两种模式下中国未来发电行业发展情景及其环境效益分析

为了研究“双碳”目标模式下我国发电行业发展前景及带来的环境效益,建立了饱和“S”状灰色模型计算了按照旧有发电模式——非“双碳”模式下2021～2060年发电行业装机容量和发电量,并基于“中国2030年能源电力发展规划研究及2060年展望报告”计算获得了“双碳”模式下2021～2060年发电行业装机容量和发电量,对比研究了两种模式下中国未来发电行业的发展情景.通过物料衡算法和火电行业排放绩效构建了CO₂、 SO₂、 NO_x、 PM、 PM₁₀和PM_2.5的排放因子以及减排因子,定义了用于衡量污染物减排量的4种环境效益A₁～A₄.结果表明,在“双碳”模式下,火电机组将于2026年实现碳达峰,之后年均降低0.28亿kW,同时要求可再生能源发电机组于2020年后年均增加1.54亿kW以实现碳中和.与非“双碳”模式相比,“双碳”模式下火力发电装机容量将大幅度减少,可再生能源发电装机容量将大量增加,由此产生巨大的环境效益A₁...     

我国填埋渗滤液产量影响因素分析及估算方法构建

在综述已有研究结果的基础上,构建了适合我国国情的渗滤液产量估算方法,根据来源将渗滤液概化为降水和垃圾自产水2部分.采用HELP模型获得31个典型城市气候特征下的渗出系数取值;按照产生原理,垃圾自产水分为压缩产水和降解产水,分别建立估算公式并给出田间持水率和组分降解率的取值建议.应用此方法,估算了10个城市的填埋渗滤液产生量.发现在填埋40a内,垃圾自产水占渗滤液总量的52%~82%,说明垃圾自产水的贡献不可忽视.我国不同地区的降水渗出系数和生活垃圾性质差异,使得填埋渗滤液产量具有显著的地域差异性,在选择渗滤液处理方式时应因地制宜.     

我国不同营养状态湖泊沉积物有机磷形态分级特征研究

研究了我国不同区域的7个不同流域特征、生态结构、污染程度的湖泊表层沉积物中有机磷（P_o）形态的分布特征,分析了P_o各组分与沉积物其他组分的关系和生物有效性. 不同湖泊沉积物中P_o相对含量的差异表明其来源和生物地球化学循环的不同,不同湖泊沉积物中有机质（OM）与P_o表现出显著相关关系（R>²=0.80,p>＜0.01）,除杞麓湖外,其它湖泊的OM与活性P_o、中活性P_o和非活性P_o也表现出显著相关关系（R>²分别为0.85、0.52、0.80,p>＜0.01）. 沉积物中有机磷中以中活性有机磷和非活性有机磷为主,其含量分别占总P_o的15.12%～66.73%和27.99%～77.72 %,活性P_o的平均相对含量为6.1%. 不同P_o组分的相对含量顺序为：residual P_o> HCl-P_o >fulvic acid-P_o>humic acid-P_o> NaHCO₃-P_o,平均的相对比例为8.3∶3.1∶2.2∶1.8∶1.0. 活性P_o和TP、P_i、P_o、NaHCO₃-P_i、NaOH-P_i呈显著正相关,非活性P_o与TP、P_o、NaOH-P_i呈显著相关,说明活性P_o很容易转化为生物可利用磷,同时非活性P_o也可能成为生物可利用磷的潜在源,非活性P_o只是化学溶解上的相对“惰性”,它仍具有潜在的生物活性.     

Seasonal variation of municipal solid waste generation and composition in four East European cities

The quality of recyclable and residual municipal solid waste (MSW) is, among other factors, strongly influenced by the seasonal variation in MSW composition. However, a relatively marginal amount of published data on seasonal MSW composition especially in East European countries do not provide sufficient information on this phenomenon. This study provides results from municipal waste composition research campaigns conducted during the period of 2009–2011 in four cities of Eastern European countries (Lithuania, Russia, Ukraine and Georgia). The median monthly MSW generation values ranged from 18.70 in Kutaisi (Georgia) to 38.31 kg capita⁻¹ month⁻¹ in Kaunas (Lithuania). The quantitative estimation of seasonal variation was performed by fitting the collected data to time series forecasting models, such as non-parametric seasonal exponential smoothing, Winters additive, and Winters multiplicative methods.