利用城市环境中的尺寸分辨光学PM测量技术提升传感器校准与污染源溯源精度
《Atmospheric Environment》:Enhancing Sensor Calibration and Source Apportionment with Size-Resolved Optical PM Measurements in Urban Environments
【字体:
大
中
小
】
时间:2026年07月23日
来源:Atmospheric Environment 3.8
编辑推荐:
摘要:精确测量颗粒物并识别其来源对于空气质量管理至关重要。尽管近年来低成本光学颗粒物传感器的发展使得按尺寸进行测量成为可能,但它们在传感器校准和污染源溯源中的应用仍较为有限。本研究提出了一种综合方法,利用高分辨率尺寸测量数据来提升传感器校准精度并识别颗粒物来源。2023年1月至6
摘要:精确测量颗粒物并识别其来源对于空气质量管理至关重要。尽管近年来低成本光学颗粒物传感器的发展使得按尺寸进行测量成为可能,但它们在传感器校准和污染源溯源中的应用仍较为有限。本研究提出了一种综合方法,利用高分辨率尺寸测量数据来提升传感器校准精度并识别颗粒物来源。2023年1月至6月,该研究在深圳部署了配备52通道颗粒物传感器(覆盖0.3–20微米范围)及气体传感器的Mini Air监测站。通过结合传统参数与颗粒物尺寸分布特征,研究人员构建了一种新的传感器校准和污染源识别框架。随机森林模型对PM2.5、PM2.5–10和PM10的预测R2值分别达到0.87、0.80和0.86,性能优于仅基于颗粒物质量及气象数据的模型。通过对多通道颗粒物测量数据与气体示踪剂进行正矩阵因子分析,共识别出四种不同的污染源特征。第一类污染源为建筑粉尘,对粗颗粒物的贡献最为显著,占PM2.5–10的62%;第二类为混合污染源,对PM1–2.5有重要影响;第三类为燃烧排放物,是PM0.3–1的主要来源,占比达61%;第四类为交通相关排放物,其颗粒物尺寸分布呈现双峰特征,反映了车辆尾气与道路扬尘的共同作用。总体而言,本研究表明,利用低成本传感器的高分辨率尺寸数据,可无需依赖昂贵的化学成分分析即可实现污染源溯源。这一框架为复杂城市微环境中的实时、精准污染控制提供了高度可扩展且成本效益高的解决方案。
引言:颗粒物浓度是衡量环境空气质量的关键指标,因为它会对人类健康、能见度以及全球气候产生负面影响(Arfin等人,2023;Luan等人,2018;Rivas等人,2021;Tai等人,2010)。长期暴露在高浓度颗粒物环境中会带来诸多健康风险,包括心血管疾病、中风、呼吸系统疾病以及肺癌(Basith等人,2022;Markozannes等人,2022)。颗粒物来源于多种自然和人为因素,从火山爆发、森林火灾到车辆排放及工业活动皆有可能产生颗粒物(Mukherjee和Agrawal,2017;Zhu等人,2018)。不同排放源的颗粒物尺寸分布特征存在显著差异:工业排放物通常含有更多细颗粒物(Hernández和Fajardo,2021;Hsu等人,2017),而沙尘暴和建筑施工则会产生更多粗颗粒物(Cheriyan和Choi,2020;Jayaratne等人,2011)。此外,车辆尾气会生成超细颗粒物,而生物质燃烧则会产生范围较广的颗粒物尺寸(Kumar等人,2013;Luo等人,2024)。由于不同地区的排放情况各异,颗粒物特性也存在很大差别,因此除了传统的监测方法外,还需要更先进的监测技术。传感器技术的快速发展极大地提升了空气污染监测能力。低成本光学颗粒物传感器通过分析激光束穿过空气样本时散射光强度来测定颗粒物浓度,因其成本低廉且结构紧凑而得到广泛应用(Rai等人,2017;Zimmerman,2022)。