钢铁工业区周边农业土壤中多环芳烃(PAHs)残留及评价

对某大型矿业企业周边农业土壤中多环芳烃(PAHs)残留量进行了调查。结果表明,PAHs总残留量范围为312. 2~27 580. 9ng·g-1,且以4环以上多环芳烃组分为主。所有土样中均检出PAHs,单一污染物以芘、艹屈、荧蒽、苯并[a]芘、蒽、菲、苯并[a]蒽、苯并[k]荧蒽、茚并[1,2,3 cd]芘、苯并[g,h,i]苝为主。PAHs残留量与有机质含量相关性较好。不同样区土壤PAHs残留量受常年风向影响明显。以加拿大农业区域土壤PAHs的治理标准值为指标,用内梅罗综合指数法进行评价表明,研究区农业土壤达重污染水平的占37%,中度污染的占19%,轻污染的占25%,另有13%的采样点污染程度处于警戒限,仅有6%的采样点尚处于安全级。     

焦化厂污染土壤中18种PAHs分布特征及健康风险评估

为研究焦化厂土壤中多环芳烃(PAHs)的污染特征及其健康风险,以某焦化厂为目标,布设260个点位,根据各点位污染情况,采集不同深度的土壤样品共780件。通过分析样品中18种PAHs含量,探讨了不同判定标准下厂区土壤中PAHs总体污染程度以及不同功能区污染状况特征,同时根据HJ 25.3—2019《建设用地土壤污染风险评估技术导则》对厂区内18种PAHs进行健康风险评价。结果表明：(1)该焦化厂污染水平较高,且厂区污染在空间上表现出强烈非均质性。厂区内PAHs以2～3环为主,占比为58.82%,4～6环PAHs占比为41.48%。厂区内以苯并[a]芘为基准的6种主要风险PAHs的毒性当量浓度(TEQ_Bap)分布特征与总PAHs(∑₁₈PAHs)含量分布具有一致性。(2)不同功能区表层土壤PAHs含量均值从高到低依次为污水处理区>化产区>焦炉区>锅炉发电厂>煤炭储存区>办公区。不同功能区低环与中高环PAHs含量比值不同,表明各区域污染物来源存在差异。(3)厂区内主要健康风险来源于化合物的致癌风险,不同功能区的致癌风险...     

城市典型工业生产区及附近居住区土壤中PAHs污染特征

用气相色谱法对土壤中多环芳烃的质量分数进行了测定。根据对南京某炼焦厂、某炼钢厂、某芳烃厂、某炼油厂、某化肥厂和附近居住区土壤中 PAHs 的监测结果,首次报导了南京地区典型工业生产区(厂区)和附近居住区土壤中 PAHs 的污染特征。结果显示,炼焦厂厂区土壤中 PAHs 的质量分数最高,达到 17638.1 μg/kg,化肥厂最低,仅为 287.5 μg/kg,各行业土壤中 PAHs 的质量分数水平从高到低顺序为:炼焦厂>炼钢厂>芳烃厂>炼油厂>化肥厂。炼焦厂土壤中 PAHs 的特征因子主要是苯环数在 3~5 之间的芳烃化合物,特征因子质量分数之和占 PAHs 质量分数的百分率为 96.3%;炼钢厂土壤中 PAHs的特征因子主要是苯环数在 3~4 之间的芳烃化合物,特征因子质量分数之和占 PAHs 质量分数的百分率为 46.8%;炼油厂土壤中 PAHs 的特征因子主要是苯环数在 3~4 之间的芳烃化合物,特征因子质量分数之和占 PAHs 质量分数的百分率为 57.1%;芳烃厂土壤中 PAHs 的特征因子主要是苯环数在 3~4 之间的芳烃化合物,特征因子质量分数之和占 PAHs 质量分数的百分率为 52.2%;化肥厂土壤中 PAHs 的特征因子主要是苯环数为 2 的苊烯、苊,特征因子质量分数之和占 PAHs 质量分数的百分率为 24.6%。在本次调查的 5 种类型工业生产区土壤中 PAHs 污染的特     

不同焦化厂土壤中多环芳烃污染特征比较研究

为研究焦化生产对土壤多环芳烃(PAHs)污染规律,采集北京、重庆和太原地区3个焦化厂地块的土壤样品共1437个,采用气相色谱-质谱(GC-MS)法测定US EPA优先控制的16种PAHs质量含量.结果 表明,北京、重庆和太原地区3个焦化厂污染土壤中总多环芳烃(ΣPAHs)质量含量最大值分别为10647.2、39332....     

