基于环境质量数学模型的土壤污染物模拟研究_陈锋
2018年度山东省自然科学基金重大基础研究项目(第二批)答

申报人
团队负责人
吕宏缨 武传松 路春美 张延松 张友明 崔兆杰 诸葛玉平 孙英杰 徐绍辉
依托单位
烟台大学 山东大学 山东大学 山东科技大学 山东大学 山东大学 山东农业大学 青岛理76.8 91.7 91.7 89.7 85.3 77
基于微化工技术的醇类化合物液相氧化过 赵玉潮 程强化基础研究 基于熔池三维形态测控的GMAW高速焊接成 陈姬 形新工艺关键问题研究 钙循环原位碳捕集煤气化制氢及污染物协 李英杰 同脱除基础研究 型煤高效、清洁燃烧及生产过程安全保障 谢军 基础研究 杀线虫根际靶向生防工程菌的人工构建 符军 济钢污染场地重金属-有机物复合污染联 洪静兰 合修复机理及风险评估 典型小麦-玉米轮作区重金属与面源污染 诸葛玉平 协同防治机制与技术研究 沼渣协同硫酸亚铁协同处置含Cr(VI)土壤 孙英杰 的机制研究 典型农田土壤重金属-有机物复合污染修 徐艳 复研究
陆面过程模型中垂直非均匀土壤的水分传输及相变的模拟

陆面过程模型中垂直非均匀土壤的水分传输及相变的模拟李倩;孙菽芬【摘要】土壤湿度在陆气相互作用中的重要性体现在它既能影响陆地和大气之间水循环的速率,又能改变地表的能量分配.本文针对陆面过程模型中描述土壤湿度变化的方程进行了理论分析,指出在非均匀土壤和冻土中采用土壤水势梯度描述垂直非均匀土壤水分流动的合理性.基于描述土壤内部水热传输的统一土壤模型,并利用推广的表征土壤水分特征的Clapp-Hornberger关系式,研究了非冻结和冻结的土壤湿度对于垂直非均匀土壤的敏感性.结果表明,由土壤质地决定的土壤水势和导水率对土壤湿度的模拟有重要的影响.具体地,在决定土壤性质的Clapp-Hornberger 关系式中,与土壤质地有关的饱和水势、饱和导水率以及土壤孔隙大小分布指数B,对土壤湿度的模拟起到了关键作用.参数B的重要性尤为突出,它的增加会引起导水率的大大下降,从而对水分在土壤中的垂直分布产生重要影响.饱和水势的绝对值和参数B的增加会使得土壤水势绝对值增加明显,使土壤的结冰(融化)过程延迟,土壤温度因为没有结冰(融化)释放(吸收)的潜热加热(冷却)而持续下降(上升),因此在冻融时期土壤温度会比观测值振幅偏大.上述结果揭示了考虑土壤垂直非均匀性并采用有效的土壤特性参数对于陆面过程模型的重要性.【期刊名称】《大气科学》【年(卷),期】2015(039)004【总页数】12页(P827-838)【关键词】陆气相互作用;土壤湿度;土壤垂直非均匀性;土壤冻融;Clapp-Hornberger 关系式;土壤孔隙大小分布参数【作者】李倩;孙菽芬【作者单位】中国科学院大气物理研究所季风系统研究中心,北京100190;中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京100029【正文语种】中文【中图分类】P4041 引言土壤湿度是控制陆面与大气相互作用的一个重要变量(Shukla and Mintz,1982;Koster et al.,2004)。
城市表层土壤重金属污染分析-2011高教社杯全国大学生数学建模竞赛全国一等奖A题

2011高教社杯全国大学生数学建模竞赛城市表层土壤重金属污染分析摘要本文主要研究重金属对城市表层土壤污染的问题,我们根据题目所给定的一些数据和信息分析并建立了扩散传播模型、权重分配模型、对比模型和转换模型解决问题。
首先,我们利用Matlab 软件拟出该城区地势图(图1),根据所给数据绘出该地区的三维地势及采样点在其上的综合空间分布图。
之后将8种重金属的浓度等高线投影到该地区三维地形图曲面上,接着分别计算8种重金属在五个区域的平均值,立体图和平面图(图1附件)相结合便可得出8种重金属元素在该城区的空间分布。
其次,在确定该城区内不同区域重金属的污染程度时,我们运用两种方法进行解答。
先假设各重金属毒性及其它性质相同,运用公式ijij P C P ='求出各区域各金属相对于背景平均值的比值作为金属污染程度,再运用1ji ij j C C ==∑求出各区域重金属污染程度,并将各区进行比较。
之后,我们加上各重金属的毒性,对各重金属求出权数,再结合国标重金属污染等级和已知的各组数据来确定金属的污染程度。
由上述两种方法的对比,更准确地得出重金属对各区的影响程度。
即: 工业区>交通区>生活区>公园绿地区>山区 并根据第一个模型的数据来说明重金属污染的主要原因。
再次,对重金属污染物的传播特征进行了分析,判断出重金属污染物主要是通过大气、土壤和水流进行传播。
在分析之中,我们得出这三种状态的传播并不是孤立存在的,而是可以相互影响和叠加的,因此,我们分别建立三个传播模型,再对这三个传播模型进行了时间和空间上的拟合,得出重金属浓度最高的区域图,并结合各重金属的分布图(图6)来确定各污染源的位置。
最后,本题中只给出了重金属对土壤的污染,对于研究城市地质环境的演变模式,还需要搜集一些信息(图7)。
根据每种因素对地质环境的影响程度进行由定性到定量的转化。
建立同一地质时期地质环境中各因素的正影响和负影响的权重分配模型,再对这些权重进行验算和修正。
土壤污染物迁移扩散模拟与评价方法

土壤污染物迁移扩散模拟与评价方法土壤污染是指由人类活动引起的土壤中存在有害化学物质,导致土壤功能受损或对生物环境造成危害的现象。
土壤污染物的迁移和扩散是土壤环境中的关键过程,对于评估土壤污染的风险和制定科学合理的治理方案至关重要。
为了准确评估土壤污染物的迁移扩散情况,科学家们发展了多种模拟和评价方法。
一、土壤污染物迁移扩散的模拟方法1. 方程模型:方程模型利用数学方程描述土壤中污染物的迁移和扩散过程。
其中最常用的模型是对流-弥散方程模型(Advection-Dispersion Equation,简称AD模型)。
AD模型假设污染物的迁移扩散主要受到对流和弥散两个过程的影响,通过求解该方程可以得到污染物在土壤中的浓度随时间和空间的变化规律。
2. 流域模型:流域模型将土壤作为一个整体,考虑土壤的水文特性和地形条件,模拟污染物在流域中的迁移扩散过程。
流域模型通常包括土壤水分传输模型、地表径流模型和地下径流模型等,通过模拟水文过程,间接模拟污染物的迁移与扩散过程。
3. 粒度模型:粒度模型利用土壤粒度分布参数来模拟土壤中污染物的迁移扩散。
土壤粒度参数直接影响土壤的水分传输和污染物的迁移扩散。
通过测定土壤的粒度分布参数,结合数学模型,可以预测土壤中污染物的迁移扩散行为。
二、土壤污染物迁移扩散的评价方法1. 污染物潜能评价:污染物潜能评价是评估土壤污染物迁移扩散风险的一种定量方法。
它通过分析土壤性质(如有机质含量、土壤颗粒组成等)以及污染物的特性(如溶解度、降解速率等),计算得到污染物在土壤中的潜在迁移和扩散能力。
2. 土壤污染指数评价:土壤污染指数是一种综合评价土壤污染程度的方法。
它利用化学分析数据,结合土壤环境质量标准和污染物排放标准,计算得到土壤污染指数值。
不同的污染物有不同的评价指标,可以用于定量分析和比较土壤污染的严重程度。
3. 土壤溶解模型评价:土壤溶解模型是评估土壤中污染物溶解度的一种方法。
通过测定土壤与污染物的相互作用及溶解速率,建立化学平衡和动力模型,预测土壤中污染物的迁移扩散情况。
MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法推广

函数 关系和高分辨率 MO D I S 数据 , 实现 了 A MS R - E土壤 水分数 据的降 尺度处理 。 与地 面实测数 据的 比较 表明 , 该 降尺度方法 的准确性较高 。
关键词 被动微波 ; 土壤水分 ; 地 表温度 ; 瞬时变化 ;幂指数 函数 ; 降尺度 文献标识码 : A D OI :1 0 . 3 9 6 4 / ] . i s s n . 1 0 0 0 — 0 5 9 3 { 2 0 1 3 ) 0 3 — 0 6 2 3 — 0 5 有以下优势 :( 1 ) 可利用一 天 内的多次 温度观 测模拟 温度变
解 超 ,1 9 8 3年生,北京大学地球 与空间科学学院博士研究生
e - m a i l : w o r l d e r f u l l 1 2 0 0 3 @y a h o o . c o m . c n
e - ma i l :n i k e e t s e @g ma i l . c o m
通过瞬时温度变化率计算土壤水分可利用每 日四个 时刻 的地 表温度测量值 ,因此能够降低天气变化对单 日内地表温度测
微波数据较热红外、 主动雷达数据而言, 对土壤水分信息敏 感, 可以捕捉 到土壤 水分 的时 间变 化信 息L l ] , 但是 其空 间
分辨率较 低 ( 2 5 ~4 O k m) ,一般适 用于大 尺度研 究。星载 可 见光/ 热红外数 据可以达 到中等分辨率 到高分 辨率 ( 1 0 0 m~ 1 k m) , 但易受天气 条件 限制 ,且对 土壤水 分 的敏感性不 够
理 想 t 。
量值的不确定性影响 。 ( 3 ) 采用地 表温度 变化 速率 而非地表
温度计算土壤水分 ,可以消 除本底 温度 的影响 。( 4 ) 该 方法 不涉及蒸散和热 输送 等 物理 模 型,因此 不依 赖地 表观 测数 据 ,可操作性 强。 作者建立 了 2 5 k m分 辨率 A MS R - E土壤 水分 数据与重 采样为 2 5 k m分辨率 的 0 . 0 5 。MOD I S地 表温 度瞬 时变化 速 率 以及 ND VI 数据之 间的定量关 系模 型 , 并 利用该模 型 , 结 合l k m 分辨率 MO D I S地表 温度瞬 时变化 速率 和 ND VI 数 据 ,获取 l k m分 辨率 的土壤水分数 据 , 从 而实现 被动微 波 亮温数据与星载热红外地表温度数据在小尺度土壤水 分反演 领域 的优势整合 。
应用遥感数据模拟土壤水分和蒸散的空间变化

