稻田生态系统O3干沉积特性及其对气孔吸收的贡献

选择江苏省南京市南京信息工程大学永丰农业气象试验站水稻种植区站点,实时观测气象因子、O₃浓度、干沉积通量、沉积速率.基于课题组在本地修正过的水稻气孔导度模型量化O₃干沉积通量在气孔与非气孔通道的分配特征.结果表明：整个水稻观测期间,O₃干沉积速率与通量在夜间变化平缓,白天变化剧烈,均值分别为0.34cm/s与-0.0049μmol/（m²·s）,峰值则分别出现在08：30与12：30.此外,水稻生长季期间平均日累积O₃总通量、气孔通量与非气孔通量分别为0.40,0.14,0.26mmol/（m²·d）,其累积值分别为27.8,9.8,18.0mmol/m².平均O₃气孔通量和非气孔通量所占总O₃通量的比例分别为34.0%和66.0%,其中白天的比例分别为49.0%与51.0%.     

成都市气温与PM2.5和O3交互作用对疾病死亡人数的影响研究

利用成都市2014~2016年逐日呼吸系统疾病和心脑血管疾病死亡资料、同期气象资料和PM_2.5日均浓度和每日臭氧最大8h平均浓度（O₃）资料,采用分布滞后模型以及广义相加模型中的独立效应模型、非参数二元响应模型和温度分层模型探究了成都市气温、PM_2.5和O₃单效应,以及气温与PM_2.5（或O₃）交互作用对当地呼吸和心脑血管疾病死亡人数的影响.单效应分析结果表明,气温与两种疾病死亡人数的累计暴露-反应关系均呈反“J”型分布,最适温度在22.2℃,该温度对应的疾病死亡人数最少;累积滞后1d的PM_2.5（或O₃）对应的健康风险最大,此时,PM_2.5和O₃浓度每升高10μg/m³,呼吸系统疾病死亡风险分别增加0.58%和0.54%,心脑血管疾病死亡风险分别增加0.35%和0.66%.分季节研究结果表明,PM_2.5对两种疾病死亡影响的健康风险冬季最高,而O₃的健康风险在秋季最显著.交互作用的研究结果表明,高温与高浓度的PM_2.5（或O₃）对疾病死亡的影响存在协同放大效应,当气温高于22.2℃时,PM_2.5和O₃浓度每升高10μg/m³,对应的呼吸系统疾病死亡风险分别增加2.30%和1.14%,心脑血管疾病死亡风险分别增加1.09%和1.03%.研究结果提示O₃对人群健康的影响也不容忽视,应该引起足够的重视.     

咸宁市大气臭氧敏感性和污染来源解析

为掌握咸宁市臭氧（O₃）污染状况,基于统计分析方法研究咸宁市2018年O₃地面观测数据,发现该年3~10月均有O₃浓度超标日发生,其中6、8、9、10月有浓度较高且持续时间较长的严重污染,高浓度时段集中于4~7月的每日12：00~20：00,浓度峰值出现时间约为16：00前后.使用OBM模型模拟,借助EKMA曲线、RIR分析等识别O₃敏感性,发现咸宁属于VOCs控制区,O₃生成对人为源VOCs中的二甲苯类芳香烃和烯烃类较敏感,这两类物种浓度均削减10%后分别得到RIR值为0.271和0.238.开展离线VOCs监测,经PMF方法解析得到5类源,其中工业排放为O₃污染主要贡献源,二甲苯类芳香烃绝大部分来自溶剂使用,烯烃类主要来自燃烧源.当O₃超标时,相比于非超标日,植物源、溶剂使用和燃烧源的贡献率均有增加,其中植物源的贡献增量较大,而机动车尾气和工业排放的贡献率却有一定程度的降低.     

