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...     

我国PCDD/Fs网格化大气排放清单

PCDD/Fs排放清单是进行PCDD/Fs控制、环境归趋行为研究和健康风险评估的基础.本研究基于我国官方发布的2004年各行业PCDD/Fs排放清单的基础上,结合联合国环境规划署(UNEP) 2013年发布的最新《鉴别及量化PCDD/Fs类排放标准工具包》中PCDD/Fs排放因子,估算了我国2016年各省各行业PCDD/Fs大气排放量,并结合各行业网格化指代数据,建立了我国PCDD/Fs大气网格化排放清单(1/4°×1/4°经纬度),最后利用蒙特卡洛模型分析了清单的不确定性.结果表明,2016年我国PCDD/Fs大气排放量(以TEQ计,下同)为10 366 g,与2004年相比增加了约2倍.从排放行业来看,金属生产是我国大气中PCDD/Fs的主要来源,2016年排放量为5 333 g,其次为垃圾焚烧(2 469 g),供热和发电(1 290 g)和矿物产品生产(933 g),以上4个行业排放量占我国PCDD/Fs大气总排放的97%.从空间来看,我国大气PCDD/Fs排放主要集中在京津冀、长三角和珠三角地区,其中京津冀和长三角地区PCDD/Fs排放主要来自钢铁生产,珠三角地区主要来自垃圾焚烧.     

基于在线观测本地因子的长三角家禽养殖氨排放时空分布特征

为获取长三角地区家禽养殖氨排放因子和时空分布特征,通过在线高分辨率监测系统对典型规模化蛋鸡养殖场棚舍养殖和粪便堆肥环节的氨浓度进行连续监测,获取不同季节、不同生长阶段的氨浓度和排放因子,并建立基于本地化排放因子的长三角家禽养殖氨排放清单.结果表明,棚舍养殖和粪便堆肥环节春夏秋冬4个季节ρ（NH₃）日均值分别为：（1.85±0.38）、（4.58±0.33）、（3.87±0.12）、（2.83±0.47）mg·m^-3和（2.04±0.50）、（4.04±1.04）、（2.51±0.67）、（1.55±0.16）mg·m^-3,氨浓度呈显著的日小时变化趋势,养殖棚舍春夏秋冬小时ρ（NH₃）最大值出现在中午13:00～14:00,最小值出现在凌晨01:00～03:00,粪便堆肥环节夏秋季节的小时ρ（NH₃）最大值出现在16:00～19:00,春冬季的日小时变化过程则不明显;氨日小时浓度变化主要受日温度变化、畜禽活动和清粪管理等因素影响.蛋鸡不同生长阶段的氨浓度呈显著差异,青年鸡、产蛋鸡...     

基于神经网络的碳排放预测及影响因素分析

基于新疆1995—2014年农业生产碳排放源,建立碳排放关系数据库。应用广义神经网络(generalized regression neural network,GRNN)构建了排放量预测模型,结合平均影响值(mean impact value,MIV)方法对碳排放影响因素进行量化。结果表明:1)GRNN模型预测碳排放的平均绝对百分误差和拟合优度分别为2.7860%和0.8720;2)新疆人口、人均GDP、农业贡献值、农机总动力和农户固定资产投资等因素对农业生产碳排放的影响程度分别为0.6210、0.2377、0.3698、0.8500和0.1000。该成果可为新疆碳排放总量分析和影响因素量化方面提供参考。     

氮肥水平对不同土壤CH4排放的影响

鉴于氮肥施用对农田CH₄排放的影响还有很大不确定性,室外盆栽试验于2002年在南京农业大学实施.选取3个供试土壤,各土壤设置对照和低、中、高3个不同氮肥水平,施入尿素量分别为0 g/盆钵(对照) ,0.64g/盆钵,(低氮水平) ,1.28g/盆钵(中氮水平) ,1.93g/盆钵(高氮水平) .结果表明在水稻生长季,不同氮肥(尿素)施用量对稻田土壤CH₄排放影响表现为不同土壤之间,及不同氮肥水平之间CH₄排放均存在显著差异.无氮肥施入的情况下,3种土壤的CH₄季节性累积排放量存在显著差异,分别为6.7g/m²,12.6g/m² 和8.3g/m².施加氮肥后,3种土壤的CH4排放量随氮肥施入量的增加,均表现为降低趋势,不同土壤CH₄排放量存在差异,土壤背景氮含量最高的F(江苏溧水)土壤的CH4排放都比相应氮肥水平下的G(江苏涟水)和H(江苏农科院)土壤的CH₄排放低1倍左右.更进一步发现从低氮到中氮水平,3种土壤CH₄排放量随氮肥用量的增加降低幅度最大,而此时各土壤的NH₄-N含量随氮肥用量增加明显提高,推断造成CH₄排放降低的主要可能原因是各土壤的氨态氮含量的增加所致.从中氮到高氮水平3种土壤的CH₄排放量的变化不尽相同,G和H土壤的CH₄排放量随氮肥用量的增加而降低,而F土壤在中氮和高氮水平下的CH4排放量没有明显变化,值分别为30g/m².     

