熔融制样XRF法测定海洋沉积物中10种主量元素的条件优化

采用四硼酸锂-偏硼酸锂混合熔剂（67∶33）,硝酸锂为氧化剂,溴化锂为脱模剂,熔融制作样片,利用X射线荧光光谱仪,用土壤、水系沉积物和海洋沉积物等标准物质拟合校准曲线,系统研究了熔剂、稀释比、脱模剂、熔融温度与时间对测定结果的影响,并分析了产生这些影响的机理,优化改进了X射线荧光光谱(XRF)法同时测定海洋沉积物中主量组分(Na₂O、MgO、Al₂O₃、SiO₂、P₂O₅、K₂O、CaO、Fe₂O₃、MnO、Ti₂O)的分析方法。结果表明,当样品与混合熔剂在熔融稀释比例为1∶10的条件下混合均匀,在700 ℃预氧化200 s,升温至1050 ℃熔融10 min,实验优化获得高质量的熔片,较大的稀释比与未知烧失量（loss on ignition,缩写为LOI）校正结合,无需对样品烧失量进行校正,简化了分析步骤。对海洋沉积物标准物质GBW07314进行精密度考察,各组分含量的相对标准偏差(RSD)为0.32%～2.05%,方法检出限为70～270 μg/g。对海洋沉积物、水系沉积物、岩石矿物和土壤4类标准样品进行准确度考察,测定值与标准推荐值无显著性差异。表明方法准确可靠,能满足地质与地理类海洋沉积物、水系沉积物、岩石矿物和土壤等样品准确定量分析。     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

基于MGWR模型的中国城市PM2.5影响因素空间异质性

基于全国297个地级市2018年PM_2.5浓度数据、自然与社会经济数据,采用多尺度地理加权回归（MGWR）模型分析了各影响因素对PM_2.5浓度的作用尺度与影响效果的空间异质性.结果表明,MGWR模型适用于中国地级市PM_2.5浓度影响因素研究.在作用尺度上,人均GDP、技术支持水平作用尺度最大,其次是相对湿度、居民地比重、人口密度与风速,降水量、第二产业比重、植被覆盖状况、温度与能源消费强度作用尺度最为局限.在影响效果上,相对湿度、人口密度与居民地比重全部为正向作用;第二产业比重和能源消费强度主要为正向作用,分别占总样本的70.71%与64.98%;风速、温度既存在正向作用也存在负向作用,空间上呈两极分化,其中正向作用分别占总样本的49.83%与57.91%;降水量、植被覆盖状况主要为负向作用,分别占总样本的91.58%与69.70%;人均GDP、技术支持水平全部为负向作用.研究结果表明各因素对于中国城市PM_2.5浓度的影响均存在着不同程度的空间异质性.     

哈尔滨市臭氧时空分布特征及气象要素的关系

利用2015~2018年哈尔滨市臭氧（O₃）监测数据，与其他典型城市进行对比，详细分析了哈尔滨市O₃的时间和空间分布特征，及其与气象要素的关系。结果表明：哈尔滨市2015~2018年O₃污染程度比北上广及长春，沈阳，大连等城市轻；哈尔滨市O₃污染具有明显的季节特征，春夏季O₃超标率大于秋冬季；月变化趋势呈现倒“U”型，O₃高值集中在5~7月；日变化为单峰分布，在13：00~15：00时浓度维持在全天高值； O₃浓度表现为“周末效应”，工作日O₃浓度略高于周末；空间分布特征表明：哈尔滨市外围郊区O₃浓度普遍高于内围市区；在O₃污染高发的5~7月，太阳辐射强度在800~1200W/m²、气温越高、风速越大和相对湿度越小，O₃超标率越高。     

基于阶段式时序注意力网络的PM2.5鲁棒预测

PM_2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM_2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM_2.5的相关性分析,提出阶段式时序注意力网络模型（staged temporal-attention network,STAN）,该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM_2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1）对比广泛使用的单一类模型支持向量机（support vector machine,SVM）、长短期时序记忆方法（long short-term memory,LSTM）和多层感知机（multilayer perceptron,MLP）,STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络（U-net）,STAN领先了7%的优势。2）以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM_2.5变化规律并抑制噪声数据,且STAN模型可以进行PM_2.5浓度的鲁棒预测。     

