低碳城市的CO2与PM2.5减排协同效应分析

将基于卫星遥感数据的CO₂与PM_2.5纳入统一研究框架,运用多期双重差分等方法,在城市尺度上分析评估2007～2019年中国低碳城市政策对CO₂减排与PM_2.5污染控制的协同效应及其影响机制.研究发现:低碳城市CO₂与PM_2.5减排的协同效应十分显著,低碳政策使试点城市的CO₂排放量和大气PM_2.5浓度分别下降3.2%和0.74%,且结论在一系列稳健性检验后依然成立.机制分析表明,改善公共交通环境是低碳城市建设实现协同效应的最主要途径.低碳城市政策的协同效应存在地区差异,经济发展水平高、产业结构水平高的城市以及非资源型城市的协同效应更为显著.对此,应充分发挥协同效应,进一步加快低碳城市建设,实现CO₂和PM_2.5等大气污染物协同治理.     

流化床O2/CO2气氛下添加SiO2对燃煤PM2.5的控制

采用小型流化床研究了在O2/CO2气氛下添加SiO2对PM2.5(空气动力学直径小于2.5 μm的颗粒物)的控制,试验在1123 K、O2/CO2气氛下进行,并采用荷电低压撞击器(ELPI)采集和分析燃烧后的PM2.5.结果表明,添加SiO2是燃烧过程中影响PM2.5生成的重要因素.添加SiO2后,生成PM1的质量浓度均降低,而PM1-2.5的质量浓度均略有增加;PM2.5质量粒径分布均呈双峰分布,峰值分别出现在0.2 μm和2.0μm左右.随着SiO2添加量的增加,PM2.5中的S、K、Na、Cu和Pb元素的含量呈减少的趋势;随着颗粒粒径减小,S、K、Na、Cu和Pb元素的含量有增高的趋势.     

中国PM2.5管理策略研究

文章通过对PM2.5的基本组成、来源与影响因素的分析,构建中国PM2.5全过程管理体系,建立、完善PM2.5削减和控制长效机制,进而实现中国PM2.5管理。     

珠三角区域环境PM2.5细颗粒物污染特征分析

本文研究了珠三角区域细颗粒物污染的污染分布特征及长期变化趋势,结果表明,2010年珠三角地区细颗粒物污染比2006年有所改善;PM2.5/PM10比值时间序列分析表明,3个区域站PM2.5/PM10长期平均比值介于0.639和0.690之间。PM2.5/PM10比值月变化幅度较为明显,最低值0.620出现在7月份,最高值0.737出现在10月份。2010年北方强沙尘暴影响期间,PM2.5/PM10比值变小,比值约为0.354。万顷沙子站3次典型重污染过程中,PM2.5/PM10比值差异较大,介于0.586和0.708之间。     

上海市PM2.5和臭氧复合污染期多路径减排效果评估

为探究大气PM_2.5和臭氧(O₃)复合污染期间的污染物浓度削峰方案,以上海市2018年4月27—30日PM_2.5和O₃复合污染时段为研究对象,结合区域多尺度空气质量模型(CMAQ模型),建立上海市O₃日最大8小时滑动平均值(MDA8 O₃)以及PM_2.5浓度与人为源排放的NO_x和VOCs之间的响应关系,获得了EKMA (empirical kinetics modeling approach,经验动力学建模方法)曲线.在此基础上,探讨上海市MDA8 O₃和PM_2.5对前体物排放的敏感性,并进一步量化了本地减排、提前减排和区域减排等不同情景下PM_2.5和MDA8 O₃的浓度变化.结果表明：(1)上海市PM_2.5和O₃复合污染期间MDA8 O₃的峰值率(PR)为0....     

