基于POI兴趣点的排放清单空间分配方法

基于商业住宅、农林牧渔企业、交通设施等类型的城市设施兴趣点(POI)数据建立了针对居民生活源、农业源、交通源等非点源的排放清单分配方法.以北京市为例,基于2015年高德地图的POI数据对清华大学MEIC排放清单进行了3km×3km及1km×1km的高空间分辨率分配,并基于分配后的排放清单,采用CMAQ空气质量模式对2015年1月5个市内监测站点PM_(2.5)的模拟值及监测数据进行对比,以检验该分配方法的准确性.结果表明,利用POI数据进行空间分配可以更加有效地反映出排放源的空间分布特征;CMAQ空气质量模式模拟结果中,采用该方法分配后的排放清单较直接面积插值的排放清单标准化平均偏差(NMB)降低40%左右,标准化平均误差(NME)降低10%左右.     

基于互联网大数据的成都餐饮源细颗粒物排放空间分配研究

餐饮过程排放的废气正成为大城市大气污染的重要来源之一.根据成都市2013年排放清单更新的研究成果,综合运用本地化的餐饮排放因子、排放活动水平的调查成果和成都市统计年鉴的统计数据等信息,对成都市餐饮源的PM_(2.5)排放总量进行了估算,其结果为4740 t·a~(-1).为了对区域的餐饮废气排放进行空间分配,本文抓取了互联网兴趣点POI信息.通过这些信息,对成都市的社会餐饮、学校食堂餐饮和家庭餐饮的空间来源进行了表征,对成都市生活源中餐饮污染物排放的空间分布规律进行了探索,并提出了新的餐饮源高分辨空间分配方法.结果表明,基于POI空间分配的2013年成都餐饮源单位面积年排放强度均值为0.29 t·km~(-2)·a~(-1),主城区均值为3.47 t·km~(-2)·a~(-1),全市的排放量分布区间为0~35.7 t·km~(-2)·a~(-1).互联网POI信息可以作为研究城市餐饮源空间分布的重要数据来源,在实际应用上更适于表征社会餐饮点源污染.     

GIS技术在船舶大气污染物排放清单建立研究中的应用

阐述了地理信息系统（GIS）技术在上海市船舶大气排放清单建立研究中的应用。通过应用地理编码技术和地理实体的拓扑模型建立等技术，较好地解决了船舶码头定位和航线距离统计等关键空间问题。并利用GIS对船舶污染物排放量进行了空间统计，得到空气质量模型可用的空间排放数据集。     

基于实地调研的广东省工业VOC排放清单改进研究

工业源是人为源挥发性有机物(VOC)排放的重要贡献源,然而现有基于统计年鉴数据建立的工业VOC排放清单仍然存在排放源缺失、排放量低估、空间分配精度不足等问题.为了提高清单表征及空间分配的精细度,本文在2014年基于统计年鉴数据建立的广东省工业VOC排放清单的基础上,利用问卷调研方式获取了12000多家工业企业的详细活动水平数据,对工业VOC排放表征与空间分配进行改进,进而建立了基于实地调研和统计年鉴数据相结合的2014年广东省工业VOC排放改进清单.结果表明,改进后广东省工业VOC清单排放量由500927 t增至716470 t,珠三角地区行业VOC排放量增加30%左右,非珠三角地区增加90%左右,其中,炼油及石化行业VOC排放量变化最为明显.改进前清单借助人口密度等空间地理信息为空间分配依据,导致部分VOC排放分配到工业源较少的居民区或市中心;改进后的空间分配优先采用基于经纬度信息的点源分配方法,点源调研数据使得分配后的工业VOC主要集中在工业园区,少数工业VOC排放分配给人类活动有限的偏远农村地区,分配结果更为合理、精细.利用CAMx模型结合实际观测站点监测结果评估此次改进对O_3生成的影响,总体上改进后清单提高了广州、东莞、惠州和茂名等城市的O_3峰值期的模拟浓度,降低了东莞及广州O_3污染时期的模拟偏差,部分被低估的模拟峰值可以提高6～9μg·m~(-3);同时,空间分配的改进也影响了城市间O_3传输模拟.     

