2017年1月天津市区PM2.5化学组分特征及高时间分辨率来源解析研究

为了快速分析天津市区冬季以及重污染过程中PM_2.5的化学组成特征及来源,本研究于2017年1月利用在线监测仪器快速采集了天津市区环境受体中PM_2.5及其化学组分的小时数据,并通过PMF（positive matrix factorization,正定矩阵因子分解法）模型解析了天津市区2017年1月及重污染过程中PM_2.5的主要贡献源类,分析了重污染过程中排放源的变化趋势.结果表明：2017年1月天津市区PM_2.5浓度为6.0~449.0 μg·m^-3,平均值为153.3 μg·m^-3.NO₃^-、SO₄^2-、NH₄⁺是PM_2.5中水溶性离子的主要组分,三者之和占水溶性离子总量的88.3%.NH₄⁺与Cl^-、NO₃^-、SO₄^2-均表现出显著的正相关性（r=0.82,0.95,0.97;p<0.01）.NO₃^-和SO₄^2-（r=0.90;p<0.01）,Ca²⁺与Mg²⁺（r=0.65;p<0.01）均表现出显著的相关性,说明它们分别具有较高的同源性.OC和EC也是PM_2.5的重要组成部分,两者之和占PM_2.5质量浓度的20.4%.重污染过程中,PM_2.5及其主要离子的浓度显著的增加（p<0.01）,并存在较高的二次离子生成.PMF解析结果表明,二次源类是天津市区2017年1月PM_2.5的首要源类,分担率为38.1%,其次为机动车源（分担率为25.6%）、燃煤源（分担率17.1%）、扬尘（分担率10.1%）和生物质燃烧（分担率9.1%）.重污染过程中,二次源是PM_2.5的主要贡献源类,分担率达到39.3%;说明重污染期间存在显著的二次转化及二次粒子的积累过程.重污染发生演变过程中,二次源、机动车源和燃煤源对PM_2.5贡献表现出显著增加的趋势,而扬尘和生物质燃烧的贡献则没有显著增加.     

宿迁市PM2.5中水溶性无机离子的季节特征和来源分析

为了研究宿迁市PM_2.5中水溶性无机离子的季节特征和来源,于2017年5月至2018年1月在宿迁市水汽通道上的3个监测点位采集了171份PM_2.5样品,分析了PM_2.5质量浓度以及9种水溶性无机离子含量.结果表明,宿迁市PM_2.5中水溶性无机离子的年均浓度为（44.08±34.61）μg ·m^-3,占PM_2.5质量的41.8%,9种水溶性离子浓度大小排序为ρ（NO₃^-） > ρ（SO₄^2-） > ρ（NH₄⁺） > ρ（Cl^-） > ρ（Na⁺） > ρ（Ca²⁺） > ρ（K⁺） > ρ（F^-） > ρ（Mg²⁺）,其中NO₃^-、SO₄^2-和NH₄⁺是主要的离子组分,占总水溶性无机离子浓度的75.6%.ρ（NO₃^-）/ρ（SO₄^2-）年均值为1.53±0.88,表明移动污染源对PM_2.5的贡献高于固定污染源.水溶性无机离子相关性分析表明,NH₄⁺与NO₃^-、SO₄^2-可能以（NH₄）₂ SO₄、NH₄HSO₄和NH₄NO₃的形式存在.结合主成分分析,水溶性无机离子主要来源于二次转化、工业源、生物质燃烧和扬尘.PM_2.5浓度与相对湿度在冬季呈显著正相关,水汽传输在冬季更容易对PM_2.5浓度增长有促进作用.     