天津市春季道路降尘PM2.5和PM10中碳组分特征

为研究天津市春季道路降尘PM_2.5和PM₁₀中碳组分特征,丰富道路降尘的成分谱库,于2015年3月22日-5月23日在天津市主干道、次干道、支路、快速路和环线5种道路类型道路两侧采集道路降尘样品,通过再悬浮装置得到PM_2.5和PM₁₀的滤膜样品,并用热光碳分析仪测定PM_2.5和PM₁₀中OC（有机碳）和EC（元素碳）的百分含量,利用两相关样本非参数检验、OC/EC比值法以及相关分析法,定性分析天津市春季道路降尘PM_2.5和PM₁₀的碳组分的特征及其主要来源;利用因子分析法,进一步分析道路降尘PM_2.5和PM₁₀的主要来源.结果表明:道路降尘PM_2.5中w（OC）为10.27%（主干道）~13.94%（快速路）、w（EC）为1.24%（支路）~1.77%（环线）,PM₁₀中w（OC）为8.48%（主干道）~12.56%（快速路）、w（EC）为1.01%（次干道）~1.59%（快速路）,可见快速路中碳组分含量相对较高,这可能与其车流量较大,导致道路扬尘和机动车尾气排放量较大有关,也可能与其路面保养及保洁状况有关.对于大部分碳组分而言,其在PM_2.5中的百分含量均高于PM₁₀;除EC2,其他碳组分在PM_2.5和PM₁₀间均无显著性差异.不同道路类型PM_2.5和PM₁₀中OC/EC的大小顺序基本相同,与其车质量变化趋势相反.道路降尘中PM_2.5中碳组分主要来源于道路扬尘、机动车尾气、生物质燃烧以及燃煤源的混合源,PM₁₀主要受道路扬尘、燃煤和柴油车尾气等污染源的影响.      

可再生能源发电对PM10和PM2.5减排的贡献核算

发展可再生能源发电是《大气污染防治行动计划》的一项重要措施,有助于推进PM₁₀和PM_2.5减排,改善空气质量。从生命周期来看,各类可再生能源发电的PM₁₀和PM_2.5排放系数均低于燃煤火电,各类可再生能源发电单位发电量的PM₁₀和PM_2.5减排因子由高到低依次为水电>并网风电>太阳能发电>生物质发电。通过生命周期评价计算可知,以可再生能源发电替代燃煤发电,PM₁₀和PM_2.5在2012年已经实现了较好的减排效果,减排量分别为37.87×10⁴和18.94×10⁴ t/a;未来仍将具有较大的减排潜力,2015年PM₁₀和PM_2.5可分别减排44.21×10⁴和22.10×10⁴ t/a,2020年PM₁₀和PM_2.5可分别减排65.41×10⁴和32.71×10⁴ t/a。     

重庆主城区大气PM10及PM2.5来源解析

为探讨重庆主城区4个季节大气PM₁₀和PM_2.5的主要来源,于2012年2—12月在重庆主城区的工业区、文教区和居住区5个环境监测点同步采集PM₁₀及PM_2.5样品,分析了无机元素、水溶性离子、有机碳和元素碳含量及其分布特征. 采集了重庆主城区土壤尘、建筑水泥尘、扬尘、移动源(包括机动车、施工机械及船舶)、工业源(包括固定燃烧源及工业工艺过程源)、生物质燃烧源及餐饮源等7类污染源,建立了重庆市本地化的污染源成分谱库. 利用CMB(化学质量平衡)受体模型及二重源解析技术分析了PM₁₀及PM_2.5的来源. 结果表明:重庆主城区大气中ρ(PM₁₀)及ρ(PM_2.5)的年均值分别为153.2和113.1 μg/m3,超过GB 3095—2012《环境空气质量标准》二级标准限值2倍以上. 大气PM₁₀的主要来源为扬尘、二次粒子和移动源(贡献率分别为23.9%、23.5%和23.4%),大气PM_2.5主要来源于二次粒子和移动源(贡献率分别为30.1%和27.9%).PM₁₀和PM_2.5的主要源类贡献率差别不大,表明研究区域内大气颗粒物污染控制应采取多源控制原则. 大气PM₁₀来源的季节性变化特征表现为春季和秋季主要以扬尘为主、夏季和冬季主要以二次粒子为主.      

