基于绝对主成分-多元线性回归的滇池污染源解析

定量解析污染源是湖泊流域水环境管理的重要基础.基于滇池草海和外海多年水质监测数据,采用主成分分析（PCA）方法识别了主要水质指标的污染源类型,利用绝对主成分-多元线性回归模型（APCS-MLR）得到不同污染源对水质的贡献程度.结果表明,草海主要的污染源有农业面源、城市面源和内源3类,外海的主要污染源是农业面源、城镇生活污染源、城市面源和内源4类.与河流水污染源解析结果不同,底泥内源与气象因子对滇池主要水质指标的影响较大.     

Heavy metals and their source identification in particulate matter (PM2.5) in Isfahan City, Iran

The presence of heavy metals(HMs) in particulate matters(PMs) particularly fine particles such as PM_(2.5) poses potential risk to the health of human being. The purpose of this study was to analyze the contents of HMs in PM_(2.5) in the atmospheric monitoring stations in Isfahan city,Iran, in different seasons between March 2014 and March 2015 and their source identification using principle component analysis(PCA). The samples of PM_(2.5) were taken using a high volume sampler in 7 monitoring stations located throughout the city and industrial zones since March 2014 to March 2015. The HMs content of the samples was measured using ICP-MS.The results showed that the concentrations of As, Cd and Ni were in a range of 23–36, 1–12,and 5–76 ng/m~3 at all the stations which exceeded the US-EPA standards. Furthermore,the concentrations of Cr and Cu reached to 153 and 167 ng/m~3 in some stations which were also higher than the standard levels. Depending on the potential sources of HMs, their concentration in PM_(2.5) through the various seasons was different. PCA illustrated that the different potential sources of HMs in the atmosphere, showing that the most important sources of HMs originated from fossil fuel combustion, abrasion of vehicle tires, industrial activities(e.g., iron and steel industries) and dust storms. Management and control of air pollution of industrial plants and vehicles are suggested for decreasing the risk of the HMs in the region.     

气溶胶中不同类型碳组分粒径分布特征

了解气溶胶碳组分粒径分布特征对于研究区域气溶胶生成转化机制、辐射特性等非常重要,但北京地区针对气溶胶碳组分粒径分布特征的相关研究非常少.本研究利用MOUDI-120采样器在北京地区3个季节开展气溶胶分级样品的采集,并分析其中不同类型的碳组分的含量,进而系统研究不同季节及污染状况下,各碳组分的粒径分布特征、来源及相互关系.结果表明,碳组分主要富集在细粒子中,秋冬季细粒子中碳组分的比重高于夏季.碳组分主要分布在两个模态,即积聚模态和粗模态. OC1和OC2主要分布在积聚模态,在0. 056～0. 56μm范围内有较高比例,OC3+OC4在粗模态的分布较为明显.Soot-EC浓度较低,没有明显的粒径分布特征,在0. 10～0. 18μm粒径段浓度较高,表明高温燃烧排放的EC主要分布在超细粒径段. Char-EC浓度远高于Soot-EC,在EC中占绝大部分比重.各主要碳组分在白天和夜晚的分布形态基本一致.夏季和冬季较有利于SOC的形成,OC/EC比值明显高于秋季. OC/EC值在不同粒径区间中差异很大,由于水溶性有机物(WSOC)主要分布在0. 056～0. 10μm,OC/EC值明显高于其他粒径段.白天及高温有利于气态有机物氧化生成SOC,致使夏季白天的OC/EC比值明显高于夜晚.各碳组分之间,EC1和OC1相关性最强,此外EC1和K+也有很强的相关性.     

承德市PM2.5中碳质组分的季节分布特征及来源解析

为研究承德市PM_2.5中碳质组分的季节变化及污染来源,于2019年1、4、7和10月采集大气PM_2.5样品,测定碳质组分浓度.通过有机碳（OC）与元素碳（EC）比值、总碳质气溶胶（TCA）及二次有机碳（SOC）的估算,分析碳质组分的变化特征;结合后向轨迹和主成分分析（PCA）方法,分析污染来源.结果表明,采样期间PM_2.5、OC和EC的平均质量浓度分别为（31.26±21.39）、（13.27±8.68）和（2.80±1.95）μg ·m^-3.PM_2.5的季节变化趋势为：冬季[（47.68±30.37）μg ·m^-3]>秋季[（28.72±17.12）μg ·m^-3]>春季[（26.59±15.32）μg ·m^-3]>夏季[（23.17±8.38）μg ·m^-3],与总碳（TC）、OC和EC季节变化趋势一致,冬季（R²=0.85）的OC与EC来源较一致;OC/EC值得出4个季节均受到交通和燃煤源排放的影响,且冬季受烟煤排放影响显著.TCA的平均浓度为（21.38±13.68）μg ·m^-3,占PM_2.5比例达68.39%,二次转化率（SOC/OC）为：春季（54.09%）>秋季（37.64%）>夏季（32.91%）>冬季（25.43%）.后向轨迹模拟结果表明,春季和夏季气团携带的污染物浓度相对较低,秋季污染物的传输通道为西南方向,冬季为西北方向,主成分分析（PCA）表明,承德市PM_2.5削减的关键是控制机动车尾气、燃煤和生物质燃烧源的排放.     