成都市冬季3次灰霾污染过程特征及成因分析

基于成都市大气环境超级观测站气态污染物和PM_2.5中组分在线监测数据,对2019~2020年成都市3次灰霾污染过程气象要素和组分特征进行分析,采用CMB模型模拟获得研究期间PM_2.5污染来源及变化趋势,剖析各污染过程成因.结果表明：① 3次污染过程均发生在相对湿度和温度持续上升,风速和边界层高度持续降低的不利气象条件下,日均相对湿度均大于70%,日均温度均大于8℃,日均风速均低于0.8 m ·s^-1,日均边界层高度均低于650 m;② 3次污染过程中主要组分均为NO₃^-、OC、NH₄⁺和SO₄^2-,其中NO₃^-质量浓度和占比污染时段较清洁时段增长倍数均高于其他组分,分别增加了1.47~2.09倍和0.22~0.35倍,NO₃^-是成都市冬季PM_2.5污染的关键组分;③ 3次污染过程SOR均值为0.40,NOR均值为0.27,SO₂和NO_x的二次转化程度较高,SO₂向SO₄^2-转化以夜间非均相氧化反应为主,NO_x向NO₃^-转化以非均相水解反应为主;④ 3次过程变化特征略有不同,过程Ⅰ呈现出明显的二次硝酸盐主导的特征,过程Ⅱ PM_2.5浓度上升过程中主要受燃煤排放影响,PM_2.5浓度高值时段主要受NO₃^-影响,过程Ⅲ总体仍为二次硝酸盐主导的特征,但部分污染时段化石燃料燃烧源排放有所增加;⑤二次硝酸盐、二次硫酸盐、机动车和燃煤源为研究期间主要污染来源,PM_2.5浓度与二次硝酸盐贡献率正相关,与扬尘源贡献率负相关.     

冬季PM2.5中无机水溶性离子与大气相对湿度的相关性

依托河北省灰霾污染防治重点实验室,对2019年11月26日—12月31日石家庄市大气PM_2.5中的NO₃^-和SO₄^2-进行连续在线观测,研究NO₃^-和SO₄^2-与环境空气相对湿度的相关性,解析冬季发生PM_2.5重污染天气的RH阈值.观测期间,RH为10%~60%时,NO₃^-的浓度与RH呈显著正相关,为PM_2.5中浓度最高的无机水溶性离子.RH超过70%后,NO₃^-与RH呈负相关,NO₃^-浓度和NOR开始下降.SO₄^2-浓度与RH在整个湿度区间均呈正相关.RH低于50%时,SO₂向SO₄^2-的转化以气相反应为主.RH高于50%以后,颗粒物达到潮解点,SO₂的主要反应转入液相,转化速率加快,SO₂液相反应贡献逐渐增加至64.6%.RH超过70%后,SO₄^2-成为PM_2.5中浓度最高的无机水溶性离子.RH超过PM_2.5潮解点以后,NO₃^-和SO₄^2-大量合成,推高PM_2.5环境浓度,易于形成重污染天气.     

基于实测的船舶辅机大气污染物排放量估算

于2017年3月—2018年5月在广州市南沙港区选取不同吨位的5艘船舶进行登船实测,建立了基于燃油消耗的排放因子.结果表明,船舶辅机CO₂排放因子为(3085±439)~(3195±121) g·kg^-1,CO排放因子为(5.50±1.33)~(26.10±8.90) g·kg^-1,TVOC排放因子为(0.29±0.02)~(1.68±0.06) g·kg^-1,PM_2.5排放因子为(0.56±0.09)~(12.50±3.11) g·kg^-1,NO_x排放因子为(19.20±4.12)~(83.30±11.80) g·kg^-1,基于燃油消耗量,估算2017年广州港船舶停泊工况辅助发动机SO₂、CO、TVOC、PM_2.5和NO_x排放总量分别为736、(794±209)、(46.40±2.39)、(223.0±49.4)和(3237±698) t.船舶引擎功率对排放CO、TVOC和PM_2.5影响显著,引擎功率较低的船舶以上3种大气污染物排放因子更高.从吨位而言,≥10000总吨的船舶对SO₂、CO、TVOC和NO_x 4种大气污染物的排放分担率均超过50%,≤2999总吨的船舶则对PM_2.5的排放分担率最高.从船舶类型而言,分担率最高的是集装箱船,分别占SO₂、CO、TVOC、PM_2.5和NO_x排放总量的43.8%、30.8%、41.4%、16.3%和40.9%,此外,散货船、其他货船、顶推拖船和油船对排放量的分担率也较高,以上5种船舶占到了各类大气污染物排放总量的90%.     