传感器网络的发展使得人们能够对污染模式进行更精细的时空分析,从而更好地理解复杂城市环境中的颗粒物动态(Li等人,2022;Lu等人,2021)。近期研究显示,这类传感器已在从城市空气质量监测网络到社区级监测项目等多种场景中得到成功应用。由于其价格低廉且易于获取,这些传感器推动了空气质量管理领域的创新方法发展,包括公民科学项目、移动监测活动以及室内空气质量评估(Manshur等人,2023;Shen等人,2021;Wei等人,2021)。此外,传感器数据的高时间分辨率还有助于发现以往难以察觉的短期污染事件和局部排放模式,为环境政策制定和公共卫生保护提供了重要依据(Hassani等人,2023;Madhwal等人,2024;Steinle等人,2013)。这些优势使得低成本传感器逐渐成为传统监测网络的理想补充。尽管取得了这些进展,现有的低成本颗粒物传感器在测量能力方面仍存在诸多局限。大多数市售传感器仅能检测两到三个尺寸范围的颗粒物(通常是PM1.0、PM2.5和PM10),这限制了它们的校准精度和污染源识别能力。有限的尺寸分类使得这些传感器难以捕捉复杂的气溶胶动态,尤其是在存在多种排放源的城市环境中。例如,车辆尾气主要产生超细颗粒物,而道路扬尘和生物质燃烧则会产生不同尺寸范围的颗粒物,因此使用传统传感器很难区分这些污染源。在校准过程中,由于缺乏完整的颗粒物尺寸分布数据,无法充分考虑不同的颗粒物组成和环境条件,这可能导致在不同大气条件下出现系统性的测量偏差(Gramsch等人,2021;Qin等人,2024)。在雾霾或沙尘暴等特殊污染事件中,颗粒物的物理化学性质和光学特性会发生显著变化,进而进一步影响测量精度,这一问题尤为突出。目前的校准方法主要依赖于在正常环境下与参考仪器同步运行以确定校正因子(Feinberg等人,2018)。尽管颗粒物物理化学性质的时空异质性会直接影响其光学特性,但这些校准程序生成的校正因子却是针对校准期间颗粒物的特定物理化学属性而优化的。在雾霾或沙尘暴等特殊污染事件中,颗粒物的物理化学特性(如尺寸分布、成分和形态)会发生剧烈变化,从而改变其光学特性,导致依赖光散射原理的光学颗粒物传感器出现较大的测量偏差(Giordano等人,2021;Zheng等人,2018)。虽然已有各种校正算法和机器学习方法被提出用于解决这些问题,但颗粒物尺寸分辨率不足这一根本问题仍未得到解决。传统的污染源溯源方法通常依赖于受体模型,这类模型需要详细的颗粒物化学成分数据,往往需要通过实验室对元素、离子和有机化合物进行大量分析(Kumar等人,2021;Liu等人,2023)。虽然这种方法效果不错,但成本高昂,需要在分析仪器以及样品采集和分析方面的专业人员上投入大量资金。对于那些仅有有限尺寸检测通道的低成本传感器而言,其特征信息不足以区分不同的污染源,因为各种污染源的特征通常会体现在多个尺寸范围内(Bousiotis等人,2023a;Bousiotis等人,2022)。在试图区分混合污染源或了解二次气溶胶形成过程时,这一局限性尤为突出。此外,由于无法获取详细的尺寸分布数据,也难以了解颗粒物的转化过程以及复杂城市环境中的特定污染源。本研究旨在通过探索一种先进的多通道颗粒物传感器的功能来克服这些根本性局限,该传感器能够在52个不同的尺寸区间(0.3–20微米)内提供高分辨率的测量数据。与以往主要依赖总质量浓度或低分辨率尺寸分类的低成本传感器研究相比,本研究的创新之处在于充分利用了这种高分辨率的尺寸测量数据。本研究的具体目标包括:(1)通过整合多个尺寸检测通道和机器学习算法,开发并验证一种先进的校准框架,从而显著提升测量的准确性,尤其是针对粗颗粒物;(2)通过正矩阵因子分析,利用纯粹的光学和气体数据作为化学成分分析的替代方法,评估该传感器在污染源识别方面的有效性;(3)展示这种改进后的测量能力在城市空气质量监测中的实际应用价值。