不同交通模式下CO和NOχ的暴露水平研究

宋兵躍,胡可臻,吳建平,周 楊 (清華大學土木水利學院,未來交通研究中心,北京 100084)

不同交通模式下CO和NOχ的暴露水平研究

宋兵躍,胡可臻,吳建平*,周 楊 (清華大學土木水利學院,未來交通研究中心,北京 100084)

為研究由于交通模式的差異引起的暴露水平的變化,將監測設備安裝在檢測車上,檢測車以差異的速度行駛模擬出行者在城市道路中不同交通模式下的通行過程. 在2013年7～8月的10個采樣日中,保持監測車的行駛速度分別為5, 15, 30km/h依次模擬行人、自行車和電動車在城市道路上行駛,移動檢測值為該交通模式下的污染暴露濃度.結果顯示步行時平均暴露水平最高,其次為自行車和電動車模式.在3種道路模擬場景中,暴露水平均值由高到低依次為主干路>快速路>支路.與文獻結果對比,CO的暴露水平模擬效果優于N Ox,且該模擬方法的效率優于傳統研究方法.

移動監測車；一氧化碳(CO)；氮氧化物(NOx)；模擬暴露水平；道路環境

污染物暴露會危害人體健康,如損傷肺部功能[1],導致嚴重的呼吸道疾病[2]和心血管疾病[3].以24h的不同活動環境來看,交通環境中的人體暴露水平高于在工作、休息等其他環境中的水平,且單位時間內,在道路交通環境中人體污染暴露水平最高[4-5].

Kaur等[6]指出影響暴露水平的4個因素分別為:個人因素,交通模式[7],交通因素[8]和天氣因素[9].另外,街道特性[8]、街道位置[10]對暴露水平也有一定的影響.其中,個人因素與人體體質、呼吸速率有關系;交通因素與街道特性及土地利用模式有關;而區域的氣象特征具有多樣性.綜合看,交通模式在城市范圍內具有一致性,一般分為:汽車、自行車、步行等.雖然在澳大利亞,英國和中國已經進行了不同交通模式的污染暴露水平研究[11-13],但都沒有考慮由于時間、路徑等因素的差異而造成的暴露水平值的不同.

不同交通模式的污染暴露容易受到背景濃度、污染源強度、通風狀況(交通工具)和擴散速度的影響[14],不同交通模式下的暴露水平對比結果有很大的局限性.此外,城市道路時間空間污染物濃度變化性大[15],都造成了不同交通模式下污染暴露水平的測量差異性.

研究不同交通模式的暴露水平可以提醒公眾合理避讓重污染濃度區域.據報道,城市道路污染主要來自交通[16];在道路上出行時,不同的交通模式選擇是造成污染暴露水平差異的主要因素[4],且步行、自行車和電動車模式時,人體是完全暴露在道路環境中的(假設通行者都沒有帶口罩).所以研究這三種交通模式下的暴露水平具有對比意義.

采用時間-活動日記和設計調查問卷是個體暴露研究獲取源數據的常用方法[17].本研究將移動監測車的行駛速度依次模擬電動車、自行車和行人的速度.在相同的道路環境下,移動監測污染物濃度,將約等于不同交通模式下的人體暴露濃度,對比3種道路類型的污染暴露水平,及工作日和非工作日的暴露水平.

1 材料與方法

以移動監測車的速度分別為5km/h(平均步行速度1.34m/s[18]),15km/h(平均最高值14.5km/h[19])和30km/h(最高值36km/h[20])依次模擬行人、自行車和電動車在城市道路上行駛,移動檢測值為該交通模式下的污染暴露濃度.考慮模擬效果與采樣值對比的一般性,選取3種城市道路類型作為對比場景:快速路、主干路和支路.道路兩側主要污染物為交通污染物,本文選取CO和NOχ(NO和NO2)[21]作為目標污染物.

1.1 試驗區域

圖1 三條測試線路示意Fig.1 Map information of the three test routes

暴露水平受到交通模式、路段和車輛類型的影響[22].本文選取北京市海淀區3條交通道路(圖1和表1),交通流量由大到小依次為北四環,知春路和雙清路,重型車輛比例均勻,約占對應道路總流量的2%～5%.移動采樣時間為2013年7～8月8:00～11:30和13:30～17:00.采樣路線采用前進方向的最右側車道,盡量使用自行車道或者靠近行人道,采樣過程中保持勻速采樣.在同一道路上,不考慮由于移動監測車的行駛方向不同而帶來的采樣數據差異.車輛在道路上行駛方向每條路段上最少采集3d的數據.

