English中文

特别关注
“技术赋能减污降碳”观察 | 污染溯源与源解析
2021年05月25日 文章来源:美国环保协会  阅读  

2021年4月27日,“技术赋能蓝天低碳行动研讨会”在京举行。会议设立了“新型环境监测与数据分析技术创新”分论坛,包括“新型监测技术”和“污染溯源与源解析”两个专题。“污染溯源与源解析”专题旨在介绍国内外污染溯源及源解析技术进展,包括先进的监测技术、模型及软件开发等。中国环境科学研究院大气环境研究所副研究员刘世杰,中国计量科学研究院郑州中心排放源计量研究所所长张亮,剑桥大学Roderic Jones教授,EDF美国环保协会高级科学家Tammy Thompson博士,南开大学环境科学与工程学院史国良教授分别作了主旨发言。现将嘉宾精彩观点综述如下,供读者参考(注:专家观点根据速记稿整理,未经本人审核)。

 
一、城市大气污染物和温室气体排放精准监测技术
 
企业排放精准监测技术
 
重点大气工业企业已经安装了烟道连续排放监测系统(CEMS),用于监测企业烟道排放量。为了保证CEMS系统数据的准确性,环保部门会对CEMS准确度进行验收、定期校验、技术指标抽检和现场检测。企业的CEMS系统监测值误差主要来自浓度测量,流量测量误差影响相对较小。美国环保局(EPA)将烟道校准方法称为“相对准确度测试(Relative Accuracy Test Audit)”。烟道流量量值溯源体系突破了传统流量量值逐级传递方法的最大流量限制,解决了气体大流量无法溯源的难题。
 
交通排放精准监测系统
 
交通排放监测系统主要包括四个部分:
 
•交通流量实时监测系统,实现了全天小时级、路段级(可聚合重点区域)时空分布特征下的机动车流量的动态监测。
 
•交通排放实时监测系统,实现全天小时级、路段级时空分布特征下的机动车污染排放量的动态监测,实时展示了区域内机动车六种污染物的排放热力图和排放路网图。
 
•基于车辆GPS信息的多维分析,覆盖重型货车车辆聚集区域、停车点识别、单车轨迹回溯,车辆出发地和目的地分析。
 
•情景多维分析,辅助管控及限行政策的设计和解读。
 
区域排放精准监测系统
 
通过在小区域范围内布设气象监测站,构建本地小区域气象模型。基于区域内浓度监测数据,结合贝叶斯反和地统计反演模型,建立排放源反演溯源模型,实现不同尺度环境下大气污染物无组织排放的精准溯源和定量分析,进而评估特定排放源对重点区域的贡献,实现无组织排放的准确溯源、高效管控,助力大气污染的精准治理。小区域反演技术可以用于重点区域监测,监测精度越高反演范围越大。大区域反演需要利用初始污染源排放清单作为原始数据,结合测量塔浓度观测数据,对清单数据进行修正,从而得到更为准确的清单数据。
 
二、机器学习及大数据在大气环境管理研究中的应用
 
爆炸式增长的海量数据,以及日益提升的大气环境现代化治理需求,需要在现有大气环境科学研究体系的基础上,借鉴大数据分析思路和方法,对多源数据进行快速处理和综合分析,提供及时有效的科技支撑。
 
空气质量分析
 
以2014至2019年京津冀地区“2+26”城市的PM2.5浓度为研究对象,相关研究利用梯度提升决策树(Gradient Boosting Decision Tree, GBDT)的方法对气象因素进行标准化前、后PM2.5浓度的年际和季节性变化进行了评估,同时也对气象条件对秋冬季PM2.5浓度变化的贡献进行了量化。
 
利用机器学习,我们可以从模型中分离出气象因素对于目标污染物浓度变化的影响情况,为大气污染防治政策的制定提供数据支撑。
 
基于道路遥感检测的机动车排放特征分析
 
道路机动车尾气遥感检测技术由美国丹佛大学在20世纪80年代末首先开发。通过在车道上安置光学测试设备,实现对尾气排放的自动化测量。由于其既可以获取单个车辆的排放,也可以获取车队的排放,是目前最经济的机动车尾气测量技术之一。
 
截至2019年底,全中国共有约23个省份和直辖市、累计上千套遥感监测设备开展了机动车道路排放测试,并与生态环境部遥感监控平台联网。还有相当数量的遥感监测系统正在建设中,主要用于识别高排放或低排放车、优化排放模型和评估现行政策的有效性。
 
传感器网络与智能分析
 
为了进一步了解希斯罗机场的污染物排放情况,剑桥大学与其合作伙伴建立了遍布机场、由40个传感器组成的低成本空气质量传感器网络,对NO、NO2、CO、CO2、SO2、O3、VOCs和PM进行监测。通过监测数据,实现空气质量建模,不仅可以区分排放尺度、归因污染来源,也可以对机场扩建跑道后的污染物排放进行模拟预测,为政策制定者提供更多信息,支持科学决策。
 
2018年6月,伦敦市与EDF美国环保协会、Google Earth Outreach等合作伙伴启动了“畅吸伦敦”项目,在伦敦地区部署了一个由100个AQMesh Pods组成的空气质量监测网络,可以获得对NO2、NO、CO2、O3和颗粒物的分钟级别监测数据。该项目建立了一套基于云校准传感器网络的测试与验证方法,可以同化空气质量数据,为在疫情期间量化空气污染程度及变化趋势提供了可能。
 
三、污染来源解析
 
大气颗粒物溯源与二次成因研究
 
大气复合污染来自于多种污染源排放的气态和颗粒态一次污染物。经物理、化学过程形成的二次细颗粒物和臭氧等二次污染物,也会对温室气体排放有一定的贡献。如果可以找到关键污染源,势必会对颗粒物、臭氧以及CO2的协同减排起到关键的科技支撑作用,而了解污染物形成的途径与过程则为科学溯源提供技术方法。
 
目前的研究显示,环境大数据、机器学习与源解析模型(化学质量平衡法、因子分解模型等)的结合对颗粒物二次形成提供了科学解释,有助于更好地梳理原因(环境因素、排放数据)与污染物浓度及重污染天气之间的关系。
 
在精细空间尺度上识别空气污染源
 
在城市中,空气污染物浓度会在一段距离内发生较大起伏,这是由于排放源分布不均匀、扩散效应和大气污染的物理化学迁移等各种原因导致的。即使到现在,传统的固定式大气监测方法仍然缺乏对各种本地污染源热点以及他们对人类健康的影响进行解析。2017年,EDF美国环保协会与谷歌合作将可以快速检测的设备安置在谷歌街景车上,在加州奥克兰地区的街道上进行重复采样,得到城市空气质量数据。我们发现,在小尺度范围内,污染物浓度变化趋势明显,在一个街区内最高可以相差8倍。为了减少空气污染,我们需要知道造成空气污染的原因,以及导致8倍差异的因素。
 
污染源解析可以帮我们了解各类污染来源对于某个监测站点或者是区域(城市)污染物浓度均值的贡献程度。污染来源可以根据排放源(发电厂等)、排放地区以等进行具体分类。但是,目前小尺度范围源解析工具仍在开发过程中。
 
EDF美国环保协会与犹他州立大学还在合作开发空气质量追踪器“Air Tracker”,可以实时监测PM2.5浓度情况,利用反演模型识别可能对污染热点产生影响的区域,旨在更小尺度范围内进行源解析工作,为从科学角度解释空气污染提供支持。