京津冀城市群大气污染传输规律研究——两组排放清单的比较分析

利用WRF/CALPUFF耦合模型,在同样重污染气象条件下,选择了当下模拟应用最广的两组排放清单对4种主要污染物（NO_x,SO₂,PM_2.5和PM₁₀）进行京津冀城市间区域传输贡献比较分析.其中一组排放清单来自政府的环境统计（以下称：环统排放清单）,另一组排放清单是来自中国多尺度排放清单（以下称：MEIC排放清单）.污染物的浓度空间分布表明,两种排放清单下污染物浓度均呈现北部以唐山中心,南部以石家庄-邯郸为中心的分布特征,均是由两个浓度最高的中心向外逐渐降低.但是环统排放清单下模拟的污染物浓度高值区范围更大,更接近实际监测数据.基于不同的清单输入,一些城市的传输角色存在一些差异.例如,对于4种污染物,两种排放清单模拟出的沧州与周边城市的净传输方向完全相反,在MEIC排放清单中,沧州以向外净传输为主,即为源;而在环统排放清单中,沧州则变成了净输入城市,即为汇.这些结论将影响大气联防联控中各城市源汇责任的认定,在实际环境管理中应注重多源数据的选择、验证和比较.     

基于"3S"的南京市大气污染源清单网格化空间分配研究

基于GIS、RS、GPS集成技术,依据南京市10大类大气污染源排放和空间分布特征,采用合适的空间分配方法,根据各排放源的相关权重分配因子,构建了南京市2015年大气污染源排放清单1 km×1 km的网格化空间数据库,并基于GIS平台叠加显示形成了2015年南京市大气污染源1 km×1 km空间分布图.结果表明,此次空间分配结果与南京市GDP、路网、人口、农业等相关分布特征相互吻合,说明本研究网格化空间分配方法较为合理可靠,可满足后续空气质量模拟的需求.     

缺失烟囱参数估算及其应用对空气质量模拟结果的改进

针对源清单中部分点源烟囱参数缺失而采用源排放模型SMOKE(Sparse Matrix Operator Kernel Emissions)默认的烟囱参数对空气质量模型模拟结果造成的不利影响,综合考虑气象观测数据、空气质量监测数据、源排放强度以及相关标准和规范对烟囱设计的要求,分别基于最大落地浓度法和基于统计方法对2009年珠三角地区源清单中缺失烟囱参数点源的烟囱参数进行了估算,并将估算烟囱参数用在WRF/SMOKE-PRD/CMAQ空气质量模型系统分析其对模型模拟的改善情况.相比于采用SMOKE默认烟囱参数,基于最大落地浓度估算烟囱参数对NO2、NOx、SO2、PM10及O3的模拟结果均具有一定改善作用,而基于统计方法估算烟囱参数仅对SO2、O3的模拟结果有所提高.结果表明,使用基于最大落地浓度法估算得到的烟囱参数更为合理,使污染物的垂直排放分配更加合理,可以应用于空气质量模型输入源清单中缺失烟囱参数点源的估算,从而一定程度上改善空气质量模型的模拟效果.     

工业锅炉大气污染物排放清单的分配方法研究

工业锅炉排放大量的烟尘、SO2和NOx,已经成为我国重要的大气污染源。由于缺少详细的统计资料,国内暂时没有网格化的工业锅炉源大气污染物排放清单。本研究将工业锅炉作为独立的排放源,对其排放的大气污染物进行化学物种分配、时间分配和空间分配,编制网格化排放清单,实现运用空气质量模型对工业锅炉的环境影响进行研究的可能性。进行空间分配时首次提出按照各省的工业锅炉煤炭消耗量和省内各城市的人口数量的比例进行分配的思路。     

渭南市道路移动源高分辨污染物排放清单及特征研究

应用MOVES-2014a模型并对其输入参数进行了本地化修正,计算了 2018年渭南市道路移动源污染物的排放因子和排放总量.基于渭南市路网分布和GIS信息及车流分布对污染物总排放量进行了空间和时间分配,建立了 1 km×1 km和l h分辨率的排放清单.结果表明,渭南市机动车排放CO、NMVOCs、NOx、NO2、NO...     