应用遥感数据模拟土壤水分和蒸散的空间变化
Mauser,W;陈鸣
【期刊名称】《河海科技进展》
【年(卷),期】1992(012)004
【摘要】1 前言土壤水分变化和蒸散是影响地表水循环的两个重要过程。
长期以来,人们一直认为蒸散是一种缓变量。
因此,人们相信它不受土壤水分年季大变幅的影响,而且只要在所考虑的一种气候条件下,它在地表的分布是十分均匀的。
另一方面,径流是流域内所有水循环的总和,土壤水分和蒸散都是空间变量,它们反映流域空间特性较径流更加明显。
流域水循环与入射大气能量通量、流域产流量、径流的变化一致。
为了理解这一变化,我们必须先弄清楚土壤水分和蒸散的空间变化。
这两个变量是支配流域汇水过程的关键变量。
【总页数】6页(P124-129)
【作者】Mauser,W;陈鸣
【作者单位】不详;不详
【正文语种】中文
【中图分类】S152.7
【相关文献】
1.应用遥感和土壤水分平衡模式评估地下水列采对作物蒸散的影响 [J], Thu.,HAM;周白
2.遥感蒸散发在无测站资料地区洪水模拟中的应用 [J], 邢贞相; 傅爽; 孙明新; 纪毅;
付强; 李衡
3.遥感蒸散发在无测站资料地区洪水模拟中的应用 [J], 邢贞相; 傅爽; 孙明新; 纪毅; 付强; 李衡
4.壤中暴雨流机制耦合遥感地表蒸散量在山洪模型中的应用 [J], 王濂;王力;张革联;匡威;张艳军
5.遥感蒸散发数据应用对SWAT模型径流和蒸散发模拟精度的影响 [J], 张清;岳青华;董晓华;杨百银;魏冲;喻丹;张特
因版权原因,仅展示原文概要,查看原文内容请购买。
pmf模型解析土壤重金属来源的不确定性