白腐真菌对土壤中多环芳烃(PAHs)降解的研究

研究白腐真菌对多环芳烃(PAHs)的降解,结果表明,温度、培养基、氧气浓度、水土比对PAHs的降解均有影响.温度为25℃、营养液为查氏培养基、通气量为60L·d-1、水土比为5∶1为最优水平组合.对降解不同时期各种因素的重要性及其最优水平的分析表明,各种影响因素在降解实验的不同阶段的影响程度不同,降解实验初期,培养基是最重要的影响因素,而氧气在整个实验中均为重要的影响因素.     

合山煤矸石堆周边土壤中多环芳烃的空间分布特征

选取广西合山的一座煤矸石堆,研究其周边土壤中多环芳烃(PAHs)的空间分布特征。沿西南、东北、东南3个方向,采集距煤矸石堆不同距离不同深度的土壤样品。结果表明:在该研究区域内16种优先控制PAHs均有检出,5~15、45~55和85~95 cm深度土壤PAHs总含量范围分别为1 152.0~11 146.4、241.8~4 867.7和116.4~2 666.0μg·kg-1,存在严重的生态风险;平面上,随距矸石堆距离由近及远,土壤中PAHs含量由大到小变化,垂向上,由浅到深,PAHs含量也呈递减变化,且沿程与垂向上的变化趋势都是先急后缓;土壤中PAHs含量的平面分布主要受控于风向和坡度,垂向分布受控于PAHs本身的水溶性和土壤性质;通过相关分析认为Nap、Phe、Fle、Bbf、Chr和Fla这6种化合物是研究区煤矸石堆周边土壤中PAHs的特征化合物类型,重环PAHs相较于轻环PAHs受除煤矸石堆以外的其他污染源的影响较小。     

中原油田周边土壤及玉米中PAHs的分布

多环芳烃(PAHs)具有低水溶性和憎水性,能强烈地分配到非水相中,吸附于颗粒物上,土壤便成为其主要的环境归宿之一.残留在土壤中的多环芳烃,不仅影响土壤的正常功能,降低土壤的环境质量,而且这类致癌和致突变的有机污染物进入农田生态系统后,在动植物体内逐渐富集,并通过食物链传递给人类,进而威胁人类的健康和生存.     

山西工矿区土壤二氧化硫与多环芳烃复合污染对小麦种子萌发和幼苗生长的影响

以小麦为供试植物,山西工矿区生黄土为供试土壤,进行了土壤中二氧化硫(SO2)与多环芳烃(PAHs)单一及复合污染对小麦种子萌发率及小麦幼苗株高、根伸长和地下生物量影响的研究,以期考察复合污染的生态毒性效应。结果表明,小麦种子萌发对SO2与PAHs单一及复合污染均不敏感;SO2和PAHs单一污染时,小麦幼苗的株高与根伸长均受到一定程度的影响,低浓度SO2或PAHs处理对小麦生长起促进作用,高浓度则为抑制作用;小麦幼苗株高与SO2浓度呈显著负相关(r=-0.954,P<0.05),但与PAHs浓度的相关性不显著;SO2与PAHs复合污染条件下,对小麦幼苗株高或根伸长的联合作用多体现为协同作用,在低浓度情况下(SO2<500mg·kg-1)表现为协同促进;当SO2达到500～1000mg·kg-1时,对小麦幼苗株高或根伸长的联合作用均体现为协同抑制。SO2和PAHs单一污染时,小麦幼苗地下生物量与SO2、PAHs浓度均为显著负相关(rPAHs=-0.953,rSO2=-0.916,P<0.05);复合污染条件下,在SO2浓度为10mg·kg-1时,对地下生物量的联合作用多体现协同促进作用;而在SO2浓度为1000mg·kg-1,PAHs为50～100mg·kg-1时,对地下生物量的联合作用均体现为协同抑制作用。多元逐步回归分析进一步表明,SO2与PAHs复合污染条件下,小麦幼苗株高、根伸长都受到了SO2及PAHs的共同影响,而SO2是影响小麦幼苗地下生物量的主要因素。     

