2018年夏季某石化工业区VOCs浓度特征及活性物种

为明确某石化工业区VOCs浓度特征及活性物种,利用法国Chromatotec公司生产的airmo VOC expert C₂-C₆和airmo VOC expert C₆-C₁₂分析仪联用系统在2018年夏季对该工业区VOCs进行连续监测.结果表明:①研究期间,石化工业区φ（TVOCs）（57种VOCs物种体积分数之和）为93.7×10-9±87.5×10-9,其中烯烃占比最高,达44.9%,当φ（TVOCs）日均值越高时烯烃占比越高.体积分数较高的物种主要为低碳烯烃、低碳烷烃、正己烷、甲苯和苯.②石化工业区φ（TVOCs）呈显著的夜高昼低变化特征,且各组分变化趋势相近,其中烯烃变幅高于其他组分.③各排放物质中对O₃生成贡献较大的主要是乙烯、丙烯、顺-2-丁烯、甲苯等物质,而对二次有机气溶胶生成贡献较大的主要是甲苯、异丙苯、间/对二甲苯等物质.④通过PMF解析发现,石化工业区内催化裂化及裂解、催化重整及废水废液处理、油储设施溢散的贡献率分别为51.7%、34.8%、13.5%.⑤降低石化工业区VOCs活性可以明显降低O₃超标率,若同时降低VOCs活性与φ（NO_x）可更有效地降低O₃超标率.研究显示,石化工业区VOCs排放强度较大,应对催化裂化及裂解等重点排放单元,以及乙烯、丙烯和甲苯等活性物质的排放进行控制,降低VOCs整体活性,并协同控制区域内NO_x排放,从而减少O₃污染.      

细颗粒物(PM_(2.5))主要组分模拟溶液对发光细菌的光抑制分析

为明确NH_4~+、 NO_3~-、SO_4~(2-)及金属等组分在水溶性提取液对发光细菌的光抑制过程中所起的作用,参照PM_(2.5)样品提取液浓度,模拟配制与3级以上PM_(2.5)样品提取液中主要组分:硫酸盐、硝酸盐、氨盐相同浓度的溶液,同时选取与PM_(2.5)可溶性提取液发光抑制率相关性较强的铅、锌,配制不同浓度级别模拟溶液,测试各单一组分对发光细菌的发光抑制率及其混合溶液对发光细菌的联合影响效应。基于毒性单位法(TU)、相加指数法(AI)和混合毒性指数法(MTI)评价了混合体系联合影响的作用类型。结果表明,与3~6级PM_(2.5)可溶性提取液中硫酸氨、硫酸氢氨、硝酸氨、硫酸锌和硝酸铅浓度相同的模拟溶液对发光细菌的发光没有抑制作用。不同的评价方法对PM_(2.5)主要组分混合体系联合效应评价结果具有较好的一致性,硫酸氨、硝酸氨、硫酸氢氨混合溶液中,对发光细菌的光抑制均为硫酸氢氨的独立作用,硫酸锌与硝酸铅的混合体系,锌和铅对发光细菌的联合影响效应表现为协同,硫酸氨、硝酸氨、硫酸氢氨与硫酸锌、硝酸铅的多元混合体系呈现协同作用。     

2018年11—12月北京市重污染天气过程数值预报能力评估

2018年11—12月北京市发生了4次以PM_2.5为首要污染物的重污染天气过程,为了分析数值模型对4次重污染过程的预报能力,将CMAQ模式提前1~7 d对北京市PM_2.5的小时预报结果与观测结果对比,分别从离散统计和分类统计2个方面评估CMAQ模式对4次重污染天气过程的预报效果,并简要分析了偏差产生的气象方面原因。结果表明：CMAQ模式提前1~6 d对重污染天气过程的预报显示出良好的性能,为日常业务预报提供了可借鉴的参考信息,可较好地预报出PM_2.5小时浓度变化趋势和浓度水平,离散统计结果显示提前1~4 d的预报结果好于提前5~7 d,相关系数r基本大于0.8,但有一定程度的低估趋势;分类统计结果显示不同预报时效预报准确率大于70%,探测准确率高于55%,部分时段可以达到80%~90%,对人工预报起到了良好的参考作用;输入的气象场的变化及其偏差对于重污染的起始时间、持续时间及清除时间有一定的影响,对相对湿度预报偏小和风速预报偏大是造成CMAQ模式低估的一个重要原因。     

