Long‐Term Trends of Nutrients and Sediment from the Nontidal Chesapeake Watershed: An Assessment of Progress by River and Season

To assess historical loads of nitrogen (N), phosphorus (P), and suspended sediment (SS) from the nontidal Chesapeake Bay watershed (NTCBW), we analyzed decadal seasonal trends of flow‐normalized loads at the fall‐line of nine major rivers that account for >90% of NTCBW flow. Evaluations of loads by season revealed N, P, and SS load magnitudes have been highest in January‐March and lowest in July‐September, but the temporal trends have followed similar decadal‐scale patterns in all seasons, with notable exceptions. Generally, total N (TN) load has dropped since the late 1980s, but particulate nutrients and SS have risen since the mid‐1990s. The majority of these rises were from Susquehanna River and relate to diminished net trapping at the Conowingo Reservoir. Substantial rises in SS were also observed, however, in other rivers. Moreover, the summed rise in particulate P load from other rivers is of similar magnitude as from Susquehanna. Dissolved nutrient loads have dropped in the upland (Piedmont and above) rivers, but risen in two small rivers in the Coastal Plain affected by lagged groundwater input. In addition, analysis of fractional contributions revealed consistent N trends across the upland watersheds. Finally, total N:total P ratios have declined in most rivers, suggesting the potential for changes in nutrient limitation. Overall, this integrated study of historical data highlights the value of maintaining long‐term monitoring at multiple watershed locations.     

西安市大气颗粒物数浓度分布及典型天气条件特征变化

利用2013年3月到2014年12月期间西安市大气中0.25～32μm颗粒物监测数据和同期气象参数、散射消光系数等数据,分析了大气颗粒物数浓度分布及典型天气条件下变化特征.结果表明:采样期间西安市大气颗粒物平均数浓度为206.27个/cm3, 99%以上为<1μm的颗粒物数.大气颗粒物数浓度冬季最高,其次为秋、夏和春季,分别为267.66、231.31、141.82和135.77个/cm3.四季的数浓度低值均出现在18:00左右,之后数浓度上升,且晚上高于白天,冬季6:00左右达到峰值,夏季的昼夜差最小,秋季最大.春夏秋冬的大气颗粒物数浓度与散射消光系数的Pearson相关系数分别为0.756、0.702、0.411、0.377.大气颗粒物数浓度在沙尘天气发生前、中、后会升高、下降和再下降,霾天气出现前、后会升高和下降;高温干燥天气下,大气颗粒物数浓度相对较低;降雨对大气颗粒物的清除作用明显,但降雨后大气颗粒物数浓度又很快回升.     

春季不同天气城市街头绿地内PM2.5质量浓度分布特征研究

于2012年春季,采用水平分布监测法监测了3种天气下距交通污染源不同距离的街头绿地中的PM2.5质量浓度,研究了不同天气下PM2.5的日变化、水平分布规律及绿地对PM2.5的净化效应,为城市街头绿地、城市公园建设及市民合理选择休闲锻炼时间和地点提供理论依据。结果表明：1）晴天和多云时,PM2.5质量浓度上午高于下午,7：00浓度最高,15：00最低;雨后阴天基本保持上升趋势。2）PM2.5日均质量浓度为晴天（61.67μg·m-3）〈多云（187.98μg·m-3）〈雨后阴天（291.48μg·m-3）。晴天除5：00和7：00外,其他时刻均达到国家二级标准,且13：00—15：00达到国家一类功能区空气质量要求;多云和雨后阴天PM2.5质量浓度分别超过国家二级浓度限值150.6%和288.6%。3）观测时段内,无论哪种天气,5：00、7：00、11：00和15：00绿地的净化功能较强,19：00净化功能均最差,所有监测点无一例外的表现为负效应。4）3种天气下,PM2.5质量浓度在距离道路10~25 m最高,绿地的净化效应最差,55 m外基本可以形成稳定的森林内环境。5）在南方高湿环境下,空气相对湿度是影响PM2.5质量浓度的主要因素,晴天和多云天气PM2.5浓度与相对湿度呈显著正相关,而雨后阴天二者呈负相关关系。6）在一定阈值内,街头绿地能够缓解PM2.5污染,为居民提供良好的休闲环境。从游憩时间来看,市民可以选择晴天进入街头绿地休闲,多云和雨后阴天尽量减少外出;从活动最佳地段来看,距离污染源55 m以上适宜休闲锻炼;从街头绿地的规划面积来看,半径以不小于55 m为宜。     

我国未来能源消费及其对环境的影响分析

随着我国经济的发展和城市化水平的提高,未来的能源消费状况及由此带来的环境污染问题日益受到人们的关注.本文简要回顾了1 980年以来我国能源消费状况并分析了相应的环境问题,对我国未来能源消费状况及可能带来的环境影响设置了3种情景进行预测和分析,得出我国今后因能源消费的SO₂、NO_x、CO₂和烟尘等排放量依然很高,但不同情景的预测结果有较大区别,并提出通过提高能源效率以及加强清洁、可再生能源的开发利用来解决能源消费带来的环境污染问题.     