伊犁河谷夏季PM2.5和PM10中水溶性无机离子浓度特征和形成机制

区域尺度大气颗粒物的同步观测与分析是制定大气污染防治策略的重要途径.为研究伊犁河谷城市群大气颗粒物和水溶性无机离子的空间分布特征,于2021年7月19~29日期间同步采集伊宁市和周边三县大气颗粒物样品,深入分析了PM_2.5和PM₁₀中9种水溶性无机离子（WSIIs）的空间分布特征、存在形式和影响因素,并对二次无机颗粒物的形成机制进行了探讨.结果表明,夏季伊犁河谷城市群ρ（PM_2.5）和ρ（PM₁₀）均值分别为（23±3）μg ·m^-3和（59±7）μg ·m^-3,伊宁市受本地工业源和移动源排放影响,导致其PM_2.5浓度在区域中最高;伊宁县受扬尘源和地形影响,使其PM₁₀浓度在区域中最高;而霍城县的良好扩散条件使其PM_2.5和PM₁₀浓度最低.PM_2.5和PM₁₀中WSIIs占比分别介于28.2%~29.9%和16.0%~20.2%之间.4种主要离子（SO₄^2-、NO₃^-、NH₄⁺和Ca²⁺）占到WSIIs的90%左右,在PM_2.5中浓度大小排序为：SO₄^2->Ca²⁺>NH₄⁺>NO₃^-,在PM₁₀中浓度大小排序为：SO₄^2->Ca²⁺>NO₃^->NH₄⁺;相关性研究结果显示4个城市SO₄^2-浓度相近主要是由区域输送所致,而Ca²⁺在PM_2.5和PM₁₀中占比高于国内大部分城市反映出伊犁河谷核心区城市受扬尘源的影响较大.PM_2.5和PM₁₀中n（NO₃^-）/n（SO₄^2-）分别为0.78和0.76,表明伊犁河谷受固定源影响大于移动源;4个城市n（NO₃^-）/n（SO₄^2-）的大小排序为：伊宁市>霍城县>伊宁县>察县,与各城市机动车保有量大小一致,反映出伊宁市受机动车等移动源的影响高于周边三县.二次组分主要以（NH₄）₂SO₄、NH₄HSO₄和NH₄NO₃的形式存在,各城市NH₄⁺与SO₄^2-反应后均有盈余,盈余的铵盐在伊宁市主要以NH₄NO₃存在,与伊宁市较高的NO₂浓度有关.夏季PM_2.5和PM₁₀中NOR变化幅度分别为0.03~0.10和0.03~0.16,受夏季高温影响导致NO₃^-二次转化较弱;SOR分别介于0.21~0.41和0.23~0.44之间,察县相对较高的湿度使其SOR较高,而霍城县受区域输送影响使其SOR高于伊宁市.形成机制表明：察县和伊宁市的SO₄^2-主要由非均相反应生成,伊宁县主要由均相反应产生,而霍城县SO₄^2-的形成机制较为复杂,受到均相反应和非均相反应的共同影响.     

