太原市城区PM2.5浓度时空分布特征研究

利用太原市2017年1月1日至2017年12月31日的PM2.5小时监测数据,通过与气溶胶光学厚度(AOD)以及土地利用数据相结合,建立PM2.5随机分析模型和季节线性回归模型,用于分析太原市城区近地面PM2.5时空分布特征.研究结果表明:PM2.5随机分析模型对太原市城区PM2.5时空分布预测具备较好的适用性,模型训...     

区域大气环境中PM2．5／PM10空间分布研究

提出了一种利用移动监测技术研究区域大气环境中PM2.5／PM10空间分布的方法,并在2004年12月进行了宁波市全市域PM2.5／PM10空间分布的研究。数据显示：相同路径所代表的地区PM2.5和PM10具有很好的相关性,多数路径上PM2.5与PM10数据的相关系数平方在0．95以上,而不同路径上PM2.5与PM10的比值不同。文中给出了宁波市PM2.5／PM10污染的空间分布图,直观地显示出PM2.5／PM10污染的空间分布情况,突出了污染的重点点位和地区。     

西安市及周边地区MODIS气溶胶光学厚度与PM10浓度关系模型研究

西安是空气污染监控和防治有代表性的西部大型城市。研究了西安市及周边地区上空气溶胶光学厚度与PM10浓度的关系模型。利用2011—2012年MODIS卫星气溶胶光学厚度（AOD）遥感产品,通过数据匹配,利用地面气象观测站点的能见度数据和相对湿度数据对AOD产品进行垂直标高订正和湿度订正,2项订正显著提高了AOD和地面PM10浓度的相关性,相关系数从0．36提高到0．65,按季节分类统计和订正春至冬四季的相关系数分别为0．57、0．71、0．62和0．87,夏季和冬季的订正更为有效,可用性更高,这可能由于受到不同季节气溶胶来源和特征的影响。为研究中国西部大型城市,特别是西安市空气环境监测和区域联防联控提供了一种有效方法。     

贵阳市冬季大气PM 2.5和PM 10浓度空间插值及分布研究

为了解贵阳市冬季大气污染现状,以贵阳市污染相对严重的白云区为研究对象,连续采集PM_(2.5)、PM_(10)浓度数据,利用普通克里金法进行空间插值获取PM_(2.5)、PM_(10)分布特征。通过留一法交叉验证,比较6种半变异函数模型(三角函数、高斯函数、球面函数、指数函数、J-Bessel函数和K-Bessel函数)的空间插值精度,选出最适的函数模型;采用分区统计和格网统计的方法,对不同土地利用类型、植被覆盖度下的PM_(2.5)、PM_(10)平均浓度进行比较分析。结果表明,三角函数是PM_(2.5)空间插值的最适模型,指数函数是PM_(10)空间插值的最适模型;贵阳市白云区冬季大气PM_(2.5)、PM_(10)浓度总体表现出城区浓度高,郊区浓度低的分布特征;土地利用类型和植被覆盖度对PM_(2.5)和PM_(10)浓度有着较强的影响。     

贵阳市白云区大气PM10和PM2.5污染特征

使用β射线法在线监测仪连续监测了贵阳市白云区 PM10和 PM2.5浓度,分析了2014年6月1 日-12月31日7个月内PM10、PM2.5 的浓度水平、时变规律和PM2.5/PM10的变化情况。结果表明,监测时段内 PM10和 PM2.5的日均浓度平均值分别为76.8 μg/m3和40.0 μg/m3,均达到国家二级标准;浓度超标的天数占总观测天数的5.1% 和 9.3%,属污染轻微的地区。PM2.5/PM10在25.3%~78.8%之间周期性波动,平均值为52.1%。PM10 和 PM2.5的浓度变化具有很好的正相关性(r=0.919 8,p10和PM2.5浓度最高且变化最为剧烈,6月最为平缓。PM10和PM2.5浓度小时变化总体上呈双峰型分布,最高值出现在出现在09:00-10:00和19:00-21:00前后,最低值出现在14:00-17:00 之间。     

潞城市大气PM10中化学元素分布特征

利用ICP-AES分析了潞城市采暖期和非采暖期4个不同功能区PM10样品中16种化学元素,对不同元素的时空分布特征进行了研究,并采用富集因子和主成分分析初步研究了潞城市PM10中元素的主要来源.结果表明,潞城市PM10中重金属污染较为严重,且各元素在采暖期的平均浓度均明显高于非采暖期.PM10中Ca、V、Cr、As、N...     