表1 測試路段信息Table 1 Description of the test routes

1.2 實驗設備

其中本文目標化合物NOχ、CO選用美國Thermo scientific model 42i和48i-TLE分析儀器,設備校驗用零氣發生器(model 111)和動態校準儀(model 146);污染物濃度時間分辨率為10s,輸出頻率為1min.采樣高度約3.2m.氣象數據由溫度、相對濕度、降雨量、風速、風向和大氣壓強組成,設備為美國Davis氣象控制臺,采集高度約3m,采樣周期為1min. CO和NOχ設備為熱電公司產品,具體型號見表2.所有采樣數據同步后自動存儲在車載個人電腦數據庫中(研華工控機).監測車供電設施為4kW變壓器,保證車載設備可連續正常工作5h.

實驗前至少提前90min打開CO(Model 48i-TLE)和NOχ(Model 42i)分析儀器,完成設備預熱;同時,進行慣導設備、CO、NOχ、氣象參數設備和通訊設備的時間同步;每15d啟動零氣發生器完成1次設備校準.

交通流量由Sony錄像機同步錄像采集,然后按照每分鐘來記錄車流量.車速控制由慣導設備完成,采樣時間內道路交通流屬于自由流狀態,無明顯擁堵.

表2 采樣設備信息Table 2 Information of the sampling instruments

1.3 數據處理

為排除本身車輛排放帶來的影響,選擇在目標路段前約100m即進入相應速度模擬狀態,以保證車輛移動速度的穩定性及設備測量的穩定性.采樣過程中遇到紅綠燈,交通擁堵情況時,排除此類數據.

采樣數據以min為單位,按照時間序列依次存儲在車載工控機上.計算采樣數據小時平均數,與道路位置最近的監測站(北京市環保局網站公布值[23])的均值進行比較,絕對誤差超過100%的數據認為是異常數據或者移動監測車本身排放引起.經過處理,81%的采樣數據是有效的.Peters等[24]也應用此類數據處理方法比較了PM10均值與鄰近固定監測站的公布值,盡管距離為5km,但皮爾森相關系數介于0.45～0.90間,相關性較好.

2 結果

2.1 采樣總體情況

采樣期間,共完成旅程368次.其中模擬步行路程64次,模擬自行車旅程90次,模擬電動車旅程114次.其中在快速路上完成旅程96次,主干道上122次,支路上150次.排除異常數據,CO和NOχ的分鐘濃度值總數分別為1354和1238,其中3條道路類型上的CO和NOχ總體情況如下表3.

表3 模擬三種交通模式的采樣濃度匯總Table 3 Overview of simulation of exposure under three transport modes

由表3可知,CO的濃度值為(0.36～3.02)×10-6之間,均值的總體情況為主干路最高,其次為快速路和支路.NOχ的濃度值為(12～375)×10-9,均值的總體情況同CO.CO的瞬間最高值發生在主干路的步行情況下約3.02×10-6,而不是快速路.可能原因之一是主干路上經過了重型車輛造成瞬間濃度快速升高;或者快速路上車速較快,車輛行駛過程車輛羽翼風加速了污染物濃度的擴散.NOχ的峰值發生在快速路的步行模式下為375×10-9.

在3種道路類型來看,快速路和主干道的污染均值水平明顯高于支路的污染均值水平;而從快速路和主干道的CO和NOχ濃度均值看,主干道的污染暴露水平均高于快速路的污染暴露水平,但是對比NOχ在步行時的濃度時,快速路上的濃度均值(122×10-9)略顯高于主干道的均值水平(98×10-9),原因之一可能是車流量較大造成污染物濃度較高.

由表4可知,在采樣日內,溫度、濕度、風速值都較穩定,無明顯天氣突變的情況. 且風速較小時,風向對污染物濃度的影響可忽略.

表4 采樣日內天氣信息Table 4 Weather condition during sampling days

2.2 不同道路類型的暴露均值比較

由圖2得,交通流量大的快速路和主干道的CO和NOχ暴露水平明顯高于支路水平.明顯的差別在Kaur 等[25]的研究中也發現:交通要道(CO:1.1×10-6)和背景街道(CO:0.6×10-6).

