北京冬奥会同期空气污染数值模拟

第24届冬季奥运会将于2022年2月4—20日在我国北京市和河北省张家口市联合举办,主要会场有北京奥体中心、北京延庆县和张家口市崇礼县.为了模拟分析冬奥会空气质量情况,利用冬奥会同期(2006—2016年2月)北京市和张家口市空气质量资料及韩国气象厅天气图资料(2013—2016年2月),分析该时段重污染发生的频次,统计不利于污染物扩散的天气形势出现概率及污染传输路径,并结合嵌套网格空气质量预报模式(NAPQMS),评估不同减排方案对ρ(PM_2.5)的影响.结果表明:① 2006—2016年冬奥会同期,北京奥体中心和延庆县发生重污染天气的概率分别为17%和9%,污染发生的风险频率为北京奥体中心>延庆县>张家口市,并且北京奥体中心和延庆县在2月13—16日易出现持续的重污染天气过程;② 2013—2016年2月不利于污染扩散的天气形势出现概率较为频繁,尤其在850 hPa高度和地面,不利天气形势出现的概率分别为35%和41%;地面偏南风易将在北京西南方滞留较长时间的污染气团沿太行山输送至北京;③ 冬奥会期间,若于2月2—12日及17—20日将京津冀及周边城市污染物排放量在当前的基础上减排50%、2月13—16日减排75%,将可能不出现重污染日.严格控制北京及周边地区的大气污染物排放是保障冬奥会期间空气质量的必要措施.      

北京市民用燃煤烟气中气态污染物排放特征

以北京远郊农村居民常用的蜂窝煤、煤球、烟煤散煤为实验用煤,开展燃烧实验.研究了烟气无机污染物排放因子、VOCs释放情况.结果表明在充分燃烧的条件下,蜂窝煤、煤球、烟煤气态污染物SO2排放因子分别为1.50、1.91、1.62kg·t~(-1);NOx排放因子分别为0.420、0.901、2.20 kg·t~(-1);CO排放因子分别为22.4、37.3、87.3 kg·t~(-1).燃烧排放的NOx和CO的排放因子顺序关系为:烟煤煤球蜂窝煤;SO2的排放因子大小顺序分别为:煤球烟煤蜂窝煤.获得了北京市2014年3种民用煤燃烧排放的气态污染物的排放清单,烟煤散煤排放的SO2超过了0.55万t,NOx超过了0.75万t,CO超过了29万t.3种煤质燃烧过程中点火和封火阶段VOCs排放浓度相对较高,各阶段VOCs排放因子为点火阶段最高,封火阶段次之.     

构造煤孔隙结构与瓦斯耦合特性研究

利用压汞法、低温氮吸附法、瓦斯等温吸附和解吸试验对平煤八矿构造煤和共生原生结构煤进行综合分析,探讨了构造煤孔隙结构与瓦斯耦合特性.结果表明,构造煤以微孔为主,中孔和大孔相对发育且含较多细颈瓶孔,孔隙连通性差.与共生原生结构煤相比,构造煤各孔径阶段的孔容和孔比表面积都有所增加.构造煤比表面积的增加具有阶段性,即孔径＜ 1.2 nm时为慢增加阶段,孔径=1.2 ～ 4.9nm时为快增加阶段,孔径＞4.9 nm时为稳定阶段.构造煤极限瓦斯吸附量a的增大与比表面积快增加阶段关系密切,但小于其BET比表面积的增幅.瓦斯解吸初期0～2 min内构造煤瓦斯解吸速度和解吸量明显大于共生原生结构煤,与中孔和大孔的变化一致,2 min以后瓦斯解吸迅速衰减.低煤体强度、高瓦斯含量的构造煤以气-煤共溶体形式储集更多弹性潜能,突然卸压时瓦斯膨胀能迅速释放,煤层中发育的构造煤增加了煤与瓦斯突出的危险性.     