天津冬季PM2.5与PM10中有机碳、元素碳的污染特征

研究了天津冬季PM2.5和PM10中碳成分的污染特征.结果表明,天津冬季PM2.5和PM10的平均质量浓度分别为(124.4±60.9)、(224.6±131.2)μg/m3;总碳(TC)、有机碳(OC)与元素碳(EC)在PM2.5中的平均质量分数比在PM10中分别高出5.0%、3.6%、1.2%;PM2.5中OC、EC的相关系数较高,为0.95,表明OC、EC的来源相对简单,可能主要反应了燃煤和机动车尾气的贡献.OC/EC的平均值在PM2.5和PM10中分别为3.9、4.9.次生有机碳(SOC)在PM2.55和PM10中的平均质量浓度分别为14.9、23.4/μg/m3,分别占OC的48.5%(质量分数,下同)、49.8%,OC/EC较高可能主要与直接排放源有关;PM2.5中的OC1与OC2的比例明显高于PM10,而聚合碳(OPC)的比例又低于PM10,同时PM2.5与PM10中的EC1含量均较高,表明天津冬季燃煤取暖和机动车尾气是重要的污染源.     

南昌市地铁PM2.5时空分布及金属特征研究

为有效预防PM_2.5污染、深入了解南昌市地铁PM_2.5特征,选取不同背景区域的地铁站,探讨地铁PM_2.5分布规律及其中金属元素污染情况。结果表明:（1）车厢PM_2.5最高,其次是站外入口、站台,售票口最低。站台和售票口PM_2.5相关性较高（r=0.668,p=0.001）,可能有相近的来源。相对湿度对车厢内PM_2.5影响很大,而客流量变化与车厢内PM_2.5日均值变化趋势相关性不显著。（2）站台和车厢PM_2.5中Fe元素比其他采样区域高3.6～34.7倍,站外入口最低。Cr、As、Cd、Hg、Pb元素最大值均出现在车厢,其次是站外入口,最小值出现在售票口和站台。（3）车厢中各金属元素污染较重,Fe元素污染指数达11.17,为强污染,Cr、As、Hg、Pb元素为中度污染,Cd元素为轻污染。     

淮河中上游轮虫群落结构分析及水质评价

轮虫作为水体污染的指示生物之一,其数量和种群组成可以用来评价水体的水质情况;但是,目前淮河流域水质评价仍以常规的理化指标评价为主,缺乏利用轮虫评价河流水质方面的研究。2012年12月和2013年7月,对淮河中上游10个生态监测点进行现场调查,获取轮虫种类、密度及水体理化指标等;利用生物多样性指数和综合营养状态指数分析水体污染和营养化状况,并利用Canoco软件分析轮虫群落结构与环境因子的关系。结果表明：研究期间共获得轮虫46种,其中污染指示种36种;各生态监测点具有不同的优势种群;总磷（TP）、化学需氧量（COD）和总氮（TN）是轮虫群落结构的共同环境影响因子;总体上水质从冬季到夏季有恶化的趋势,营养化程度有增加的趋势。研究工作可为淮河生态环境评估以及与富营养化密切相关的其他污染问题研究提供基础资料和依据。     

监测数据反推下PM_(2.5)扩散模型及突发情况模拟

建立了PM2.5扩散模型和应急污染扩散评估方法。模型考虑了风向、风速、温度等影响,根据监测点位置和PM2.5浓度信息反推虚拟污染源位置及浓度信息;采用高斯扩散模型,得到稳定风向、风速、温度下的任意时间、接收点的PM2.5扩散衰减模型;突发情况下,用时间变量替换速度项,得到该地区时态变化的PM2.5变化规律。根据西北某城市PM2.5监测数据,建立了其四季PM2.5扩散衰减模型,并对其空气质量进行分级表征,同时对某监测点突发情况下PM2.5时空变化进行了预测评估。结果表明,该模型合理可行。     

北京市近12年空气污染变化特征及其与气象要素的相关性分析

以北京市近12年空气污染指数(API)为数据基础,首先分析了2001—2012年北京市API、污染等级、首要污染物的变化特征以及污染天数年度值、季度值、月值的变化特征;然后根据API转换得到PM10质量浓度,对其变化特征进行分析;最后采用相关系数法分析了北京市API、PM10质量浓度与气象因素的相关性。结果表明,北京市近12年空气污染天数有明显下降趋势,首要污染物主要为可吸入颗粒物;空气污染主要集中于春季,优良天气主要集中于夏季;PM10质量浓度年度最大值出现在2006年,季度最大、最小值分别出现在春、夏季,月值最大、最小值分别出现在3月和7月;气象因素与空气污染关系密切,气温、相对湿度、降雨量与污染天数和PM10质量浓度均呈显著负相关,而风速与污染天数和PM10质量浓度则呈显著正相关。     

