2015—2020年湖北省PM2.5和臭氧复合污染特征演变分析

为揭示湖北省PM_2.5和臭氧(O₃)复合污染演变特征,基于湖北省17个地市的空气质量国控点和武汉市大气超级站组分监测数据,全面分析湖北省17个地市2015—2020年PM_2.5和O₃的时空变化特征及相关关系,探讨PM_2.5和O₃协同效应的成因机理. 结果表明:①2015—2020年,湖北省PM_2.5显著改善,平均降幅为4.7 μg/(m3·a),但冬季负荷仍较高,主要集中于中部地区;O₃污染凸显,平均增幅为3.8 μg/(m3·a),污染集中在4—10月的暖季,东部地区最严重,近两年超标天数已与PM_2.5相当. ②湖北省PM_2.5和O₃关联日趋密切,协同效应显著,日评价指标显示夏季二者呈显著正相关(相关系数为0.57),近两年当PM_2.5浓度≤50 μg/m3时,相关系数高达0.63;冬季PM_2.5浓度与O_x(O₃+NO₂)浓度呈正相关,尤其2020年东部城市二者相关性高达0.46,显示大气氧化性对PM_2.5二次污染的重要性. ③以武汉市为例,归纳PM_2.5和O₃复合污染的成因,暖季低PM_2.5背景下,高温、中等湿度和弱风速的气象条件以及VOCs和NO_x等前体物的高浓度排放,使得受VOCs主控的光化学反应加剧,易造成O₃污染,从而加强PM_2.5二次生成;冬季高的大气氧化性,叠加不利气象条件,促进颗粒物的二次生成,导致重污染时PM_2.5组分以硝酸盐等二次无机组分为主. 研究显示,湖北省PM_2.5和O₃协同控制重点为,在保持现有NO_x控制力度基础上强化VOCs控制,遏制暖季和东部区域O₃浓度上升,加强冬季和中部PM_2.5治理.      

基于遥感数据估算近地面PM2.5浓度的研究进展

卫星反演的气溶胶光学厚度(AOD)具有广泛的空间覆盖度和相对较高的时空分辨率. 基于AOD与PM_2.5的相关关系来估算PM_2.5浓度已成为监测近地面PM_2.5的有效途径,其估算结果较可靠,能够为治理PM_2.5污染提供数据基础和科学依据. 从反演AOD数据集和PM_2.5浓度估算模型2个方面进行梳理归纳,从卫星轨道运行类型角度分析各类传感器的产品特征,并对缺失AOD的插补方法进行分类评价;对PM_2.5浓度的估算模型进行比较分析,指出不同模型的优缺点和适应性. 结果表明:①各类卫星传感器均具有特定功能及优缺点,其中地球同步轨道(GEO)卫星的快速发展,使其在估算PM_2.5浓度的应用上越来越广泛. ②插补后的AOD比AOD初始产品具有更连续的时空分布和更高的准确性,基于模型的多变量估算不仅可以实现数据的全面覆盖,还可以获得更好的估算精度. ③组合模型成为估算PM_2.5浓度的重要方法,机器学习模型的加入能够有效提高PM_2.5浓度的估算精度. 研究显示,利用AOD估算近地面PM_2.5浓度不仅弥补了地面PM_2.5监测的空间不连续性,更有助于解析PM_2.5浓度的时空分布特征及污染来源.      

基于UV-Vis辽河保护区地表水DOM的时空分布特征

为探讨辽河保护区地表水中DOM（dissolved organic matter,溶解性有机质）组成、腐殖化程度及时空变化,采集辽河保护区上游至下游及主要支流入辽河干流河口处丰水期和枯水期地表水样品,基于UV-Vis（紫外-可见吸收光谱）揭示地表水中DOM结构组成的时空变化特征. 结果表明:①从季节上看,辽河保护区地表水丰水期DOC（dissolved organic carbon,溶解性有机碳）浓度(11.73 mg/L)高于枯水期(6.76 mg/L),且丰水期DOM中类蛋白质组分相对浓度高于枯水期,而类腐殖质组分的相对浓度较低;从空间上看,辽河保护区支流DOC平均浓度高于干流浓度,且丰水期地表水DOM中类蛋白物质与类腐殖质浓度增加. ②基于UV-Vis特征参数可知,辽河保护区地表水中DOM主要以内源释放为主;从季节上看,丰水期降水量和地表径流增加,DOM的芳香性、分子量、腐殖化水平降低;从空间上看,辽河保护区地表水DOM的腐殖化程度沿河流上游至下游呈现逐渐递减趋势,且支流DOM腐殖化程度较高,具有较高的芳香性及疏水性. 研究显示,河流地表水中DOM的芳香性与分子量大小受周边沿岸生态环境系统、生物条件、土地利用类型等因素影响,不同类型地表水中DOM具有显著差异.      

