高空清洁作业服的设计分析

分析了高空清洁作业的特点及其对服装的功能需求;在对比现有高空清洁作业服的基础上,阐述了抓取、同方向伸展、反方向伸展这三个典型动作的特点及其同服装的关系;基于人体工效学理论,从款式特征、结构组合、面料选择、色彩搭配等方面提出高空清洁作业服的总体设计方案。     

有机污染气体气-液采样技术与传统采样技术的比较

将新型的针对大气中气体污染物的气-液采样技术与传统的XAD-2树脂采样技术进行了比较.模拟采样实验中选择了6种多环芳烃气体作为代表物将该技术与传统采样技术在相同条件下进行了对比,结果表明二者对6种气体的富集效果接近.实际采样中该技术富集了8种多环芳烃,与传统XAD-2树脂富集的相比具有相同的富集效果.另外,该技术简单,...     

京津冀机场群飞机LTO大气污染物排放清单

基于国际民航组织(ICAO)标准排放模型,调查搜集京津冀机场群9个机场实际航班情况,充分考虑了大气混合层高度的影响,采用EPA方法修正运行时间,精确估算了2018～2019航季年(364 d)京津冀机场群飞机起飞着陆循环(LTO)大气污染物排放清单.结果表明, 2018～2019航季年京津冀机场群飞机LTO循环NO_x、 CO、 SO_2、 HC和PM排放总量分别为10 720.5、 3 972.2、 407.8、 508.0和53.7 t.其中,冬春航季排放量分别为4 290.2、 1 646.7、 168.3、 220.1和22.4 t;夏秋航季排放量分别为6 430.3、 2 325.5、 239.5、 287.9和31.3 t.从空间分布来看,北京首都机场是该机场群大气污染物排放量最多的机场.从时间分布来看,07:00～08:00处于排放量最高峰, 12:00～20:00处于中等偏高排放水平, 21:00之后排放量相对较低.飞机在LTO循环中NO_x和CO排放量较多,PM排放量最少.各污染物不同工作模式下的排放情况差异明显.在该机场群起降所有机型中,B777单位LTO循环排放污染物最多,B737最少,B787单位LTO循环排放HC最低.     

基于GAM模型分析中国典型区域网格化PM2.5长期变化影响因素

为探究中国典型区域地表PM_(2.5)浓度长期时空变化及其影响因素,运用广义可加模型(GAM)对1998～2016年均0. 01°×0. 01°地表PM_(2.5)浓度网格化数据进行分析.典型区域多年平均PM_(2.5)浓度从高到低:华东华中地区(40. 5μg·m~(-3))华北地区(37. 4μg·m~(-3))华南地区(27. 8μg·m~(-3))东北地区(23. 7μg·m~(-3))四川盆地(22. 4μg·m~(-3)).东北地区PM_(2.5)年际变化呈现明显上升趋势;其他地区1998～2007年呈上升趋势,2008～2016年出现下降趋势.在典型区域PM_(2.5)浓度空间分布上,PM_(2.5)浓度分布呈现显著的空间差异,多年来各区域PM_(2.5)浓度高值分布相对稳定. PM_(2.5)浓度变化的单因素GAM模型中,所有影响因素均通过显著性检验,典型区域中对PM_(2.5)浓度变化影响解释率较高的各个影响因素顺序有所不同. PM_(2.5)浓度变化的多因素GAM模型中,均呈现非线性关系,典型区域方差解释率为87. 5%～92%(平均89. 0%),模型拟合度较高,对其变化有显著性影响.典型区域YEAR和LON-LAT均对PM_(2.5)浓度变化影响最为显著.除此之外,气象因子对PM_(2.5)的影响大小在各个区域存在不同.东北地区影响PM_(2.5)最重要的3个气象因子排序为:tp v_(10) ssr;华北地区为:temp tp msl;华东华中地区为:temp tp ssr;华南地区为:temp RH blh;四川盆地为:tp temp u_(10).结果表明,运用GAM模型,能够定量分析区域PM_(2.5)浓度长期变化的影响因素,对PM_(2.5)污染评估具有重要意义.     

