首都国际机场移动源大气污染物排放清单研究

根据收集到的首都国际机场飞行区活动水平数据,采用适合估算各类移动源污染物排放量的方法和排放因子,建立了2013年首都国际机场移动源排放清单。结果表明,首都国际机场2013年移动源NO_x、CO、HC、SO2和PM_(2.5)排放总量为6 287.1 t、3 596.1 t、364.2t、373.4 t和185.0 t,分别占北京市各污染物总体排放的3.4%、0.3%、0.1%、0.4%和0.2%。其中非道路移动源是各污染物排放的最大贡献源,NO_x、CO、HC、SO2和PM_(2.5)排放量的90.7%、86.7%、79.4%、97.4%和81.3%来源于飞机,中型窄体客机及大型宽体客机贡献突出。相较而言,道路移动源排放比例较低,对HC、CO、PM_(2.5)和NO_x各污染物的贡献率为9.1%、8.6%、6.7%和4.4%。通过标准LTO循环方法估算飞机逐月排放,对LTO循环次数与各污染物排放量进行拟合,发现飞机排放的HC、CO、NO_x、SO2和LTO循环次数之间呈现较为明显的正相关关系,从而提出一种本地化的基于LTO循环次数估算飞机污染气体排放量的简单方法。此外,减少滑行时间可有效降低飞机在LTO循环过程中的污染物排放。     

应用EDMS模型建立机场大气污染物排放清单

介绍应用EDMS模型计算机场大气污染物排放并建立排放清单的方法,并以首都国际机场为例,根据不同机型起降架次构成、地面保障机械使用情况、停车场机动车数量及行驶状况等确定了模型所需参数,建立以2007年为基准年的大气污染物排放清单.结果表明,首都机场NOx、CO、VOCs和PM10排放量分别为4 197.72 t、5 795.15 t、543.03 t和49.01 t,以飞机、地面保障机械和停车场排放为主,辅助动力设备排放比例较小.在飞机LTO循环过程排放中,CO和VOCs主要在滑行模式下排放,其他模式下的排放比例较低;NOx排放主要集中于爬升阶段,占62%;PM10排放集中于起飞和爬升阶段,分别占35%和41%.减少滑行时间可以较大比例地减少LTO过程的排放.     

北京市人为源氨排放清单的初步建立

氨是大气中PM2.5形成的重要前体物,对霾的形成有重要影响。为了解北京市人为源氨排放状况,根据收集的北京行政区范围内的人为氨源活动水平数据,采用排放因子法,初步建立了北京市2012年人为源氨排放清单。结果表明,北京市2012年人为源氨排放总量为61 136 t。农业源是北京市人为源氨排放的重要来源,其中畜禽养殖氨排放量占排放总量的44.1%,其次是农田化肥施用,其贡献率为26.8%。猪是畜禽养殖氨排放的最大贡献者,贡献率为45.2%,其次为蛋鸡,其贡献率为28.0%;小客车是机动车氨排放的主要贡献者,贡献率为89.2%;垃圾填埋是垃圾处理氨排放的主要贡献者,贡献率为77.1%。北京市人为源氨平均排放强度为3.7 t/km2,明显高于欧盟、美国、日本及我国平均水平。     