基于OMI数据的长三角地区NOx排放清单校验

近年来伴随着我国经济的持续增长,人为源氮氧化物排放居高不下,导致我国区域大气复合污染日趋严重. NO_x排放清单对于大气复合污染研究具有极为重要的意义.为了降低NO_x排放清单的不确定性,基于OMI卫星观测的对流层NO₂柱浓度资料,结合WRF-CMAQ模型系统,对2014年长三角区域NO_x排放清单进行了校验,对于该清单的不确定性进行了初步评估.结果表明,基于长三角地区2014年大气污染物排放清单,利用WRF-CMAQ系统模拟所获得的区域NO₂柱浓度平均值（4.66×1015~10.58×1015 mole/cm2）与OMI卫星数据（3.49×1015~11.47×1015 mole/cm2）较为接近,并且相关性较好（平均R=0.65）,归一化平均偏差（NMB）在-7.71%~33.52%之间,平均偏差（Bias）在0.06~0.28之间,可以在一定程度上说明2014年长三角区域NO_x排放总量基本能够反映区域NO₂污染状况.对比分析了OMI卫星遥感资料与CMAQ模型模拟结果,二者NO₂柱浓度空间分布情况总体一致,然而,苏南、上海和浙北等工业较发达地区OMI卫星NO₂柱浓度低于CMAQ模型模拟值,周边经济欠发达地区OMI卫星数据高于CMAQ模型模拟值,表明空间分布仍有进一步优化的空间.利用近地面卫星观测数据与CMAQ模型模拟结果对比,可得近地层观测ρ（NO₂）高于模拟结果,说明仅仅利用地面观测数据验证模型模拟结果存在一定偏差.研究显示,NO_x排放清单模型模拟结果在总量和时间变化方面与OMI卫星资料一致,在空间分配方面存在一定偏差.      

基于交通流量和路网的区域机动车污染物排放量空间分配方法

针对传统的机动车污染物排放空间分配方法精度不高的问题,提出了一种基于交通流量与道路系统的机动车污染物排放"标准道路长度"空间分配的新方法.该方法以实际道路网络作为机动车污染物排放的分配基底,根据不同等级道路交通流量的差异引入"标准道路长度"转换体系,并利用GIS技术完成机动车污染物排放的空间分配过程.将该方法应用于珠三角地区,建立了2004年珠三角地区的机动车污染物空间分配清单.研究结果表明,珠三角地区机动车高污染物排放集中在车辆保有量大、路网密集、交通流量大的城市和地区,且高污染物排放空问分布情况与主干路网的分布一致,呈现出明显的路状分布;结果显示,该方法能有效降低传统方法空问分配的偏差,尤其当路网分辨率提高时.分配结果精度更高,更切合实际排放情况.     

大气污染物排放源清单不确定性定量分析方法及案例研究

大气污染物排放源清单由于在数据收集过程中存在的不可避免的监测误差、随机误差、关键数据缺乏以及数据代表性不足等因素而具有不确定性,而排放源清单的不确定性指的是人们对排放清单的真实值缺乏认识和了解.介绍了目前大气排放源清单定量不确定性方法框架,并使用电厂NO_x在线监测数据,通过实际案例量化排放源清单中的不确定性.结果表明:即使对被认为具有较高准确性的火电厂点源排放清单,案例中NO_x的排放源清单来自随机误差的不确定性在±15%左右.对排放源清单的不确定性量化有助于决策者确定污染物排放削减目标的可达性和科学制定大气污染物控制策略,指导排放源清单的改进和数据收集工作.同时,对我国排放源清单开发中不确定性分析提出建议.      

成都市大气污染物排放清单高分辨率的时空分配

传统的污染物时空分配方法由于分辨率较低而常无法满足空气质量模拟的需要.本研究根据各污染源的排放特点,确定可用于高分辨率时空分配的识别因子和建立时空分配权重的估算方法,并以成都市为例,建立了2012年成都地区高分辨率时空分配清单.结果表明,根据清单的时空分配结果,成都市的污染物排放主要集中在成都市区、成都周边的工业区(特别是东部城区)及交通流量大的高速路地区,且排放时间大部分集中在冬季和春季.这与实际的污染排放来源及环境空气质量的实际监测结果较为一致.说明本研究提出的高分辨时空分配方法较为合理可靠,可以有效降低传统方法空间分配的偏差和提高分配结果的精度,可满足后续的空气质量模拟的需要.     

基于在线监测的江苏省大型固定燃煤源排放清单及其时空分布特征

大气污染物排放清单是了解各地区大气污染物排放及其时空分布,精确模拟该地区环境空气质量的最基础资料.现有大气污染物排放清单的粗时空分辨率,极大地限制了空气质量数值预报的准确性.本研究以江苏省大型固定燃煤源为例,以2012年为基准年,收集江苏省电力企业在线监控系统数据及江苏省大气核查核算表数据,结合相关文献的排放因子,分析了江苏省大型固定燃煤源主要污染物的总排放量和月变化特征.分析结果表明:1 SO2、NOx、TSP、PM10、PM2.5、CO、EC、OC、NMVOC、NH3等大气污染物的排放总量分别达到106.0、278.3、40.9、32.7、21.7、582.0、3.6、2.5、17.3、2.2 kt.2呈现2~3、7~8、12月排放量高,9~10月排放量低的月变化特征,可能原因是2~3月处于春节阶段,为保证节日供应,在此期间居民取暖、用电等都有可能增加;7~8月高温天气用电量增加,12月北方城市冬季燃煤取暖导致的煤炭消耗量增加.另外,由于部分污染物排放因子取自国内外相关文献,是本研究清单不确定性的主要因素.今后的工作可以在排放因子实测更新以及将排放清单纳入空气质量预报模式等方面进行更为深入的研究.     