中国环境科学 2020,40(2):716~725 China Environmental Science PMF模型解析土壤重金属来源的不确定性李娇1,滕彦国2,吴劲3*,陈海洋2,蒋进元1(1.生态环境部土壤与农业农村生态环境监管技术中心,北京 100012;2.北京师范大学水科学研究院,北京 100875;3.北京工业大学建筑工程学院,北京 100124)摘要:正定因子矩阵分解(PMF)是目前污染源解析领域应用最为广泛的受体模型之一,其不确定性研究一直是源解析研究的前沿和热点.利用拔靴法(BS)、替换法(DISP)和拔靴-替换法(BS-DISP)3种不确定性分析方法探讨了PMF模型应用于土壤重金属源解析的不确定性,并以德兴铜矿周边土壤重金属为对象开展案例研究.结果表明,6因子情景是PMF模型最佳运行结果;在6因子情景的源成分谱中,除Cr和Ti外,DISP和BS不确定性区间均处于标识元素基本值的0.6~1.5倍之间,BS-DISP不确定性区间处于基本值的0.6~1.6倍之间;模型结果的不确定性更多源于因子旋转误差.通过这3种不确定性分析方法可以获得PMF模型运算中的随机误差和因子旋转误差.其中,BS-DISP法和BS法得到的结果能够辅助判断因子数是否过拟合,并有助于理解源谱的不确定性,而DISP法能够用于理解旋转的不确定性,可作为评价旋转过程可行性的方法.关键词:土壤重金属;源解析;PMF模型;误差估计;不确定性中图分类号:X53 文献标识码:A 文章编号:1000-6923(2020)02-0716-10Uncertainty analysis of soil heavy metal source apportionment by PMF model. LI Jiao1, TENG Yan-guo2, WU Jin3*, CHEN Hai-yang2, JIANG Jin-yuan1 (1.Technical Centre for Soil, Agricultural and Rural Ecology and Environment, Ministry of Ecology and Environment, Beijing 100012, China;2.College of Water Sciences, Beijing Normal University, Beijing 100875, China;3.College of Architecture and Civil Engineering, Beijing University of T echnology, Beijing 100124, China). China Environmental Science, 2020,40(2):716~725Abstract:Positive matrix factorization (PMF) model is one of widely used technologies in pollutant source apportionment, and its uncertain analysis have always been the frontier issue as well as hotspot. Three error estimation methods, including bootstrap (BS), displacement (DISP) and bootstrap enhanced by displacement (BS-DISP), were used to evaluate the uncertainties of source apportionment by PMF model, and heavy metals in soils in Dexing, China were carried out as a case study. Six-factor scenario was the best solution for PMF model run, except for Cr and Ti, the uncertainty intervals of DISP and BS were between 0.6 and 1.5 times the basic value of the identified element and the BS-DISP uncertainty interval was between 0.6 and 1.6 times the basic value in the source profiles under six-factor scenario, the uncertainty of the model results was more due to the uncertainty generated in the factor decomposition process. T he three uncertainty analysis methods could obtain the random error and factor rotation error in the operation of PMF model. Among them, the results obtained by BS-DISP and BS can assist in determining whether the factor number was over-fitting and help understand the uncertainty of the source profile. While, DISP could be used to understand the uncertainty of rotation and be used as a method to evaluate the feasibility of rotation process. This study provides a good sample for evaluating the reliability of soil heavy metal source apportionment that calculated by PMF model.Key words:soil heavy metal;source apportionment;PMF model;error estimation;uncertainty analysis受体模型是通过对土壤样品(受体)进行分析,定性识别受体的污染源类型,并定量确定各污染源贡献率的一类源解析技术[1],主要包括化学质量平衡(CMB)模型、主成分分析/因子分析-多元线性回归(PCA/FA-MLR)模型、正定矩阵因子分解(PMF)模型、UNMIX模型等[2-6].其中,PMF模型已被美国环境保护署开发成源解析应用软件,并被推荐应用于大气、水和沉积物等环境污染物的来源解析[7].近年来许多学者研究PMF模型在土壤污染物源解析中的适用性[8-10].然而,PMF模型应用的成功与否很大程度上受样品数据值误差、模型结构和参数代表性等因素的影响.相比较于大气、水和沉积物等环境介质,土壤中重金属的污染源解析有其特殊性.一方面,土壤重金属的迁移扩散行为有限,导致土壤中的各污染源影响分布不均匀,从而不能严格满足受体模型关于受体与源之间的污染物呈质量平衡的假设;另一方面,土壤中的重金属均具有不同程度的本底含量,且具有一定的空间异质性,这种空间异质性同收稿日期:2019-07-26基金项目:国家自然科学基金资助项目(41807344);广西创新驱动发展专项资金资助项目((AA17202032)* 责任作者, 吴劲, 讲师, wujin@2期 李 娇等:PMF 模型解析土壤重金属来源的不确定性 717样导致输入数据不能严格符合模型的假设.因此,开展基于PMF 模型的土壤重金属污染源解析的不确定性研究,不仅能够识别影响源解析结果可靠性的因素,同时也为模型的改进提供参考.源解析不确定性研究是指分析源解析各个信息获取过程中的随机性、模糊性、未确知性等因素对源解析结果的影响.通常来说,基于受体模型污染物源解析不确定性的来源可分为3个方面:数据的变异性、模型结构的不稳定性、模型参数的敏感性.目前受体模型应用于土壤污染物源解析结果的不确定分析鲜有报道,土壤污染物源解析研究者通常使用多种受体模型的源解析结果对比分析以弥补单一模型源解析的不足[11-16].单个受体模型的源解析不确定分析相关研究主要针对大气、水体中污染物源解析问题开展的,多采用蒙特卡洛方法分析受体模型源解析结果的不确定性[17-19].Paatero 等[20]于2014年基于PMF 模型提出三种误差估计方法,分别为拔靴法(Bootstrap, BS)法、替换法(Displacement, DISP)法和拔靴-替换法(Bootstrap - Displacement, BS -DISP)法,大大拓宽了源解析结果不确定性分析的理论研究成果.根据该理论成果, Brown 等[21]应用这3种误差估计方法对大气、水体中污染物源解析结果不确定性进行了分析.因此,针对土壤污染物源解析存在的不确定性问题,可借鉴大气和水污染源解析不确定性分析方法进行研究.本研究以土壤中重金属为目标污染物,以PMF 模型为例,利用BS 、DISP 和BS -DISP 等3种误差估计方法对PMF 源解析结果的不确定性进行分析,量化模型结果误差,识别影响源解析不确定性的主要因素,为受体模型的优化改进提供理论依据. 1 数据与方法 1.1 PMF 模型PMF 模型[7]将受体样品浓度数据矩阵(X )分解为因子得分矩阵(G )、因子载荷矩阵(F )和残差矩阵(E ),数学方程式用下式表示:1=,(1,2,...,;1,2,...,)pij ik kj ij ij ij k x g f e c e i n j m ==++==∑ (1)式中:x ij 为第i 个样品中第j 个元素的测量浓度;g ik 为源k 对第i 个样品的相对贡献;f kj 为源k 中第j 个元素的浓度;e ij 为残差,即PMF 模型中未能解释样品浓度x ij 的部分;c ij 为每个样品或元素的建模部分.PMF 建模目的是为了识别因子数p ,求得每个因子对每个样品的浓度贡献以及每个因子的成分谱.PMF 模型基于加权最小二乘法进行限定和迭代计算,不断地分解受体样本矩阵来得到最优解,最优化目标是使目标函数Q 最小化.目标函数Q 定义如下:2211111pijik kjn m n m ijk i j i j ij ijx g f e Q u u =====⎛⎞−⎜⎟⎛⎞⎜⎟==⎜⎟⎜⎟⎜⎟⎝⎠⎜⎟⎝⎠∑∑∑∑∑ (2) 式中:u ij 为第i 个样品中第j 个元素浓度的不确定性大小. 1.2 BS 法BS 法是由美国的Efron 等[22]在前人研究成果的基础上提出的一种统计推断方法.该方法不需要对总体分布做出假设或事先推导出估计量的解析式,它只依赖于给定的观测信息,通过重构样品不断计算估计值[23-24].基于BS 的基本原理可用来评估随机误差和小部分的因子分解不确定性对PMF 解的影响.即,对原始数据进行BS 重采样,并创建和原始数据集具有相同维度的新数据集作为模型输入数据运行PMF,分解为BS 因子载荷矩阵和贡献矩阵.将每个BS 因子与基础模型运行得到的基本因子进行匹配,匹配原则为:把BS 因子匹配到与这个BS 因子有最高相关(高于指定的阈值)的基本因子下.若无基本因子与给定的BS 因子具有高于阈值的相关性,那么该因子被当作是“未匹配”;若同一次运行中一个以上的BS 因子与同一个基本因子相关,那么这些BS 因子都会匹配到那个基本因子上.根据指定的次数运行BS,重复此过程,以这种方式来实现对每个因子中每个变量分配的不确定性估计. 1.3 DISP 法利用DISP 法[20]来评估因子分解过程的不确定性,通过依次扰动因子载荷矩阵F 中的每个参数值后重复运行PMF 模型来得到因子载荷矩阵F 中每个参数的不确定性估计.为加快DISP 的计算速度,通常会优先去扰动矩阵F 中所有变量的一个小子集.一般会选择扰动对因子识别重要的参数或者对某个特定问题关键的参数,即F 的关键变量.DISP 分析是基于PMF 中平方和函数Q 的增加来实现的.基本方程如式(3)所示:718中 国 环 境 科 学 40卷2,111min /p nmij ik kj ij F Gi j k Q x g f µ===⎛⎞⎛⎞=−⎜⎟⎜⎟⎜⎟⎜⎟⎝⎠⎝⎠∑∑∑ (3) 通过扰动矩阵F 中的每个参数值直到目标函数Q增加到最大允许变化值(dQ max ).Q 增加用式(4)表示:opt ()()kj kj dQ f d Q f d Q ===− (4)Q (f kj =d )表示限定f kj 为一个固定可行值,DISP 的本质就是要找到这个最大和最小的固定值(d max,d min ),使得:max max minmax ()()kj kj dQ f d dQ dQ f ddQ ⎧=≤⎪⎨=≤⎪⎩ (5) 本文得到的d max和d min 值分别表示不确定区间的上、下限值. DISP 分析过程中有可能出现因子改变太多,导致因子识别身份发生改变的现象,称为因子交换.PMF 模型中用互相关法或回归法来检测DISP 中因子交换,因子交换的存在将意味着所有的中间解必须被视为备选解.在这种情况下,建模支持多维的无限解,而这些解不可能单独输出一个作为“解”. PMF 建模提供不参与交换因子的有用信息. 1.4 数据来源与参数设置 表1 采样数据集的输入信息总结Table 1 Summary of input information for sampling data set变量类别 S/N 单位最小值 25百分位中值 75百分位最大值As Strong 8.99 mg/kg 2.2 8.8 12.3 18.7 899 Hg Strong 7.30 mg/kg 0.040 0.069 0.088 0.105 1.880 Mo Strong 3.93 mg/kg 0.29 0.53 0.82 1.54 89.38 Cd Strong 5.43 mg/kg 0.052 0.12 0.17 0.27 2.51 Cr Strong 7.15 mg/kg 13.9 59.0 70.4 81.5 315 Zn Strong 7.83 mg/kg 25.7 66.5 79.6 94.4 846.4 Cu Strong 8.30 mg/kg 8.2 26.5 32.5 46.9 916 Mn Strong 8.33 mg/kg 119 331 507 736 2461 Ti Strong 8.94 mg/kg 1598 4794 5305 5772 22563 Pb Strong 7.57 mg/kg 19.4 30.3 35.2 45.6 564.2 Fe 2O 3 Strong 9.00 % 1.88 4.12 4.84 5.75 22.20 K 2O Strong 8.91 % 0.83 1.92 2.32 2.68 7.91 Al 2O 3 Strong 9.00%8.48 12.43 13.92 15.39 61.39Na 2O Strong 8.63 % 0.06 0.19 0.32 0.49 1.90表2 采样数据集在PMF 中的设置信息Table 2 Setting information of sampling data set in PMF参数 研究区数据集参数研究区数据集数据类型土壤重金属 BS 运行次数 100变量数 14 BS_r 2 0.6样品数 336 BS_block size 14 因子数 4~7 DISP_dQmax4, 8, 16, 32 缺失数据的处理 无缺失数据 DISP 的关键变量所有变量低于检测限数据的处理 无低于检测限的数据 BS -DISP 中BS 运行次数及BS_r 2100;0.6归一化因子贡献g k 的下限-0.2 BS -DISP 的关键变量 As, Mo, Cd a , Cr, Cu, Mn, Ti, Pb, Na 2O“Robust”模式 是 BS -DISP_ dQ max 0.5, 1, 2, 4种子值随机每次DISP,BS -DISP 运行时间b<1h, 5h注:a 仅在6因子数和7因子数时使用;b Windows 7 64-bit,2.9GHz 处理器,8GB RAM.本文以在乐安河中上游地区采集的336个土壤样品数据作为PMF 模型输入数据集,其中研究区概况及样品采集分析内容的介绍参见前期研究成果[25].表1列出了研究区采样数据集的输入信息,包括模型输入物质种类、所属类别、信噪比(S/N)、受体数据的最小值、第25百分位、中值、第75百分位以及最大值.受体数据集中包含14个变量,无缺失值和低于检测限的数据.受体数据的不确定性用公2期李娇等:PMF模型解析土壤重金属来源的不确定性 719式µij=0.1x ij+MDL/3[26]来表示,其中µij为输入数据的不确定性值,x ij为输入数据值,MDL为各物质的检测限值.所有物质的信噪比均大于3.9,符合模型计算要求,都被分类为“strong”变量.表2总结了PMF模型的参数设置信息.模型在“Robust”模式下运行,针对案例数据集设置不同因子数方案情景模式,分别为4因子情景、5因子情景、6因子情景、7因子情景.计算每种情景下PMF的源解析结果和3种误差估计方法的不确定性区间结果,研究随因子数增加所得的源谱图和不确定性区间的变化情况.其中,DISP 方法设置4种dQ max变化水平,分别为dQ max=4, dQ max=8,dQ max=16,dQ max=32;BS-DISP方法同样设置4种dQ max变化水平,分别为dQ max=0.5,dQ max=1, dQ max=2,dQ max=4.通过分析在dQ max成倍增加下,DISP法的DISP区间和BS-DISP法的DISP区间的变化情况,从而深入研究DISP区间量化的主要不确定性来源.2 结果与讨论2.1 源诊断不确定性分析使用3种误差估计方法会产生很多的输出结果用于评估PMF计算所得的解.对于DISP而言,诊断的重点是在最低的dQ max水平(即dQ max=4)下发生因子交换的百分比(% swaps)和Q下降的百分比(% dQ).若因子改变太多以至于身份识别时发生互换就会出现因子交换现象;若dQ下降在1%范围内则认为Q变化不显著.另外,在DISP分析中,只使用被设定为“strong”的变量,这是由于矩阵中变量扰动对不确定性大的数据值非常敏感,而在PMF模型中,设定为“weak”变量的所有数据值的不确定性值均增至原来的3倍.在本例中由于所有变量均为“strong”,故不存在此种情况.对于BS而言,诊断的重点是BS重采样后计算得到的各BS因子能够与基本因子相匹配的百分比,以评估基础运行方案的再现性.对于BS-DISP而言,诊断的重点包括BS运行阶段BS因子与基本因子的匹配率、DISP运行阶段发生因子交换的百分比、Q下降的百分比等.针对本例数据集设置4~7因子数情景方案运行模型,不同因子数下的源成分谱见图1,PMF和误差估计的诊断总结见表3.4因子情景下,每个源的标识性元素分别为:(a)因子中主要载荷元素Cu、Mo、As、Cd和Pb有少量载荷;(b)因子中主要载荷元素为Mn, As有少量载荷;(c)因子中主要载荷元素为Na2O,其次是K2O;(d)因子中主要载荷元素为Hg、Cr、Ti.5因子情景下,As被分离为一个独立的因子.6因子情景下,除As被单独分出外,Pb和Cd同时从(a)因子中分离成为一个新的因子.7因子情景下则又增加一个新的因子(g),但该因子中各元素所占比例均很低,不存在明显的标识性元素.表3中,Q expected等于(矩阵X 中非“weak”数据值的数目)-(矩阵G和F中变量数据加和).例如,因子数为4,样品数为336,“strong”的变量为14,那么Q expected=(336×14)-((4×336)+(4× 14))=3304.由此进一步得到Q robust/Q expected,可以看出从5个因子数变为6个因子数时,Q robust/Q expected从4.62下降至3.29,降幅最大.随着因子数增加,一般在Q robust/Q expected快速下降处确定最佳因子数,即源数目,因此初步判断6因子数情景是最佳的PMF源解析方案.由表3可以看出,这4种情景方案下,DISP中Q 的下降幅度均在0.1%内,表明这些方案下得到的均为Q的全局最小值.在4种dQ max水平下,DISP运行阶段均未发生因子交换.在4因子情景下,除了BS因子与(a)因子匹配了99%外,其余因子匹配率均为100%,BS-DISP运行阶段未发生因子交换;在5因子情景下,81%的BS因子与(a)因子相匹配,仅42%的BS因子可以与(e)因子相匹配,即有58%的BS运行后未识别出(e)因子,37%的BS-DISP运行阶段发生因子交换;在6因子情景下,除BS因子与基础运行方案中的(e)因子仅匹配了59%外,其余因子匹配率均为100%,12%的BS-DISP运行阶段发生因子交换;在7因子情景下,BS因子与基本因子中(e)因子的匹配率为78%,与(f)因子的匹配率为93%,50%的BS-DISP运行阶段发生因子交换.3种不确定性估计方法的运行结果表明,7个因子数方案是最不稳定的,其次是5个因子数方案,最稳定的是4个因子数方案.然而,虽然4因子数情景方案最稳定,但结合源成分谱图(图1)可以看出,当因子数为4时未能很好地将污染源分解开来.如(a)因子中除了主要载荷元素Cu、Mo外,还有少量载荷As、Cd和Pb等元素,根据研究区的实际情况,铜矿开采和冶炼主要排放Cu、Mo污染物,铅矿冶炼主要排放Pb污染物,金矿冶炼会使As进入环境中,因此(a)因子最可能代表的720 中 国 环 境 科 学 40卷是金属矿开采冶炼混合源,但这种情景无法细分出不同的金属矿开采和冶炼源.表3 PMF 和误差估计诊断总结Table 3 Summary of PMF and error estimate diagnostics诊断4因子情景5因子情景6因子情景7因子情景Q expected 3304 2954 2604 2254 Q ture 18334.6 13661.6 9362.1 7151.5 Q robust 15324.5 11880.1 8565.9 6513.3 Q robust /Q expected 4.64 4.02 3.29 2.89 DISP % dQ <0.1% <0.1% <0.1% <0.1% DISP % swaps0%0% 0% 0% BS 因子匹配率<100% (a)因子:99% (a)因子:81%; (e)因子:42%;(e)因子:59%;(e)因子:78%; (f)因子:93%;BS -DISP % swaps0%37%13%50%各物质占比(%)各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%)图1 在4~7因子数情景下PMF 模型产生的源成分谱 Fig.1 Factor profiles from PMF model for four to sevenfactors scenarios5因子、6因子和7因子情景下,(e)因子在BS 重采样中的重现性都比较差,尤其是5因子情景方案下,有一半以上(58%)的BS 因子与(e)因子无法匹配上,从而出现因子定义不明确的PMF 解.这些情景方案下BS -DISP 运行中出现的因子交换现象应该与BS 重采样的不稳定性紧密相关.之所以BS 重采样缺乏重现性,原因可能是该因子主要载荷仅为一种变量(As),不是很稳定;也可能是样本量不够多,代表性不强,导致BS 重采样过程的重现性不是很好;此外,BS 重采样过程中很有可能排除掉了提供该因子贡献的As 的关键高值数据.在区域上进行土壤源解析研究时,存在的一个关键问题是若某个源仅影响局部区域时,在BS 重采样过程中很容易漏掉关键性的能代表污染土壤的样品,这样就会造成BS 运行结果与基础因子匹配率非常低,即出现BS 重采样结果的重现性非常差的现象.由此可见,BS 和BS -DISP 诊断效果不好时,并不能说明因子数及源解析的结果不正确.综合来看,本例中虽然6因子情景方案下BS 和BS - DISP 的诊断结果并不是最稳定的,但从解析的源类型来看是最准确的,因此,6因子情景方案下解析出的源成分谱被认为是4种因子数情景中最理想的方案. 2.2 源识别不确定性分析一个因子中某变量的DISP 区间指的是在指定dQ max 水平下,这个因子中该变量发生扰动得到的最小值和最大值;一个因子中某变量的BS 区间指的是由PMF 计算所有BS 重采样数据集得到的这个因子中该变量的第5百分位和第95百分位值;对于BS -DISP 而言,针对每个BS 重采样数据集运行DISP,得到每次重采样下每个因子中各变量的最大值和最小值,取所有重采样得到的最小值的第5百分位值和所有重采样得到的最大值的第95百分位值,分2期 李 娇等:PMF 模型解析土壤重金属来源的不确定性 721别作为BS -DISP 区间的下限和上限.由于不同物质的浓度通常跨越多个数量级,因此难以使用浓度单位去比较不同因子间或不同物质间的误差估计结果.Paatero 等[20]提出,可以用区间比值来实现比较.区间比值定义为因子中指定变量的误差估计区间长度除以该区间的中间点值,最大的区间比值是2,表示最不确定的结果.通常,每个因子中的标识性物质或关键物质应作为DISP 和BS -DISP 分析时的关键变量,关键变量发生置换得到的误差估计结果被认为是最可靠的,其它变量会产生比关键变量更小的误差估计区间.图2中,在4因子、5因子和6因子情景方案下,关键变量的DISP 区间比值均在0.74以下,误差区间相对较低,表明这几种情景方案下因子分解时产生的不确定性较小.在7因子情景下,Cr 和Ti 的DISP 区间比值均超过1.0,分别达到1.73和1.43,表明这种情景方案下因子分解产生的不确定性大.在4因子情景下,As 、Mo 、Cu 变量的BS 区间比值都比较高,分别为1.43、1.42、1.48,说明虽然该情景方案的BS 重现性非常好,但是(a)因子的不确定性区间较大,间接表明4因子方案下(a)因子可能未被充分分解,代表混合源.5因子情景下的大部分关键变量的BS 和BS -DISP 的区间比值都比较高,说明该因子数下得到的PMF 方案很不稳定,结果的可靠性差.6因子情景方案下,除Cr 和Ti 外,其它关键变量的BS 和BS -DISP 区间比值都相对较低.值得注意的是6因子情景中As 在BS 运行中的重现性仅为59%,这里的BS 区间比值却很低,说明在(e)因子能够重现的情况下得到的该因子中As 的不确定性区间还是比较窄的.因此,从关键变量的BS 、DISP 和BS -DISP 的区间比值来看,6因子情景下得到的源成分谱中各变量的不确定性区间相对较小.图2 在4~7因子数情景下3种误差估计方法的标识性元素区间比值Fig.2 Interval ratios of identifying species by three error estimate methods for four to seven factors表4中关键变量选取的都是各个源的标识元素.对于源成分谱的误差估计而言,重点是每个因子中标识元素的不确定性区间,而非标识元素一般在因子中的载荷非常低,对源成分谱的稳定性影响较小.例如,对于(a)因子而言,标识元素为Cu 和Mo,Cu 和Mo 在这个因子中的DISP 估计范围均从基本值(26.54, 0972mg/kg)的0.8倍~1.5倍,BS 估计范围从基本值的0.9倍~1.3倍.Cu 在这个因子中的BS -DISP 估计范围从基本值的0.1倍~1.6倍,Mo 的BS -DISP 估计范围从基本值的0.7倍~1.8倍.可以看722 中国环境科学 40卷出,Cu和Mo在(a)因子中的DISP和BS估计范围基本一致,且都比BS-DISP的估计范围要小,而Cu的BS-DISP估计范围明显比Mo要大,说明Mo的结果相对于Cu更稳定.其他标识元素与上述分析类似,在此不再赘述,整体来看,标识元素的基本值均在DISP、BS、和BS-DISP估计范围内,除了Cr和Ti 外,DISP和BS估计区间的下限均不低于基本值的0.6倍,上限均不高于基本值的1.5倍.BS-DISP的估计区间相对宽些,区间下限均不低于基本值的0.5倍,上限均不高于基本值的1.6倍.表46因子情景方案下的关键变量在每个因子中3种误差估计方法的不确定性区间Table 4 Uncertainty interval of three error estimate methods for each factor for active elements under 6-factor solution不确定性区间各因子的关键变量基本值DISP BSBS-DISPMo(mg/kg) 0.972 [0.771, 1.419] [0.855, 1.208] [0.0692, 1.563] (a)因子Cu(mg/kg) 26.54 [21.19, 39.66] [23.37, 34.42] [19.67, 47.63](b)因子Mn(mg/kg) 493 [353, 575] [374, 465 ] [337, 585](c)因子 Na2O(%) 0.27 [0.23, 0.37] [0.25, 0.29] [0.22, 0.39]Cr(mg/kg) 41.97 [36.17, 62.63] [7.65, 49.73] [0, 66.43] (d)因子Ti(mg/kg) 2916 [2501, 4432] [341, 3493] [0, 4706] (e)因子As(mg/kg) 15.53 [12.16, 21.63] [10.74, 19.13] [8.04, 24.60]Cd(mg/kg) 0.18 [0.12, 0.23] [0.13, 0.20] [0.11, 0.24] (f)因子Pd(mg/kg) 20.3 [13.00, 28.20] [12.34, 23.81] [10.17, 30.17]2.3 PMF源解析的不确定性评估讨论在本案例数据集中,DISP误差诊断显示均不存在因子交换现象,表明这4种不同因子数情景下得到的PMF源解析结果均没有或只有非常小的数据误差,源成分谱的各个因子定义明确.若案例数据集出现因子交换,则说明可能确定的因子数过多或是各类源未被很好地分解.因此,DISP诊断结果可以作为PMF源解析方案的初筛工具.即,如果DISP运行后未出现或仅出现非常少量的因子交换,那么可以初步判断PMF源解析方案可能是合理的,可以作进一步分析.通过案例应用可以看出,BS法尽管没有考虑因子分解过程中产生的不确定性对源解析结果的影响,但是该方法也是一种非常有用的误差估计方法,可以识别出重现性不好的因子.当BS重采样后不能很好地重现基本因子时,则说明该PMF源解析方案存在一些问题.可能是样品数量不够,或者重现性差的因子仅影响局部小区域,重采样过程中漏掉了关键性样品数据.如本例中5因子、6因子和7因子情景方案下得到的(e)因子重现性都比较差.BS结果可以实现量化PMF源解析中随机误差的影响以及识别低再现性的因子.其中,低再现性的因子是真实存在的源,不能被忽略,是需要进一步调查确认的. BS-DISP误差估计结合了BS对随机误差估计以及DISP对因子分解不确定性估计的优势,在DISP和BS诊断效果很好时,BS-DISP也可能发生因子交换,可以使用BS-DISP去辨别哪些因子存在更多的不确定性来源.本文还分别设置了4种dQ max变化水平情景,通过分析随着dQ max值变化各因子中关键变量的DISP 区间和BS-DISP中DISP阶段区间的变化情况,可以进一步研究不确定性是更多源于因子分解中不确定性还是源于人为指定地输入数据的不确定性.图3中,BS-DISP的DISP阶段的区间指的是基于第一组BS重采样数据集运行得到的DISP区间.可以看出,随着dQ max的增加,这些关键变量的DISP区间、BS-DISP的DISP阶段的区间都随之增大.由于BS- DISP中dQ max变化小,该方法中的DISP阶段会发生比DISP法更弱的元素扰动,因此这里得到的关键变量的DISP区间均比BS-DISP的DISP阶段的区间大.BS-DISP的DISP阶段的区间变化率也不如DISP区间变化率大.另外,随着dQ max成比例的增加,这些关键变量的区间虽呈增大趋势,但都是不成比例的,表明不确定性区间更多体现地是因子分解过程中产生的不确定性.相反,如果这里有出现某因子中关键变量的DISP区间是随着dQ max加倍增加而成比例增大时,则说明这个因子存在较小的因子分解不确定性,其不确定性主要是由输入数据的不确。
土木工程中的土体模型试验与数值模拟