上海港船舶大气污染物排放清单研究

建立可靠的船舶排放清单不仅是大气环境科学领域对船舶排放影响进行定量研究的重要基础,也是管理部门制定污染减排措施和政策的重要依据.以常规大气污染物和温室气体为研究对象,采用由下而上的动力法对进出上海港船舶排放进行了研究.通过对上海港船舶进出签证数、船舶种类、吨位分布、运行工况、排放因子和燃油校正因子等多要素开展调查和分析,获得了上海港外港和内河9种船种和4种运行工况条件下大气污染物和温室气体排放总量,并结合船舶自动识别系统(AIS)确定了1 km×1 km网格精度的大气污染物和温室气体的排放空间分布.结果表明:2010年,上海港船舶排放PM100.46万t,PM2.5 0.37万t,柴油颗粒物(DPM)0.44万t,NOx5.73万t,SOx3.54万t,CO 0.49万t,碳氧化合物(HC)0.21万t;排放温室气体CO2 288.55万t,N2O 0.01万t,Cn4 0.004万t.与全市排放清单总量相比,上海港船舶排放对SO2、NOx和PM2.5的排放影响最为显著,分担率分别达到12.0％、9.0％和5.3％.其中,以远洋船为首要来源,其排放量对全市排放清单的分担率分别为12.0％、8.4％和5.1％.     

基于AIS数据的长江口船舶排放清单研究

为了研究繁忙水域的船舶排放清单,基于船舶自识别系统(Automatic Identification System,AIS)的数据建立了针对不同船型的船舶排放计算模型。先根据AIS数据中包含的船舶尺度数据计算各类船型的发动机功率,然后运用基于AIS数据的模型计算船舶排放清单及排放分担率,最后对船舶排放的空间分布进行分析。以2010年长江口水域的船舶交通流数据为基础,计算该水域的船舶排放清单,结果表明:1)在各类船舶废气排放物中,CO2排放量最多,NOx和SOx次之,N2O最少,结果合理可信;2)各类船型的排放分担率分别为5.36%(客船)、6.59%(散货船)、51.47%(集装箱船)、15.95%(油船)、5.37%(渔船)、15.27%(其他船型);3)船舶排放聚集区主要是长江口的南、北槽航段及其附近的码头水域。     

基于机载数据的飞行过程大气污染排放研究

民航飞机飞行过程中发动机会排放NO_x、SO₂、CO、未燃碳氢化合物(HC)及颗粒物(PM)等多种大气污染物,随着民航运输业的发展,机队规模的迅速扩大对环境影响日益严重。为精确评估飞行对于大气环境的影响,可利用飞机QAR(快速存取记录仪)获取精细化的飞机实际运行参数及实时大气环境参数,实现飞行过程中大气污染物排放量的计算。选取中国当前占比最高的A320飞机为典型机型,提取一段航程中的机载数据,基于波音修正模型和一次逼近方法,计算获得了飞行中NO_x、HC、SO₂、CO及PM实时排放因子及航程排放总量。结果表明,CO及HC排放因子变化趋势与推力相反,飞行中数值分别在0.48～1 701.12 g/kg和0.03～0.56 g/kg;而NO_x排放因子的变化规律随发动机推力的升高而上升,数值在0.74～99.60 g/kg; PM排放因子变化幅度较小,在0.19～0.36 g/kg波动。在237.4 min的航程中,NO_x排放量最高,约为590.96 kg; SO<...     

北京铁路机车尾气排放清单的建立

排放清单是空气质量模拟和环境管理的基础.介绍了铁路运输尾气排放清单建立方法.基于美国环保局(USEPA)的排放因子,根据我国和美国排放标准的比较以及国内测试数据,确定了我国铁路机车尾气排放因子,并以北京为例,基于GIS铁路线路分布、内燃机车功率、运行车次和运行路线计算了铁路运输大气污染物NO_x、CO、HC和PM_(10)排放量,建立了排放清单.结果表明,基准年2007年北京铁路运输尾气排放量NO_x、CO、HC和PM_(10)分别为7 232 t、728 t、316 t和181 t,与2002年机动车排放量相比,4种污染物火车机车排放量分别占4.90%、0.08%、0.24%和1.12%.     

