掺混聚甲氧基二甲醚对柴油机排放的影响

为研究聚甲氧基二甲醚（PODE）/柴油混合燃料对柴油机颗粒物（PM）粒径分布和各模态颗粒捕集效率的影响,将PODE按照体积百分比0%、10%、20%和30%与柴油混合,在不对柴油机做任何改动的情况下,进行排放测试,测量NO_x排放和DPF前后的颗粒粒径分布.结果表明：随着PODE掺混比提高,NO_x排放在10%~50%负荷工况下呈上升趋势,75%~100%负荷工况下呈先上升后下降的趋势;NO₂/NO_x随着PODE掺混比的提高呈上升趋势.PODE的添加可有效降低PM排放.与柴油相比,燃用PODE掺混比20%的混合燃料时,降低PM效果最好;100%负荷工况下,PM总数量浓度降低了18.93%,总体积浓度降低了31.27%.掺混PODE,使DPF对PM的捕集效果减弱,10%~50%负荷工况下较为明显,但捕集率依然可以达到95%以上.     

唐山市机动车排放清单与减排经济效益研究

基于唐山市机动车定期环保检测数据获取不同类型车辆的本地年均行驶里程,建立城区内典型车辆的"里程-注册年"特征曲线.采用车载排放测试法获取唐山市典型国Ⅵ阶段轻重型汽车实际道路排放因子.利用COPERT模型进行机动车排放因子本地化修正,建立涵盖不同排放阶段和燃料动力类型的唐山市机动车排放清单,结合唐山市路网信息,建立基于ArcGIS的3km×3km高时空分辨率网格化排放清单,并分析了国三及以下中重型柴油车（简称高排放车）不同淘汰与DPF排放治理比例情景下机动车减排与投入成本效益.研究表明,2020年机动车CO,HC,NOx,PM_2.5,PM₁₀年排放量分别为92403.51,10034.53,70568.35,2036.51,2160.65t,其中：NO_x,PM_2.5和PM₁₀排放主要来源于柴油车,分担率分别为92%,89%和89%;CO和HC排放主要来自汽油车,分担率分别为71%和73%.唐山市实施二环内国Ⅳ及以下柴油货车限行区政策后,二环内CO和HC年排放量削减率分别为22.41%和21.68%;而NO_x,PM₁₀和PM_2.5污染物排放强度显著降低,年排放量削减率分别为78.60%,84.85%和84.79%.在高排放车淘汰与治理情景下,随着高排放车淘汰比例的增长,投入成本和NO_x年均减排量呈线性上升趋势,且NOx减排效果更加显著,而PM减排辆略呈下降趋势.高排放车淘汰率每增长10%,NO_x年均减排量增加892.41t,PM年均减排量减少7.56t,年投入成本增加1.13亿元.     

新冠期间河北省典型钢铁企业大气污染影响

基于国家气象局气象预报数据,建立了基于AERMOD的钢铁企业污染预报模型,模拟了新冠疫情管控期（2020年2~3月）及解封后期（2020年4~10月）河北省某钢铁企业对大气污染的影响,并结合空气质量实测数据进行模型验证.结果显示,不利风向条件下,该钢铁厂大气污染物排放对当地3个国控站点SO₂、NO_x和PM₁₀的平均浓度贡献占比,在疫情管控期分别为20.19%~33.81%,17.49%~23.46%和2.02%~2.69%,在解封后期分别为13.43%~21.01%,11.09%~20.92%和1.20%~2.22%.由于疫情管控期受其他人为源干扰较少,该钢铁厂SO₂、NO_x和PM₁₀的预报值和三个国控站点实际监测值的相关系数,在新冠疫情管控期（在单个站点中,最高分别为0.43、0.48和0.29）高于解封后期（最高分别为0.42、0.39和0.07）.     

上海市典型交通环境空气污染特征

基于2018年上海市3种类型的交通环境空气监测站（路边站,港口站和机场站）的在线监测数据,探讨了3种交通站污染物的浓度水平和昼夜分布特征,比较分析了同期上海市环境空气污染物浓度,并揭示了工作日和非工作日对交通环境空气的影响.结果显示,上海市交通环境空气,尤其是港口环境空气中NO_x,NO₂和NO年小时平均浓度显著高于上海市年小时平均浓度;其中NO高出上海市年小时平均浓度比例最高,港口,路边和机场环境空气NO浓度分别为68,36和17μg/m³,分别高出上海市年小时平均浓度871%,414%和143%;交通环境空气中的O₃平均浓度范围为42~65μg/m³,均低于上海市平均浓度.NO_x,NO₂,NO,PM₁₀,PM_2.5,CO和BC（黑炭）昼夜浓度主要呈现双峰分布特征,且峰值出现时间与交通活动高峰时间较为吻合;O₃的峰值大多出现在13：00,且机场环境空气浓度中O₃浓度最高,峰值浓度为108μg/m³.非参数检验结果显示,上海市路边环境空气中SO₂,NO_x,NO₂,NO,PM₁₀,PM_2.5,O₃,CO和BC在周一~周日无明显差异（P>0.05）.     

