台州市不同功能区环境空气PM_(2.5)的污染特征研究

2015年7月至2016年3月在台州市采集504个PM_(2.5)样品,利用电感耦合等离子体发射光谱仪和原子荧光光度计分析样品中的19种无机元素,利用离子色谱和热光碳分析仪分别分析8种水溶性离子和2种碳组分有机碳(OC)和元素碳(EC)的质量分数,研究不同功能区环境空气PM_(2.5)及其化学组分的污染特征.结果表明,台州市环境空气PM_(2.5)年均质量浓度为(45.3±20.1)μg·m~(-3),季节变化规律为冬季春季秋季夏季,空间变化规律为工业园区商住区自然保护区.19种无机元素占PM_(2.5)总量的9.78%,主要元素为Na、K、Ca、Si、Zn、Al、Mg和Fe.富集因子分析结果表明,台州市无机元素的主要污染源包括道路交通尘、燃煤尘、建筑扬尘以及海盐粒子.采样期间8种水溶性离子总质量浓度为(26.50±5.86)μg·m~(-3),SO_4~(2-)、NO_3~-和NH_4~+占PM_(2.5)总量的(41.96±8.59)%.Cl~-、NO_3~-和NH_4~+离子质量分数为工业园区商住区自然保护区,SO2-4离子质量分数水平在3个功能区相近.OC和EC的年均浓度分别为(10.04±2.08)和(3.27±0.80)μg·m~(-3).商住区和工业园区OC和EC浓度水平相近,略高于自然保护区.SOC/OC值为秋季最高,冬季其次.不同季节SOC/OC值均为工业园区高于商住区和自然保护区.     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

杭州市2017年冬季一次重灰霾过程中PM2.5水溶性离子特征、来源及成因分析

利用在线监测仪测量了杭州市一次重灰霾过程（2017年12月29日至2018年1月3日）中PM_2.5主要水溶性离子（Cl^-、SO₄^2-、NO₃^-、NH₄⁺、Na⁺、Ga²⁺、Mg²⁺）及主要气态污染物（SO₂、NO₂、O₃、NO、CO、HCl、NH₃、HNO₂、HNO₃）的小时浓度。结合混合受体模型和国控监测分析,研究了2017年12月30-31日重灰霾事件的污染特征、来源和成因。研究结果表明：PM_2.5浓度高达318 μg·m^-3; NO₃^-/SO₄^2-最大值为2.68,说明移动源污染是杭州市PM_2.5形成的重要来源; PM_2.5/CO最高达到0.19,说明二次细颗粒物对PM_2.5贡献很大;NO₃^-、SO₄^2-、NH₄⁺的浓度总和占PM_2.5平均浓度的64.3%,说明二次无机细颗粒物是杭州重灰霾形成的重要原因,且NO₃^-的贡献最大,占33.5%。混合受体模型分析显示,杭州市重灰霾污染的潜在源区主要位于安徽、江苏、河南、山东四省交界处,以及安徽省中东部、蚌埠、芜湖等工业污染较为严重的城市。夹杂着大量污染物的北方干冷空气远距离传输叠加部分局地源是杭州此次重雾霾形成的根本原因。因此,为了改善杭州市空气质量,不仅需控制当地的污染物排放,而且还需对整个长三角地区甚至跨区域采取大气联防联控策略。     

南昌市大气细粒子PM_(2.5)中多环芳烃的污染特征及源解析

在南昌市布设5个采样点,代表交通干线区、工业区、商业区、居民区以及郊区,于2007年进行气溶胶PM_(2.5)的采样.各采样点测得的数据表明,PM_(2.5)中多环芳烃浓度呈现出夏低冬高的特征,空间分布上,南昌市PM_(2.5)中多环芳烃污染情况为交通干线>工业区>商业区>居民区>郊区,基于这些检测数据,通过因子分析法中的主成分分析法判断PM_(2.5)中多环芳烃的主要来源,利用多元逐步回归法确定各主要污染源对多环芳烃的贡献率.结果表明南昌市的主要污染源车辆排放源(标识物苯并(g,h,i)苝)、燃煤污染源(标识物荧蒽)、焦化污染源(标识物苯并(k)荧蒽)和高温加热源(标识物菲)对南昌市大气PM_(2.5)中多环芳烃的贡献率分别为31.0%、21.1%、25.8%和(14.6%).     