典型农耕区黑土和沼泽土团聚体颗粒中重金属的分布特征解析

了解重金属在土壤中的富集特征是其风险评价和土壤修复的基础。分别以黑龙江省典型的农耕黑土和沼泽土为研究对象,采用干筛法获得〉4000、4000～2000、2000～1000、1000～250、250～53和〈53衄16个粒级的土壤团聚体颗粒组。利用等离子质谱（ICP-MS）测定了本土和各级团聚体颗粒中Cr、Cd、As和Pb的含量,并对其颗粒组分布特征及对有机碳的响应进行了解析。研究表明,2种土壤中的重金属Cr、Cd和Pb的富集因子均大于1,而As则存在明显的流失。除了黑土中的As和Pb外,其他重金属随着团聚体粒径的增加而呈现富集减弱的趋势。其中,cr和cd主要趋向分布在粉．黏团聚体（〈53wn）颗粒中;Pb在黑土中易赋存于1000～2000μm大团聚体中,在沼泽土中则富集于53～250μm的微团聚体中;As不但趋向被吸附在53～250μm的微团聚体中,而且在黑土中也容易被吸附在〉l000μm的大团聚体中。金属质量负载计算表明,大粒径颗粒组对土壤中重金属含量的总体贡献较大。土壤中有机碳含量均随着团聚体粒径减小而升高,cr和Cd分布与颗粒有机碳含量正相关,黑土中As的分布与颗粒中有机碳含量负相关而在沼泽土中呈弱正相关,Pb的分布则与有机碳含量均无明显的相关性。     

焦化厂污染场地表层土壤有机-矿质复合体中多环芳烃的分布

采用湿法物理分级方法将湖南省某焦化厂遗留场地表层土壤分成4种粒级的有机-矿质复合体组分,即粘粒(<2μm)、粉粒(2—20μm)、细砂(20—200μm)和粗砂(>200μm),并研究了美国EPA优先控制的16种多环芳烃(PAHs)在其中的分布特征及土壤不同有机-矿质复合体组分中有机质和矿物质组成的差异对PAHs赋存分布的影响.研究结果表明,不同粒级有机-矿质复合体中PAHs的含量顺序为粗砂>粉粒>细砂>粘粒,低环PAHs(环数≤3)在粘粒中的含量较高,达到56.3%,而高环PAHs(环数≥4)在粉粒、细砂和粗砂中的分布较高含量分别是79.37%、72.7%和71.63%,各粒级矿质复合体中PAHs含量与土壤有机碳有较好的相关性.通过对有机-矿质复合体进行X射线衍射分析发现,场地土壤粘粒和粉粒中粘土矿物含量较高,这也在一定程度上影响了污染物质在其中的分布.     

Occurrence of PCBs and PAHs in an urban soil of Madrid (Spain)

Polycyclic aromatic hydrocarbons (PAHs) and polychlorinated biphenyls (PCBs) were analysed in surface soil samples collected in 2001–2002 at an open urban area of Madrid. In order to obtain representative samples, three collection points at the site were chosen. The most abundant PAHs and PCBs were phenanthrene, fluorene, pyrene, chrysene and benzo[a]pyrene and hexa- and heptachlorinated PCBs, respectively. The sum of selected PAHs (13 compounds) and PCBs (15 congeners) averaged 1 and 0.1?µg?g^?1, respectively. PCB levels in winter were 2–10 times higher than summer ones, while seasonal variation for most of PAHs were not observed. Good correlations among all PCBs were found. Five PAHs were also well correlated.     

焦化厂污染土壤中多环芳烃降解菌的分离及降解特性

分别以芴(3环)、荧蒽(4环)和苯并[b]荧蒽(5环)为唯一碳源(1 mg/L),采用平板划线法对某焦化厂污染土壤中的多环芳烃降解菌进行分离.通过自制的呼吸器,研究所得多环芳烃降解菌对14C-菲(5μL/100 mL 40~60 mCi/mmol)的矿化情况;通过序批试验,以煤焦油为碳源(1μL/mL),研究这些菌对19种多环芳烃的降解情况.多次划分后,得到4种菌,经鉴定命名为博特氏菌L1、苍白杆菌L1、微杆菌L1和赤红球菌L1.经过3周的矿化实验,微杆菌L1可以将14C-菲全部矿化成14CO2,赤红球菌L1可将大约60%的14C-菲矿化成14CO2,而博德特氏菌L1和苍白杆菌L1对14C-菲无矿化作用.经过5周的降解实验,博德特氏菌L1对大多数多环芳烃表现了良好的降解作用,苍白杆菌L1和微杆菌L1对部分多环芳烃有降解作用,而赤红球菌L1培养系统中某些多环芳烃的浓度甚至有增大,这可能与其在代谢过程中产生表面活性物质有关.所得4种菌在焦化厂污染土壤的微生物修复中具有较大的应用潜力.图3表1参27     