秸秆露天焚烧典型大气污染物排放因子

利用烟气污染物稀释采样系统,基于实际测试,针对玉米、小麦、花生和棉花4种农作物秸秆开展露天焚烧排放大气污染物采集和分析.利用修正燃烧效率区分燃烧状态,根据碳平衡法计算烟气中颗粒物和气态污染物排放因子.结果表明,4种秸秆露天焚烧CO、SO₂、NO_x和CH₄平均排放因子分别在7.39~92.4g/kg、0.11~0.89g/kg、0.72~3.86g/kg和0.2~5.45g/kg之间,PM_2.5平均排放因子在1.48~13.29g/kg之间.OC和EC的质量分别占PM_2.5全部质量的27.7%~54.3%和4.4%~17.1%,是PM_2.5的主要组成成分.污染物排放主要来自混合燃烧状态,焖烧状态排放污染物浓度相对较高.随着含水率升高,焖烧过程增强显著,CO、CH₄、PM_2.5和OC的排放因子升高,其中PM_2.5排放量增高主要是由OC排放占比升高导致.     

考虑车辆类型变化的中国乘用车排放特征

通过引入Lotka-Volterra模型预测了中国未来30年的乘用车竞争趋势;通过引入CHG、VOC、CO、SO₂、PM_2.5、NO_x6类污染物更新了全生命周期清单;并据此建立了政策影响模型和敏感性模型评估电动化、轻量化和清洁化政策情景减排效果.结果表明,乘用车市场的主要竞争力来源于新能源与传统能源的竞争,且纯电动与混合动力乘用车呈S型曲线发展,汽油乘用车占比由92%减少到1%;全生命周期中,纯电动乘用车对CHG、VOC、CO减排效益最优,为20%~85%;汽油与天然气乘用车对SO₂和PM_2.5的减排效益最优,为50.0%;3类情景下税收补贴类政策敏感性最强,CHG、VOC和CO的最优减排情景为电气化情景,PM_2.5、NO_x的最优减排情景为清洁化情景,而SO₂的最优减排情景则为整车轻量化.     

基于空气质量模式和数学规划模型的城市PM2.5达标策略——以临汾为例

为了改善城市空气质量,降低PM_2.5浓度,需要制定科学的控制策略,同时兼顾污染物减排量与减排成本效益.本文基于区域大气环境模型RegAEMS与数学规划模型,采用多目标遗传算法,探究城市大气PM_2.5污染的最优控制策略,并应用于临汾市（14类行业源、17个区域源）的PM_2.5浓度达标规划,实现污染物排放量最大和减排成本最小的双目标优化.结果表明,在PM_2.5平均浓度近200 μg/m³的重污染天气条件下,为达到PM_2.5浓度目标（75μg/m³）,临汾市最大污染物允许排放量为356.7t/d,最小减排成本为3.36亿元.NO_x、SO₂、NH₃、VOCs和一次颗粒物的减排量分别为98.1,49.9,44.3,155.7和105.5t/d,减排成本分别为11.7,6.8,6.2,5.5和3.5千万元.对VOCs、NO_x、PM_2.5、NH₃和SO₂减排潜力最大的行业分别为焦化源、移动源、扬尘源、农业源和民用燃烧源,分别占所有行业5种污染物减排量的21.6%、14.1%、11%、8.6%和3.8%.钢铁行业的减排成本最高（39%）;襄汾县的减排量最大,减排成本最高（达7218万元）.     