兰溪市PM2.5中水溶性离子的组成特征及季节变化

为探索浙江省中部地区大气细颗粒物（PM_2.5）中水溶性离子的组成特征及其季节变化,采集了兰溪市市区和近郊两个站点2016年4个季节的PM_2.5样品,利用双通道离子色谱对水溶性无机离子（Cl^-、NO₃^-、SO₄^2-、Na⁺、NH₄⁺、K⁺、Ca²⁺、Mg²⁺）进行了定量分析.结果表明,兰溪PM_2.5中离子总浓度存在明显的冬季高、夏季低的季节变化趋势,年均值为21.19 μg·m^-3,约占PM_2.5质量的45%;SO₄^2-、NO₃^-和NH₄⁺是水溶性离子中最主要的组分,年均浓度分别为8.11、5.92、3.87 μg·m^-3.Cl^-和NO₃^-浓度的季节变化最为显著,冬/夏浓度比接近10,其半挥发特性是导致兰溪PM_2.5中离子组成呈现季节变化的重要原因.兰溪PM_2.5中NO₃^-/SO₄^2-比值的冬季平均值为1.18,说明流动源对兰溪PM_2.5有很大贡献;夏季（以及春、秋季）时NO₃^-/SO₄^2-比值较低,且与PM_2.5浓度呈负相关,与矿物尘结合的硝酸根离子的较大贡献可能是导致夏季PM_2.5浓度较低时NO₃^-/SO₄^2-比值较高的主要原因.阴阳离子平衡、相关性及主成分分析（PCA）结果表明,矿物尘对兰溪市PM_2.5的酸度及离子赋存状态有较大影响;冬季及春、秋季兰溪的PM_2.5具有一定的酸性;NO₃^-和SO₄^2-主要与NH₄⁺结合,但部分可能与钙等其他组分结合;Cl^-和K⁺主要来源于生物质燃烧,但K⁺的年均浓度仅为0.31 μg·m^-3,说明生物质燃烧对兰溪PM_2.5的贡献不大.     

超低排放改造后燃煤电厂常规大气污染物排放特征

基于海口电厂"超低排放"燃煤机组在线监测数据和实测结果，研究颗粒物、SO₂、NO_x排放特征，分析颗粒物粒径分布和化学成分谱.结果显示，"超低排放"机组颗粒物、SO₂、NO_x排放浓度均值分别为（1.57±0.81）、（15.15±6.23）和（40.10±3.63）mg·m^-3，均满足超低排放限值要求.TSP、PM₁₀、PM_2.5、PM₁、SO₂、NO_x的排放因子均值分别为0.0099、0.0098、0.0092、0.0065、0.1131、0.2882 kg·t^-1，排放因子集中在很窄的区间内，呈正态或偏正态分布，与未进行超低改造研究结果比较，排放因子减小了1~2个数量级.颗粒物数浓度分布呈双峰分布，数浓度峰值粒径为0.027 μm和0.641 μm；质量浓度呈单峰分布，峰值粒径为1.100 μm.PM₁₀、PM_2.5、PM₁的成分谱差异很小，其主要化学组分为SO₄^2-、Ca、NH₄⁺、NO₃^-、OC，在PM₁₀中质量占比分别为29.41%±0.94%、12.09%±1.95%、9.49%±2.35%、6.96%±0.49%、4.93%±0.57%；在PM_2.5中质量占比分别为29.18%±1.58%、12.72%±1.77%、9.21%±2.01%、5.31%±0.13%、4.33%±0.72%；在PM₁中质量占比分别为29.04%±3.15%、17.99%±3.61%、8.42%±1.50%、4.445±0.08%、5.075±0.07%.     

贡嘎山大气气溶胶中水溶性无机离子的观测与分析研究

2005年12月～2006年11月在贡嘎山东坡海拔1 640　m处,利用大流量滤膜采样器对大气中的气溶胶粒子进行了分级采样,并用离子色谱(IC)分析了气溶胶中水溶性无机成分的含量.结果表明,PM_2.5和PM₁₀中总水溶性无机离子年平均浓度分别为6.46和8.86 μg/m³,其中主要的3种离子SO^2-₄、NO^-₃和NH⁺₄,占PM_2.5和PM₁₀中总水溶性无机离子浓度的82%和85%.Na⁺、 NH⁺₄、 K⁺、Cl^-和SO^2-₄主要分布在细粒子中,NO^-₃、Mg²⁺和Ca²⁺在粗细粒子中各占一半.雨季Na⁺与Cl^-相关性明显增强,PM_2.5和PM₁₀中Na⁺与Cl^-的相关系数R²分别为0.87和0.84. PM₁₀中SO^2-₄与NH⁺₄的量浓度比值接近1∶2,表明SO^2-₄与NH⁺₄主要以(NH₄)₂SO₄形式存在.     