大型钢铁厂及其周边土壤多环芳烃污染现状调查、评价与源解析

采用气相色谱-质谱联机方法(GC-MS)分析了东北某钢铁厂及周边居住区、风景区共11个采样点表层土壤样品16种多环芳烃(PAHs),结果表明,钢铁工业区16种PAHs(∑PAHs)浓度范围为3.39×103—1.54×105ng·g-1,平均浓度3.21×104ng·g-1;居住区∑PAHs浓度范围为587—6.70×103ng·g-1,平均浓度3.82×103ng·g-1;风景区千山∑PAHs浓度385 ng·g-1.∑PAHs和Bap浓度均呈工业区>居住区>风景区趋势.与国内外其他研究结果相比,该钢铁工业区及其周边居住区土壤PAHs污染相对较为严重,11个采样点中有9个采样点土壤∑PAHs为严重污染,4个采样点苯并(a)芘(Bap)浓度超过加拿大土壤质量基准.利用特征比值法(Diagnostic Rate)和主成分分析法(Principal component analysis,PCA)对钢铁工业区及其周边地区土壤进行了源解析,结果表明,钢铁工业区土壤中PAHs主要来源于焦炉、燃煤、柴油燃烧等污染源,周边地区土壤除受工业污染源排放影响外,机动车汽油、柴油污染排放也有重要影响.     

生物表面活性剂鼠李糖脂对水体中石油烃降解的促进作用

从被含油废水污染的土壤中筛选得到4株能利用柴油为唯一碳源生长的杆菌(X1,X2,X3和X4),经鉴定,这4株菌分别属于沙雷铁氏菌属(Serratiasp.)、不动菌属(Acinetobactersp.)、芽孢杆菌属(Bacillussp.)和氮单胞菌属(Azomonassp.).其中,菌株X4于32℃摇床培养28d后对柴油的降解率达62%,而在相同条件下,添加生物表面活性剂鼠李糖脂后柴油的降解率提高了26%.平板菌落计数结果表明,鼠李糖脂能促进菌的生长,生物量明显增多.对菌株降解反应的动力学研究进一步验证了鼠李糖脂对菌株X4降解石油烃的促进作用,添加了鼠李糖脂的样品组比对照组的半衰期缩短了近1倍.通过设计正交实验,本文研究了培养温度、培养时间、鼠李糖脂的添加量及石油烃的浓度等主要环境因子对水体中石油烃降解的影响.实验结果表明,影响水体中石油烃降解的主导因子是培养时间,其次是培养温度、石油烃的浓度和鼠李糖脂的添加量.图4表2参17     

Evaluating weather effects on interannual variation in net ecosystem productivity of a coastal temperate forest landscape: A model intercomparison

Forest productivity is strongly affected by seasonal weather patterns and by natural or anthropogenic disturbances. However weather effects on forest productivity are not currently represented in inventory-based models such as CBM-CFS3 used in national forest C accounting programs. To evaluate different approaches to modelling these effects, a model intercomparison was conducted among CBM-CFS3 and four process models (ecosys, CN-CLASS, Can-IBIS and 3PG) over a 2500 ha landscape in the Oyster River (OR) area of British Columbia, Canada. The process models used local weather data to simulate net primary productivity (NPP), net ecosystem productivity (NEP) and net biome productivity (NBP) from 1920 to 2005. Other inputs used by the process and inventory models were generated from soil, land cover and disturbance records. During a period of intense disturbance from 1928 to 1943, simulated NBP diverged considerably among the models. This divergence was attributed to differences among models in the sizes of detrital and humus C stocks in different soil layers to which a uniform set of soil C transformation coefficients was applied during disturbances. After the disturbance period, divergence in modelled NBP among models was much smaller, and attributed mainly to differences in simulated NPP caused by different approaches to modelling weather effects on productivity. In spite of these differences, age-detrended variation in annual NPP and NEP of closed canopy forest stands was negatively correlated with mean daily maximum air temperature during July-September (T_amax) in all process models (R² = 0.4-0.6), indicating that these correlations were robust. The negative correlation between T_amax and NEP was attributed to different processes in different models, which were tested by comparing CO₂ fluxes from these models with those measured by eddy covariance (EC) under contrasting air temperatures (T_a). The general agreement in sensitivity of annual NPP to T_amax among the process models led to the development of a generalized algorithm for weather effects on NPP of coastal temperate coniferous forests for use in inventory-based models such as CBM-CFS3: NPP′ = NPP − 57.1 (T_amax − 18.6), where NPP and NPP′ are the current and temperature-adjusted annual NPP estimates from the inventory-based model, 18.6 is the long-term mean daily maximum air temperature during July-September, and T_amax is the mean value for the current year. Our analysis indicated that the sensitivity of NPP to T_amax was nonlinear, so that this algorithm should not be extrapolated beyond the conditions of this study. However the process-based methodology to estimate weather effects on NPP and NEP developed in this study is widely applicable to other forest types and may be adopted for other inventory based forest carbon cycle models.