黄渤海区域水产品中全氟烷基物质的分布特征

选取黄渤海区域水产品生产、消费水平较高的23个城市,采集鱼类、海洋贝类、甲壳类、头足类及海珍品（海参、鲍鱼）等5类水产品共1225个样本,采用超快速液相色谱-串联质谱法测定了23种全氟烷基物质（PFASs）的含量,并分析了黄渤海区域水产品中PFASs的残留水平及分布特征.结果表明,黄渤海区域水产品中PFASs的残留水平具有明显的组分差异、城市分布及品种分布差异等特征.在23种PFASs组分中,共检出20种PFASs,其中全氟辛烷磺酸（PFOS）和全氟辛酸（PFOA）的检出率最高,分别为79.1%和71.7%,且PFOA的质量浓度占比最高（64.5%）,为首要污染组分;在不同采样点样本中,莱州湾近岸的潍坊、滨州和东营,渤海湾近岸的沧州以及辽东湾近岸的营口为PFASs总质量浓度（∑PFASs）较高的城市,残留水平范围为10.2~16.8μg/kg;在不同品种样本中,检出PFASs组分的数量由高到低为：鱼类（20种） > 海洋贝类、甲壳类（18种） > 海珍品（16种） > 头足类（10种）,其中海洋贝类、海珍品样本中检出率最高的是PFOA,鱼类、甲壳类样本中检出率最高的是PFOS,而头足类则是全氟辛烷磺酰胺（PFOSA）;通过计算不同水产品中PFASs各组分的平均含量发现,PFOA、PFOS、全氟十一烷酸（PFUdA）和PFOSA在不同品种中平均含量相对较高,且表现出较为明显的组分差异性;通过计算危害指数（HR）评价人体暴露于PFASs的健康风险,得到PFASs各组分的危害指数均 < 1,说明黄渤海区域水产品中残留的PFASs对消费者的潜在健康风险较低.     

沈阳市郊区环境空气中醛酮类化合物的污染特征与来源分析

为探究沈阳市郊区环境空气中醛酮类化合物的污染特征,于2017年8月24日—9月2日采用2,4-二硝基苯肼固相吸附/高效液相色谱方法对沈阳市郊区醛酮类化合物进行观测分析,利用美国环境保护局推荐的人体健康风险评价方法对部分有毒有害醛酮类化合物的人体健康风险进行了评价,并利用比值法对醛酮类化合物的来源进行了初步分析.结果表明:醛酮类化合物质量浓度日均值范围为23.16~38.38 μg/m3;质量浓度最高的4种醛酮类化合物依次是丙酮、甲醛、正丁醛和乙醛,其质量浓度日均值的平均值分别为8.71、5.90、5.48和2.95 μg/m3.对·OH消耗速率(L_OH)贡献较大的醛酮类化合物物种是正丁醛、甲醛和乙醛,臭氧生成潜势贡献(OFP)较大的醛酮类化合物物种是甲醛、正丁醛和乙醛,在研究区影响醛酮类化合物光化学反应活性的物种主要是甲醛、乙醛和正丁醛.研究区观测期间,环境空气中甲醛和乙醛的致癌性风险值分别为1.18×10-5和5.91×10-6,对暴露人群存在潜在的致癌风险;乙醛的非致癌风险值为0.05,对暴露人群不存在非致癌风险.在研究区的一次臭氧轻度污染过程期间,环境空气中的甲醛和乙醛受天然源排放的挥发性有机物二次转化的影响减弱,甲醛、乙醛和丙酮受到炼焦工业和机动车等人为源排放的影响增强,而正丁醛主要受当地精细化工产业排放的影响.研究显示,沈阳市应加大对炼焦工业、精细化工和机动车来源排放醛酮类化合物的管制,以降低环境空气中活性醛酮类化合物及有毒有害醛酮类化合物的浓度.      

石油污染土壤多酚氧化酶的动力学及热力学特征

土壤多酚氧化酶是一种氧化还原酶,能够将土壤中芳香族化合物氧化成醌,促进土壤中石油类物质的分解转化.以距大庆油田工作区不同距离（1、5、15 km）的石油污染地为对象,研究不同温度下石油污染裸地及羊草（Leymus chinensis）修复地的土壤多酚氧化酶活性及其动力学和热力学特征的变化.结果表明:土壤多酚氧化酶活性随温度和底物浓度的增加而逐渐增大,在温度为30℃或40℃、底物浓度为80 mmol/L或160 mmol/L时达到最大值;各样地土壤酶的动力学参数K_m（Mihaelis常数）随温度的变化规律不同,V_max（酶促反应最大速度）和V_max/K_m（催化效率）随温度升高而逐渐增大,均在30℃或40℃时达到最大值;热力学参数Q₁₀（温度系数）、ΔH（活化焓）、ΔS（活化熵）随温度变化差异不显著,ΔG（活化自由能）随温度升高呈逐渐增加趋势.在同一温度下,石油污染裸地土壤多酚氧化酶活性高于羊草修复地;K_m和V_max/K_m在各样地均表现为无规律性变化,V_max最大值出现在距油田工作区5 km处的裸地（BMP）,最小值出现在距油田工作区5 km处的羊草修复地（LMP）;Q₁₀、E_a（活化能）、ΔH、ΔS的最大值均出现在距油田工作区1 km处的裸地（BVP）,最小值均出现在距油田工作区1 km处的羊草修复地（LVP）.研究显示,升温和植物修复对土壤多酚氧化酶活性的反应特征有较大影响.      

基于机器学习的细粒度空气质量时间预测器

针对空气质量状况的预防和治理,提出了基于线性回归的空气质量预测方法。作为时间预测器,更多的是考虑本地的历史数据、过去与未来的状况,挖掘空气质量随时间变化的关系以及变化趋势,为了选取最优的特征,对数据进行分析,找到与空气质量变化关系密切且存在线性关系的特征,以此特征来建立线性回归模型,并使用Cross-Validation方法进行评估验证。实验结果表明线性回归方法能够有效地预测到空气质量的变化趋势,效果良好,具有较强的实用性。