2022年北京市城区PM2.5水溶性离子含量及其变化特征

为探究北京市大气细颗粒物（PM_2.5）水溶性离子含量及其变化特征,有针对性地提出污染防治方案,对2022年全年PM_2.5水溶性离子、气态前体物（SO₂、NO₂）和气象因素（温度、RH）进行分析测定.结果表明,北京市城区PM_2.5中占比最高的水溶性离子为NO₃^-、NH₄⁺和SO₄^2-,占PM_2.5的52.7%,ρ（PM_2.5）（33.2 μg·m^-3）和ρ（SNA）（18.9 μg·m^-3）低于历史研究结果,但SNA占比（52.7%）、SOR（0.45）和NOR（0.15）高于历史研究结果,体现出北京市细颗粒物污染得到明显改善,但仍具有较强的二次污染特征.NO₃^-/SO₄^2-为2.2,高于历史及附近省市研究结果,反映出移动源的影响不断扩大.从季节变化上看,PM_2.5呈现秋高夏低的变化特征,秋、春、冬这3个季节NO₃^-的占比最高,夏季SO₄^2-占比最高,而NH₄⁺在各季节占比变化不大.NOR与SOR的季节变化规律几乎相反,反映出二者的转化形成因素存在差异.北京城区SNA的主要存在形式为NH₄NO₃和（NH₄）₂SO₄,其中冬季阴阳离子中和度最高,夏季阳离子NH₄⁺稍显不足,而春秋两季NH₄⁺处于过量状态,北京城区为富氨环境.从污染级别看,水溶性离子质量浓度均随污染加重有不同程度的增长,增长最快的是SNA,其在PM_2.5中占比出现先上升后稳定的变化特征.从空间分布特征来看,中心城区和东南西北部郊区的SNA质量浓度大小均为：NO₃^->SO₄^2->NH₄⁺,体现了以NO₃^-为主导的污染特征;SNA对PM_2.5的贡献率最高的区域发生在东部、中心城区和传输点,表明在中心城区和东部地区二次反应相对活跃,同时区域传输也是二次离子的重要来源.     

长三角区域非道路移动机械排放清单及预测

基于长三角典型城市非道路移动机械实地调查成果,结合长三角各城市非道路移动机械相关指标现状及变化趋势,建立了长三角三省一市非道路移动机械大气污染源排放清单,并开展了2005~2025年区域非道路移动机械保有量、燃油消费量及污染物排放量预测.2014年长三角非道路移动机械总量约为8.23×106台,柴油消费量约9.95×106t,SO_2、NO_x、CO、VOCs、PM10和PM_(2.5)排放分别为5.5×10~3、4.9×10~5、7.6×10~5、1.1×10~5、2.9×10~4和2.7×10~4t,农用机械占长三角机械总量的93%,CO和VOCs排放贡献分别为88%和77%;建筑及市政工程机械的NO_x和PM_(2.5)排放贡献较为突出,分别占49%和35%.长三角中部和北部城市机械排放贡献相对突出.2005~2014年间,长三角地区非道路移动机械保有量、油耗及排放增幅均相对较快,预计到2020和2025年,区域非道路移动机械总量增速明显放缓,柴油消费量分别比2014年增加2%和8%.到2020年,SO_2、NO_x、CO、VOCs、PM10和PM_(2.5)排放分别比2014年下降97%、10%、3%、10%、11%和11%;到2025年分别下降97%、16%、3%、15%、21%和21%.预计未来长三角区域非道路移动机械排放将呈现逐年下降趋势,但相比机动车降幅仍相对较小,其排放贡献将日益突出,加快老旧机械淘汰并进一步提升机械排放标准对削减非道路移动机械排放总量具有十分重要的意义.     

