大气苯系物污染状况,采用自主研制的差分吸收光谱(DOAS)系统,于2016年3月期间对合肥市交通主干道大气苯系物(苯、甲苯、间二甲苯和邻二甲苯)以及常规污染物NO_2、SO_2等进行了连续观测.观测结果显示,观测期间苯、甲苯、间二甲苯和邻二甲苯的平均浓度分别为:21.7、63.6、33.9和98.7μg·m~(-3).与国内外其它城市比较显示,合肥市交通干道大气苯和甲苯的污染处于中等水平,二甲苯的污染较为严重.结合观测期的间风速风向、T/B特征比值以及与CO等污染物的相关性,对上述苯系物来源进行了分析,结果显示观测期间T/B值为0.8~4.5,苯、甲苯与CO的相关性系数R分别为0.55和0.34.表明机动车尾气排放是观测区域苯和甲苯的主要排放源之一,同时也受到周边工业园区排放的影响,二甲苯的主要排放源为观测地点北偏东方向的涂料行业工业园区.苯和甲苯的夜间高浓度峰值分析结果表明,夜间的高浓度苯和甲苯可能主要来源于观测地点周边工业园区的排放.观测区域苯系物的臭氧生成潜势(OFP)表现为邻二甲苯间二甲苯甲苯苯,其中二甲苯的OFP占总OFP的85%,表明周边工业园区的排放对该地区臭氧生成的贡献较大.     

淡水中微塑料的来源、迁移途径及生态毒理效应综述

目前,微塑料污染已成为全球性的环境问题。近年来针对微塑料的研究主要集中在海洋环境中,对于淡水环境中微塑料的研究相对匮乏。在综述淡水环境中微塑料的源-汇关系和迁移过程的基础上,探讨了淡水环境中水生生物摄入微塑料的途径和生态毒理效应及其作用机理。研究发现:水生生物摄入微塑料主要是通过误食、鳃呼吸或者食物链传递,微塑料进入生物体后可在腮、肠、肝、大脑和肌肉中迁移和累积。微塑料的生态毒性包括影响基因的表达、抑制酶的活性、导致代谢紊乱、器官组织病变和炎症反应、产生神经毒素、降低存活率和干扰正常行为等。此外,针对目前淡水环境中微塑料研究工作存在的问题进行了总结,并提出了相应的建议,为淡水环境中微塑料的生态效应和其他环境问题交互效应的研究提供科学指导。     

超亲水石墨烯/二氧化硅复合膜的制备优化和表征

膜表面亲水性是主导膜污染发生的关键因素,亲水膜的抗污染能力较强。基于氧化石墨烯(GO)和氨基修饰的纳米SiO_2之间的自组装反应,分别通过真空抽滤、多巴胺辅助抽滤、热辅助法以及高温煅烧辅助抽滤法制备了多种GO/SiO_2复合膜,结合纯水接触角测定、表面官能团分析以及电镜观察等,对制备方法和条件进行了优化。结果表明:高温煅烧法制备的超亲水GO/SiO_2复合膜,其初始接触角为6.1°,并于2 s内,在膜表面实现完全铺展,表现出超亲水特性;此外,所制备的GO/SiO_2超亲水膜的纯水通量分别是传统PVDF超滤膜、超亲水SiO_2/PVDF复合膜和0.22μm有机商业膜的3.21、11.10和1.22倍,显示出良好的应用潜力。     

膜技术在中国市政污水处理与再生中的应用现状与未来挑战

膜技术在中国水务行业已推广应用多年,在消除水污染、缓解水资源短缺等方面起到重要作用。调研和回顾了膜技术在中国市政污水处理与再生中的工程应用,并重点分析了膜生物反应器的发展历程和特点。技术-经济特性显示,在污染物去除和成本-效益分析方面,膜生物反应器较传统活性污泥法均具有一定优势。此外,总结了膜技术在水务行业推广受到的环境、政策、市场三方面的推动力,并对"双碳"目标下膜技术在高效材料、先进技术、智能运行和低碳系统等方面的后续研发进行了展望。     

重金属废水的生物治理技术研究进展

重金属污染水体的修复是目前研究的热点之一,其中生物治理技术尤其得到了广泛关注。利用菌类微生物的表面结构特性及其生化代谢作用,通过吸附法、代谢法、絮凝法等将重金属元素与水体分离或降低其毒性,可达到废水治理的目的。运用藻类细胞壁对重金属离子的化学吸附作用,可从水体中分离出重金属离子,国内外对此进行了广泛研究。种植能富集重金属的水生植物可有效治理受污染的天然水体。基因工程技术在这一领域的应用,加强了菌类和微藻的吸附、代谢、絮凝功能,提高了废水处理能力。固定化技术的应用提高了废水治理的效率及稳定性,有力地推动了重金属废水微生物治理技术的发展。文章综述了近年来国内外在利用微生物及植物技术治理重金属废水方面的研究进展,并对其发展方向进行了展望。     

基于Stacking集成学习模型的气态亚硝酸预测

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度,结合HONO的来源,选取了O₃、CO、SO₂、NO、NO₂、NO_y、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO₂）、j（O¹D）作为特征数据,通过对HONO的平均日变化分析,将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型,采用5折交叉验证的方式划分训练集,将基模型输出的结果作为新特征集,并将新特征集作为第二层线性回归模型的输入,通过对这两层中的模型进行训练,最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献,表明CO是模型预测中重要的影响因子,说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估,3个单模型的预测结果与测量值的相关系数都达到了0.91以上,其中Stacking融合后的模型性能最好,相关系数达到了0.94,平均绝对误差和均方根误差分别为0.307×10^-9和0.453×10^-9,结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.