宁波市环境空气中PM10和PM2.5来源解析

2010年在宁波3个环境受体点采集不同季节的PM10和PM2.5样品,同时采集颗粒物源类样品,分析它们的质量浓度及多种无机元素、水溶性离子和碳等组分的含量.采用OC/EC最小比值法确定了SOC(二次有机碳)对PM10和PM2.5的贡献,据此重新构建了受体化学成分谱.使用化学质量平衡模型对宁波市区的PM10和PM2.5来源进行了解析.结果表明:城市扬尘、煤烟尘、二次硫酸盐和机动车尾气尘是环境空气中PM10的主要来源,其分担率分别为23.0%、15.9%、13.3%和12.3%;对PM2.5有重要贡献的源类是城市扬尘、煤烟尘、二次硫酸盐、机动车尾气尘、二次硝酸盐和SOC,其分担率分别为19.9%、14.4%、16.9%、15.2%、9.78%和8.85%.      

西安市道路PM2.5 NO2 CO水平浓度分布特征

为获得西安市道路PM_2.5、NO₂和CO的水平浓度分布特征,选取小寨和秦岭环山路作为西安市城区道路和郊区道路的代表,采用水平分布的监测方法获得了每条道路距离道路边缘0、15和50 m处的ρ（PM_2.5）、ρ（NO₂）和ρ（CO）.结果表明:与秦岭环山路（下称秦岭）相比,城区观测点小寨的ρ（PM_2.5）、ρ（NO₂）和ρ（CO）分别为（88±50）（78.6±29.8）μg/m3和（1.5±0.3）mg/m3,均高于秦岭三者的质量浓度[分别为（55±23）（47.9±19.8）μg/m3和（1.4±0.1）mg/m3].在空间分布上,ρ（PM_2.5）、ρ（NO₂）、ρ（CO）水平梯度分布明显.与距离道路边缘0 m处相比,小寨ρ（PM_2.5）在距离道路边缘15和50 m处分别减少了6.48%、7.96%,秦岭减少了5.45%、9.09%;小寨ρ（NO₂）在15和50 m处分别减少了8.57%、14.29%,秦岭减少了15.45%、24.89%;在距离道路边缘50 m处小寨ρ（CO）减少了25.00%,而秦岭在距离道路边缘15和50 m处分别减少了25.00%、41.67%.研究显示,来自于机动车排放的PM_2.5、NO₂和CO在道路两侧有明显的距离效应,并且郊区观测点水平递减更明显.      

深圳市典型混合功能区PM2.5源解析研究

为精准识别深圳市典型商业、居住与工业混合功能区的PM_2.5污染来源,选取深圳市北部地区5个点位于2017年9月~2018年8月全年进行PM_2.5的样品采集和组分分析,利用优化的多元线性引擎模型（ME-2）对其主要来源及其时空变化特征进行探索.结果显示,研究区域研究时段的大气PM_2.5年均浓度为29.0μg/m³,解析出了SO₂二次转化（19.9%）、机动车（15.1%）、生物质燃烧（11.2%）等10种来源,其中SO₂二次转化、生物质燃烧、NO_x二次转化、VOCs二次转化、工业排放、老化海盐和远洋船舶源具有显著的区域传输特征,而机动车源、燃煤和扬尘具有本地源特征,受到局地排放的影响较大.重污染天气下机动车源、NO_x二次转化、工业排放及生物质燃烧源的增加最为显著,加强这些源的控制是此类混合功能区PM_2.5污染精细化防治的关键.     

武汉光谷空气PM10和PM2.5中的水溶性阴离子分析

2009年1月-2011年12月在武汉光谷商业区选取G、H两点,采集颗粒物样品,分析了PM10和PM2.5浓度,采用离子色谱测定了灰霾期间PM2.5中4种水溶性阴离子。结果表明:G点PM10和PM2.5年平均浓度分别超过《环境空气质量标准》(GB 3095-2012)二级浓度限值的1.48~1.73倍和1.94~2.4倍,H点分别超标1.16~1.4倍和1.26~1.86倍。灰霾期间PM2.5中主要水溶性阴离子为NO3-、SO42-、NO2-和Cl-,G点4种水溶性阴离子占PM2.5中总水溶性离子的比例分别是为20.29%、10.16%、9.51%和4.62%,H点为14.41%、30.12%、6.64%和3.83%。G点NOx-浓度约为SO42-浓度的3倍,而H点SO42-浓度约为NOx-浓度的1.5倍。G与H点NOx-和SO42-离子浓度的差异暗示两监测点的主要污染源不同,交通量和植被覆盖率可能是导致两点浓度差异的原因。。     