数据分解模式下PM2.5与气态污染物的组合预测研究

大气污染治理是我国实现生态文明的必经之路,制定有效性的大气治理方案,作为参考的大气污染物月均浓度预测结果是至关重要的.针对大气环境污染物月均浓度时间序列的高噪音、非平稳和非线性等特点,本文提出一种基于数据分解模式的组合预测模型.上海市的实例验证及与其他3种模型的对比研究表明：本文所提出的组合预测模型适用于政策制定所需但样本量受限的月均或年均数据预测;所提出的子序列重构的新模式比传统求和算法重构模式提高预测精度12.5%;相较于其他模型,其预测性能最优（绝对百分比误差的均值仅为9.05,且对历史拟合的皮尔逊系数均为0.90以上）.实现了对大气污染物月均浓度高精度预测,可为相关政策的制定提供科学的定量参考.     

重庆市北碚城区大气污染物浓度变化特征观测研究

为了研究重庆市北碚区大气污染物浓度变化特征及其污染状况,采用全自动在线监测仪器对重庆市北碚城区大气污染物进行连续在线监测,分析了2012年1月~2013年2月的大气污染物观测数据.结果表明,除SO2以外,其它污染物均有超出国家新环境空气质量标准(GB 3095-2012)的情况出现,其中细粒子污染最严重.大气污染物浓度具有明显的季节变化,2012年春夏秋冬季各污染物平均浓度:O3为(36.1±19.2)、(48.8±32.6)、(29.8±28.6)、(18.2±15.8)μg·m-3,Ox为(77.6±20.6)、(91.3±37.6)、(77.5±30.6)、(69.4±18.2)μg·m-3,表现为夏高冬低;NO为(11.8±9.4)、(8.2±4.9)、(20.7±17.1)、(30.4±25.1)μg·m-3,NO2为(42.3±13.1)、(40.5±9.9)、(47.2±14.1)、(51.2±15.9)μg·m-3,NOx为(54.1±20.8)、(48.7±12.6)、(67.9±25.5)、(81.6±37.9)μg·m-3,均表现为冬高夏低;SO2为(50.5±23.3)、(26.3±16.7)、(38.8±18.4)、(53.7±23.4)μg·m-3,表现为冬春高而夏秋低;而PM2.5则为(61.4±28.5)、(68.1±32.5)、(61.9±27.1)、(89.6±44.2)μg·m-3,表现出冬季高而其它季节比较平稳的特征.O3、Ox、NO、NOx以及SO2浓度均为单峰型的日变化形式,其中O3和Ox的日变化峰值出现在午后16:00,而NO、NOx及SO2的日最大值则出现在08:00~11:00;NO2和PM2.5的日变化模态呈双峰型,有早晚两个峰值.O3和Ox在夏季日变化振幅最大,而其它污染物则冬季日变化振幅最大.将工作日与周末各污染物浓度的日变化相比,成对t检验分析表明,NO并无明显差异(P=0.14),但N2O工作日显著高于周末(P=0.03),而O3则为工作日极显著低于周末(P<0.001).相关分析表明,O3浓度与气温和风速呈显著或极显著正相关,与相对湿度呈极显著负相关,而NOx则与以上各气象要素的关系正好相反;PM2.5与气温和风速呈负相关,与相对湿度呈正相关;SO2与各气象要素的关系在不同的季节表现不同.除此之外,风向也是影响大气污染物浓度的一个重要因素.     

中国铅流改变原因分析

近年来,伴随一系列铅污染综合整治行动,我国铅流有所改变.探究产生这些变化的深层原因,可进一步为资源环境改善提供依据.根据铅流分析框架,辨识出引起铅流变化的因素,包括规模性和技术性两类因素.在此基础上,围绕铅产量、废铅回收量等规模性指标,铅循环率、环境释放率等技术性指标,分别从消费、贸易、技术、管理等方面分析了我国铅流改变的原因.结果表明,10年来铅制品国内消费量以年均24.7%的速度急剧增长,拉动了铅消费量增长;而铅消费增长又拉动了铅产量以年均14.2%的速度快速增长,进而最终拉动了国内铅矿石资源消耗量、铅矿石净进口量、废铅回收量的增长;铅制品国内消费率的增大方便了铅循环率的提高;国家宏观管理加强,通过关停规模小、技术落后的涉铅企业,并倡导先进技术的应用,为提高资源利用率,降低铅环境释放率提供了重要保障.     

