不同交通模式下CO和NOχ的暴露水平研究

宋兵跃,胡可臻,吴建平,周 杨 (清华大学土木水利学院,未来交通研究中心,北京 100084)

不同交通模式下CO和NOχ的暴露水平研究

宋兵跃,胡可臻,吴建平*,周 杨 (清华大学土木水利学院,未来交通研究中心,北京 100084)

为研究由于交通模式的差异引起的暴露水平的变化,将监测设备安装在检测车上,检测车以差异的速度行驶模拟出行者在城市道路中不同交通模式下的通行过程. 在2013年7～8月的10个采样日中,保持监测车的行驶速度分别为5, 15, 30km/h依次模拟行人、自行车和电动车在城市道路上行驶,移动检测值为该交通模式下的污染暴露浓度.结果显示步行时平均暴露水平最高,其次为自行车和电动车模式.在3种道路模拟场景中,暴露水平均值由高到低依次为主干路>快速路>支路.与文献结果对比,CO的暴露水平模拟效果优于N Ox,且该模拟方法的效率优于传统研究方法.

移动监测车；一氧化碳(CO)；氮氧化物(NOx)；模拟暴露水平；道路环境

污染物暴露会危害人体健康,如损伤肺部功能[1],导致严重的呼吸道疾病[2]和心血管疾病[3].以24h的不同活动环境来看,交通环境中的人体暴露水平高于在工作、休息等其他环境中的水平,且单位时间内,在道路交通环境中人体污染暴露水平最高[4-5].

Kaur等[6]指出影响暴露水平的4个因素分别为:个人因素,交通模式[7],交通因素[8]和天气因素[9].另外,街道特性[8]、街道位置[10]对暴露水平也有一定的影响.其中,个人因素与人体体质、呼吸速率有关系;交通因素与街道特性及土地利用模式有关;而区域的气象特征具有多样性.综合看,交通模式在城市范围内具有一致性,一般分为:汽车、自行车、步行等.虽然在澳大利亚,英国和中国已经进行了不同交通模式的污染暴露水平研究[11-13],但都没有考虑由于时间、路径等因素的差异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浓度、污染源强度、通风状况(交通工具)和扩散速度的影响[14],不同交通模式下的暴露水平对比结果有很大的局限性.此外,城市道路时间空间污染物浓度变化性大[15],都造成了不同交通模式下污染暴露水平的测量差异性.

研究不同交通模式的暴露水平可以提醒公众合理避让重污染浓度区域.据报道,城市道路污染主要来自交通[16];在道路上出行时,不同的交通模式选择是造成污染暴露水平差异的主要因素[4],且步行、自行车和电动车模式时,人体是完全暴露在道路环境中的(假设通行者都没有带口罩).所以研究这三种交通模式下的暴露水平具有对比意义.

采用时间-活动日记和设计调查问卷是个体暴露研究获取源数据的常用方法[17].本研究将移动监测车的行驶速度依次模拟电动车、自行车和行人的速度.在相同的道路环境下,移动监测污染物浓度,将约等于不同交通模式下的人体暴露浓度,对比3种道路类型的污染暴露水平,及工作日和非工作日的暴露水平.

1 材料与方法

以移动监测车的速度分别为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])依次模拟行人、自行车和电动车在城市道路上行驶,移动检测值为该交通模式下的污染暴露浓度.考虑模拟效果与采样值对比的一般性,选取3种城市道路类型作为对比场景:快速路、主干路和支路.道路两侧主要污染物为交通污染物,本文选取CO和NOχ(NO和NO2)[21]作为目标污染物.

1.1 试验区域

图1 三条测试线路示意Fig.1 Map information of the three test routes

暴露水平受到交通模式、路段和车辆类型的影响[22].本文选取北京市海淀区3条交通道路(图1和表1),交通流量由大到小依次为北四环,知春路和双清路,重型车辆比例均匀,约占对应道路总流量的2%～5%.移动采样时间为2013年7～8月8:00～11:30和13:30～17:00.采样路线采用前进方向的最右侧车道,尽量使用自行车道或者靠近行人道,采样过程中保持匀速采样.在同一道路上,不考虑由于移动监测车的行驶方向不同而带来的采样数据差异.车辆在道路上行驶方向每条路段上最少采集3d的数据.