冬季巢湖SPOM来源、空间变化及营养盐效应

为研究枯水期巢湖水体悬浮颗粒物（SPM）营养元素组成及其潜在环境效应,分析了2020年1月巢湖18个采样点表层水体SPM含量、颗粒有机质（SPOM）含量及氮磷组成,并利用颗粒有机碳、氮同位素组成及C/N研究了冬季巢湖SPOM的来源及其空间变化. 结果表明,悬浮颗粒物总磷(PP)浓度为0.032~0.065 mg/L,平均值为0.049 mg/L;悬浮颗粒物无机磷(PIP)浓度为0.018~0.046 mg/L,平均值为0.032 mg/L,是PP的主要组分,二者浓度均呈西湖区>东湖区>中湖区的空间分布特征. 悬浮颗粒物总氮(PN)浓度为0.254~0.424 mg/L,平均值为0.342 mg/L,其中悬浮颗粒物有机氮(PON)占比较高,表明颗粒态氮以湖泊内源性有机来源为主. 巢湖表层水体SPOM的δ13C范围在?28.72‰~?26.68‰之间,δ15N为3.34‰~9.97‰,C/N为2.51±0.95,指示冬季枯水期水体SPOM主要来自内源水生生物碎屑,而陆源径流输入对湖泊颗粒物影响较小. 研究显示:冬季巢湖悬浮颗粒有机质主要来自湖泊内源,具有潜在的营养盐效应,污染控制需要相应的策略.      

两级A/O工艺处理焦化废水有机污染物转化特征及细菌群落响应

为探究两级缺氧/好氧(anoxic/oxic, A/O)工艺处理焦化废水有机污染物转化和细菌群落结构之间的关系,以实际运行的焦化废水处理厂为研究对象,采用傅里叶变换红外光谱和三维荧光光谱对废水中有机污染物官能团与溶解性有机物(dissolved organic matter, DOM)进行分析,并采用高通量测序技术,分析两级A/O工艺中细菌群落结构及其功能的沿程变化. 结果表明:①两级A/O工艺对化学需氧量(COD)、氨氮(NH₄+-N)、硫氰酸盐(SCN?)、苯并[a]芘(BaP)、苯酚、挥发酚的去除率均在90%以上. ②各有机污染物的去除与醇类、脂类、醚类、多糖类及羧酸类等物质的C≡N、C—N、C=C、—CO—伸缩振动,以及—NH₂和N—H弯曲振动等官能团运动有关,原水中大部分DOM被去除. ③微生物分析表明,硫杆菌(Thiobacillus)为两级A/O工艺的优势菌属(相对丰度为18.85%~31.06%),Fluviicola和norank_f_JG30-KF-CM45的相对丰度与BaP浓度均呈负相关,Arenimonas的相对丰度与挥发酚、苯酚浓度均呈正相关,Bradyrhizobium、Nakamurella、Nitrospira、norank_f_NS9_marine_group、unclassified_f_Rhizobiaceae的相对丰度与挥发酚、苯酚浓度均呈负相关. ④两级A/O工艺中有机污染物的去除与氟苯甲酸酯降解、多环芳烃降解、苯甲酸酯降解等多种代谢途径有关. 研究显示,经两级A/O工艺处理后,焦化废水中的主要污染物均显著去除,并且有机污染物变化均会影响功能微生物相对丰度的改变.      

复合填料ANAMMOX系统脱氮效能及微生物群落研究

为实现厌氧氨氧化菌(AnAOB)的高效富集,于第26天和第95天在反应器内分别添加活性炭填料和组合填料,构建复合填料ANAMMOX (anaerobic ammonium oxidation,厌氧氨氧化)系统. 通过测定进出水NH₄+-N、NO₂?-N和NO₃?-N浓度变化,考察在不同时期添加填料对反应器脱氮效能的影响,并运用16S rRNA高通量测序技术考察污泥的微生物多样性和群落结构变化情况. 结果表明:①经过160 d的运行,成功构建了具有良好抗冲击负荷能力的复合填料ANAMMOX系统,且其稳定运行期间,TN容积负荷(NLR)和TN去除负荷(NRR)分别可达0.97和0.83 kg/(m3·d),化学计量比接近理论值1∶1.32∶0.26. ②复合填料ANAMMOX系统促进了AnAOB的富集,污泥颜色由初始的黑色逐渐转变为红褐色,并出现ANAMMOX颗粒污泥,复合填料表面有大量AnAOB聚集形成了红色生物膜. ③第160天时,AnAOB在系统中处于主导地位. 门水平分析发现,浮霉菌门的相对丰度由0.77%提至33.17%,绿弯菌门的相对丰度从9.17%提至22.65%,其他菌门的相对丰度降低;属水平分析发现,ANAMMOX菌种Candidatus jettenia和Candidatus brocadia的相对丰度分别为30.56%和1.93%. 研究显示,复合填料ANAMMOX系统可以维持反应器稳定的脱氮效率,同时能实现AnAOB的高效富集.      