非均相活化剂磁性纳米CoFe2O4的制备及其活性评价

采用溶胶-凝胶法制备了磁性纳米铁酸钴（CoFe₂O₄）固体颗粒，并采用扫描电镜（SEM），X射线衍射仪（XRD），傅里叶变换红外光谱仪（FT-IR）和振动样品磁强计对样品进行表征分析.以磁性纳米CoFe₂O₄颗粒活化过硫酸盐氧化去除水中四环素为探针反应，评价CoFe₂O₄颗粒的活化性能.结果表明，600℃焙烧温度下制备出的固体颗粒，其活性较高，颗粒表面金属离子浸出率较低；优化温度下制备的CoFe₂O₄颗粒在较宽的pH值范围（4.4~9.0）内均具有较高活性；控制实验条件PDS₀ 1g/L，CoFe₂O₄ 1g/L，TCH₀ 50mg/L，20℃，pH₀ 4.4，反应4h后TCH去除率达到82.0%.CoFe₂O₄颗粒循环重复利用10次后仍保持较高的活性和结构稳定性，而且因其特殊的磁性能便于回收利用.     

利用膜进样质谱连续走航测定表层海水O2/Ar比值和pCO2

利用HIDEN公司HPR40溶解气体质谱分析仪,通过实验探索和实际应用,建立了连续走航高频率同时测定海水中O₂、Ar和CO₂等多种气体的分析方法。通过选择硅树脂膜的循环水取样器、进样流量为220 mL/min、进样平衡温度低于海水2℃等实验条件,建立了船载连续走航系统,实现了利用膜进样质谱仪（MIMS）连续走航测定表层海水O₂/Ar比值和pCO₂。所用仪器稳定性良好,连续测定12 h大气鼓泡48 h后的海水样品获得O₂、Ar和CO₂的精密度分别为1.57%、3.75%和2.21%,O₂/Ar的精密度为2.61%;该方法的重复性好,10 d内绘制7条CO₂工作曲线斜率的相对标准偏差RSD=4.18%。应用该方法在南海北部陆坡19.8°N～20.8°N,114.7°E～115°E断面进行调查并取得了很好的效果,结果表明:该调查断面的生物氧过饱和量Δ（O₂/Ar）为0.56%±1.02%,其变化范围为-2.52%至3.34%,调查断面的pCO₂值为361.53±40.46μatm。该方法具有直接、快速、高时空分辨率测定多种溶解气体的优点,为认识多组分气体的高分辨时空分布格局,深入开展我国陆架边缘海生物过饱和氧、海洋群落净生产力和pCO₂动力学研究提供了新方法。     

近周边电厂源对北京市采暖期间SO2的贡献分析

应用中尺度气象模式(MM5)与区域多尺度空气质量模型(CAMx)的耦合模型系统,模拟研究了2005年采暖期间近北京地区电厂源排放对北京市空气质量的影响;采用SO₂贡献来源识别技术筛选了对北京市空气质量影响大的区域电厂源. 结果表明:近北京地区电厂源对北京市ρ(SO₂)的影响从南到北呈递减趋势,其对北京城区、北京全市ρ(SO₂)月均贡献值分别为6.97和6.40 μg/m3;影响北京城区ρ(SO₂)的电厂排放源主要来自张家口、唐山、天津、石家庄、廊坊和衡水等地区,占ρ(SO₂) 总贡献值的83.2%;为缓解北京采暖期间SO₂污染压力,应首先控制和削减张家口、天津、唐山、石家庄地区SO₂排放量大的电厂源.      