公路路网建设项目声环境影响评价研究

以甘肃省某市新区基础设施建设中的路网建设为例,根据公路路网的交通参数、道路地形地貌条件、路面设施等,利用导则推荐模式预测路网噪声贡献值。该新区路网中道路距离多在500m以上,不论道路平行还是相交,噪声影响以主干道为主,以次干道为辅,相互影响;根据路网噪声环境影响的特点,提出切实可行的声环境影响减缓措施。     

安徽省近10年能源足迹测度及驱动因子分析

安徽省为生态建设省,随着中部崛起战略与皖江城市带承接产业转移示范区建设的实施,能源消费给当地生态环境形成了较大压力. 依据生态足迹模型对安徽省2000—2009年能源足迹进行了时间序列测度,基于STIRPAT模型揭示了能源足迹驱动因子的边际贡献,运用灰色GM(1,1)模型预测了2015年与2020年能源足迹. 结果表明:安徽省人均能源足迹由2000年的0500 8 hm2增至2009年的1043 5 hm2,人均能源足迹赤字由2000年的0432 9 hm2扩至2009年的0975 5 hm2;煤炭足迹对能源足迹平均贡献率为7629%,占主导地位;能源足迹强度由2000年的1083 3 hm2104元降至2009年的0704 7 hm2104元;研究时段内,能源足迹生态压力指数均大于5 人均GDP和第二产业在经济中所比例均与能源足迹呈正相关,二者边际弹性系数分别为0000 073 57和0006;而单位工业增加值能耗与能源足迹呈负相关,其边际弹性系数为-0186.      

2016—2019年夏半年成都市区臭氧污染天气特征分析

为揭示成都市区臭氧污染气象条件特征,通过欧盟COST733天气客观分型软件对成都市区2016-2019年夏半年(5-9月)海平面气压场和500 hPa位势高度场进行大气环流形势分型,并结合同期臭氧监测数据、地面气象观测数据以及总云量实况分析产品,分析成都市区夏半年臭氧超标天气及气象要素特征.结果表明:成都市区2016-2019年夏半年共出现臭氧超标日数为159 d,超标率为26.0%,超标日主要集中于5-8月,小时超标多出现于14:00-17:00.臭氧污染日数最多的海平面气压场为弱低压型,其后依次为低压前部型、低压型、高压后部型.臭氧超标率最高的海平面气压场为低压前部型,其后依次为弱低压型、低压型、高压后部型.500 hPa位势高度场平直西风气流型臭氧超标日数最多,青藏高压型臭氧超标日数最少.青藏高压型是臭氧超标率最高的500 hPa位势高度场型,平直西风气流型臭氧超标率最低.成都市区臭氧超标日多出现在偏西北风下,近地面气象要素特征一般表现为风速1.2~1.6 m/s,气温在25℃以上,相对湿度多集中在70%左右,总云量和降水概率多低于60%,降水量级以小雨为主,太阳辐射和日照时数分别位于20.5~23.2 MJ/m2和6.0~7.8 h区间.小时臭氧超标近地面气象要素特征为气温和总辐射曝辐量相对较高,二者分别在30~36℃和0~3.5 MJ/m2之间,相对湿度在60%以下,总云量低于40%,以偏南风影响为主.研究显示,成都市区海平面气压场为低压型,500 hPa位势高度场为青藏高压型时,易发生臭氧污染.      

泉州市灰霾时PM2.5浓度与气象条件、能见度相关分析研究

利用泉州市空气自动监测站的监测资料,研究泉州市灰霾天气时PM2.5浓度与风速、温度、相对湿度等气象因素及能见度的关系.结果表明:泉州市灰霾天气期间往往会伴随气象因素及能见度的变化,灰霾发生前,风速降低,相对湿度减小,逆温层形成,能见度降低;灰霾结束前,风速增大,相对湿度趋于稳定,逆温层消失,能见度增大.灰霾发生时,PM2.5的浓度与风速、能见度基本呈负相关的关系,与相对湿度基本呈正相关关系.气象条件及能见度的变化可以为灰霾天气时污染状况的预判提供重要的参考.     

Using Paleo Reconstructions to Improve Streamflow Forecast Lead Time in the Western United States

In water stressed regions, water managers are exploring new horizons that would help in long‐range streamflow forecasts. Oceanic‐atmospheric oscillations have been shown to influence streamflow variability. In this study, long‐lead time streamflow forecasts are made using a multiclass kernel‐based data‐driven support vector machine (SVM) model. The extended streamflow records based on tree ring reconstructions were used to provide a longer time series data. Reconstructed data were used from 1658 to 1952 and the instrumental record was used from 1953 to 2007. Reconstructions for oceanic‐atmospheric oscillations included the El Niño‐Southern Oscillation, Pacific Decadal Oscillation, Atlantic Multidecadal Oscillation, and North Atlantic Oscillation. Streamflow forecasts using all four oscillations were made with one‐year to five‐year lead times for 21 gages in the western United States. This is the first study that uses both instrumental and reconstructed data of oscillations in SVM model to improve streamflow forecast lead time. SVM model was able to provide “satisfactory” to “very good” forecasts with one‐ to five‐year lead time for the selected gages. The use of all the oscillation indices helped in achieving better predictability compared to using individual oscillations. The SVM modeling results are better when compared with multiple linear regression model forecasts. The findings are statistical in nature and are expected to be useful for long‐term water resources planning and management.     

回归分析方法在环境领域中的应用评述

回归分析是一种处理变量间相关关系的有效数理统计方法,回归分析模型目前已应用于环境领域的多个方面,并在实际应用中证实了其准确性和可行性。基本回归分析方法有一元线性回归、多元线性回归和逐步回归等,通过概述了这几种基本回归分析方法的原理及其在环境领域中的应用现状,评述了其应用效果,并预测了回归分析技术在环境领域中应用的发展方向;对在众多环境科学与工程研究领域中,更好地发挥回归分析的作用具有很好的参考价值。