北京市燃煤源排放控制措施的污染物减排效益评估

为分析北京市燃煤源排放控制措施的污染物减排效益,基于MEIC（中国多尺度排放清单模型）,采用情景分析法,评估了北京市电厂能源清洁化与末端治理、燃煤锅炉改造和城区平房区居民采暖改造等措施的污染物减排效益.结果表明,相对于无控情景,2013年北京市电厂能源清洁化与末端治理减少PM_2.5、PM₁₀、SO₂和NO_x排放量为1.28×104、2.10×104、5.13×104和4.98×104 t,分别占无控情景的85%、86%、87%、74%;北京市燃煤锅炉改造减少PM_2.5、PM₁₀、SO₂、NO_x排放量为1.09×104、2.68×104、11.64×104和5.81×104 t,分别占无煤改气情景的83%、89%、83%、83%;北京市老旧平房区的居民采暖改造减少PM_2.5、PM₁₀、SO₂和NO_x排放量分别为630、870、2 070和790 t,均占无煤改电情景的8%.研究显示,北京市从1998年开始采取的各种减排措施有效地减少了污染物的排放,对北京市空气质量改善具有重要意义.      

基于本地污染源调查的杭州市大气污染物排放清单研究

基于实地调查数据并辅以统计数据,采用物料衡算法和排放因子法,估算了杭州市2015年大气污染物排放清单,并选取经纬度坐标、路网、航道、土地类型和人口等数据作为权重因子,研究了该地区各类排放源污染物排放空间分布特征.结果表明,杭州市2015年SO_2、NO_x、CO、VOCs、PM_(10)、PM_(2.5)和NH_3年排放总量分别为22.20×10~3、108.17×10~3、192.10×10~3、134.94×10~3、78.12×10~3、27.65×10~3和59.75×10~3t.工业源是杭州市SO_2排放的主要来源,移动源对NO_x和CO的排放贡献最为显著,扬尘源是杭州市PM_(10)和PM_(2.5)排放的最主要来源,其次为工业源;VOCs排放的主要来源依次为工业源、天然源和移动源;NH_3排放主要来自农业源.从空间分布来看,排放主要集中在中心城区及其周边的萧山、下沙、大江东、余杭和富阳等工业企业相对密集的区域.本研究建立的排放清单在污染源覆盖范围和排放因子方面仍然存在一定的不确定性,建议在后续研究中重点开展低、小、散企业及本地化排放因子调查研究工作,进一步提升大气污染物排放清单的准确度.     

基于达标约束的南京市环境空气质量情景模拟

以2030年南京市6项污染物达标为约束,在2015年大气污染物排放清单基础上,利用CMAQ模型分析了PM_(2.5)对南京本地不同前体物排放的敏感性,通过情景分析预测排放清单,模拟了4种减排情景的空气质量变化,最终获得达标约束下大气污染物总量控制指标.模拟结果显示,减少一次颗粒物PPM (primary particulate matter)排放对降低大气中的PM_(2.5)浓度最为有效;在周边地区减排的基础上,本地减少PPM排放对PM_(2.5)年均浓度下降的相对贡献可达88%,其次为NH_3、NOx、SO_2与VOCs减排,其相对贡献分别为10. 3%、5. 5%、3. 2%与0. 5%;相比2015年,4种情景下南京市主要大气污染物减排比例在22%～53%,未来控制活动水平对减排SO_2、NH_3与CO较有效,而NOx和VOCs末端治理方面还有较大空间;将SO_2、NOx、PM10、PM_(2.5)、BC、OC、CO、VOCs及NH_3的排放量分别控制在2. 43×104、8. 47×10~4、9. 42×10~4、3. 74×10~4、0. 19×10~4、0. 30×10~4、26. 56×10~4、13. 08×10~4及1. 50×10~4t以内时,预计南京市6项污染指标可以达到国家环境空气质量二级标准.     

两种模式下中国未来发电行业发展情景及其环境效益分析

为了研究“双碳”目标模式下我国发电行业发展前景及带来的环境效益,建立了饱和“S”状灰色模型计算了按照旧有发电模式——非“双碳”模式下2021～2060年发电行业装机容量和发电量,并基于“中国2030年能源电力发展规划研究及2060年展望报告”计算获得了“双碳”模式下2021～2060年发电行业装机容量和发电量,对比研究了两种模式下中国未来发电行业的发展情景.通过物料衡算法和火电行业排放绩效构建了CO₂、 SO₂、 NO_x、 PM、 PM₁₀和PM_2.5的排放因子以及减排因子,定义了用于衡量污染物减排量的4种环境效益A₁～A₄.结果表明,在“双碳”模式下,火电机组将于2026年实现碳达峰,之后年均降低0.28亿kW,同时要求可再生能源发电机组于2020年后年均增加1.54亿kW以实现碳中和.与非“双碳”模式相比,“双碳”模式下火力发电装机容量将大幅度减少,可再生能源发电装机容量将大量增加,由此产生巨大的环境效益A₁...     