土木工程中的土体模型试验与数值模拟土木工程是一门利用土体材料进行建筑和基础设施建设的学科。
为了确保工程的安全可靠,土壤的物理特性和力学行为是非常重要的研究内容。
土体模型试验和数值模拟是土木工程中常用的研究方法。
本文将探讨土体模型试验和数值模拟在土木工程中的应用及其意义。
一、土体模型试验在土木工程中的应用土体模型试验是通过构建真实土体的缩小模型,在实验室中进行乏力学和岩土工程性质的测试。
这种试验方法具有直观、可重复、控制条件好等优点,被广泛应用于土壤侧向力分析、地基工程、土体渗透性和土体稳定性等方面。
在土壤侧向力分析中,土体模型试验可以模拟真实土壤受到的侧向地震、风力和水流等力。
通过调节试验环境参数,观察土体的变形、破坏和抗力等性能,为土木工程的设计和施工提供重要依据。
地基工程是土木工程中一个重要的研究领域。
土体模型试验可以模拟真实地质条件下的地基沉降、变形和稳定性等问题。
通过模型试验,可以评估地质环境对地基的影响,提供地基处理方案,并预测地基在不同荷载作用下的响应,从而确保工程的稳定性和安全性。
土体渗透性是土木工程中的另一个重要问题。
在水利工程和水资源管理中,了解土体的渗透性对于正确预测和设计水文过程至关重要。
土体模型试验可以通过模拟地下水流动的物理过程,测量流量和水头等参数,推导土壤的渗透系数和渗透能力,为水文模型和水利工程的研究提供实验依据。
二、数值模拟在土木工程中的应用数值模拟是利用计算机和数学方法对土体行为进行模拟和分析的方法。
它通过建立数学模型和计算算法,模拟真实土体的物理过程和力学行为,预测土体的变形、破坏和稳定性等性能。
在土体模型试验无法完全模拟真实工程条件的情况下,数值模拟可以提供一种有效的替代方法。
例如,在土质边坡稳定性分析中,数值模拟可以通过引入真实工程的地质参数、荷载和边界条件,模拟土质边坡在不同荷载作用下的变形和破坏情况,为工程安全评估提供定量依据。
数值模拟还可以应用于土体动力响应分析。
黄淮海平原浅层地下水埋深对气候变化响应