基于大气超级站观测的2017年5月北京市沙尘天气过程分析

结合常规污染物监测、PM_2.5化学组分监测、激光雷达监测和颗粒物数浓度及粒径监测等手段,对2017年5月影响北京市的一次沙尘天气过程进行分析。结果表明：5月4日凌晨起沙尘天气开始影响北京市,延庆、官园和通州3个站点PM₁₀峰值浓度分别为2 091、2 245、2 590 μg/m³,体现了该次沙尘天气影响程度之重。PM_2.5浓度与PM₁₀变化一致,也达到重度污染的水平。沙尘天气移动路径是沿着区域西北至东南方向。沙尘天气主体从3 km左右的高空进入北京市,随后逐渐渗透至1 km高度以及地面,且沙尘层厚度较高,覆盖了地面至3 km的高度。沙尘天气过程中OM和Ca²⁺组分增幅最大。在沙尘天气影响严重时间段,沙尘天气源与生物质燃烧源比例之和大于50%,最高值为67.6%。沙尘天气过程中颗粒物峰值粒径为0.965~1.037 μm。     

大气预浓缩仪-GC/FPD测定环境空气中的痕量硫化物

采用大气预浓缩仪-GC/FPD建立了环境空气中7种含硫化合物的测定方法。结果表明,经惰性化改造后的大气预浓缩仪-GC/FPD测定系统的基线低,对硫化物无残留。7种化合物的线性回归方程的相关系数均在0.995以上,高、中、低3种浓度的空白加标回收率分别为98.6%~105.3%、99.1%~103.7%、85.7%~99.7%,除硫化氢的相对标准偏差为10.9%外,其余6种含硫化合物的相对标准偏差可控制在6.9%以内。当进样体积为400 m L时,方法的检出限在0.10~1.1 ng/m3。CO2、H2O对实际样品的测定无干扰。因此,该方法能够满足目前监测工作的要求,更加适用于环境空气中痕量含硫化合物的测定。     

超声提取-气相色谱质谱法测定大气PM2.5中正构烷烃

建立了超声提取-气相色谱质谱法测定大气PM2.5中32种正构烷烃方法,经离子温度优化、前处理比较、空白滤膜考察等获得了最佳的实验条件。研究发现,高、中、低3种浓度标准曲线的相关系数均在0.995以上,3种浓度的空白样品加标回收率分别为72.2%~117.8%、73.5%~104.4%、73.8%~109.5%,精密度均小于10%,实际样品加标回收率为75.7%~108.9%。当采样体积为24 m3时,各目标化合物的方法检出限为0.046~2.6 ng/m~3;经正构烷烃浓度范围为0.17~64.3 ng/m~3的1月及浓度范围为0.53~7.67 ng/m~3的6月的实际样品验证,该方法的检出限和测量范围也可较好的满足实际样品的测定。     

基于环境监测数据的APEC会议空气质量保障环境改善效果评估

在简要回顾APEC期间的空气质量情况的基础上,从多方面较系统的分析了APEC期间北京市空气质量的变化特征,包括各项污染物浓度水平的同比分析、不同区域不同类别站点小时浓度的百分数分布及变化情况分析、污染物日变化规律变化特征分析、空气质量改善效果的空间分布特征分析、颗粒物组分变化特征分析、污染来源解析模型、数值污染模型等方法,力求从多个方面深入了解APEC控制措施对北京市污染水平、污染特征造成的影响,并利用组分、模型等方法定性定量的评估主要空气质量影响因素、不同的污染控制措施对APEC期间空气质量改善的作用及贡献。结果表明,APEC期间,北京市空气质量得到明显改善,空气质量基本处于优良级别,各项污染物浓度大幅下降,APEC污染控制期各项污染物的百分位数浓度与无控制期出现明显分离特征,污染物的日变化低浓度持续时间更长且增长更缓慢。     