“2+26”城市秋冬季大气污染治理措施效果评估

针对京津冀及周边"2+26"城市秋冬季不同大气污染治理措施的减排量进行核算,结果表明,2017~2018年秋冬季"2+26"城市SO₂,NO_x,VOCs,PM_2.5和PM₁₀的总减排量分别为43.26,20.63,18.36,28.00和47.31万t,2018~2019年秋冬季"2+26"城市SO₂,NO_x,VOCs,PM_2.5和PM₁₀的总减排量分别为16.68,18.11,11.03,17.04和25.33万t.基于此,采用CAMx模型对各项措施的减排效果进行模拟评估,采取措施后,2017~2018年秋冬季"2+26"城市SO₂,NO_x,PM_2.5和PM₁₀浓度的平均下降量（下降率）分别为22.69μg/m³（42.67%）,33.22μg/m³（37.81%）,24.28μg/m³（22.58%）和31.26μg/m³（18.67%）,2018~2019年秋冬季"2+26"城市SO₂,NO_x,PM_2.5和PM₁₀浓度的平均下降量（下降率）分别为9.36μg/m³（26.86%）,25.73μg/m³（30.62%）,16.38μg/m³（16.09%）和20.43μg/m³（12.33%）.2017~2018年秋冬季各项措施对PM_2.5浓度的平均减排效率排序依次为："散乱污"企业治理 > 交通运输结构调整 > 企业错峰生产 > 民用散煤替代 > 燃煤锅炉综合整治,2018~2019年秋冬季各项措施对PM_2.5浓度的平均减排效率排序依次为：重点行业升级改造 > 企业错峰生产 > "散乱污"企业治理 > 交通运输结构调整 > 民用散煤替代 > 燃煤锅炉综合整治.     

基于MODIS影像内蒙古草地火排放污染物动态研究

运用自主设计生物质燃烧系统,测定草本燃烧排放因子,基于MODIS火点数据,运用排放因子法对内蒙古区域2000~2017年草本燃烧排放污染物时空格局进行分析.结果表明,狼尾草、芦苇、拂子茅和狗尾草CO₂、CO、NO_x、C_xH_y、PM_2.5、TC、OC和EC排放因子范围为1402.6~1550.1,140.3~253.8,0.67~1.55,21.5~93.7,3.74~6.89,1.66~3.06,1.42~2.71和0.23~0.44g/kg;区域生物质密度时空分布不均匀,地上生物质密度总体呈东北向西南递减趋势.草地总燃烧生物量为8061.46kt,排放各污染物CO₂、CO、NO_x、C_xH_y、PM_2.5、TC、OC和EC总量分别为：11296.13,1609.79,10.80,408.96,44.50,20.06,17.23,2.83kt;共发生49374次草地火,火面积和火点密度从东北向西南逐渐递减,月变化呈双峰分布,主峰火点（3月）显著高于次峰（9月）.     

京津冀地区散煤燃烧大气污染物排放清单

为研究京津冀地区民用散煤燃烧大气污染物的排放情况，结合散煤燃烧活动水平与燃用特征，根据排放因子法自下而上建立了2018年京津冀地区民用散煤燃烧污染物排放清单，研究了污染物排放的时空分布特征并使用蒙特卡罗方法对排放清单进行了不确定性分析.结果表明：2018年京津冀地区民用散煤燃烧量共计3799.22万t，PM_2.5、CO、SO₂、NO_x的排放量分别为9.27，341.31，5.17，5.44万t.污染物排放集中在11月份~次年3月份，大多数地区呈现出相同的日排放趋势.8：00、11：00、18：00、21：00左右出现污染物排放峰值，小时排放系数平均值分别为11%，6%，7%，13%.PM_2.5排放高值区主要集中在北部、东部及部分南部地区，CO主要集中在北京和天津地区，SO₂和NO_x主要集中在天津和承德地区.     

2018年吉林市大气污染物浓度变化及其与气象因素的相关性分析

采用统计学方法、Pearson相关系数法和线性回归法研究分析了2018年吉林市大气污染物SO₂、NO₂、PM₁₀、PM_2.5、CO和O₃浓度的变化特征、污染物浓度之间的相关性以及污染物与气象因素的相关性。结果表明:1）吉林市大气环境中O₃、PM₁₀和PM_2.5日均值超标率分别为1.06%、3.27%和7.14%,颗粒物、O₃及其前体物质为治理重点;CO、SO₂、NO₂、PM₁₀和PM_2.5春、冬季污染较重,夏季污染最轻;大气环境中的污染物浓度随季节、时刻及人类活动发生周期性变化;2）PM₁₀和PM_2.5、PM_2.5和CO、NO₂和CO浓度之间高度相关（相关系数r均>0.8）,并建立了其预测线性模型;3）污染物（O₃除外）浓度与温度、风速和混合层高度呈负相关,与气压呈正相关;降水对SO₂、PM₁₀和PM_2.5浓度具有一定的削减作用,降水后其浓度减少的次数占总降水次数的68.75%、84.38%和78.13%;吉林市污染最严重的颗粒物受气象因素中混合层高度、风速和降水影响较大。该研究成果可为日后吉林市开展大气污染治理、区域大气环境容量测算、空气污染潜势预报等研究提供参考。     