基于LEAP模型的京津冀地区钢铁行业中长期减排潜力分析

京津冀地区是我国钢铁行业集中布局的地区,也是大气污染最突出的地区.分析京津冀地区钢铁行业各类治污工具的中长期减排影响,对于选择最优减排措施、加快推动该地区大气污染治理意义重大.构建基于LEAP模型的京津冀地区钢铁行业模型,以2015年为基准年,以每5 a为一个时间节点,结合规模减排、结构减排、技术减排、末端治理4种减排措施,模拟计算了4种单一政策情景及4种组合政策情景下2015-2030年京津冀地区钢铁行业主要污染物（SO₂、NO_x、PM₁₀、PM_2.5、CO₂）排放量及相应的减排影响.结果表明:在单一政策情景下,规模减排情景对5种污染物减排效果均十分显著.在组合政策情景下,4种减排措施叠加的综合减排情景效果最好,在该情景下京津冀地区钢铁行业到2030年SO₂、NO_x、PM₁₀、PM_2.5、CO₂排放量将分别削减27.73×104、17.85×104、42.94×104、27.35×104、23.15×107 t;在规模-末端治理情景下,除CO₂外其余污染物减排效果仅次于综合减排情景;规模-结构减排情景对PM₁₀和PM_2.5的减排效果相对明显;规模-技术减排情景对CO₂、SO₂、NO_x的减排效果相对明显.研究显示,京津冀地区钢铁行业需要在大力淘汰落后过剩产能、缩减产量等源头治理措施的基础上,持续加强末端治理、提高废钢比例、提升节能减排技术水平等协同治理能力,以提高治污减排效果.      

长沙市人为源大气污染物排放清单及特征研究

根据收集的长沙市人为源活动水平数据,建立了该地区2014年1 km×1 km人为源大气污染物排放清单.结果显示,2014年长沙市SO_2、NO_x、CO、PM_(10)、PM_(2.5)、BC、OC、VOCs和NH_3排放总量分别为53.5×10~3、78.3×10~3、284.6×10~3、102.3×10~3、42.1×10~3、4.0×10~3、7.2×10~3、64.2×10~3、27.1×10~3t.化石燃料固定燃烧源为最大的SO_2排放贡献源,道路移动源是主要的NO_x贡献源,CO排放主要来自化石燃料固定燃烧源和道路移动源,长沙市VOCs的最大贡献源是溶剂使用源,PM_(10)、PM_(2.5)最主要的排放源是扬尘源,BC最大的排放贡献源为化石燃料固定燃烧源,生物质燃烧源是最大的OC贡献源,NH_3排放主要来源于畜禽养殖和农业施肥.空间分布结果显示,长沙市NH_3的排放在宁乡县、望城区、长沙县、浏阳市分布较多,主要呈现片状分布.其他污染物排放高值区则主要分布在中心城区、工业区及道路分布区域.     

我国钢铁工业一次颗粒物排放量估算

针对我国钢铁工业生产工艺以及颗粒物控制技术的分类,建立了一个细化到排放节点的自下而上的颗粒物排放模型.结合我国钢铁工业各地区活动水平以及颗粒物控制技术分布的历史变化趋势分析,利用此模型计算了2006—2012年我国钢铁工业一次颗粒物的排放系数和排放量.模型计算结果显示,2006年以来,我国钢铁工业颗粒物控制水平不断提高,PM_(2.5)、PM_(2.5)~10和PM10的排放系数分别降低了21.2%、19.3%和19.0%.钢铁工业一次颗粒物排放量在2006—2011年间持续增长,2011年TSP排放量为602×104t,PM10排放量为200×104t,PM_(2.5)排放量为124×104t;2012年排放量出现下降,TSP排放量为561×104t,PM10排放量为187×104t,PM_(2.5)排放量为116×104t.2012年我国钢铁工业一次PM_(2.5)排放量中的有组织排放占39.5%,无组织排放占60.5%;除加严有组织源管控之外,减少颗粒物无组织排放,对于钢铁工业颗粒物排放控制也非常重要.我国钢铁工业颗粒物排放量分布不均衡,河北、山东、江苏、辽宁、山西5个省的排放超过全国总排放的50%.     