北京地区降尘季节特点及测定条件研究

为掌握北京降尘污染规律、提高监测管理水平,对2018～2020年北京全域的降尘、典型地理特征的沙尘期降尘和特殊环境影响条件下的降尘进行了监测和分析。研究发现：近年北京市降尘量总体呈下降态势,且具备明显的季节特点;北京市降尘春季达到峰值,夏、秋季维持高位,冬季降至谷底。基于对北京地区降尘季节特点的研究,提出了针对性的监测管理建议。     

北京森林BVOCs排放现状及动态变化特征分析

以北京地区森林植被为研究对象,基于森林资源清查蓄积资料和逐小时气象数据,采用光温影响模型对2000~2020年北京森林BVOCs排放量进行估算,并分析其对空气质量的影响.结果显示,2020年北京森林BVOCs排放量为39.57×10⁹g C,异戊二烯、单萜烯和OVOCs分别占72.19%、17.48%和10.32%,杨树、栎树等阔叶树是主要的异戊二烯排放源,油松等针叶树是主要的单萜烯排放源.2000~2020年森林BVOCs排放量从20.30×10⁹g C/a增加到39.57×10⁹g C/a,年平均增长率4.75%;BVOCs排放量的变化表现出明显阶段性特征,2000~2010年增长缓慢,2010~2020年出现大幅上升.20年间异戊二烯所占比重呈下降趋势,单萜烯和OVOCs所占比重则呈上升趋势;杨树对BVOCs排放量的贡献逐渐降低,栎树和其他阔叶树的贡献明显增加,北京新增森林更加注重物种多样化.2000~2020年,BVOCs的O₃生成潜势从181.76×10⁹g增加到331.07×10⁹g,异戊二烯占92.70%,是主要的贡献者;SOA生成潜势从1.11×10⁹g增加到2.65×10⁹g,单萜烯和异戊二烯分别占75.40%和24.60%.O₃生成潜势最大的树种是杨树,SOA生成潜势最大的树种是油松.森林BVOCs排放在夏季对O₃污染的贡献最大,未来绿化中应考虑优化树种组成.     

北京森林BVOCs排放特征及对区域空气质量的影响

利用林业二类调查蓄积资料,广泛调研植物源挥发性有机物（BVOCs）排放因子的最新研究成果,运用光温影响模型对北京森林BVOCs排放特征进行研究,并分析其对区域空气质量的影响.结果显示,2015年北京森林BVOCs排放量平均值为27.97×10⁹g C/a,变化域值范围为（9.46~76.45）×10⁹g C/a,其中异戊二烯、单萜烯和其他VOCs贡献率分别为75.09%、15.62%和9.29%.不同树种间BVOCs排放量差异较大,杨树和栎树是主要的异戊二烯排放源,贡献率分别为63.16%和25.92%;油松是主要的单萜烯排放源,贡献率为40.90%.不同龄级林对BVOCs排放的贡献不同,中龄林贡献率最大,占总量的39.14%.BVOCs排放呈夏季高、冬季低的特征,春、夏、秋、冬排放量分别占全年的12.55%、77.48%、9.76%和0.21%.BVOCs对O₃生成潜势的贡献量为240.51×10⁹g,其中异戊二烯占92.66%,是主要的贡献者;对二次有机气溶胶（SOA）生成潜势的贡献量为1.73×10⁹g,异戊二烯和单萜烯分别占24.26%和75.73%.研究表明,北京森林BVOCs排放会导致大气年均SOA浓度增加0.94μg/m³,O₃浓度上升9.01μg/m³,特别是对夏季O₃污染具有较大贡献.建议城市绿化时应从有助于空气质量改善的角度考虑树种的VOCs排放能力.