南昌地铁细颗粒物金属元素特征及其来源解析

为探明地铁细颗粒物(PM2.5)的金属元素特征及来源,在南昌地铁一号线瑶湖西站、八一馆站和双港站的售票处、站台、车厢及站外（背景值）采集了108个PM2.5样品,进行元素特征分析。结果表明,除Al元素浓度在站外最高外,其它各金属元素含量皆在车厢中最高,其次是站外、售票处和站台。各采样点的Fe元素浓度变化较大,车厢中Fe浓度略高于站台,是售票处及站外平均浓度的3.5～3.7倍和10.9～11.5倍。八一馆Fe和Mn浓度最高,双港站As、Pb浓度最高,瑶湖西站和双港站的Hg浓度最高。富集因子法结果显示,八一馆富集程度最高、瑶湖西最低,站内3个采样点中PM2.5受人为因素影响程度排序为:站台>售票处>车厢,其中Fe、Mn和Cu元素受人为影响最为严重。聚类分析发现17种元素中有3大组元素各组份间有较好的相关性,对应着不同类别的来源,而Co、Hg和Cd与其他元素之间的相关性较差,可能与前3组元素有着不同的来源。PMF和PCA解析地铁PM2.5得到4个相同来源,分别为扬尘（含土壤、道路、施工）、室外交通源、室外工业源和车轮轨道摩擦源。在两种分析结果中,各源所占的比重有所不同,但室外源总贡献率都约占80%,具有较好的一致性。     

乌鲁木齐市采暖期大气PM_(2.5)、PM_(10-2.5)中重金属污染水平评价

针对2007年12月至2008年1月在乌鲁木齐市采集的可吸入颗粒物(PM2.5-10和PM2.5),采用消解法和双道原子荧光光法(AFS)、电感耦合等离子体质谱仪法(ICP-AES)分析了样品中的5种重金属元素,并对MP10-2.5和PM2.5中重金属的污染水平和人类活动的贡献进行了评价.结果表明:PM10-2.5质量浓度平均值187μg/m3,超过国家二级标准(150μg/m3)的1.25倍、PM2.5质量浓度平均值为279μg/m3,超过美国EPA1997年颁布的PM2.5日平均值65的4.3倍.PM10-2.5和PM2.5中Pb的污染指数1Igeo10为重污染、Cd、Hg的Igeo10为严重污染.富集因子分析得出乌鲁木齐市Cd和Hg元素的EF值大于10,说明这些元素主要是人为源贡献,受土壤扬尘的影响较少;而Co、Pb元素的EF值在1～10之间,说明其主要来自自然来源.     

模糊聚类支持向量机的区域空气PM_(2.5)浓度预报

在分析模糊C均值聚类算法与支持向量机回归的特点后,将二者结合,提出了模糊聚类支持向量机回归(FCM-SVR)算法,对空气中颗粒物浓度PM2.5进行预测.该方法首先利用模糊C均值聚类算法把一个复杂的数据集分成多个群体,再在每个群体上建立支持向量机回归(SVR)模型,然后进行集成,对区域空气的PM2.5浓度进行预测.预测结果分别与自组织竞争神经网络支持向量机回归(SOM-SVR)模型和单一的支持向量机回归(SVR)的结果进行比较.结果表明,FCM-SVR模型的预报准确率高于SOM-SVR模型和SVR模型.     

餐厅、烤肉店PM2.5单颗粒的形貌及矿物组成特征

矿物颗粒是餐厅和烤肉店空气中的主要成分,为研究餐厅、烤肉店大气细颗粒(PM2.5)中单颗粒的化学组成,用带能谱的扫描电镜识别和统计了两个采样点的单颗粒;依据X射线能谱(EDX)数据,对餐厅、烤肉店的PM2.5颗粒采用P(X)值法,进行元素分类.分析表明:烤肉店样品中出现C质颗粒,但餐厅样品没有观察到.餐厅的矿物颗粒在数量上占绝对优势(69.3%)并分为富Si、富Ca、富Fe、富Cu、富Al、富Cl、富Br、富Na等8种不同类型,其中富Si占到43.3%、富Ca占到25%;在数量上烤肉店的矿物颗粒物占总颗粒的45.67%,分为富Si、富Ca、富Fe、富Cu、富Ti、富Zn、富Ca、富Na等,富Si占50%、富Ca占24.9%;餐厅和烤肉店矿物颗粒的主要类型相同,说明地壳来源是最主要的单颗粒的来源.     