内循环三相生物流化床处理生活污水的试验研究

对内循环三相生物流化床处理生活污水进行了试验研究,探讨了生物膜的形成和水力停留时间及曝气量对处理效果的影响。结果表明：在HRT为6h,曝气量为0.6m3/h,进水COD和NH4＋-N分别为240.2~298.7mg/L和29.1~68.9mg/L条件下,平均COD去除率为83%,NH4＋-N去除率为95.1%。     

北京市大气PM2.5中矿物成分的污染特征

为了解北京市大气细粒子中矿物成分的浓度水平和污染特征,在清华园和车公庄进行了连续1a的PM_2.5累积周采样和全样品分析.Al、Si、Ca、Mg和Fe等地壳元素的周变化相似,最大周均浓度均出现在春季有强沙尘天气的一周;其季节变化显著,显示季节性的源排放以及气象条件对矿物成分的含量影响显著.土壤尘的季节平均浓度从夏季逐步上升,至次年春季达到最高(21.1 μg·m^-3),表明春季频繁发生的沙尘天气对土壤尘细粒子有重要贡献.大量的建筑活动可能大大增加了北京细粒子中Ca的负荷,应加强其排放控制.     

Artificial neural network model for identifying taxi gross emitter from remote sensing data of vehicle emission

Vehicle emission has been the major source of air pollution in urban areas in the past two decades. This article proposes an artificial neural network model for identifying the taxi gross emitters based on the remote sensing data. After carrying out the field test in Guangzhou and analyzing various factors from the emission data, the artificial neural network modeling was proved to be an advisable method of identifying the gross emitters. On the basis of the principal component analysis and the selection of algorithm and architecture, the Back-Propagation neural network model with 8-17-1 architecture was established as the optimal approach for this purpose. It gave a percentage of hits of 93%. Our previous research result and the result from aggression analysis were compared, and they provided respectively the percentage of hits of 81.63% and 75%. This comparison demonstrates the potentiality and validity of the proposed method in the identification of taxi gross emitters.     

影响北京地区土壤元素背景值的因素分析

用主成份分析研究了影响北京地区土壤元素背景值的主要因素。分析结果表明,影响土壤元素背景值的主要因素,在平原地区是地貌条件,在山区是成土母质。     

青岛近岸绿潮区溶解有机质微生物可利用性

以青岛近岸绿潮区水体中DOM（溶解有机质）为研究对象,通过室内降解实验计算了水体中DOC（溶解有机碳）的降解效率并分析了水中CDOM（有色溶解有机质）的荧光组分及其变化特征.结果显示,绿潮区不同站点和暴发前后水体中的DOC均发生了不同程度降解,降解过程符合一级降解动力学方程,其中约8.93%～45.10%的DOC可被微生物利用,在时空上受浒苔绿潮影响程度大的水体中DOC降解率最高.应用三维荧光光谱和平行因子相结合的技术,分析确定了绿潮水体中的CDOM包含3种类腐殖质组分（C1、C2、C3）和1种类蛋白质组分（C4）,且所有样品中类蛋白质组分含量均显著高于单一类腐殖质组分,表明浒苔绿潮释放的CDOM主要成分是类蛋白质.降解实验中,类蛋白质组分的变化与DOC含量降解趋势相同,而类腐殖质组分逐渐增加.同时,CDOM各荧光参数与微生物可利用性DOC百分比含量（BDOC%）相关性分析的结果和支持向量机的权重分析结果均显示:相对于BDOC%,C4组分为正相关,C1组分负相关,表明BDOC与CDOM组分间的关联度极高,可推测类蛋白质与BDOC均易被微生物降解利用,而类腐殖质与RDOC（惰性溶解有机碳...     

2019年西安首场雾霾PM2.5关键特征的综合诊断

通过对WRF-Chem（Weather Research and Forecasting Model Coupled to Chemistry）环境模式模拟资料、HYSPLIT（HYbrid Single Particle Lagrangian Integrated Trajectory Model）前/后向气团轨迹资料、环境站监测资料，以及西安理工大学（Xi''an University of Technology，简称XUT）多波长激光雷达、米散射激光雷达、能见度仪、粒谱仪等观测资料的综合诊断，探讨了2019年1月初发生在西安的雾霾过程（记为首场雾霾）PM_2.5组分、分布及传输特征，旨在为雾霾气溶胶研究提供有益的个例积累.定性、定量双重检验表明，Chem模式较成功复制了此次雾霾气溶胶过程.利用这些可靠的模式数据分析表明，PM_2.5中碳气溶胶的主要组分为有机碳，约占85%，强盛期气溶胶各组分随高度增加均呈递减趋势，各组分近地面浓度最高.通过对两类不同方法获取的消光系数对比分析表明，相比于模式数据，激光雷达数据具有更高的垂直分辨率，因此，更善于描述消光廓线的细节特征.通过对多源资料的综合诊断最终揭示出，"北风涌"是雾霾消散的关键影响因子，沿铜川-西安-山阳一带存在着污染物传输的重要路径，雾霾由此体现出自北向南依次消散的特征.