基于EEM-PARAFAC解析厌氧生物滤池对城市污染河流中DOM的转化特性

为探究厌氧生物滤池(AF)处理城市污染河流的最佳工况和运行效能,以新河河水为研究对象,运用三维荧光光谱结合平行因子法(EEM-PARAFAC),研究AF中试试验系统在不同水力停留时间(HRT)及温度条件下对溶解性有机物(DOM)的转化特性. 结果表明:①河水中DOM主要包含3种荧光组分,其中,C1为类腐殖质物质,C2为类蛋白物质,C3为类腐殖质物质,类蛋白和类腐殖质物质平均占比分别为53.45%和46.55%. ②AF运行稳定后COD平均去除率为30.75%,出水UV₂₅₄降低19.80%;荧光组分分析表明,DOM的降低主要归因于C2和C3的有效转化,且提高温度和HRT有助于DOM的进一步降低. ③UV₂₅₄和<10 kDa的DOM沿程逐步减小,3~10 kDa和<3 kDa的DOM去除率分别为64.29%和22.81%;沿程出水三维荧光光谱显示,AF前端微生物活性较高,C1和C3变化较小,C2先升高后逐步下降,最终出水DOM总荧光强度出现明显的降低,表明AF第1级滤层是DOM去除和转化的主要区域. 研究显示,常温且HRT=24 h工况下,AF能够在一定程度上将难降解有机物转化为易降解有机物,有效去除城市污染河流中的DOM,可作为处理城市污染河流的潜在预处理手段.      

基于PMF的土壤多环芳烃致癌风险定量源解析方法研究:以太原市为例

为实现土壤PAHs (多环芳烃)来源致癌风险的定量化,选取太原市城乡土壤为研究对象,分析PAHs污染水平并建立含量成分谱,利用PMF (正定矩阵因子分解)模型识别污染源,采用蒙特卡罗模拟进行健康风险评估,并联合PMF模型和健康风险模型量化PAHs污染源的健康风险,比较不同污染源对土壤PAHs含量和对致癌风险贡献的差异. 结果表明:①太原市土壤PAHs污染严重,城市地区人群暴露于土壤PAHs的致癌风险超过了可接受风险水平(10?6),农村地区人群超过可接受阈值的概率在10%~50%之间. ②城市土壤中PAHs主要来自燃煤交通混合源(41.5%)、燃煤源(26.0%)、石油源(16.2%)、焦炉排放源(8.2%)和交通排放源(8.1%),农村土壤PAHs主要来自燃煤源(43.3%)、生物质燃烧源(22.3%)、交通排放源(22.7%)和焦炉排放源(11.7%). ③燃煤交通混合源是城市地区致癌风险的最大来源,贡献率为53.7%;交通排放源和燃煤源是农村地区致癌风险的主要来源,贡献率分别为46.3%和45.6%. ④不同污染源对PAHs含量的贡献与其对致癌风险的贡献存在差异,对于城市地区,燃煤交通混合源、交通排放源对PAHs含量的贡献率分别为41.5%、8.1%,而其对致癌风险的贡献率分别为53.7%、13.0%;对于农村地区,交通排放源对PAHs含量的贡献率为22.7%,但其对致癌风险的贡献率为46.3%. 研究显示,规避交通排放源是降低PAHs致癌风险的关键,建议将基于健康风险的定量源解析技术应用到土壤风险管控中,以期更为有效地降低健康风险,保护人体健康.      

京津冀及周边地区“2+26”城市臭氧的季节性变化规律

城市臭氧(O₃)污染已成为当前主要的大气污染问题之一,也是空气污染防控面临的新挑战. 然而,基于长时段连续监测数据的O₃浓度季节性变化规律及成因解析仍较薄弱. 本文基于2014年3月1日—2021年2月28日空气质量在线监测平台日尺度数据,通过偏相关等方法探讨京津冀及周边地区“2+26”城市O₃的季节性变化规律. 结果表明:①“2+26”城市2014—2020年O₃年均浓度上升速率为3.82 μg/(m3·a),呈现先上升后下降的趋势,下降速率小于上升速率;O₃浓度的季节性变化特征表现为夏季>秋季>春季>冬季. ②2014—2020年O₃轻度污染天数占比最大且呈上升趋势,除北京市外,其他城市夏季O₃中度污染天数上升趋势明显. ③2017—2020年O₃浓度与CO、NO₂浓度的显著负相关性在夏季和冬季有所增强. O₃与SO₂浓度的关系由2014—2017年春季、夏季和秋季的显著负相关变为2017—2020年夏季和冬季的显著正相关(P<0.05). ④春季和秋季O₃浓度与日均气温呈显著正相关,夏季和冬季O₃浓度与相对湿度呈显著负相关,与日均风速的相关性则相对较弱. 研究显示,“2+26”城市O₃污染协调治理成效显著,需在保持现有NO_x控制力度基础上强化VOCs控制,加强SO₂治理,进一步遏制夏季O₃浓度上升.      

基于多机器学习算法耦合的空气质量数值预报订正方法研究及应用

应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO₂、O₃、PM_2.5和PM₁₀)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO₂、O₃、PM_2.5和PM₁₀浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM_2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O₃和PM_2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果.