青岛环境空气PM10和PM2.5污染特征与来源比较

年分别在青岛设6个和2个采样点采集PM₁₀和PM_2.5样品,分析二者质量浓度及颗粒物中多种无机元素、水溶性离子和碳等组分的质量浓度,以研究PM₁₀及PM_2.5的污染特征. 采用CMB-iteration模型估算法,确定一次源类及二次源类对PM₁₀和PM_2.5的贡献,利用统计学方法比较PM₁₀和PM_2.5的污染源. 结果表明:青岛大气颗粒物质量浓度季节变化显著,表现为春、冬季高,夏、秋季低;Na、Mg、Al、Si、Ca和Fe元素主要富集在PM₁₀中,SO₄2-、NO₃-、EC和OC主要富集在PM_2.5中;城市扬尘、煤烟尘、建筑水泥尘及海盐粒子等粗粒子在PM₁₀中的分担率较PM_2.5中的高,分担率分别为28.7%、17.2%、7.16%及4.47%;二次硫酸盐、二次硝酸盐、机动车尾气尘及SOC(二次有机碳)等在PM_2.5中的分担率较PM₁₀中的高,分担率分别为19.3%、8.97%、13.7%及6.07%;由PM₁₀与PM_2.5化学组分的分歧系数可见,春、秋季PM₁₀和PM_2.5化学构成存在一定差异,而冬、夏季二者的化学构成相似.      

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

2015—2018年乌鲁木齐市PM2.5及PM10时空分布特征

乌鲁木齐市是“丝绸之路经济带”关键节点城市,为了解乌鲁木齐市2015—2018年空气污染状况,利用2015年1月1日—2018年12月23日乌鲁木齐市7个国控空气质量监测站的ρ（PM_2.5）、ρ（PM₁₀）监测数据,基于ArcGIS空间分析平台,分析乌鲁木齐市PM_2.5、PM₁₀的时空分布特征.结果表明:ρ（PM_2.5）从2015年（66.60 μg/m3）到2016年（76.93 μg/m3）呈上升趋势,在2016—2018年呈单一下降趋势;ρ（PM₁₀）从2015年（132.74 μg/m3）到2016年（125.93 μg/m3）呈下降趋势,在2016—2018年呈单一上升趋势.2015—2018年工业活动集中的乌鲁木齐市边缘各区的ρ（PM_2.5）、ρ（PM₁₀）平均值比城市中心（商业区、居民区）分别高11.28、7.17 μg/m3,说明工业集中地区的大气环境质量受污染影响明显.此外,2015—2018年乌鲁木齐市大气污染呈季节性和北高南低的区域性分布特征.气象因子分析表明,ρ（PM_2.5）、ρ（PM₁₀）均与相对湿度呈正相关,与降雨量、风速等气象因素呈负相关.2015—2018年,乌鲁木齐市大气中ρ（PM_2.5）/ρ（PM₁₀）呈先增后降的趋势,冬季以PM_2.5污染为主,其他季节以PM₁₀污染为主.研究显示,2015—2018年乌鲁木齐市空气污染状况变化与地形、气象条件、城市化建设均有一定的关系.      

北京市区春夏PM2.5和PM10浓度变化特征研究

通过对北京市2012年3月～6月PM2.5和PM10实时数据的整理和分析,结果表明,北京市区大气中细颗粒物PM2.5和可吸入颗粒物PM10浓度日变化趋势基本相同,PM2.5和PM10存在显著或极显著的正相关关系;3月～6月,PM2.5浓度随季节变化逐渐升高,PM10的浓度随季节变化先升高后减小;3月～6月PM2.5与PM10日平均浓度分别为62.77μg/m3和133.88μg/m3,分别为国家二级标准的83.69%和89.25%。     