基于精细化年均行驶里程建立机动车排放清单

基于环保检测数据，提出“里程-车龄”曲线用以获取满足“车辆类型-燃料种类-排放标准”三级分类的精细化年均行驶里程.使用《道路机动车大气污染物排放清单编制技术指南（试行）》推荐值、车辆类型均值、“里程-车龄”曲线3种方式获取年均行驶里程并分别建立排放清单，发现年均行驶里程的本地化与精细化可以极大降低行驶里程不确定性对排放清单准确性的影响.采用精细化年均行驶里程，计算得到青岛市2017年机动车CO、VOCs、NO_x、PM₁₀、NH₃和SO₂的排放量分别为7.07，1.14，2.84，0.10，0.08和0.08万t.分析排放构成可知，老旧车淘汰在当前仍可作为青岛市机动车排放治理的有效举措.结合路网信息与交通数据，得到0.01°×0.01°高时空分辨率网格化排放清单.结果表明，青岛市机动车排放分布在不同时段变化明显.以NO_x为例，排放的早晚高峰分别出现在8：00与17：00，占到了全天总排放的8.17%和7.53%.同时，排放分布存在着空间异质性，排放从城市中心至边缘呈逐渐降低趋势，沿高速路呈明显带状分布.     

Comparison of CH4 emission inventory data and emission estimates from atmospheric transport models and concentration measurements

CH₄ emissions from two sources of emission inventory data i.e. the National Communications and the EDGAR/GEIA database, are compared with emission estimates from six global and two regional atmospheric transport models. The emission inventories were compiled using emission process parameters to establish emission factors and statistical data to derive activity data. The emission estimates were derived from an evaluation of atmospheric transport modelling results and measured concentrations of CH₄. The comparison of emission inventories and the emissions derived from atmospheric transport models shows the largest differences on the global scale to occur in biogenic CH₄ emissions, i.e. by wetlands and biomass burning. Anthropogenic CH₄ emissions due to oil and gas production and distribution, also appear rather uncertain, especially with respect to the spatial distribution of the sources. A comparison of CH₄ emissions on a smaller scale (NW Europe) showed a fair amount of agreement between National Communications, EDGAR data and results of inverse atmospheric modelling. Because most of the CH₄ emissions in this area come from reasonably well-known CH₄ emission sources like ruminants and landfills, this is a good argument. CH₄ emission from some areas in the North Sea was underestimated by inventories. This could be due to CH₄ emissions of oil production platforms in the North Sea.     

东北地区农业源一次颗粒物排放清单研究

采用自下而上的清单编制方法,搜集各农业环节(秸秆燃烧、整地、收割、谷物处理、化肥施用、农机排放、风蚀)排放因子、作物面积和耕作方式等信息,编制了2010年东北地区县级尺度的农业一次颗粒物(PM₁₀和PM_2.5)排放清单,并分析了农业源颗粒物排放的时空分布特征.结果表明:1)2010年东北地区农业源一次颗粒物PM₁₀总排放量54.6万t,PM_2.5总排放量35.6万t;2)东北地区农业源一次颗粒物PM₁₀排放量最大的农业活动环节是秸秆燃烧,占农业源总排放量的比例为60%,秸秆燃烧排放PM_2.5占PM_2.5农业源排放量的87%,整地环节是一次颗粒物排放的第2大农业排放源,对农业源排放PM₁₀和PM_2.5总量的贡献率分别是27%和6%; 3)PM₁₀和PM_2.5的排放强度空间分布表明,东北地区农业源颗粒物排放区域集中在黑龙江省东北部和中部地区,吉林省中部和辽宁省中部地区; 4)PM₁₀和PM_2.5排放的时间变化特征显示,PM₁₀农业源排放年变化曲线中,5月份和9、10月份是农业源排放一次颗粒物PM₁₀较多的月份,PM_2.5排放集中在9、10月份;5)本研究估算的污染物排放清单的不确定性为184.3%.未来的工作将侧重于典型农业区本土排放因子测定,从而有效减小排放清单的不确定性.