京津冀区域臭氧时空分布特征及其背景浓度估算

为研究京津冀区域臭氧时空分布特征,并估算区域传输贡献,对2017~2019年京津冀区域68个国控站点资料进行主成分分析,并采用TCEQ法估算京津冀区域及细分的次区域内O₃背景浓度.结果表明,京津冀区域O₃浓度整体上呈现南高北低态势,地理位置的差异及其距离对于各城市臭氧浓度的均匀性分布影响较大.经最大方差法旋转后,主成分分析结果可将京津冀区域划分为河北省中南部、京津冀北部以及渤海西岸地区等3个稳定的次区域.对3个次区域分别采用TCEQ法估算O₃背景浓度,计算得到3个次区域本地生成O₃浓度依次为71,60,59μg/m³,区域背景浓度占O₃日最大8h浓度的比值依次为34.3%,39.4%,42.2%.京津冀区域O₃本地生成占主导,区域传输也不容忽视.     

2016~2019年江西省臭氧污染特征与气象因子影响分析

利用2016~2019年生态环境部环境监测总站提供的江西省11个设区市的监测数据及同期的国家气象观测站常规观测资料,研究江西省臭氧污染特征与气象因子的关系.结果表明,江西省近几年臭氧污染日益严重,2016年全省臭氧（日最大8 h滑动平均值）平均浓度为80.1 μg·m^-3,到2019年上升至98.2 μg·m^-3,平均年增长率为6 μg·m^-3.2019年江西省11个设区市O₃超标总天数为475 d,占总超标天数的72.6%.2016~2018年O₃月平均浓度具有典型的季节变化特征：夏季 > 春季 > 秋季 > 冬季,2019年秋季由于降水量显著减少、日照时数增多和气温升高等气象条件导致秋季近地面臭氧浓度异常升高,其平均浓度高于其它季节.臭氧浓度总体与气温、日照时数呈正相关,与相对湿度呈负相关,当气温高于30℃、相对湿度在20%~40%区间、风速在2~3 m·s^-1区间时易出现高浓度臭氧污染.江西省臭氧浓度呈现一定的空间分布特征：赣东北地区低于其他地区,南部城市高于北部城市.其中,赣州市臭氧污染较为严重,其2019年平均浓度居全省最高,为104.2 μg·m^-3.基于后向轨迹HYSPLIT模型和潜在源解析PSCF对赣州市进行分析,研究结果表明赣州市臭氧污染的主要潜在贡献源区存在一定的季节差异：春季臭氧污染的外来输送源主要来自广东中部和江西北部地区,夏季主要来自江西北部地区,而秋季则主要来自广东北部和安徽中部地区.     

基于排放清单和实地测试的工业VOCs排放特征:以郑州市高新区为例

基于本地污染源调查,同时对重点工业行业进行实地采样测试,建立了郑州市高新区工业VOCs排放清单及组分清单,并评估了 VOCs各组分的臭氧生成潜势(OFP)和二次有机气溶胶生成潜势(SOAp).结果表明,2017年郑州市高新区工业源VOCs排放总量为4 566.0 t,橡胶和塑料制品业、设备制造业和有色金属业是排放量最大的3个行业,排放量分别为1 924.2、1 396.3和813.4 t;各VOCs组分中,烷烃占比最大(40.9％),其次是含氧VOCs(32.2％)和芳香烃(20.3％);异丙醇、正十二烷、甲苯、甲基环己烷和丙酮是排放量最大的5种物质;OFP总量为8 753.8 t,最大贡献源和VOCs种类分别为设备制造业和芳香烃;SOAp总量为643.0 t,贡献较大的排放源为设备制造业和铝箔制造业,烷烃和芳香烃是两种主要贡献组分.     

加油站油气处理装置VOCs化学组成及二次污染生成贡献

加油站油气处理装置是控制埋地油罐油气压力并对油气进行回收处理的装置,测试分析油气处理装置进口和出口挥发性有机物(VOCs)化学组成,利用最大增量反应活性(MIR)和气溶胶生成系数(FAC)估算VOCs的臭氧生成潜势(OFP)和二次有机气溶胶生成潜势(SOAP),量化评估其二次污染生成贡献.结果表明：(1)油气处理装置进口和出口ρ(TVOC)分别为436～706 g·m^-3和4.98～10.04 g·m^-3,VOCs排放主要为烷烃(72%±4%)、含氧有机物(14%±2%)和烯烃(11%±5%).不同处理工艺VOCs排放差异较小,关键物种均为异戊烷(约25%),其次为正丁烷、异丁烷和正戊烷.(2)油气处理装置出口排放的VOCs臭氧生成系数(SR值)为2.6～3.3 g·g^-1,OFP为3.5～25.6 g·m^-3,其中烯烃对OFP贡献率(43%～69%)最大,其次为烷烃(20%～35%)和含氧有机物(10%～22%),OFP主要贡献物种为丁烯、顺-2-丁烯、反-2-丁烯、异戊烷和丙醛.(3)油气处理装...     