基于TLSER关系预测POPs在PUF与空气中的分配系数

为开发一种简洁高效预测K_PA值的方法,本文收集了包含多氯联苯（PCBs）、苯类（Benzenes）、多环芳香烃（PAHs）和杀虫剂（Pesticides）等,共95种污染物在聚氨酯泡沫塑料（PUF）与空气中分配系数（K_PA）的实验值,基于理论线性溶解能关系（TLSER）,运用逐步多元线性回归（MLR）构建了预测K_PA值的模型.结果表明,模型的决定系数R_adj²为0.901,外部验证系数Q_ext²为0.748.TLSER模型有较好的拟合度、稳健性和预测能力,可以预测应用域内POPs在PUF和空气之间的分配系数.     

基于PM2.5站点监测数据的京津冀AOD补值研究

以京津冀2020年318个地面监测站点的PM_2.5数据为估算因子,构建了时空线性混合效应模型(STLME)和时空嵌套线性混合效应模型(STNLME),为AOD数据的补值研究提供了一种新方法.结果表明:在有AOD-PM_2.5匹配数据的日期,上述两个模型估算精度相近,交叉验证后决定系数R²分别为0.868和0.874,均方根误差RMSE分别为0.112和0.109;在无AOD-PM_2.5匹配数据的日期,嵌套模型估算精度明显高于非嵌套模型,交叉验证后决定系数R²分别为0.63和0.26.经过模型补值后,研究区监测站点所在网格AOD数据空间维有效比率从原始数据的44.35%提高到99.35%,时间维有效比率从87.94%提高到100%;同时,每个站点的年均AOD值都有明显提高,弥补了高PM_2.5浓度条件下缺失的AOD数据,可以减少空气污染和健康研究中暴露评估的偏差.     

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.      

海洋多孔介质中微塑料和富勒烯的共迁移

采用海水和天然海砂，模拟构建了一维柱状的海洋多孔介质体系，研究了粒径1μm的聚苯乙烯微塑料（PS）与富勒烯（C₆₀）在海水饱和砂柱中的共迁移行为.结果发现：单体系下，15mg/L PS的穿透率（M_eff）和最大穿透浓度（MEC）可分别达到36.8%和0.42；而15mg/L的C₆₀团聚明显，其M_eff和MEC值仅分别为16.8%和0.22.当15mg/L PS与15mg/L C₆₀ 1：1共存时，PS能与部分C₆₀形成稳定共团聚体，促进C₆₀迁移；但反之C₆₀却抑制了PS迁移.如果将双体系下PS的浓度由15mg/L增至45mg/L，PS对C₆₀的迁移促进则转变为迁移抑制，这主要源于PS-C₆₀共团聚体体积的增大和数量的增加.     

混合嗜酸菌浸出污泥中重金属机制判定方法

为判断混合菌种的生物沥浸机制,采用添加沥浸混合菌种+作用底物（硫酸亚铁铵、硫粉）、只添加作用底物和仅加硫酸3组实验,估算直接氧化作用（F₁₁）,化学氧化作用（F₁₂）和酸性浸出作用（F₁₃）的贡献率,从而获得混合菌种的重金属浸出机制.针对某污水处理厂剩余污泥的生物沥滤实验结果表明,Cu的浸出过程中F₁₁、F₁₂、F₁₃贡献率分别为92.55%、7.45%、0%,说明混合菌种作用下Cu的浸出机制主要为直接机制;Zn的沥浸作用中F₁₁、F₁₂、F₁₃贡献率分别为18.86%、44.35%、36.79%,判定Zn在混合菌种的作用下为间接机制.该法可在实际环境条件下判定重金属的生物沥浸机制,对相关研究和实际应用提供理论依据.     

不同含水率污泥和小麦秸秆混合热解制备富氢合成气

为拓展活性污泥资源化利用方向,在固定床反应器中研究了不同含水率污泥与小麦秸秆的共热解。将不同含水率的污泥和秸秆在600~900 ℃范围内混合热解,研究了热解温度、污泥含水率和秸秆添加量对气体组成的影响。当污泥含水率一定时,随着反应器温度的升高,H₂和CO的含量逐渐增加。在相同温度下,随着污泥含水率的增加,H₂的含量呈现先增加后减少的趋势,而CO含量呈逐渐下降趋势。当污泥含水率为60%时,H₂的含量达到最大值。当热解温度为800 ℃时,制备富氢合成气的最佳比例为40%的秸秆与含水率为60%的污泥混合热解。     

