在复杂港口环境中，利用高密度低成本传感器网络和统计分析方法进行局部污染源的分配

《ACS ES&T Air》：Local-Scale Pollution Source Apportionment in Complex Port Environments Using High-Density Low-Cost Sensor Networks and Statistics Analysis

低成本传感器网络结合FFT与PCA时空分析，揭示港口重型卡车排放主导NOx污染特征，交通管制有效验证源解析策略。

　　

传统的空气质量观测和模型模拟在繁忙港口和工业中心的亚公里尺度上常常失效，这导致在识别和分配局部污染源方面存在严重漏洞。填补这一空白对于实现有效的、针对特定地点的污染控制至关重要。我们的研究通过利用低成本传感器（LCS）网络的高空间分辨率和高时间分辨率来应对这一需求，这些传感器能够在复杂的、高排放区域以米级尺度捕捉污染物的变化。在2019年中国国际进口博览会（CIIE）期间，我们在上海的一个主要港口区域部署了密集的LCS网络来监测关键污染物。该港口区域的平均氮氧化物（NO_x）浓度是城市背景水平的3.4倍，并且在午夜到早上6点之间出现明显的峰值，这与港口物流活动密切相关。快速傅里叶变换（FFT）分析了高分辨率时间序列的频域，揭示了与港口运营相关的周期性模式，并将其与城市影响区分开来。主成分分析（PCA）进一步分解了空间变异性，根据主要污染模式对区域进行了分类，并明确了污染物的传播动态。将这些统计方法与双变量极坐标图结合使用，使我们能够将高NO_x浓度主要归因于内部道路上的重型卡车，而不是船舶或附近的城市污染源。空间聚类技术划分出了污染源区、易受污染区和低影响区，揭示了污染物如何从核心交通路线扩散到周边区域。CIIE期间对卡车交通实施了有针对性的限制，有效降低了NO_x浓度，验证了污染源分配策略和干预措施的有效性。我们的结果表明，LCS网络结合先进的统计分析方法，为管理复杂的微观环境污染提供了一个可扩展的、实时的框架。