Spatio-temporal characteristics of PM10 concentration across Malaysia

The recurrence of forest fires in Southeast Asia and associated biomass burning, has contributed markedly to the problem of trans-boundary haze and the long-range movement of pollutants in the region. Air pollutants, specifically particulate matter in the atmosphere, have received extensive attention, mainly because of their adverse effect on people's health. In this study, the spatial and temporal variability of the PM10 concentration across Malaysia was analyzed by means of the rotated principal component analysis. The results suggest that the variability of the PM10 concentration can be decomposed into four dominant modes, each characterizing different spatial and temporal variations. The first mode characterizes the southwest coastal region of the Malaysian Peninsular with the PM10 showing a peak concentration during the summer monsoon i.e. when the winds are predominantly southerlies or southwesterlies, and a minimal concentration during the winter monsoon. The second mode features the region of western Borneo with the PM10 exhibiting a concentration surge in August–September, which is likely to be the result of the northward shift of the Inter Tropical Convergence Zone (ITCZ) and the subsequent rapid arrival of the rainy season. The third mode delineates the northern region of the Malaysian Peninsular with strong bimodality in the PM10 concentration. Seasonally, this component exhibits two concentration maxima during the late winter and summer monsoons, as well as two minima during the inter-monsoon periods. The fourth dominant mode characterizes the northern Borneo region which exhibits weaker seasonality of the PM10 concentration. Generally, the seasonal fluctuation of the PM10 concentration is largely associated with the seasonal variation of rainfall in the country. However, in addition to this, the PM10 concentration also fluctuates markedly in two timescale bands i.e. 10–20 days quasi-biweekly (QBW) and 30–60 days lower frequency (LF) band of the intra-seasonal timescales. These intra-seasonal fluctuations show strong seasonality with the largest fraction of variance occurring during the boreal summer and the weakest variance during the winter. Generally, the LF intra-seasonal oscillation is stronger compared to the QBW intra-seasonal band.     

长三角城市群典型区土壤重金属时空变异及源解析

为科学合理服务区域生态环境保护,以长三角城市群某市表层土壤为主要研究对象,基于1∶250 000和1∶50 000土壤地球化学调查工作,测定土壤8 项典型重金属含量,运用土壤环境地球化学等级划分方法评价土壤重金属超标程度,运用地统计学方法剖析重金属的时空变异特征,并运用相关性分析、聚类分析和主成分分析解析重金属来源。结果表明：1∶250 000和1∶50 000土壤地球化学调查工作取得的两期重金属中,除As外的7项重金属含量均值都超过了江苏省和全国土壤背景值,说明土壤普遍存在重金属污染;相较1∶250 000调查,1∶50 000调查中除Cd外的重金属含量变异系数均明显增加,两期含量值变化幅度较大、连续性较差,一方面由于调查尺度增大致使具体差异更加明显,另一方面由于人类活动对局部土壤影响作用较大。土壤环境地球化学等级划分方法评价结果表明,两期土壤重金属均表现出不同程度的污染,尤以Cd和Hg污染为主,表明土壤存在明显的点源污染局部聚集现象。分析两期重金属元素含量的时空变异,经过多年,土壤中重金属累积严重,形成以Cd、Cu和Hg为代表的污染聚集。源解析表明,土壤中As、Cr和Ni主要来源于成土母质叠加少量农业活动,Cd、Cu、Hg主要受人为工业活动的影响,Pb和Zn受交通运输为主叠加少量工业活动的影响。     

太湖流域小型水源性湖泊氮、磷时空分布及营养状态评价

2009年11月至2010年10月,对太湖流域小型水源性湖泊20个采样点水体的TN、TP、NO3--N、NH4+-N、NO2--N以及PO43-等水质因子进行测定分析,讨论了氮、磷时空分布特征,并评价其富营养化程度。结果表明,TN、TP年均值分别为1.50、0.05mg/L;TN、TP的季节性变化规律具有一定差异,TN浓度为冬、春季高于夏、秋季,而TP浓度为2009年11月至2010年3月高于其他月份。由于受入湖河流的影响,TN、TP的空间分布格局较为相似,均表现为西南部高于东北部、入湖口分别高于湖中心和出湖口。NO3--N年均值为0.68mg/L,浓度变化趋势呈双峰型(2010年3、9月为峰值),基本同TN的变化趋势一致,空间分布表现为入湖口分别低于湖中心和出湖口(除冬季外),显示水体硝化过程对硝酸盐的贡献。NH4+-N年均值为0.23mg/L,从2010年4月开始浓度逐渐升高,到2010年7月达到全年最高值,其浓度空间分布特征表现为入、出湖口均高于湖中心(除秋季外)。NO2--N和PO43-的年均值都较低,均为0.01mg/L(以P计),时空差异不明显。根据CARLSON提出的营养状态指数法计算分析可知,该湖泊冬、春季处于中营养状态,夏、秋季营养状态略高,且磷是全年初级生产力的限制因子。     

Understanding the External Pressure and Behavior of Commercial Banks’ Environmental Risk Management: An Empirical Study Undertaken in the Yangtze River Delta of China

The present study employed a quantitative survey to ascertain whether the external pressure of environmental risk management (ERM) on commercial banks was a contributing factor to their ERM behavior. Data was obtained using questionnaires from 204 branches of commercial banks located in the Yangtze River Delta of China. The relationship between external pressure and behavior was tested using a linear structural relations model through path analysis. The results revealed that external pressure of ERM was significantly and positively related to the behavior and that pressure from governmental regulations was the most important contributing factor in the passive feedback behavior and preventive behavior of commercial banks. The pressure from markets was the most important contributing factor in banks’ active participation behavior; the pressure from community and NGOs was the most important contributing factor in their enthusiastic behavior.