基于探采对比的煤层瓦斯含量分析及预测

针对新建矿井地勘瓦斯含量测值偏低和井下实测瓦斯含量较少的特点,结合工程和科研实践,提出了利用大量的工作面瓦斯涌出量反演煤层原始瓦斯含量技术和基于探采对比的煤层瓦斯含量预测方法。以邹庄井田32煤层为研究对象,在考虑瓦斯抽采情况下计算3204工作面瓦斯涌出量,并反演该工作面煤层原始瓦斯含量。通过对比采掘过程中获得的瓦斯含量和地勘瓦斯含量,得到不同钻孔深度时的地勘瓦斯含量修正系数,并采用瓦斯地质研究方法对32煤层分3个单元进行瓦斯含量预测。结果表明:32煤层瓦斯含量整体呈现"东部大于西部,北部大于南部"的规律,与临近矿井具有相似的瓦斯赋存规律。这表明利用探采对比的方法预测煤层瓦斯含量是可靠的。     

2014年春节期间北京市空气质量分析

对2014年1月30日(除夕)13时到1月31日(初一)12时期间北京市官园、怀柔和良乡监测站的CO、SO2、NOx、PM10、PM2.5浓度及PM2.5化学组分和能见度等监测数据进行分析,探讨了污染源减排和烟花爆竹燃放对北京市空气质量的叠加影响.研究发现,烟花爆竹的集中燃放会在短时间内造成严重的大气污染,其中,对PM10、PM2.5和SO2的影响最为显著.官园、怀柔和良乡监测站在1月31日凌晨1时的PM10浓度值分别为377.8、253.2和627.0μg·m-3,分别为1、2月份平均值的2.4、2.0和3.6倍;PM2.5浓度值分别为292.0、184.7和522.4μg·m-3,分别为1、2月份平均值的2.1、1.5和3.2倍.烟花爆竹的燃放对PM2.5化学组分中的K+、SO2-4、Cl-、Mg2+和Na+等影响最大,1月31日凌晨1时这5种离子在PM2.5浓度中占的比例高达92.1%.烟花爆竹的燃放造成1月31日凌晨1时监测中心和良乡的能见度分别降至2422 m和3591 m,是1、2月份能见度均值的22.9%和32.8%.2010—2014年"春节半月"期间官园、怀柔和良乡PM10平均浓度大多低于冬季均值和年均值,2014年"春节半月"这3个监测站的PM2.5浓度相比于冬季均值分别下降了33.3%、20.6%和39.2%,表明污染源减排对空气质量的正影响非常明显.     

北京市PM_(2.5)主要化学组分浓度水平研究与特征分析

为研究北京市大气环境PM_(2.5)中主要化学组分特征,于2012年8月—2013年7月期间,在北京市定陵、车公庄、东四、石景山、通州、房山、亦庄和榆垡等8个点位开展为期1年的样品采集,共计采集472组样品,分析每组样品中OC、EC、水溶性离子和18种无机元素等组分.研究结果表明,本次研究的组分重建后和实际PM_(2.5)浓度相关性显著,相关系数为0.94,所测组分平均占PM_(2.5)总量的90%;各点位不同季节PM_(2.5)中主要的组分均为OC、NO_3~-、SO_4~(2-)、NH_4~+,呈南高北低的趋势,冬季OC是夏季的1.7倍,NO_3~-和SO2--4在四季呈交替状态,除榆垡点位的SO_4~(2-)NO_3~-外,其他点位均是NO_3~-SO_4~(2-),4种主要的组分质量浓度分别为(23.1±21.4)、(20.3±23.4)、(19.4±22.2)、(13.6±15.2)μg·m-3,占PM_(2.5)总含量的18.5%、16.3%、15.6%、10.9%;研究水溶性离子发现,8个点位全年SNA/PM_(2.5)比例为42.8%,其中,夏季最高(49.9%),秋季较低(31.1%),NO_3~-/SO_4~(2-)比值平均为1.05,相对往年研究结果 NO_3~-/SO_4~(2-)比值有增加的趋势.     