水溶性有机溶剂中痕量阴离子的离子色谱测定及机理研究

采用阴离子交换分离,化学抑制模式,对甲醇、乙腈、异丙醇等有机溶剂中的阴离子进行测定.各有机溶剂稀释1倍直接进样可以测定Cl-、NO3-、SO42-,在所采取的色谱条件下,三种阴离子都具有很好的线性和较低的检测限.比较采用自动再生循环模式,利用化学抑制模式的离子色谱法是一种检测有机物中阴离子的高效、准确的方法.     

近岸海域水质污染因子空间特征和来源研究——以浙南瑞安市近岸海域为例

近岸海域的环境污染特征和污染来源是区域海洋环境保护的两大关键问题。以浙南瑞安市近岸海域为例,于2020年5月开展16个站位的海洋环境调查和表层海水采样,通过室内分析测试,共获得12项水质参数（盐度、溶解氧、化学需氧量、无机氮、活性磷酸盐、汞、镉、铅、铬、砷、锌、铜）数据,采用污染评价、多元数理统计分析（通过SPSS实现）及空间异质性分析（通过ArcGIS实现）等方法,较深入地探究了瑞安市近岸海域环境污染的空间特征和污染来源。研究结果表明,瑞安市近岸海域水质总体情况良好,各水质参数变异系数较大,部分海域的无机氮和活性磷酸盐明显超标。采用营养指数法进行评价,得到飞云江近口段和河口段的富营养化最严重;采用氮磷比法进行评价,得到北麂列岛周边海域发生赤潮灾害的风险更大。依据聚类分析结果,可将研究海域分为污染特征各异的4个区域。依据主成分分析结果,推测瑞安市近岸海域水体中营养盐、化学需氧量的主要污染源为农业,而重金属污染的可能来源为电镀、零件加工企业和船舶等。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。     

融合图卷积神经网络和注意力机制的PM2.5小时浓度多步预测

PM_2.5小时浓度多为单步预测。为实现PM_2.5小时浓度的多步预测,基于“编码器-解码器”的序列-序列预测（Seq2Seq）模型,集合图卷积神经网络提取非欧式空间数据特征的能力以及注意力机制自适应关注特征的能力,提出了融合图卷积神经网络和注意力机制的PM_2.5小时浓度多步预测（GCN_Attention_Seq2Seq）模型。并与Seq2Seq模型和使用了图卷积神经网络、未使用注意力机制的GCN_Seq2Seq模型进行了对照,以2015—2016年北京市22个空气质量监测站点的空气质量数据为样本进行实例验证,结果表明,Seq2Seq模型和图卷积神经网络（GCN）可对PM_2.5小时浓度数据的时空依赖进行有效建模,注意力机制有助于减缓多步预测中的预测精度衰减,提升PM_2.5小时浓度多步预测的精度。GCN_Attention_Seq2Seq模型可有效应用于多种长度的PM_2.5浓度预测窗口。     

钱塘江干流沿岸鸟类群落结构及分布特征的研究

1981—1990年对钱塘江干流沿岸进行了累计14个月的鸟类调查,该地区的鸟类区系共有206种组成,隶属17目41科,其中古北界种类105种,占51％,与冬候鸟和旅鸟的比例高有关.在繁殖鸟中,东洋界种类占绝对优势.群落优势度依次为钱塘江段>富春江段>新安江段,多样性指数却相反.随着从新安江到钱塘江的环境由中山丘陵→低山丘陵→平原农田,河滩的改变,鸟类的群落结构也由山地林区鸟类向平原田野和沼泽水域鸟类变化.