基于贝叶斯公式的地下水污染源识别

将贝叶斯公式与地下水二维水质对流-扩散方程相耦合,建立依靠监测井监测值的地下水污染源参数（污染源强度M、排放位置（X₀,Y₀）和排放时刻T₀）反演模型.针对监测井监测值信息量不充分或者监测值与模型参数关联性较弱的问题,提出了一种基于贝叶斯公式与信息熵的监测井优化设计方法.构建一个污染物在承压含水层中瞬时排放的算例,在确定单井监测及监测次数条件下,以监测井位置D及监测频率Dt的优化为目标,分别进行模型参数后验分布信息熵最小的单目标监测方案优化,以及信息熵最小且监测耗时最短的多目标监测方案优化.依据优化后的监测方案采用延迟拒绝自适应Metropolis算法进行污染源参数反演识别.算例研究表明：在预设定单井监测,且监测次数为5次条件下,单目标优化后的监测方案为D=（830.2,199.8）,△t=2.7,在此监测方案下,4个污染源参数M,X₀,Y₀,T₀的反演均值误差分别为19.5%、13.2%、3.4%、1.3%;多目标优化后的监测方案为D=（807.9,199.4）,△t=1.2,在此监测方案下,4个污染源参数M,X₀,Y₀,T₀的反演均值误差分别为19.9%、13.4%、3.7%、4.2%.与基于单目标优化的监测方案的反演结果相比,基于多目标优化的监测方案条件下,污染源参数的反演均值误差虽分别增加了0.4%、0.2%、0.3%、2.9%,但监测时间却显著缩短了55.6%.     

安徽省PM2.5浓度反演方法对比及时空变化研究

为探讨安徽省PM_2.5时空分布特征,文章基于2015-2020年地基观测PM_2.5、AOD、植被覆盖产品以及气象要素数据等,对比了多尺度地理加权回归、随机森林、全连接神经网络3种模型的精确度,并采用全连接神经网络模型反演了PM_2.5浓度,分析了PM_2.5浓度的时空变化特征,以及各因子对PM_2.5浓度的影响力。结果表明：3种模型中,全连接神经网络模型的精确度最高;2015-2020年PM_2.5浓度从平均51.29μg/m³递减至36.71μg/m³,季节尺度上,PM_2.5浓度冬季>春、秋季>夏季,受政策及疫情影响,2018年的秋冬季、2020年的春夏季PM_2.5浓度下降同比最快;空间上表现为皖北>皖中>皖南。10个影响因子两两交互,均比单一因子对PM_2.5浓度的影响大,其中AOD对PM_2.5的影响力最大,...     

曝气诱导内波破坏水库水温分层的机理

采用自行设计的分层水库物理模型,在温度梯度分别为0.18~0.60℃/cm条件下,分析了曝气诱导内波破坏模型水库有限水体水温分层的过程,探究了跃温层下潜速度与内波特征参数的关系,揭示了内波破坏水温分层的机理.实验结果表明:分层水体完全混合之前,曝气诱导的内波一直存在于跃温层内部;内波波幅在跃温层中部较大、边缘较小.破坏分层期间,跃温层从初始位置逐渐下潜至底部时,下潜速度从0.24m/s逐渐减小到0.08m/s,但内波持续时间、周期、波幅分别约逐渐变大100%、200%和33%;同等条件下,跃温层下潜速度随着温度梯度的增加而减小;内波在模型水库有限分层水体横向传播过程中,并未发生破碎现象,内波主要依靠流体质点垂向的上下移动促使水体混合,与海洋等开放水体中内波破碎导致水体混合的传统机理不同.     