民用燃煤不同燃烧阶段细颗粒物排放特征

研究了民用燃煤在不同燃烧阶段排放PM_2.5的质量浓度分布特征.结果表明,散煤与正烧炉在旺火阶段排放颗粒物粒径主要集中在0.2μm以下（d₅₀=0.15μm）,加煤和封火阶段在0.2~0.5μm （d₅₀=0.38mm）,质量占比46.6%~68.97%.型煤与正烧炉在各阶段排放的颗粒物均以0.2μm以下颗粒物为主,质量占比44.64%~56.24%.扫描电镜（SEM）观察到燃煤排放PM_2.5为大量超细颗粒物聚集形成的簇团状结构.用碳平衡法计算得到散煤加煤阶段的PM_2.5排放因子为4.72g/kg,分别是旺火和封火阶段的12和11倍.将散煤更换为型煤,能够使得加煤阶段的PM_2.5排放因子减少90.9%,从而显著降低PM_2.5排放.     

环境因素对芦苇湿地CH4排放的影响

用封闭式箱法对辽河三角洲芦苇湿地温室气体CH₄ 排放进行了长期观测 .结果表明 ,CH₄ 排放有明显的季节变化规律 ,平均通量为 520μg·m^-2·h^-1.土壤产CH₄ 活性主要发生在0～5cm土层中 ,并随土层深度的增加而显著下降 .CH₄排放受环境因素影响很大 ,土壤氧化还原电位在 -110mV时就有CH₄排放 ,其排放量随氧化还原电位的下降而增加 .另外 ,随着淹水深度的增加 ,CH₄ 排放反而减少 .在测定期内 ,CH₄ 排放与温度呈明显的正相关 (R²=0196,n=21,P<0.05).     

种稻盆钵土壤甲烷排放通量变化的研究

通过温室盆栽试验,研究了不同冬作处理时后茬水稻生长期甲烷排放通量及土壤温度、土壤Ｅｈ的日变化规律。结果表明：连续晴天甲烷排放通量和土壤温度存在明显的昼夜变化,最大值出现在下午４时左右,最小值出现在凌晨４时左右,符合余弦函数变化规律;连续阴雨天甲烷排放通量有逐日降低的趋势,但其昼夜变化缺乏规律性。种稻盆钵土壤甲烷排放通量昼夜变化主要受０～１０ｃｍ深土壤温度的影响,而与土壤氧化还原电位无关。     

中国集成电路制造行业VOCs排放特征及控制对策

中国电子信息产业发展迅速,集成电路等电子器件产量不断增加.在集成电路制造的过程中,大量有机溶剂的使用导致VOCs的产生和排放,从而对大气环境造成影响.为掌握集成电路制造行业VOCs的排放特征,系统分析了其工艺流程和产排污环节,分析了行业废气收集和治理现状,通过对典型企业VOCs的排放监测,获得VOCs排放水平;采用排放因子法核算行业VOCs历史排放量,并基于行业排放特征及减排潜力分析,提出了相应的污染防治对策.结果表明：在集成电路制造中,VOCs排放环节主要集中在光刻、清洗、去胶等过程,1 m²集成电路产量约使用87 g有机溶剂,VOCs产生量较大;通过采取高效的VOCs治理技术,集成电路制造行业有组织排放水平较低,平均浓度为2.1 mg·m^-3,但厂界无组织排放浓度相对较高,平均浓度为0.78 mg·m^-3,接近国家标准的排放限值.根据排放量核算结果,2011—2016年中国集成电路制造行业VOCs排放量呈逐年上升的趋势,主要受产量增加而相应污染控制技术水平提升有限的影响,无组织排放量比重大,占排放总量的38.1%~45.1%.     

作物生长和氮含量对土壤-作物系统CO2排放的影响

为探讨作物生物学特征对土壤-作物系统CO₂排放的影响,本研究基于逐步收割法和静态暗箱-气相色谱技术,以冬小麦和水稻作物为研究对象,采用盆栽和大田试验的方法,在作物生长的主要生育期原位测定了土壤-作物系统CO₂排放速率,同时测定了作物生物量和氮含量.研究结果表明:①土壤-作物系统CO₂排放在生长季内呈现动态变化,土壤-水稻系统CO₂排放高于土壤-冬小麦系统.②作物暗呼吸速率与生物量呈显著线性相关.③作物暗呼吸系数(R_d)的季节变化可以用植株氮含量来描述.冬小麦R_d与N含量的关系可用线性方程R_d=0.0124N-0.0076(R²=0.9879,p<0.001)表示;水稻R_d与N含量的关系可用二次方程R_d=0.0085N2-0.0049NR²=0.9776,p<0.001)表示.④作物根系的参与极大地促进了土壤呼吸.冬小麦生长季土壤表观呼吸CO₂平均值为247.2 mg·(m²·h)^-1 ,高于未种作物土壤1.78倍,水稻生长季为215.3 mg·(m²·h)^-1 CO₂,高于未种作物土壤的3.38倍.冬小麦根系呼吸系数大于水稻,其根际呼吸对土壤表观呼吸的贡献高于水稻.