基于燃油消耗的北京农用机械排放清单建立

农业机械作为重要的非道路移动源之一,排放的尾气是氮氧化物(NOx)和可吸入颗粒物(PM10)的主要来源之一.介绍了基于燃油消耗量的排放清单建立方法,排放因子为单位质量燃料消耗的污染物排放量,活动水平为燃料消耗量.根据NON-ROAD模型,农用柴油机械CO、THC、NOx和PM10排放因子分别为37.71 g·kg-1、9.38 g·kg-1、51.58 g·kg-1和8.23 g·kg-1,汽油机械CO、THC、NOx和PM10排放因子分别为405.25 g·kg-1、236.05 g·kg-1、3.88 g·kg-1和5.01 g·kg-1.根据燃料消耗量估算了北京2007年农用机械尾气排放量,HC、CO、NOx和PM10排放量分别为1 643.6 t、4 615.4 t、4 296.2 t和701.6 t.与道路机动车排放量相比,农用机械排放分别占1.26%、0.50%、2.91%和4.33%.基于GIS的北京农用耕地分布,建立了农机污染物排放的空间分布.根据不同月份的燃油消耗量分析时间分布,1-2月份排放较低,3-4月份排放较高.     

基于STEAM的靠港船舶大气污染物排放清单研究

随着我国船舶排放控制区的设立,船舶大气污染物排放成为社会广泛关注的热点。以对城市影响显著的内河靠港船舶为研究对象,采用本土化的船舶交通排放估算模型(STEAM),结合船舶自动识别系统(AIS)中的船舶轨迹信息、船舶档案数据库信息及调研信息,实现基于船舶活动的"自下而上"的排放清单编制。将上述研究成果应用于南京龙潭集装箱港区,得到2014年该港区船舶大气物排放量分别为PM103.452 9 t、PM2.52.762 3 t、NOx196.004 4 t、SOx2.896 6t、CO 20.624 5 t、HC 8.127 8 t以及CO212 554.289 5 t。与整个港区排放相比,靠港船舶是SOx和NOx排放的重要来源,占比分别达到70.76%和58.16%。基于排放特性分析提出靠港船舶减排路径。     

河南省铝冶炼行业大气污染源排放清单研究

为分析河南省铝冶炼行业大气污染物排放特征及空间分布情况,通过对生产企业逐个下发调查表或实地调查等方式获得相关数据,自下而上建立了2019年河南省铝冶炼行业大气污染物排放清单。对排放清单结果进行统计分析,结果表明：2019年河南省铝冶炼行业SO₂、NO_x、PM₁₀及PM_2.5的排放量分别为6 620 t、1 364 t、1 964 t、1 503 t,主要分布在郑州市、洛阳市、焦作市、安阳市及三门峡市。将排放清单结果与2019年环境统计、在线监测数据比对校验,三者存在较好的一致性,说明排放清单能够真实地反映河南省铝冶炼行业污染物排放现状,可为铝冶炼行业监管提供可靠的依据。     

德兴地区土壤重金属人为污染的地球化学评价

在系统采集德兴地区表层土壤样品的基础上,采用标准化方法确定了该区Cu、Pb、Zn、Cr、Cd、Hg、As的地球化学基线值,并采用富集因子对表层土壤的人为污染进行了地球化学评价.结果表明:1)土壤中7种重金属元素的基线值较江西省土壤背景值高;2)土壤中As、Hg、Cd、Cr、Pb、Zn的人为污染以轻微污染为主,Cu的人为污染为轻微污染和中度污染,人为污染的区域主要分布在德兴铜矿及其周边地区;3)土壤重金属污染源判别表明,Pb、Zn、Cd具有相似的来源,其污染与铅锌矿的采矿及冶炼活动有关,Cu的来源与德兴铜矿的采矿活动有关,其他重金属来源差异较大.     