首都水源地——洋河流域人为源多环芳烃(PAHs)排放清单估算及其影响分析

洋河流域位于京西北上风向,是北京重要水源地和生态保护屏障,我国北方典型的农牧交错带和生态脆弱敏感区,也是北京-张家口2022年冬奥会的申办地,具有极重要的战略地位.建立洋河流域大气PAHs排放清单,分析其可能来源及影响,通过气团后向轨迹辨识其区域PAHs传输途径,对于北京及张家口地区环境PAHs的污染控制具有重要的指导意义.本研究收集和分析了洋河流域大量工、农业生产和居民生活等相关数据资料,评估了流域各行业、各县市PAHs排放因子,单体排放量及其影响因素,通过气团后向轨迹模型分析了PAHs的传输轨迹.结果表明,洋河流域大气PAHs排放量为4.4×102t.从排放行业看,煤炭燃烧源、秸秆燃烧源是洋河流域大气PAHs的重要排放源,其贡献率分别为76%和16%.从排放地区看,宣化县的排放量最大,约49 t;其次分别为:兴和县、天镇县、怀来县、万全县,排放量分别约为:36、32、24和15 t.从排放谱看,低环(2~3环)与高环分子(4~6环)PAHs的排放量相差不大,分别约占PAHs排放总量的50%左右.洋河流域单位PAHs总排放量与各县市的工业生产总值(r=0.96,P<0.05)、居民收入(r=0.94,P<0.05)、人口密度呈正相关(r=0.92,P<0.05),与单位国土面积呈负相关(r=-0.9,P<0.05),与农业生产总值没有显著相关(r=0.026,P>0.01).流域内PAHs的较高排放与该地以煤炭为主的能源结构和较高的居民消费水平有关.基于气团后向轨迹模拟和洋河流域PAHs排放,可以推断洋河流域已成为PAHs的高污染风险区,通过西北气流可将流域高浓度的PAHs输送至北京,对北京的生态环境和人体健康造成潜在风险.     

苏州古城区水体污染时空分异特征及污染源解析

利用2012年苏州古城区30个监测断面的11个水质指标数据,综合运用水质指数模型(WQI)、层次聚类(HCA)、后退式判别(DA)、因子分析(FA)、绝对主成分多元线性回归(APCS-MLR)及GIS平台系统分析了旅游城市苏州古城区河网水体污染物时空分异特征及污染源解析.结果表明:①苏州古城区内城河及外围河道水体的CCME WQI值介于40~74之间,其中,66.67%的监测点水环境遭到严重破坏,主要集中在内城河河道;②系统聚类分析将采样时间分为1—3月、11月及4—6月、7—10月3个时段;将采样点分为2类,从空间上反映了古城区内城河与外围河道的污染程度;③采样时间和采样点聚类分析结果的判别分析交叉验证,正确率分别达到88.1%和78.5%;表征时间差异性用了7个指标,分别为总氮(TN)、总磷(TP)、溶解氧(DO)、水温(T)、高锰酸盐指数(COD Mn)、藻密度(Algae density)、叶绿素(Chl),表征空间差异性用了5个指标,分别为总氮(TN)、氨氮(NH3-N)、溶解氧(DO)、浊度(Turb)、水温(T);显著性指标的时空差异性比较明显;④古城区内城河河道在1—3月、11月及4—6月、7—10月3个时段内的因子分析分别提取4、3和4个因子,累积解释方差分别为83.64%、72.67%和77.98%;古城区外围河道在全年内的因子分析提取了3个因子,累积解释了62.28%的总方差;因子分析表明,古城区内城河及外围河道主要为氮、磷等营养物质污染及夏季藻类爆发的问题,与古城区外围河道相比内城河河道的污染更为严重,应优先开展治理;内城河氮、磷污染除了有来自生活、餐饮旅游等第三产业的污染外,还受到降雨地表径流及河道底泥释放的非点源污染影响;⑤绝对主成分多元线性回归(APCS-MLR)表明,总氮(TN)、氨氮(NH3-N)、总磷(TP)和高锰酸盐指数(COD Mn)主要来自城市生活及餐饮旅游等第三产业污水.研究结果可为苏州古城区河道水环境改善治理提供参考.     

浅谈室内空气污染物的检测及其影响因素

结合自身工作经验,介绍了室内空气污染物采样点的布设、采样点数的确定、采样分析方法及注意事项,探讨了室内空气污染物检测过程中对检测结果的影响因素。