黄淮海平原浅层地下水埋深对气候变化响应谢正辉1,*,梁妙玲1,袁星1,陈锋1,刘春蓁2,刘志雨2(1.中国科学院大气物理研究所,北京 100029;2. 水利部水利信息中心,北京 100053)摘要:地下水是陆地水循环的重要组成部分,它受气候条件和植被地形及人类活动的影响。
地下水埋深对气候变化的响应研究是气候变化影响研究的前沿和热点之一,对于水资源管理及其相关研究与应用具有重要意义。
本文利用陆面水文模型VIC驱动统计模型RTFN开展气候变化的敏感性试验,探讨黄淮海平原地区浅层地下水埋深对气候变化的响应。
研究表明,地下水埋深对降水变化的敏感程度远大于温度变化,埋深较浅区比埋深较深区敏感。
在温度变化2~5度,降水变化±15%的情景下,黄淮海平原区平均地下水埋深变化范围大致为-81~96mm。
由于地下水具有自记忆性,导致埋深对降水盈余响应滞后,该地区最大的埋深变化出现在8月。
关键词:浅层地下水,气候变化,陆面水文模型,带噪声传递函数模型,黄淮海平原1 引言全球水储量中,地下水是仅次于冰川的淡水资源,全世界约有15亿人以之作为主要的饮用水源;它对于维持河流、湖泊、湿地以及水生群落具有重要意义,是水循环不可缺少的一部分[1]。
气候变化能通过改变径流、土壤湿度以及湖水水位等水文要素改变地下水埋深;而大尺度浅层地下水埋深的变化改变土壤湿度的时空分布,并进一步改变陆气间的能量和水分循环,最终影响气候。
作为中国重要粮食生产基地的黄淮海平原区,地下水是该区农业生产的重要水源,特别是在黄河以北地表水缺乏的地区井灌面积占有效灌溉面积的近70%。
因此,在黄淮海平原区开展地下水对气候变化响应的研究对于深化气候变化对水资源影响研究、以及适应气候变化水资源管理政策的制订等具有重要意义。
目前气候变化对地下水的影响研究还处于起步阶段,一方面是由于地下水与气候、人类活动的关系以及地下水的补给方式要比地表水复杂得多,由气候模型输出驱动各种形式的地下水水量平衡模型得到的地下水补给尚不能作为对地下水的预测[2];另一方面是由于大多数描述大气环流模式中地表能量、水分、物质等变化的陆面过程模型并未考虑或者详细考虑地下水位动态变化[3]。
土壤污染健康风险评估模型

RBCA(Risk - based corrective action)模型暴露评估可以通过日平均暴露量来估算,由于暴露途径主要分为食入,皮肤接触和吸入三种途径,因此日平均暴露量 (Chronic Dailay Intake,CDI)(mg/kg/day)的计算公式如下:式中, C 为污染物的浓度, mg/kg;IR为摄入污染物的浓度,kg;EF为暴露频率, 1/days;ED为暴露持续时间,years;BW为体重,kg;AT为平均寿命,years;RBCA 模型按照美国环境保护署(USEPA)的化学物质分类,将化学物质分为致癌物质与非致癌物质 2 类。
通常认为人体在低剂量暴露条件下,暴露剂量率和人体致癌风险之间呈线性关系 CR = CDISF, SF(Slop Factor)为致癌斜率因子,因此致癌物质的致癌风险值 CR 计算公式如下:非致癌物质的危害商(HQ)一般以参考剂量RfD(Refer-ence Dose)值为衡量标准,暴露剂量率和参考剂量的关系HQ = CDI/RfD,RfD污染物的参考剂量,因此非致癌物质的危害商(HQ)计算公式如下:式中,下标 oral, dermal,inh分别为经口,皮肤接触,吸入。
对于致癌物质,计算其风险值,并设定 10-6为可接受致癌风险水平下限, 10-4 为可接受致癌风险水平上限;对于非致癌物质,计算其危害商,判定标准设定为 1。
CLEA(Contaminated Land Exposure Assessment)模型CLEA 模型将化学物质对人体或动物的健康效应划分为阈值和非阈值效应,非阈值效应用指示剂量表示,阈值效应用可接受日土壤摄入量表示,总称为健康标准值(HCV).依据日平均暴露量(CDI)与 HCV 的比值来评价化学物质的危害程度。
ADE/HCV 的计算公式如下:式中, C 为污染物的浓度, mg/kg;IR为摄入污染物的浓度,kg;EF为暴露频率,1/days;ED为暴露持续时间,years;BW为体重,kg;AT为平均寿命, years; HCV 为健康标准值,单位为 mg/kg/d;下标 oral, dermal,inh分别为经口,皮肤接触,吸入。
土壤水文过程的数值模拟与预测研究

土壤水文过程的数值模拟与预测研究土壤是生命的基础,土壤水分的状态对于作物的生长发育有着至关重要的影响。
因此,对于土壤水文过程的数值模拟与预测研究,已成为土壤水分管理中的重要环节。
本文将对土壤水文过程的数值模拟与预测研究进行探讨。
一、土壤水文过程的数值模拟土壤水分的运移过程是一个复杂的非线性问题,主要受到土壤类型、气象条件、作物种类、土地利用方式等因素的影响。
因此,对于土壤水文过程的数值模拟需要结合多种因素进行综合分析。
目前,土壤水文过程的数值模拟主要应用的是物理模型和统计模型。
物理模型是基于土壤水文和水文学的理论,通过对土壤水分运移过程进行数学描述,从而预测土壤水分的运移特征。
统计模型则通过对大量数据进行归纳总结,建立出统计关系式,进行预测。
同时,土壤水文过程的数值模拟还可以采用不同方法进行模拟,主要包括有限元法、有限差分法、物理相似模型和统计回归模型等。
这些模型各有优劣,根据具体情况选择合适的模型进行数值模拟。
二、土壤水文过程的预测研究土壤水分的研究和预测是土壤水文学的核心问题之一。
土壤水分的预测可以为土地管理和农业生产提供重要的支持,目前已广泛应用于农业、环境和水资源管理等领域。
目前土壤水分的预测主要基于气象、雷达、卫星遥感等信息进行预测。
气象数据是土壤水分预测的重要依据,利用气象数据和水文学模型可以预测出土壤水分的变化趋势。
雷达技术可以对土壤内部水分进行探测,进而得出土壤水分的时空分布。
卫星遥感技术则可以提供大范围的土壤水分信息,用于分析土壤的水分差异性。
在土壤水文过程的预测研究过程中,还需要注意一些问题。
首先,需要建立准确可靠的预测模型,依据模型对土壤水分进行预测。
其次,需要注意数据质量问题,以确保预测结果的准确性。
最后,还需要进行数据分析和结果验证,以确保预测结果的合理性。
总之,土壤水文过程的数值模拟与预测研究是土壤水分管理的重要环节。
通过对土壤水文过程进行数值模拟和预测,可以更好地理解土壤水分的运移过程和变化规律,为农业生产、环境保护等提供重要的支持。
LUR模型模拟的南昌市PM2.5浓度与土地利用类型的关系