除了直接测量数据外,从颗粒物尺寸分布中提取的定量特征(如模式直径和几何标准差)以及不同检测通道之间的相关性数据,也能为了解颗粒物特性及其转化过程提供重要信息。将多通道测量数据与机器学习校准及正矩阵因子分析相结合,代表了低成本传感器应用领域的一项重大进步,有效弥合了传统高端监测仪器与大规模传感器部署之间的差距。这一创新方法不仅有助于我们更好地理解城市空气质量的变化规律,还为实施更为精准有效的污染控制策略奠定了基础。本研究的成果对于未来空气质量监测网络的发展以及环境保护政策的完善具有重要的意义。
仪器与数据描述:本研究采用了由Sapiens公司生产的Mini Air Station(MAS-AF300)构成的多传感器集成监测系统,用于持续监测颗粒物、气体污染物以及气象参数。该系统配备了多通道颗粒物尺寸传感器(AQ Mass Profiler,美国Met One Instruments公司出品),能够检测0.3至20微米范围内52个尺寸区间的颗粒物数量浓度,其详细规格详见“总体特征”部分。图4展示了2023年1月至6月期间的监测数据总体情况。为了与国家空气质量监测系统的参考数据保持一致,时间序列数据已被平均处理为1小时的分辨率,详细的统计汇总数据见表1。根据该系统测得的数值,PM2.5和PM10的平均浓度分别为23微克/立方米和50微克/立方米,其浓度范围分别为1.6–95微克/立方米和4.7–256微克/立方米。与国家空气质量监测系统的测量结果相比,两者具有较好的一致性。
结论:本研究证明了在城市环境中,多通道颗粒物测量技术在传感器校准和污染源特征识别方面具有显著优势。通过将高分辨率的尺寸分布数据与机器学习技术相结合,我们大幅提升了低成本传感器的校准精度,尤其是对于以往研究中最难处理的粗颗粒物。具体而言,我们从高分辨率尺寸数据中提取出了九种额外的特征,这些特征有助于更准确地识别污染源。
未来工作与局限性:本研究也存在一些局限性。首要问题是缺乏化学成分数据,因此无法确定具体的污染源特征,这也限制了我们将所识别的污染因素明确归因于特定的排放源,比如难以区分船舶排放、工业过程以及车辆尾气等不同来源的污染。因此,本研究中的污染源溯源主要依赖于颗粒物尺寸分布、时间变化规律以及与气体成分之间的关联关系。
作者贡献声明:Xiaoliang Qin负责原文撰写、可视化处理、软件应用、方法设计以及数据整理工作;Zhi Ning负责文章审阅与编辑、方法设计以及资金申请相关工作;Meisam Ahmadi Ghadikolaei负责文章审阅与编辑工作;Nirmal Kumar Gali负责文章审阅与编辑以及相关研究工作;Ya Wang负责软件应用、方法设计以及形式化分析工作;Shiyi Yang负责软件应用以及方法设计工作;Yuanhui Wei负责形式化分析以及数据整理工作;Peng Wei负责原文撰写、方法设计、相关研究工作以及概念构思工作。
利益冲突声明:? 作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢:本研究得到了国家重点研发计划(2022YFC3702602)以及香港研究资助委员会(GRF 16211924)的资助。
作者名单:Xiaoliang Qin | Peng Wei | Yuanhui Wei | Shiyi Yang | Ya Wang | Nirmal Kumar Gali | Meisam Ahmadi Ghadikolaei | Zhi Ning
所属机构:中国香港香港科技大学环境与可持续发展系
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号