焦化废水后物化处理的臭氧-混凝-吸附原理选择与协同机制

以焦化废水生物出水为研究对象,对比了活性炭吸附、混凝沉淀、臭氧氧化原理及其协同的工艺技术处理效果,考察处理前后废水的分子量分布、紫外可见光谱、三维荧光光谱（EEM）和GC/MS等表征的溶液性质变化.结果表明,废水生物工艺出水的后物化深度处理的最佳组合原理序列为臭氧-混凝-吸附,响应曲面模型预测的最优反应条件为：臭氧反应时间62.56 min,聚合硫酸铁（PFS）投加量为0.87 g·L^-1,以及活性炭投加量为1.10 g·L^-1.实验过程的总有机碳（TOC）去除率达到98.29%,与模拟值98.74%相对偏差为0.45%.活性炭吸附、混凝沉淀和臭氧氧化3种技术原理对焦化废水生物出水中污染物具有选择性分离与转化的作用,组合工艺能够实现废水中残余组分有机物、UV₂₅₄吸光物质、荧光物质等的有效去除,存在废水溶液性质与工艺技术原理有效性协同增强的操作空间.     

Correction Factors for Covariance between Concentration and Deposition Velocity on CASTNes HNO3 Deposition Estimates

The covariance between hourly concentration (C) and depositionvelocity (V) for various atmospheric species may act to bias the dry deposition (D) computed from the product of the weeklyaverage C and V. This is a potential problem for the CASTNet filter pack (FP) species, nitric acid (HNO₃). Using ozone (O₃) behavior as a surrogate for HNO₃, correctionfactors (CF) are developed to estimate this bias. Weekly CF for O₃ depend on both site and season, and seasonal average weekly CF for O₃ at a given site may be as high as 1.25.The seasonal magnitude of this CF is generally largest in summerand is ordered: summer fall spring > winter. The CF is drivento a large extent by the diurnal correlation between C andV (i.e., both are generally higher during the day and lower at night). However, since the diurnal C profile at elevated sites is relatively constant, the resulting correlation between C and V is small, and the CF at montane sites is generally negligiblysmall. The sampling protocol using daytime integrated sampling for a week and nighttime integrated sampling for a week capturesthe diurnal correlation between C and V adequately and may be used to aggregate relatively unbiased weekly D estimates. Day-night CF for O₃ are close to unity, and limited results suggest similar behavior for HNO₃. Using these limited FP results, the site- and seasonally-specific weekly CF forO₃are refined to estimate the corresponding CF for HNO₃. Worst-case adjustments for HNO₃ as high as 30% are indicated for summer periods at a given site.     

Ozone Episode in the Milan Metropolitan Area A Comparative Evaluation of UAM-V and CALGRID Models

Data from an ozone episode (2–5 June, 1998) in the Milan metropolitan area were used for an application of two photochemical grid models: UAM-V and CALGRID. To assure a fair comparison, the models were run on the same domain and grid size, with same source emission inputs, CALMET diagnostic meteorology, and initial and boundary conditions taken from air quality data and literature values. Hourly emissions were derived from the AutoOil-II programme inventory except for on-road mobile source emissions; a new traffic emission inventory, based on both COPERT II methodology and road classification has been developed. NO_x and O₃ concentration results were compared to local network monitoring data. Results indicate that both models predict the highest ozone values along the north-east direction and are able to reproduce the ozone daytime trend though differences can be found between the two models on ozone spatial distribution. Average normalised bias for both models is about 50%, peak daily ozone concentrations are underestimated, with simulated peak shapes broader than the observed ones and a temporal shift between the two models. Night-time concentration levels of pollutants were not successfully reproduced due to an incorrect parameterisation of vertical turbulence calling for further work.