3種不同類型道路,步行時CO(快速路:1.39×10-6,主干路:1.74×10-6,支路:0.59×10-6)和NOχ(快速路:122×10-9,主干道:98×10-9,支路: 64×10-9)暴露濃度均值最高,依次為自行車和電動車模式下.平均暴露濃度的最高值發生快速路上步行的情況下,平均暴露濃度的最低值發生在支路的電動車模式下.可能原因之一是步行時,人體能夠充分接觸交通污染源.然而在電動車模式下,人體只是選擇性地接觸交通污染源,從而導致平均暴露水平較低.在支路情況下,在自行車模式下CO的暴露濃度略低于電動車的暴露濃度,原因可能是和交通流量較小,瞬間有重型車輛經過有關.

2.3 工作日非工作日暴露值比較

只考慮節假日和非節假日的區別,計算3種交通模式下的均值水平(圖3),工作日的濃度水平(CO均值:步行0.99×10-6,自行車1.07×10-6,電動車1.10×10-6;NOχ均值:步行71.17×10-9,自行車57.95×10-9,電動車60.96×10-9)明顯低于周末(依次為1.50×10-6,1.57×10-6,1.46×10-6;139.99×10-9, 86.34×10-9,81.55×10-9).

圖2 不同道路類型下不同交通模式的污染暴露水平Fig.2 Exposure level under different tranport mode in three roadtypes

圖3 工作日、非工作日暴露水平對比Fig.3 Comparison of exposure level between week day and weekend

然而,Piechocki-Minguy等[26]的研究表明NOχ暴露均值水平是工作日(0.114mg/m3)高于周末(0.056mg/m3).可能原因之一是,北京在周一到周五期間實行尾號限行政策,周末車輛不限行,目前北京汽車保有量為530萬輛,按照約1/5的車輛受限制,周末車輛的出行量理論上比工作日高20%.

3 討論

3.1 模擬結果的可靠性

Cattaneo等[33]對比了采用移動設備的采樣值和人體呼吸帶的檢測值.采樣范圍為3m以內,本文的采樣范圍為3.2m,采樣的距離范圍基本等同.其對比結果顯示,兩種采樣值之間CO相關系數為0.349.雖然數值不高,但可以作為采集人體暴露濃度的取代方法,因為該方法優于固定監測方法[27-29]和調查問卷方式評估人體暴露[30]. Cattaneo等[33]也指出,隨著暴露時間的延長,該方法可以更好的解釋人體暴露水平.30s時的解釋水平為37%,當持續暴露時間達到5小時時,解釋水平可達到57%. Alm等[27]也指出隨著這兩者之間的相關性會隨著暴露時間的增加而加強.本文中每一個交通模式下的采樣時間均遠遠超過5h,所以認為本文采用移動監測車模擬不同速度采集的污染物濃度值是有效的.

Meng等[31]利用過去30年的數據,分析了周邊環境NO2濃度與人體呼吸帶NO2濃度關系,結果顯示,日均相關系數的R值最高為0.72,表明利用道路周邊環境來表征人體暴露水平是可行的.

3.2 CO模擬暴露討論

Kaur等[6]列舉了1990～2007年之間,世界范圍內CO的暴露水平,數值上表現出很大的波動性(范圍0.24×10-6～17×10-6).一方面可能和改善環境的治理措施有關,另一方面也可能和地方城市化進程的地理位置有關.

為使對比結果有意義,本文選取最近3年內文獻中CO的暴露水平作為參照.CO的暴露濃度,在自行車模式下介于(0.36～1.96)×10-6之間,濃度范圍小于文獻[13](1.10～3.39)×10-6.可能原因之一是本文的數據采樣時間為平峰時段,而該文章的采樣時段包含了早晚高峰時段.也可能與近年來北京市的總體氣候變化狀況有關.如果參照兩者的相關系數為0.35計算,計算得到本文對應的人體暴露值為(1.2～5.6)×10-6之間,與Huang等[13]研究結果接近.

比較CO的暴露均值,本文在自行車和步行模式的暴露均值為1.15×10-6和1.16×10-6. 在Kaur 等[12]的研究中,CO在自行車和步行模式下的暴露均值為0.9,0.7mg/m3.暴露值非常接近,自行車模式下CO暴露均值相對誤差約為2%.

4.3 NOχ模擬暴露討論

本文中NO2平均暴露濃度范圍為(12～375)×10-9(0.02～0.636mg/m3),最小值與Piechocki-Minguy等[26]的研究(范圍0.017～0.038mg/m3)接近,但最高值和均值均要遠遠高于它,原因之一可能是道路環境中的NO2主要來自機動車排放,且車流量較大從而導致濃度較高.