2013年1月北京市一次空气重污染成因分析

采用数值模式与观测资料相结合的方式,对北京市2013年1月9日至15日一次空气重污染过程的大气环境背景、气象条件和形成原因进行了初步分析.结果表明,重污染过程期间10日至14日PM2.5平均值为323μg·m-3;重污染过程与当地气象条件密切相关,稳定的大气环流形势为污染的持续提供了大气环流背景,风速较小、湿度较大、边界层较低、持续逆温是造成重污染的主要原因;重污染过程中区域输送对北京PM2.5贡献率在53%~69%之间且存在明显的二次转化,区域输送起着更为重要的作用;气象条件对持续性重污染的形成和破坏起到了关键性的作用,因此需要加强对重污染预警预报研究,以有效预防和控制空气重污染.     

2012~2013年间北京市PM2.5中水溶性离子时空分布规律及相关性分析

2012年8月~2013年7月,在北京市包括城市背景、城区、郊区以及边界传输点在内的9个监测点位进行大气细颗粒物PM2.5样品的采集与分析,共获得486个有效样本及9种水溶性离子的质量浓度.观测期间9种水溶性离子总质量浓度为60.5μg·m-3,浓度水平高低顺序分别为NO-3SO2-4NH+-4Cl-Na+K+Ca2+F-Mg2+;其中SO2-4、NO-3和NH+4(三者简称SNA)占全部所测水溶性离子的88%;NO-3是全年波动范围最大的二次离子.对所测阴、阳离子相关性研究发现,阴、阳离子总体相关性良好,春、冬季阴、阳离子相关性要好于夏、秋季.对不同颗粒质量级别中的水溶性离子研究发现,SNA积累活跃,相对于SO2-4的积累,NO-3和NH+4在二次离子的形成过程中占据主导地位;NO-3是重污染过程累积效应比较明显且贡献相对较高的二次离子.     

北京市秋冬大气污染传输特征遥感研究

综合地基遥感、卫星遥感与地面监测数据对北京市2016年10月—2017年3月的污染来源及传输特征进行分析,并结合气象数据对污染形成的气象条件进行研究.结果表明,冬季重污染发生频率最高,2016年12月和2017年1月发生频率均超过30%.平缓型污染以本地来源为主,单峰型和多峰型污染由本地污染与区域传输共同导致.平缓型和单峰型本地污染集中在北京中南部,多峰型扩散至全市.区域传输方向均以西南为主,单峰型和多峰型存在东南传输.单峰型以1次传输为主,多峰型均为多次传输.传输层的高度差异较大,但均在0.3～0.5 km高度存在低空传输层,并且存在高于1.0 km的高空传输.平缓型、单峰型和多峰型污染的垂直延伸高度分别为0.5、0.7和1.0 km.研究污染发生时的气象条件,发现污染发生时风向均以西南风为主,发生频率高于60%,其次为东南风.相对湿度和消光系数随污染等级提升逐渐升高,当相对湿度高于70%时,多峰型污染消光系数高于2.0 km~(-1)的频率达到63.33%.3种类型污染发生时的逆温频率均高于75%,高强度的贴地逆温是造成本地污染的成因之一.     

基于深度学习的大数据空气污染预报

为了更好地反映环境污染变化趋势,为环境管理决策提供及时、全面的环境质量信息,预防严重污染事件发生,开展城市空气质量预报研究是十分必要的.本文针对环境大数据时代下的城市空气质量预报,提出了一种基于深度学习的新方法.该方法通过模拟人类大脑的神经连接结构,将数据在原空间的特征表示转换到具有语义特征的新特征空间,自动地学习得到层次化的特征表示,从而提高预报性能.得益于这种方式,新方法与传统方法相比,不仅可以利用空气质量监测、气象监测及预报等环境大数据,充分考虑污染物的时空变化、空间分布,得到语义性的污染物变化规律,还可以基于其他空气污染预测方法的结果(如数值预报模式),自动分析其适用范围、优势劣势.因此,新方法通过模拟人脑思考过程实现更充分的大数据集成,一定程度上克服了现有方法的缺陷,应用上更加具有灵活性和可操作性.最后,通过实验证明新方法可以提高空气污染预报性能.