银川市一次连续PM2.5重污染天气特征分析及长期预报方法研究

利用同期多源观测资料,对2020年1月银川市持续重污染天气过程中的气象条件、扩散特征及前期环流指数特征进行了综合分析。结果表明：2020年1月持续重污染天气过程是实行新标准以来仅次于2013年1月的PM_2.5超标的重污染天气,具有持续时间长、污染等级高的特点;2020年1月气温异常偏高、风速偏小、相对湿度偏大,天气系统稳定少动且持续时间长,是造成PM_2.5异常超标的主要原因之一;1月PM_2.5月浓度值同850 hPa东太平洋信风指数、北太平洋副高北界位置指数等前期环流特征因子具有较好的相关性,建立的银川市1月PM_2.5月浓度预测模型,可提前30 d作出预报且预报结果与实际一致,可为重污染天气预警工作提供参考。     

广州市区PM2.5的时间变化

PM2.5是指大气中直径小于或等于2.5微米的颗粒物,不仅能够造成灰霾天气,而且会对人体健康造成重大危害。本文以广州市环境监测中心站2009年的监测数据为基础,对广州市区PM2.5的时间变化和原因进行了分析,结果表明广州市区的PM2.5冬季较高,夏季较低,最高浓度出现在10月,最低浓度出现在7月。PM2.5浓度日变化呈现出明显的双峰形;PM2.5浓度的时间变化特征与气象因素和污染源排放密切相关。     

我国燃煤电厂PM2.5减排潜力预测与分析

为研究燃煤电厂在燃煤发电机组结构优化调整和不同末端控制措施条件下PM_2.5的排放情况,以2012年为基准年,设计了分阶段、分地区不断优化的控制情景(基准、适中、加严和最严情景),并依据《大气细颗粒物一次源排放清单编制技术指南(试行)》建立的减排潜力模型对2017年、2020年和2030年我国燃煤电厂PM_2.5减排潜力及空间分布进行预测分析. 结果表明:通过燃煤发电机组结构优化调整,2017年、2020年和2030年我国燃煤电厂PM_2.5排放量与调整前相比可分别减少3.62×104、8.52×104和24.43×104 t,但相对于基准年而言,PM_2.5排放量并未减少;进一步结合末端控制措施优化进行控制,PM_2.5最大减排潜力(相对于基准年而言)可分别达到59.42×104±7.83×104、82.83×104±5.82×104和81.89×104±6.76×104 t,最高减排比例分别达到66.5%±8.8%、92.8%±6.5%和91.6%±7.6%. 我国各省(市/区)燃煤电厂PM_2.5减排潜力与其煤耗量和采取的控制措施有关,燃煤量越大,控制措施越严格,则减排潜力越大. 京津冀、长三角和珠三角地区燃煤电厂在实现超低排放,即最严情景下2017年PM_2.5减排潜力分别为5.93×104、12.04×104和4.70×104 t;2017年、2020年和2030年这3个区域PM_2.5总减排潜力分别为22.68×104、22.36×104和22.07×104 t. 内蒙古、江苏、山东、广东、河北和山西等地在实施超低排放后,其PM_2.5减排潜力均超过4×104 t,并且在全国范围内实施超低排放可显著降低我国燃煤电厂PM_2.5排放量.      

临沂市PM2.5和PM10中元素分布特征及来源解析

为探究临沂市PM_2.5和PM₁₀中元素的污染特征及来源,于2016年12月至2017年10月对临沂市环境空气中PM_2.5和PM₁₀进行了同步采样.利用电感耦合等离子体质谱仪(ICP-MS)和电感耦合等离子体发射光谱仪(ICP-OES)测定了其中的23种元素,并采用富集因子法和PMF法分析其来源.结果表明,采样期间临沂市PM_2.5和PM₁₀中主要元素为Si、Ca、Al、Fe、K、Na和Mg,分别占所测元素的质量分数为92.93%和94.61%. 18种元素(除Ti、Ni、Mo、Cd和Mg)的浓度水平在冬春季最高,夏秋季最低.其中Si、Al、Ca、K和Na表现为春季浓度最高,主要分布在粗颗粒中;Cu、Zn、Pb和Sb表现为冬季浓度最高,主要分布在细颗粒中.富集因子结果表明Cd、Sb和Bi元素富集程度显著,主要受燃煤、工业生产、垃圾焚烧等人为源共同影响.PMF源解析结果表明,临沂市PM_2.5中元素来源主要有燃煤和铜冶炼的混合源、市政垃圾焚烧...