曾艷等[32]評估了24h內兒童在交通污染重環境內NOχ暴露均值為0.104mg/m3(北京)和0.065mg/m3(青島),略低于本文中的在交通環境中的暴露均值為71×10-9(0.120mg/m3),原因可能之一是本文選擇路段(快速路、主干路)交通流量大于學校附近路段的交通流量.

綜上,移動監測模擬步行、自行車和電動車的暴露情況能夠較好地替代傳統的人體暴露測試方法,且效率較高,成本較低.測試數據可以用于評估在不同交通模式下的人體暴露研究.

4 結論

4.1 同種道路類型下,暴露水平均值水平由高到低依次為步行、自行車和電動車.

4.2 在不同道路類型下,CO的濃度值介于(0.42～3.02)×10-6之間,均值的總體情況為主干路最高,其次為快速路和支路. NOχ的濃度值介于(12～375)×10-9之間,均值的總體情況同CO.

4.3 移動監測模擬不同交通模式下的人體暴露水平,CO模擬采樣濃度較NOχ更接近文獻采樣值, 該模擬暴露水平方法測量準確,且監測效率高于傳統實驗者自身攜帶設備監測的方法,可應用于城市道路暴露水平的研究.

[1] Pope III C A, Burnett R T, Thun M J, et al. Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution [J]. JAMA: the Journal of the American Medical Association, 2002,287(9):1132-1141.

[2] Brunekreef B, Holgate S T. Air pollution and health [J]. The Lancet, 2002,360(9341):1233-1242.

[3] Samoli E, Touloumi G, Schwartz J, et al. Short-term effects of carbon monoxide on mortality: an analysis within the APHEA project [J]. Environmental Health Perspectives, 2007,115(11):1578.

[4] Dons E, Int Panis L, Van Poppel M, et al. Personal exposure to Black Carbon in transport microenvironments [J]. Atmospheric Environment, 2012,55:392-398.

[5] Houston D, Wu J, Yang D, et al. Particle-bound polycyclic aromatichydrocarbon concentrations in transportation microenvironments [J]. Atmospheric Environment, 2013,71:148-157.

[6] Kaur S, Nieuwenhuijsen M J, Colvile R N. Fine particulate matter and carbon monoxide exposure concentrations in urban street transport microenvironments [J]. Atmospheric Environment, 2007, 41(23):4781-4810.

[7] Both A F, Westerdahl D, Fruin S, et al. Exposure to carbon monoxide, fine particle mass, and ultrafine particle number in Jakarta, Indonesia: effect of commute mode [J]. Science of the Total Environment, 2013,443:965-972.

[8] Dons E, Temmerman P, Van Poppel M, et al. Street characteristics and traffic factors determining road users' exposure to black carbon [J]. Science of the Total Environment, 2013,447:72- 79.

[9] Wu D-L, Lin M, Chan C Y. Influences of commuting mode, air conditioning mode and meteorological parameters on fine particle (P M2.5) exposure levels in traffic microenvironments [J]. Aerosol and Air Quality Research, 2013,13(2):709-720.

[10] Ragettli M S, Corradi E, Braun-fahrl Nder C, et al. Commuter exposure to ultrafine particles in different urban locations, transportation modes and routes [J]. Atmospheric Environment, 2013,77:376-384.

[11] Knibbs L D, De Dear R J. Exposure to ultrafine particles and PM2.5in four Sydney transport modes [J]. Atmospheric Environment, 2010,44(26):3224-3227.

[12] Kaur S, Nieuwenhuijsen M. Determinants of personal exposure to PM2.5, ultrafine particle counts, and CO in a transport microenvironment [J]. Environmental Science and Technology, 2009,43(13):4737-4743.

[13] Huang J, Deng F, Wu S, et al. Comparisons of personal exposure to PM and CO by different commuting modes in Beijing, China [J]. Science of the Total Environment, 2012, 425:52-59.

[14] 肖 珊,余 琦,馬蔚純,等.上海冬季公共交通出行PM1污染暴露特征 [J]. 中國環境科學, 2012,32(11):1933-1938.

[15] 閆偉奇,張瀟尹,郎鳳玲,等.北京地區大氣細顆粒物的個體暴露水平 [J]. 中國環境科學, 2014,34(3):774-779.

[16] Nieuwenhuijsen M J, Gmez-perales J E, Colvile R N. Levels of particulate air pollution, its elemental composition, determinants and health effects in metro systems [J]. Atmospheric Environment, 2007,41(37):7995-8006.

[17] Lioy P J. Exposure science: A view of the past and milestones for the future [J]. Environmental Health Perspectives, 2010,118(8):1081.