浓度差异显著水平不 一致 ,工业区与商业区 、居住 区与教 育区均无 显著差异 ,工业 区、商业 区均 与教育区和居住区有显
著差异 ,对 照区与其他 4类功能区均有 显著差异。该研究探索了城市土地利用与大气污染耦合的新思路 ,研究结果为优
化城市土地利用 ,缓解大气污染提供参考 。
关键词 :模型 ;土地 利用 ;方差分析 ;功能区;P M2 5 ;耦合
自然用 地 被 转化 为建 设 用地 以支撑 城 市发 展 ,土 地利 用/ 土 地覆 盖发生 了巨大改变 ,带来 了一系 列生 态环 境 问题【 2 】 。其 中,城市大气污染 日益严重 ,己成为制约 中 国城 市健康 发展的重要 因素 。已有研 究表 明,大气 污染 在宏 观层面上 与气候气 象条件密切相关 ,但在微观 层面 上却与局部 的土地利用 情况紧密相联t 孓 】 ,特别是城市绿 地和建设用地的空间布局对城市大气污染具有重要影响[ 8 ] 。 目前关于 土地利用 与大气污染关 系的研 究较 少 ,分散于 大气科学 、土地科 学等领域 ,各个 领域 的学 者往往从 自 身学科特 点 出发进 行相关研 究, 尚未形成 统一的理论 。 大气科学 领域 的学者 并不特别关注 土地利 用与大气污 染 的关系 ,只是在用 数值模拟技术 模拟大气 污染物扩散 时
3 .九 江 学 院 旅 游 与 国 土 资 源 学 院 ,九 江 3 3 2 0 0 5 )
摘
要 :城市土地利用对城市大气污染具有重要影 响,探究两者间 的关系对 于促进城 市大气污染治理 、保障人体健康 具
有重要意义。该研 究首先利用土地利用回归 ( 1 a n d u s e r e g r e s s i o n , L U R)模型模拟南 昌市 中心城区 P M2 5 浓度 空间分布 。 其次,根据土地利用主导方式的不 同,在南 昌市 中心城区选择商业 区、工业 区、居住 区、教育 区和对照 区各 5个 ,作为 样本功能区,分春 、夏 、秋 、冬四季统计各样本 功能区 P M 浓度 ,运用方差分析与多重 比较法定量研 究不 同类 型功能区 四季 P M2 5 浓度差 异。研 究结果表 明:1 )四季 L UR模型调整 分别为 0 . 7 1 3 、0 . 7 4 1 、O . 8 9 8 、0 . 9 6 4 ,检验样本平均绝对 误差率为 1 2 . 0 3 %,说明构建的四季 L UR模型拟合情况好 ,可 以有 效地对监测 点 以外区域 P M2 5 浓度 进行估计;2 )功能 区类 型 对 P M2 城市土地利用方式显著影响 P M2 且这种影响与季节无关 ; 3 ) 各类功 能区之 间 P M2 5 5浓 度 影 响 显 著 , 5浓度 ,
污染物在土壤中运移模型的研究进展_冯效毅

后, 在土壤溶液与土壤固相之间的反应速度很快,
瞬时达到平衡, 或在局部短时间达到平衡, 常见的
平衡模型见表 1。
表 1 化学 物质在土壤中的持留 /释放平衡模型 ¹
名称 线性模型
方程 (模型 ) S = K dC
Freund lich模型 Langm u ir模型 S 型 Langm u ir模型 Langm u ir- F reundl ich 模型 R ed lich- Peterson 模型 多点位 Langm u ir模型
土壤圈是地圈 - 生物圈系统的一个重要组成 部分, 土壤溶质运移直接影响到这一系统的物质循 环。土壤中溶质运动是自然界多孔介质中溶质运 移的一种最常见现象。土壤中污染物的运移实际 上是土壤溶液中溶质随土壤水分的迁移, 因此, 土 壤溶液中污染物的浓度在很大程度上决定了污染 物在土壤中迁移。当污染物溶解于土壤溶液后, 溶 质在土壤中的扩散, 溶质与土壤颗粒之间及溶质不 同组分之间的化学反应变化, 以及被植物吸收等一 直为众多学者所研究 [ 1 ] 。由于土壤中污染物的检 测受到仪器, 方法及经济等方法制约 [ 2, 3 ] , 近年来, 学者们根据不同土壤环境及研究目的需要, 建立了 形形色色的模拟模型, 这些模型概括起来可分为三 类: 几何模型、对流 - 弥散传输 模型和随机模型。 这些模型促进了污染物运移理论的研究与实验室 及实际问题的衔接, 为污染物在土壤中传输提供数 量化和系统化途径, 为环境监测管理部门提供基础 和必备的原始数据。
多点位 Freund lich模型
S = K dC n
S = bCSm ax / ( 1+ bC )
S = bCSm ax / ( 1 + bC + K /C )
基于ENVISATASAR的长江口南汇潮滩土壤湿度定量研究

对 回波信号的影响,从而求得糙 度 的 影 响 而 获 得 土 壤 湿 度 ; I n等 me
(0 2 1)使用 R D R A - 数据 ,结合地面调查参 1 A A S T2 数 ,利用 改 进 的 O h模型 反演 了加拿 大 Ssaon农 akto 业 区土 壤湿 度 。 在微 波 土壤 湿 度 遥感 反演 模 型 中 ,
第 3卷 1
第 2 期
海
洋
通
报
Vo. 31. .2 1 No Apr 01 .2 2
21 0 2年 4月
MAR NE C EN UL ET N I S I CE B L I
基 于 E V S T A AR的长江 口南 汇 N IA S 潮滩 土壤湿度定量研究
韩 震 一 彭飞 , ,
IM 模 型能 在较 大 的地表 粗糙 度 范 围内反 映真 实地 E
表后向散射情况,不需要地表相关参数 ;而 O H模 型需要地表相关参数 ;A E I M模 型需要地表及 大气 相关 参数 ,在 A E I M模 型 中 ,D bo 混 合介 电模 型 osn
常 用来 计算 土壤 介 电常 数 。在 分 析 了上 述模 型 的基
S i m o su eq a tt tv t d o h n u d l a n t e ol it r u n i i e su y f r t e Na h iTi a ti h a Fl Ya g z v r e t a y b sn n te Ri e su r y u i g ENVI AT AS S AR a a d t
等 。遥 感技 术 具有 宏 观 、动 态 、同步监 测 等 优 势 。
数学模型在土壤污染评价中的应用

数学模型在土壤污染评价中的应用土壤污染是一个全球性的问题,对环境和人类健康产生了严重的影响。
为了准确评估土壤污染的风险和制定有效的治理策略,数学模型被广泛应用于土壤污染评价中。
数学模型通过建立土壤污染的数学描述,模拟和预测污染迁移、转化和风险,提供科学依据和决策支持。
首先,数学模型在土壤污染评价中用于模拟和预测污染物的迁移和转化。
污染物在土壤中的迁移和转化过程是复杂而动态的,受到多种因素的影响。
数学模型可以通过数学方程和数值方法,模拟和预测不同类型的污染物在土壤中的扩散、吸附、降解等过程。
这些模型可以帮助研究人员理解土壤中污染物的迁移机制,并提供预测未来污染扩散的参考依据。
其次,数学模型在土壤污染评价中用于评估污染对人体健康的风险。
人们长期接触受污染土壤中的污染物可能引发多种健康问题,包括癌症、免疫系统紊乱和生殖系统异常等。
数学模型可以通过分析土壤中污染物的浓度、暴露途径和个体敏感性等因素,评估土壤污染对人体健康的潜在风险。
这些模型可以为土壤污染治理提供科学依据,指导决策者制定相应的污染防治措施。
另外,数学模型在土壤污染评价中还可以帮助优化污染治理策略。
针对不同类型的土壤污染问题,比如重金属、农药和挥发性有机物等,数学模型可以通过模拟和优化各种治理措施的效果和成本,帮助决策者选择最佳的治理方法。
例如,数学模型可以帮助确定合适的土壤修复技术、最佳的污染源控制策略和有效的环境监测方案,从而提高土壤污染治理的效率和效果。
最后,数学模型对土壤污染评价的应用还有助于深化对土壤污染机理和影响因素的认识。
通过建立数学模型,研究人员可以系统地分析和解释不同因素对土壤污染的影响,并提出相应的解决方案。
这有助于揭示土壤污染的复杂性和多样性,并促进土壤污染研究的深入发展。
总之,数学模型在土壤污染评价中的应用可以提供科学的、量化的和可预测的方法,帮助研究人员和决策者对土壤污染问题进行深入分析和解决。
随着数学建模与计算能力的不断提升,预计数学模型在土壤污染评价中的应用将得到进一步的拓展和完善。
建立土壤监测分析质量管理及评估体系的探讨