基于发动机活动的集装箱港作机械排放清单研究

随着我国集装箱港口吞吐量持续增长,港区大气污染物排放亦日益增加,港作机械等非道路移动源排放更逐渐成为公众关注的焦点。借鉴OFFROAD模型的基本方法,通过调查分析集装箱港区作业机械的保有量、活动水平和设备参数等,修正排放因子,采用"自下而上"基于集装箱港作机械发动机活动水平的动力法建立集装箱港作机械大气污染物排放清单。并以南京港龙潭集装箱港区(NPLC)为案例,构建排放清单。结果表明:2014年NPLC港作机械排放总量为PM_(10) 4.25 t、PM_(2.5) 3.91 t、NO_x 82.98 t、SO_x 1.06 t、CO 23.84 t和HC16.39 t;集装箱拖车为最大排放贡献源,NO_x为高值排放污染物;与港区其他排放源相比,港作机械为颗粒物质(PM)与碳氢化合物(HC)的最大排放源。相较NPLC 2013年基于燃油消耗的研究,基于活动的排放量较低。     

广东省典型内河港区主要大气污染物排放特征研究

以广东省珠江三角洲地区某内河港区为对象,选取港区内船舶、作业机械、运输车辆的大气污染物排放计算方法,结合保有量、活动水平、燃油品质等基础信息计算了该港区在2013年的大气污染物排放量,并分析了其排放特征.结果表明,在内河港区及周边水域,船舶排放的SO2占比超过80％;其他污染因子方面,船舶排放占比32％～47％,作业机械排放占比36％ ～ 48％,运输车辆排放占比10％ ～32％.在内河港区及其周边水域,船舶及港区作业机械的排放均有突出污染贡献.     

长江中下游地区空气质量的数值模拟研究

根据2002年在ACE-Asia和TRACE-P试验中获得的亚洲区域的污染源排放资料,利用美国EPA最新发展的空气质量模式Models-3,分别模拟研究生物源和人为源排放于2002年7月2日08时至7月3日07时在长江中下游地区引起的O3、SO2、CO以及NOx浓度的变化规律和特征.结果显示,模式对污染物具有很好的模拟能力,无论是污染物浓度的日变化还是PBL层内垂直分布情况,都与已有结论和观测结果一致.     

燃煤烟气汞排放与控制研究进展

近年来,煤燃烧烟气汞排放加剧。针对燃煤中汞的形态分布以及各种影响因素进行分析和综述,对炉内脱汞和烟气汞排放的控制方法的原理和技术进行了总结和分析。     

钢铁行业不同二氧化碳排放核算方法比较及实例分析

系统梳理了政府间气候专门委员会(IPCC)及我国国家和地方层面(上海市、天津市)的钢铁行业碳核算方法,分析了方法特点、核算边界及排放因子的选择,并进行了实例分析。结果表明,IPCC核算方法较其他3种核算方法差异较大,而国家和地方层面方法学相差不大。IPCC核算方法主要用于国家层面温室气体排放清单计算,给出的排放因子具有全球普适性,但针对性和精确性较差;其他3种核算方法均为开展碳排放权交易服务,核算方法与核算边界相似,但对于排放因子与工业生产过程计算,因考虑到方法学的普适性,国家方法学较为全面,两地方方法学则更多考虑到当地钢铁行业的特点,碳核算具有区域特色,针对性较强。碳排放因子的选取是钢铁行业碳核算的重要影响因素,建议进一步细化碳排放因子,提高核算精确度。     

长沙市冬季某商场建筑室内外细颗粒物浓度的实测与分析

对长沙市冬季某商场建筑室内餐饮区、化妆品区、鞋包区、服饰区和室外同步进行了细颗粒物(PM2.5)质量浓度的实测.分析了室内不同功能区、室外PM2.5质量浓度随时间的变化特征,并分析了温度、相对湿度、风速、大气压力对PM2.5质量浓度的影响.结果表明:室外PM2.5质量浓度高于室内;室内餐饮区PM2.5质量浓度最高,其次是化妆品区和服装区,鞋包区最低;室内人为活动和室外污染共同影响着室内颗粒物质量浓度;风速与PM2.5质量浓度相关性较弱,温度、相对湿度、大气压力与PM2.5质量浓度具有较强的相关性.