北京2011年10月连续灰霾过程的特征与成因初探

选择2011年北京地区灰霾典型发生月——10月,利用在中国环境科学研究院监测的φ(SO₂)、φ(O₃)、φ(NO₂)、φ(CO)、ρ(PM₁₀)、ρ(PM_2.5)、ρ(BC)等数据,对该地区秋季典型灰霾过程特征及成因进行了研究. 在观测期间51.5%的时间内出现了灰霾,其中13.6%属于重度灰霾. 对灰霾期间污染物时间分布特征的分析表明:在灰霾过程中ρ(PM₁)、ρ(PM_2.5)、ρ(PM₁₀)及ρ(BC)较各自月均值的升幅均大于20%,ρ(PM₁)/ρ(PM_2.5)(78.7%)也明显增大.大气能见度的降低与细颗粒物及亚微米颗粒物有直接关系. 对观测期间的气象因素、气体污染物时间序列和颗粒物浓度累积特征的研究表明,10月连续灰霾过程的成因可能是该月频繁出现的鞍型场静稳天气及北京周边地区存在的基数较大的细颗粒物排放源所致.      

天山北坡经济带城市PM2.5质量浓度时空分布及模拟分析

PM_2.5扩散/积聚有着复杂的物理、化学过程,其时空变化与前体污染物及气象条件密切相关.为探究区域城市ρ（PM_2.5）的变化规律,以天山北坡经济带城市为研究区,采用2015年1月-2017年10月大气污染物监测数据和气象数据,结合数理统计和GIS空间分析技术,分析研究区ρ（PM_2.5）的时空变化特征;借助普通OLS（最小二乘法）分析影响因子的多重相关性,通过PLS（偏最小二乘）法构建ρ（PM_2.5）估算模型.结果表明:①研究区各城市小时ρ（PM_2.5）呈"W"型双峰变化;各月份ρ（PM_2.5）呈"U"型特征,月均值为59.5 μg/m3,2月和9月分别为ρ（PM_2.5）最高月和最低月;各季节ρ（PM_2.5）排序为冬季（146.6 μg/m3）＞秋季（35.2 μg/m3）＞春季（34.1 μg/m3）＞夏季（26.8 μg/m3）;空间上ρ（PM_2.5）由西北部克拉玛依市向东南部乌鲁木齐市逐渐增大.②PLS法构建模型能有效克服自变量多重相关性的问题,模型可解释自变量95.7%和因变量80.1%的变异信息,年均模拟值与实测值偏差为9.82%.③研究区各城市ρ（PM_2.5）与ρ（CO）的相关性极显著,与气象因子中的风速和气温的相关性较显著,而与相对湿度的相关性不显著.研究显示,基于前体污染物和气象因子的PLS法构建模型是模拟ρ（PM_2.5）的有效方法.      

成都市PM2.5浓度变化的影响因素交互作用研究

为探究大气环境中污染物与气象要素交互作用对PM_2.5浓度变化的影响特征,利用成都市2014~2020年逐日大气污染物资料以及同期的气象资料,采用广义相加模型（GAMs）分析不同影响因素对当地PM_2.5浓度变化的影响效应.结果表明,单影响因素GAMs模型中,无论全年还是冬季,PM_2.5浓度与平均气温（T）、相对湿度（RH）、平均风速（Wind）、降水量（Prec）、O₃、NO₂、SO₂和CO间均呈非线性关系,其中CO、NO₂、SO₂、T和Wind对PM_2.5浓度影响较大,与全年不同的是,冬季T和O₃对PM_2.5浓度变化的影响效应较全年明显减弱.多影响因素的GAMs模型中,T、Wind、RH、CO、NO₂、SO₂和O₃这7个解释变量对PM_2.5浓度变化的影响均较显著,构建的全年多影响因素GAMs模型调整后的R²=0.759,方差解释率为76.42%,冬季R²=0.708,方差解释率为72.2%,无论是全年还是冬季,CO都是PM_2.5浓度变化的主导影响因素.GAMs交互效应模型发现,全年弱低温（7℃左右）+高相对湿度+高浓度CO+高浓度NO₂+高浓度SO₂协同作用条件下有利于PM_2.5浓度的生成;冬季低Wind+高RH+高浓度CO+高浓度NO₂+高浓度SO₂共存条件下有利于PM_2.5的生成,即该条件对PM_2.5浓度的生成有协同放大效应.运用GAMs模型能够对PM_2.5污染的主导影响因素进行识别,并定量化分析影响因素单效应及其交互作用对PM_2.5浓度变化的影响特征,对PM_2.5浓度污染防控研究具有重要指示意义.