环境监控与预警 Environmental Monitoring and Forewarning
Vol. 11ꎬNo. 3 May 2019
DOI:10. 3969 / j. issn. 1674 6732. 2019. 03. 013
建立土壤监测分析质量管理及评估体系的探讨
目前ꎬ土壤环境监测分析依据的方法标准包含 国家标准、环境监测行业标准、农业和林业标准等ꎬ 有的分析项目由于没有正式标准文本ꎬ可供参照的 质控要求比较分散[1] 甚至是空白ꎮ 另外ꎬ各监测 机构在完成土壤监测任务后ꎬ缺少科学、统一的质 量管理体系ꎬ不便于省级监测机构在本行政区域内 统一实施统计评估及质量管理等技术工作ꎮ 因此 加强内部质量控制ꎬ科学应用外部质控手段ꎬ建立
收稿日期:2019 - 03 - 13ꎻ修订日期:2019 - 04 - 08 基金项目:江苏省环境监测科研基金资助项目(1811) 作者简介:刘琳娟(1979—) ꎬ女ꎬ高级工程师ꎬ本科ꎬ主要从事 环境监测仪器分析工作ꎮ
第 11 卷 第 3 期
刘琳娟等. 建立土壤监测分析质量管理及评估体系的探讨
刘琳娟1 ꎬ黄娟2 ꎬ张晔霞1 ꎬ陈秀梅1 ꎬ陶云锋1 ꎬ纪灵娴1 ꎬ吴亚萍1 (1. 江苏省南通环境监测中心ꎬ江苏 南通 226006ꎻ2. 江苏省环境监测中心ꎬ江苏 南京 210019)
摘 要:针对目前土壤监测分析方法、质控要求不统一的现状ꎬ从空白试验、标准曲线、精密度、准确度等方面ꎬ分析了在实 际应用中存在的问题ꎬ提出构建统一的土壤环境监测质量管理体系和评估技术体系的建议ꎬ从而实现土壤环境质量监测分 析活动的全要素溯源传递、全过程质量控制及技术评估ꎬ保障土壤监测数据的科学性、准确性和可比性ꎬ与新的管理要求相 匹配ꎮ 关键词:土壤ꎻ环境监测ꎻ质量管理ꎻ评估体系 中图分类号:X833 文献标志码:C 文章编号:1674 6732(2019)03 0058 05
土壤水环境中有机污染物运移环境预测模型的研究

n +1 / 2
+
n +1 / 2
• wi ( x )dydx = 0 C n+1 / 2 − C n − Rm ∆t / 2
(15a)
• wi ( y )dxdy = 0 n +1 n +1 n +1 / 2 ∂C ∂C ∂ ∂C C −C − V + D − R y xy m ∆t / 2 ∂y ∂y ∂x ∂y
(i=1,2……NK)
(3)
式中:kd为土壤-水分配系数。 1.4 定 解 条 件 的 确 定 通过以上分析得出有机污染物迁移的控制方程,对于特定的问题必需加上定解 条件(初始条件和边界条件)就构成完整的多介质环境中有机污染物迁移的非平衡动力学数学模型,考虑如 下定解条件。 水分运移的定解条件: 初始条件 h(x,z,t)|t=0=h0 边界条件 h(x,z,t)|Γ1=h1 (5) (6) (4)
1.3 土 壤 -水 界 面 可 逆 吸 附 解 吸 控 制 方 程 在土壤-水环境系统中,吸附过程发生于土壤介质的各个 水界面与有机污染物之间,在一定的温度压力条件下,吸附过程是一个动态可逆的非平衡过程,有机污染 [14] 物在吸附相行为可用如下吸附解吸控制方程
∂S 2i ∂t
= α i [(1 − f )k d C − S 2i ] − λ s2 S 2i
−
污染物运移的定解条件: 初始条件
∂h( x, z , t ) | Γ2 = q ∂n
49
水
2003 年 06 月
利
学
报
第6期
SHБайду номын сангаасILI
基于中国植被数据的陆面覆盖及其对陆面 过程模拟的影响

基于中国植被数据的陆面覆盖及其对陆面过程模拟的影响陈锋[1][2],谢正辉[1]*[1]中国科学院大气物理研究所,北京,100029[2]中国科学院研究生院,北京,100049摘要:本文基于中国1:100万植被图、马里兰大学A VHRR森林覆盖资料和中国753个气象站点40年的降水气温资料,发展了一套用于气候模拟的中国陆面覆盖资料(Chinese Land Cover derived from Vegetation map, CLCV)。
该套资料与CLM(Community Land Model)原来所用的MODIS(Moderate Resolution Imaging Spectroradiometer)陆面覆盖资料相比有较大不同:其中裸土比例减少了14.5%,森林、灌木、草原和农作物比例分别增加了3.3%、4.8%、4.4%和0.3%,冰川、湖泊和湿地比例分别增加了0.4%、0.8%、0.6%;将CLCV和MODIS资料分别与全国土地资源概查汇总结果分省统计资料和基于中国1公里土地利用图的土地利用资料比较表明,CLCV与两者较为接近。
最后,利用CLM模式分别采用CLCV与MODIS陆面覆盖资料在中国区域内进行数值模拟,结果显示,使用CLCV资料所模拟的蒸散增加了约7.7mm/y;地表反照率、感热和径流分别减小了约0.7%,0.3W/m2和7.6mm/y;与MODIS卫星反演地表反照率和GRDC(Global Runoff Data Centre)径流资料比较表明,利用CLCV资料所模拟的地表反照率有一定改进,并能基本模拟出径流分布趋势。
关键词:中国植被图,MODIS,陆面覆盖,CLM,陆面过程模拟A Land Cover Dataset based on Chinese Vegetation Data and Its Impacton Land Surface SimulationsCHEN Feng[1][2], XIE Zheng-hui[1]*[1]Institute of Atmospheric and Physics, Chinese Academy of Sciences, Beijing, 100029[2]Graduate School of Chinese Academy of Sciences, Beijing, 100049Abstract In this paper, we develop a new land cover dataset(CLCV) based on the 1:1000000 Vegetation Atlas of China, the A VHRR Continuous Fields Tree Cover of UMD, and the precipitation and temperature data of 753 weather stations in China, and investigate its effects on the energy and water balance over continent China. Compared to the MODIS data, the CLCV data have a decrease in bare soil fraction of 14.5% which is realized through increased tree, shrub, grass, crop, glacier, lake, and wet land at 3.3%, 4.8%, 4.4%, 0.3%, 0.4%, 0.8%, and 0.6% respectively. Compared to the statistic data and land use data, the CLCV data is much closer to them than the MODIS data. The simulation results show that the simulated evapotranspiration increases about 7.7 mm/y, and the simulated surface albedo, heat flux and runoff decrease about 0.7%, 0.3W/m2, and 7.6 mm/y respectively; compared to the MODIS albedo data and the GRDC runoff data, the simulated surface albedo and runoff by CLM with CLCV data get much closer to the observed data than that with the MODIS data.Key words Vegetation Atlas of China, MODIS, land cover, CLM, land surface simulation资助项目:中国科学院知识创新工程重要方向项目Kzcx2-yw-126-2、Kzcx2-yw-217,以及国家重点基础研究发展规划项目2005CB321703*通讯作者:谢正辉,E-mail: zxie@第一作者简介:陈锋,男,1982年出生,浙江海宁人,中国科学院大气物理研究所博士研究生,目前主要从事陆面过程模式发展研究。
《土壤中化学物质的行为与环境质量》书评

《土壤中化学物质的行为与环境质量》书评徐建民【期刊名称】《土壤》【年(卷),期】2006(038)004【摘要】中国科学院南京土壤研究所陈怀满教授是在土壤科学和环境科学领域有很深造诣,并作出重大贡献的著名科学家。
他与郑春荣、周东美、沈振国等教授结合多年来的科研成果及国内外研究进展,编著了《土壤中化学物质的行为与环境质量》一书。
该书2002年由科学出版社出版发行,共98.3万字,分20章,分别是:土壤在环境中的作用与地位,土壤元素背景值与土壤负载容量,土壤重金属的污染与污染土壤退化,土壤中典型污染重金属的行为与环境质量,土壤中稀土元素的行为与环境质量、土壤中放射性核素的行为与环境质量,铝的土壤过程与环境质量,土壤中氟与环境质量,土壤中碳、氮、磷与环境质量,土壤中的硫与环境质量,土壤碳库和氮库与大气质量,土壤中有机污染物的行为与环境质量,农药污染对环境质量的影响,土壤中污染元素的交互作用对其行为的影响,土壤中有机污染物-重金属的交互作用,有机物料对土壤-植物系统重金属化学行为的影响,污染重金属的根际效应,土壤中污染物-微生物交互作用与环境质量,污染土壤的植物修复,土壤中污染物的迁移与转化模型。
该书的出版受到土壤学界的极大关注,兹将该书的特色和主要贡献略述于下。
【总页数】1页(P503)【作者】徐建民【作者单位】浙江大学土水资源与环境研究所,杭州,310029【正文语种】中文【中图分类】S15【相关文献】1.土壤环境监测技术规范中的土壤环境质量评价问题 [J], 赵文廷2.谈土壤环境监测技术规范中的土壤环境质量评价若干问题 [J], 王春洋;李天保;张嘉琦3.《土壤中化学物质的行为与环境质量》专著评述 [J], 陈洪渊4.土壤环境监测技术规范中的土壤环境质量评价分析 [J], 陈海燕5.土壤环境监测技术规范中的土壤环境质量评价问题 [J], 程洪亮因版权原因,仅展示原文概要,查看原文内容请购买。
基于PMF模型的矿区土壤重金属来源解析