兰州盆地人为源大气污染物网格化排放清单及其空间分布特征

基于所搜集的兰州盆地各类人为污染源排放大气污染物的活动水平数据及其排放因子,采用"自下而上"的方法建立了2009年兰州盆地(石油化工城市)1 km×1 km的7种(类)大气污染物网格化排放清单,并对其来源和空间分布特征进行了分析研究.结果显示:2009年兰州盆地NOx、SO_2、VOCs、CO、PM_(10)、PM_(2.5)和NH3的排放总量分别为1.2×10~5、8.8×10~4、4.3×10~4、4.1×10~5、9.6×10~4、4.2×10~4和1.4×10~4t;工业燃烧排放是兰州盆地NO_x和SO_2的主要贡献源,分别占其总排放量的85.70%和52.55%;工业非燃烧过程排放是VOCs的最大贡献源,占总排放量的81.25%;工业点源和工业非燃烧过程排放是CO的两大贡献源,分别占其总排放量的33.97%和28.32%;PM_(10)和PM_(2.5)主要来源于工业非燃烧过程,贡献分别为51.09%和55.12%;氮肥使用和禽畜养殖是NH_3排放最大的贡献源,分别占其总排放量的39.20%和30.70%.空间分布特征表现为:以工业源为主要排放源的NO_x、SO_2、VOCs、CO、PM_(10)、PM_(2.5)主要分布在工业和人口最为集中的兰州盆地市区一带,NH_3的排放则主要集中在榆中县和皋兰县交界的农村地区.同时,还对2014年工业燃烧源和道路移动源的7种(类)大气污染物排放量进行了估算,并与2009年进行了排放比较研究.结果表明,2014年工业污染源的7种(类)污染物排放量与2009年相比平均增幅不高,最高不超过30%,但移动源污染物排放量却大幅增加,增幅将近1倍.此外,基于排放因子及活动水平的不确定性,本研究对排放清单的结果进行了不确定性分析,并通过蒙特卡罗模拟对各污染物的排放量进行了评估.本排放清单的建立,不仅填补了兰州盆地大气污染物网格化排放清单的空白,还可为兰州盆地大气污染物排放清单更新、区域环境过程、大气复合污染成因及大气污染预警技术等相关研究提供基本方法手段及基础数据.     

海峡西岸经济区大气污染物排放清单的初步估算

以2009年为基准年,结合污染源普查数据、统计年鉴及工业活动、居民生活等多个方面对海峡西岸经济区包括SO2、NOx、PM2.5、VOCs和NH3在内的大气污染物的排放量进行了估算,建立了海西区大气污染物排放清单.结果发现,上述5类污染物基准年的排放量分别为40.67×104、55.84×104、50.57×104、152.26×104和26.18×104t.其中,SO2、NOx及PM2.5的排放主要来自电厂,占排放总量的比例分别为25.58%、34.89%和38.75%;VOCs和NH3的主要排放源分别来自植被排放和养殖业,其贡献量分别为49.12%和47.07%.采用GIS对排放清单进行网格化处理,得出SO2、NOx及PM2.5的高排放强度区域与固定源的空间分布较为一致.此外,结合国家和地方"十二五"发展规划,采用情景分析方法估算了2015年海西区大气污染物的排放清单.与基准年相比,SO2、NOx和NH3的排放量呈下降趋势,PM2.5和VOCs的排放量呈大幅度增加.基准年排放清单的不确定性分析显示,VOCs排放估算的不确定度最大,为225%.