[18] Tarawneh M S. Evaluation of pedestrian speed in Jordan with investigation of some contributing factors [J]. Journal of Safety Research, 2001,32(2):229-236.

[19] Jensen P, Rouquier J-B, Ovtracht N, et al. Characterizing the speed and paths of shared bicycle use in Lyon [J]. Transportation Research Part D: Transport and Environment, 2010,15(8):522-524.

[20] Chen P-H. Intelligence application: Elebike fuzzy control part I [C]. Proceedings of the Machine Learning and Cybernetics, 2008. International Conference on, F, 2008. IEEE.

[21] Air Quality Expert Group. Nitrogen dioxide in the United Kingdom [M]. London. 2004, 320.

[22] Zuurbier M, Hoek G, Oldenwening M, et al. Commuters' exposure to particulate matter air pollution is affected by mode of transport, fuel type, and route [J]. Environ. Health Perspect., 2010, 118(6):783-789.

[23] 北京市空氣質量實時數據 [Z]. http://zx.bjmemc.com.cn/. 2013.

[24] Peters J, Theunis J, Van Poppel M, et al. Monitoring PM10and ultrafine particles in urban environments using mobile measurements [J]. Aerosol and Air Quality Research, 2013,13:509-522.

[25] Kaur S, Nieuwenhuijsen M, Colvile R. Personal exposure of street canyon intersection users to PM2.5, ultrafine particle counts and carbon monoxide in Central London, UK [J]. Atmospheric Environment, 2005,39(20):3629-3641.

[26] Piechocki-Minguy A, Plaisance H, Schadkowski C, et al. A case study of personal exposure to nitrogen dioxide using a new high sensitive diffusive sampler [J]. Science of the Total Environment, 2006,366(1):55-64.

[27] Alm S, Mukala K, Tiittanen P, et al. Personal carbon monoxide exposures of preschool children in Helsinki, Finland—comparison to ambient air concentrations [J]. Atmospheric Environment, 2001,35(36):6259-6266.

[28] Sarnat S E, Coull B A, Schwartz J, et al. Factors Affecting the Association between Ambient Concentrations and Personal Exposures to Particles and Gases [J]. Environmental health perspectives, 2005,114(5):649-654.

[29] 胥美美,賈予平,李國星,等.北京市某社區空氣細顆粒物個體暴露水平初步評價 [J]. 環境與健康雜志, 2011,28(11):941-943.

[30] 李 琴,林海鵬,秦 娟,等.中國瀏陽農村地區人群暴露參數[J]. 環境科學研究, 2013,26(6):658-665.

[31] Meng Q, Svendsgaard D, Kotchmar D, et al. Associations between personal exposures and ambient concentrations of nitrogen dioxide: A quantitative research synthesis [J]. Atmospheric Environment, 2012,57:322-329.

[32] 曾 艷,張金良,王新宇,等.應用時間_活動模式估計兒童個體NO_x暴露水平 [J]. 環境科學研究, 2009,22(7):793-798.

[33] Cattaneo A, Taronna M, Garramone G, et al. Comparison between personal and individual exposure to urban air pollutants [J]. Aerosol Science and Technology, 2010,44(5):370-379.

Exposure to CO and NOχin different transport modes.

SONG Bing-yue, HU ke-zhen, WU Jian-ping*, ZHOU Yang (Future Transportation Center, Department of Civil Engineering, Tsinghua University, Beijing 100084, China). China Environmental Science, 2014,34(11)：2734～2740

To characterize the difference of exposure level when traveling on different traffic modes, measuring devices were installed on a test vehicle, to simulate people’s traverse process over different transport modes at different moving speeds. In 10 sampling days in July and August, 2013, three transport modes included foot, bicycle and electric motor were simulated by test vehicle moving at 5km/h, 15km/h and 30km/h in the urban area, respectively. Mobile measurement represented the exposure level of corresponding transport modes. Results indicated that peak exposure happened in arterial roads with expressway and bypass follow, and exposure level in the holidays were higher than that of weekdays. Comparison of mobile measurement results with literature results indicated that simulation performance of exposure to CO was superior to NOχ, taus this simulation method was more effective than the traditional method.

mobile monitoring platform；carbon monoxide；nitrogen oxide；simulation of exposure level；road environment

X503.1

A

1000-6923(2014)11-2734-07

宋兵躍(1983-),男,河北邢臺人,清華大學博士研究生,主要從事交通環境建模研究.發表論文6篇.

2014-02-14

國家“863”項目(2012AA063303)

* 責任作者, 教授, jianpingwu@tsinghua.edu.cn