基于PMF模型的矿区土壤重金属来源解析
李雨晨;郑刘根;陈星;陈永春;安士凯;安燕飞;李兵
【期刊名称】《环境监测管理与技术》
【年(卷),期】2024(36)1
【摘要】通过在某矿区采集农田土壤和菠菜样品,分析其中重金属含量,基于相关性分析和PMF模型对该矿区农田土壤重金属来源进行解析。
结果表明,研究区土壤中Cd、As、Zn、Cr和Cu元素明显富集,分别是当地土壤背景值的5.7倍、4.4倍、2.4倍、1.5倍和1.3倍;相关性分析结果显示,研究区内Cu、Zn、As、Cd元素存在一定的相关性,可能具有同一污染源;PMF模型结果说明,研究区土壤中重金属主要来源分别为工业污染源、自然母质源、交通污染源和农业污染源,其对当地土壤重金属污染贡献率分别为39.8%、22.8%、21.6%和15.8%。
【总页数】6页(P17-22)
【作者】李雨晨;郑刘根;陈星;陈永春;安士凯;安燕飞;李兵
【作者单位】安徽大学资源与环境工程学院;安徽省矿山生态修复工程实验室;安徽大学化学化工学院;煤炭生态环境保护国家工程实验室
【正文语种】中文
【中图分类】X825;X752
【相关文献】
1.基于PMF模型的兰州耕地土壤重金属来源解析
2.基于PMF模型的济南市郊土壤重金属来源解析
3.基于PMF模型的五彩湾矿区土壤重金属污染空间分布与来源
解析4.清远市清城区土壤中重金属的空间分布、来源解析和健康评价:基于PCA和PMF模型的对比
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
界面面积、 以及该化合 能力参数可以根据传质系数、 物在大气环境介质单元的逸度容量来计算 , 其余相 间的传质能力参数可以根据该化合物在某一环境介 质单元内的半衰期来确定。 篇幅所限, 本书不再讲述 其计算方法, 读者可以参考相关的专门文献。 2 . 5 稳态非平衡多介质环境系统模型 对某一环境单元, 可以建立基于逸度容量的多 介质环境系统数学模型: Vi Zi = df i = Si + ∑ Dji f j - Vi Zi Ki f i - ( ∑ Dij ) f i dt j j ( 15 ) 这样对于图 1 所表示的系统可以建立起常微分 方程形式的多介质环境数学模型, 可以利用 MATLAB 的数值方法得到其数值解。 参考文献:
a″ij x j - ∑ a″ji x i ∑ j =1 j =0
j≠ i j≠ i
= zi + = zi +
a″ij x j ∑ j =1
j≠ i n
+ a″ii x i ( i = 1, 2, ……, n) ( 3 )
a″ij x j ∑ j =1
注意, 上面通过将方程中变量下标变化的方法 将第 i 室周围环境系统的输出包括在最后一项中 。
假设一个环境系统中有多个环境子系统, 物质 ( 污染物或营养物) 在多个子系统之间流动, 第i室 内的物质变化符合一阶动力学过程, 则第 i 室内的 物质状态 ( 浓度或量的多少 ) 可用如下的微分方程 [2 ] 来描述 : dx i = dt
n n
∑ f ij ( t) -
j =0 j≠ i
f ji ( t) ∑ j =0
n n n
物在多个环境介质单元 ( 多室 ) 之间的流动过程, 这 时用生 态 学 中 的 分 室 模 型 能 够 很 好 地 解 决 这 类 问题。
基金项目: 河北省科技支撑计划( 13963801D) 收稿日期: 2015 - 05 - 22 作者简介: 陈锋( 1981 - ) , 女, 副教授, 从事环境污染防治与数 值模拟研究。
因此城市土壤中有机污染问题越来越受到关注 。 本文通过对土壤污染物的环境质 城市又是人口高度集中的地区, 提出适合多空介质的环境质量数学模型, 并以多环芳烃为研究对象进行分析 。 量数学模型进行分析研究, 关键词: 环境质量, 模型, 土壤, 污染物 中图分类号: X53 文献标识码: A 文章编号: 1673 - 7938 ( 2015 ) 06 - 0014 - 03
3 逸度容量计算( mol / cm ·pa) 4
-3
逸度概念是以热力学为基础的, 因此逸度容量 可以通过化合物和所在环境介质的一些物理化学参 数来计算。根据 Mackay 给出的各环境介质逸度容 量的定义, 可以计算各环境介质的逸度容量 : Z1 = S / P v = 0 . 81 Z2 = 1 / RT = 4 . 1 × 10 -4 Z3 = 0 . 0015 R E K oc Z1 = 8 . 39 × 10 3 Z4 = ( 0 . 82 + 0 . 014 K ow ) R R Z1 = 9 . 9 × 10 3 Z5 = ( 0 . 82 + 0 . 0065 K ow ) R s Z1 = 6 . 8 × 10 10
— 14 —
第6 期
陈锋等: 基于环境质量数学模型的土壤污染物模拟研究
n
2015 年 12 月
n
上述转移系数的定义为: a″ij = f ij / x j ( i, j = 1, 2, ……, n, i ≠ j) ( 4 ) a″oi = y i / x i
n
∑ Vi
i
dC i = dt
n
m
∑ ∑ k ij Aij ( C ij - C i ) +
j≠ i
( i = 1, 2, ……, n) ( 1 ) 其中 x i 表示第 i 室内贮存的物质; t 表示时间; f ij 、 f ji 分别表示从 j 到 i 室和从 i 到 j 室的非负物质流 量。 , y i = f0i 分别表示第 i 室周围环 如果设 z i = f i0 , 境系统的输入和输出, 则上述方程又可写为 ( 注意 方程中变量下标的变化) : dx i = z i ( t) + dt
:
— 15 —
2015 年 12 月
北华航天工业学院学报
第 25 卷
表示发生反应的速率常数。 2 . 2 多环芳烃以及所在环境介质的理化参数 相对分子量: M = 354. 49g / mol 5 辛醇 - 水分配系数: K ow = 8. 13 × 10
-7 蒸汽压: P v = 1. 9 × 10 Pa
3
溶解度: S = 5. 5 × 10 mg / L 6 沉积物吸附系数: K oc = 3. 9 × 10 生物富集系数: BCF = 1. 83 × 10 沉积物密度: R E = 2. 5g / ml 根密度: R R = 0. 83g / ml 茎密度: R S = 0. 83g / ml 2. 3
i j n m n m
Vi K i αi C i ∑ i
+
( i = 1, 2, ……, n) ( 5 ) ( i = 1, 2, ……, n) ( 6 )
a″ii = -
a″ji ∑ j =0
j≠ i
q v, ∑ ∑ ji C j - ∑ ∑ q v, ij C j + ∑ S i i j i j i ( 13 ) C i 为单元 i 中的污染物浓度 ( mol / cm3 ) ; 其中, S i 为单元 i 中的污染物源强 ( mol / h) ; k ij 为以单元 i 为基础, 污染物在单元 i 和单元 j 之间的质量交换的 迁移系 数 ( cm / h) ; A ij 为 相 应 单 元 间 的 交 界 面 积 ( cm2 ) ; V i 为单元 i 的体积( cm3 ) ; C ij 为在与单元 j 处
3 于平衡时, 单元 i 中的污染物浓度 ( mol / cm ) , 并有 C ij = C i H ij , H ij 为单元 i 到 j 的分配系数; K i 为单元 i -1 中发生反应的速率常数 ( h ) ; α i 符号指示, 当为降 解反应时, αi = - 1 , 当为生成反应时, α i = 1 ; q v, iji 和 3 q v, ji 为相应的对流体流量 ( cm / h ) 。 引入逸度概念:
a″ii = -
a' ji ∑ j =0
j≠ i
C = fZ
3
( 14 )
式( 2 ) 和( 6 ) 的分室模型用矩阵形式分别表示 为: x = A″·x + z x = - A' ·x - y 其中: 1 x1 x z1 y1 x x z y x = 2 , x = 2 , z = 2 , y = 2 , xn x n zn yn a″11 a″ A″ = 21 … a″n1 a' 11 a' A' = 21 … a' n1 2 a″12 a″22 … a″n2 a' 12 a' 22 … a' n2 … … … … … … … … a″1n a″2n , … a″nn a' 1n a' 2n … a' nn ( 11 ) ( 12 )
n n
f ij ( t) ∑ j =1
j≠ i
-
f ji ( t) ∑ j =1
j≠ i
- y i ( t)
( i = 1, 2, ……, n) ( 2 ) 根据上式可对各个分室建立微分方程, 将多个 微分方程联立起来, 构成微分方程组, 这实际上就构 成了分室模型方程组。 如果用转移系数建立上述方程, 则有 dx i = z i ( t) + dt
将逸度的概念引入有机污染物的多介质环境数 学模型中, 即用逸度代替浓度进行计算, 解决了因为 不同介质中浓度单位不统一而造成的建模困难问 题, 简化了模型计算过程。 多介质环境系统模拟模 型的主方程为一质量平衡方程组
[3 ]
如图 1 , 表示多环芳烃在多介质环境系统中的 迁移转化过程。 其中的 D ij 表示污染物在各个环境单 元间的传输能力参数, 是由污染物的理化参数、 逸度 容量和各种环境参数( 温度、 体积、 密度、 流量等 ) 计 Ki 算得到的, 是多介质逸度模型计算的关键参数。
[ 1] James J S, Wolfgang F R,Lynn M,et al. Source apportionment of airborne particulate matter using organic compounds as tracers[ J] . Atmospheric Environment, 2007 , 41 ( 1 ) : 241 - 259. [ 2] Danyel H, John C, Ian B,et al. Predicting microbial pollution concentrations in UK rivers in response to land use
基于环境质量数学模型的土壤污染物模拟研究
陈
摘
锋
1
曹张伟
2
王玉洁
1
( 1. 北华航天工业学院 建筑工程系, 河北 廊坊 065000 ; 2. 廊坊市人力资源和社会保障局, 河北 廊坊 065000 ) 要: 随着城市化进程的加快, 城市中土壤有机污染日趋严重, 许多有机污染物对人类有着致癌和致畸毒性, 而
同样, 通过变化微分方程中变量的下标 , 微分方 程( 1 ) 也可写为: dx i = dt
n n
∑ a' ji x i =