基于多通道长短期记忆网络的PM2.5小时浓度预报

PM_2.5作为主要的大气污染物之一,严重影响空气质量和人体健康. 基于深度学习的PM_2.5小时预报研究中,不同输入要素的历史时间序列对PM_2.5预报结果的响应情况存在差异. 因此,基于太原市2019—2020年空气质量监测站、气象观测站的数据,提出一种多通道长短期记忆网络(Multi-Channels Long Short Term Memory,MULTI-LSTM)模型对PM_2.5浓度进行预报. 首先使用独立的长短期记忆网络(LSTM)学习每个输入要素,然后将每个模型的学习结果进行融合,最终获得未来多小时的PM_2.5浓度预报结果. 将单通道LSTM模型(BASE-LSTM)和LSTM扩展模型(LSTME)作为对照模型,与MULTI-LSTM模型的预报精度进行对比. 结果表明:不同观测窗与预报时效下,MULTI-LSTM模型在测试集上的预报精度明显高于其他2个对照模型. 其中,MULTI-LSTM模型在8 h观测窗和6 h预报时效组合下,均方根误差(RMSE)、平均绝对百分误差(MAPE)以及拟合指数(IA)分别为20.26 μg/m3、51%、0.91. 对未来逐6 h的预报中,观测窗宽度从8 h增至32 h,MULTI-LSTM模型的预报精度无明显变化,观测窗宽度为40和48 h时,RMSE比8 h观测窗下分别下降了2%和3%. 此外,增加LSTM层深度不会提升模型的预报精度. 研究显示,利用MULTI-LSTM模型作为PM_2.5浓度小时预报模型,通过选取合适的观测窗宽度与气象要素,可获得精度较高的预报结果.      

合肥市区大气能见度与PM10浓度及相对湿度的关系分析

分析了合肥市区能见度与PM₁₀、湿度之间的关系.使用积分浊度仪与PM₁₀传感器比较,验证PM₁₀传感器数据准确性.两台相同型号的PM₁₀传感器同步测量,相对误差小于5%,保证测量数据稳定可靠.依据米散射理论推导出能见度是不同尺度颗粒物质量浓度乘以常数之和的反比函数,但是由于测量难度,实验时无法使用这个函数.因此通过数值模拟和数据拟合,确定了能见度是PM₁₀质量浓度的幂函数.根据湿度修正表达式对高湿度时拟合结果进行修正,并使用实验数据对修正结果进行验证.大气湿度小于60%RH时,使用PM₁₀质量浓度拟合得到能见度值与实测值变化趋势一致,相对误差范围为-5%～8%.当大气湿度值高于60%RH时,拟合能见度值与实测值相对误差超过50%,且高于实测值,湿度越大拟合值偏差越大.使用湿度修正公式对拟合值修正,修正值与实测值的相对误差绝对值小于10%.利用不同时间的测量数据对拟合公式验证,也获得了一致的结果,证明湿度修正公式对PM₁₀质量浓度拟合能...     

重庆缙云山针阔混交林地土壤呼吸速率及温度敏感性特征分析

以重庆缙云山亚热带针阔混交林为研究区,研究了土壤呼吸及其Q₁₀(温度敏感性系数,指温度增加10℃所造成的呼吸速率改变的商)的时间变异特征,并深入分析二者受土壤温度、湿度变化的影响. 2011年4—12月采用LI-8100二氧化碳通量测量系统观测选取样地的R_S (土壤呼吸速率)、土壤5cm深处的T₅(土壤温度)和W₅(土壤湿度),分析R_S与Q₁₀的变化规律;同时利用单一和二元混合模型探讨T₅和W₅对R_S、Q₁₀的影响. 结果表明:①在观测期内R_S和T₅月均值均呈单峰曲线变化;R_S的变化范围在(1.38±0.15)~(3.94±0.21)μmol/(m2·s)之间,T₅的变化范围在(9.28±0.65)～(22.99±1.14)℃之间;由于受到自然降水影响,W₅的月际变化不规律. ②Q₁₀季节差异明显,最大值(3.31)出现在春季,观测期内的平均值为2.01. ③R_S与T₅之间呈显著正相关(P<0.05),与W₅的关系不明显(P>0.05);R_S与T₅、W₅的关系模型拟合度分别为87%和26%;T₅与W₅的复合模型对R_S的变化解释能力为89%,高于单一模型. ④影响Q₁₀的主要因素是T₅,其次为W₅.