表1 测试路段信息Table 1 Description of the test routes

1.2 实验设备

其中本文目标化合物NOχ、CO选用美国Thermo scientific model 42i和48i-TLE分析仪器,设备校验用零气发生器(model 111)和动态校准仪(model 146);污染物浓度时间分辨率为10s,输出频率为1min.采样高度约3.2m.气象数据由温度、相对湿度、降雨量、风速、风向和大气压强组成,设备为美国Davis气象控制台,采集高度约3m,采样周期为1min. CO和NOχ设备为热电公司产品,具体型号见表2.所有采样数据同步后自动存储在车载个人电脑数据库中(研华工控机).监测车供电设施为4kW变压器,保证车载设备可连续正常工作5h.

实验前至少提前90min打开CO(Model 48i-TLE)和NOχ(Model 42i)分析仪器,完成设备预热;同时,进行惯导设备、CO、NOχ、气象参数设备和通讯设备的时间同步;每15d启动零气发生器完成1次设备校准.

交通流量由Sony录像机同步录像采集,然后按照每分钟来记录车流量.车速控制由惯导设备完成,采样时间内道路交通流属于自由流状态,无明显拥堵.

表2 采样设备信息Table 2 Information of the sampling instruments

1.3 数据处理

为排除本身车辆排放带来的影响,选择在目标路段前约100m即进入相应速度模拟状态,以保证车辆移动速度的稳定性及设备测量的稳定性.采样过程中遇到红绿灯,交通拥堵情况时,排除此类数据.

采样数据以min为单位,按照时间序列依次存储在车载工控机上.计算采样数据小时平均数,与道路位置最近的监测站(北京市环保局网站公布值[23])的均值进行比较,绝对误差超过100%的数据认为是异常数据或者移动监测车本身排放引起.经过处理,81%的采样数据是有效的.Peters等[24]也应用此类数据处理方法比较了PM10均值与邻近固定监测站的公布值,尽管距离为5km,但皮尔森相关系数介于0.45～0.90间,相关性较好.

2 结果

2.1 采样总体情况

采样期间,共完成旅程368次.其中模拟步行路程64次,模拟自行车旅程90次,模拟电动车旅程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.排除异常数据,CO和NOχ的分钟浓度值总数分别为1354和1238,其中3条道路类型上的CO和NOχ总体情况如下表3.

表3 模拟三种交通模式的采样浓度汇总Table 3 Overview of simulation of exposure under three transport modes

由表3可知,CO的浓度值为(0.36～3.02)×10-6之间,均值的总体情况为主干路最高,其次为快速路和支路.NOχ的浓度值为(12～375)×10-9,均值的总体情况同CO.CO的瞬间最高值发生在主干路的步行情况下约3.02×10-6,而不是快速路.可能原因之一是主干路上经过了重型车辆造成瞬间浓度快速升高;或者快速路上车速较快,车辆行驶过程车辆羽翼风加速了污染物浓度的扩散.NOχ的峰值发生在快速路的步行模式下为375×10-9.

在3种道路类型来看,快速路和主干道的污染均值水平明显高于支路的污染均值水平;而从快速路和主干道的CO和NOχ浓度均值看,主干道的污染暴露水平均高于快速路的污染暴露水平,但是对比NOχ在步行时的浓度时,快速路上的浓度均值(122×10-9)略显高于主干道的均值水平(98×10-9),原因之一可能是车流量较大造成污染物浓度较高.

由表4可知,在采样日内,温度、湿度、风速值都较稳定,无明显天气突变的情况. 且风速较小时,风向对污染物浓度的影响可忽略.

表4 采样日内天气信息Table 4 Weather condition during sampling days

2.2 不同道路类型的暴露均值比较

由图2得,交通流量大的快速路和主干道的CO和NOχ暴露水平明显高于支路水平.明显的差别在Kaur 等[25]的研究中也发现:交通要道(CO:1.1×10-6)和背景街道(CO:0.6×10-6).

3种不同类型道路,步行时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)暴露浓度均值最高,依次为自行车和电动车模式下.平均暴露浓度的最高值发生快速路上步行的情况下,平均暴露浓度的最低值发生在支路的电动车模式下.可能原因之一是步行时,人体能够充分接触交通污染源.然而在电动车模式下,人体只是选择性地接触交通污染源,从而导致平均暴露水平较低.在支路情况下,在自行车模式下CO的暴露浓度略低于电动车的暴露浓度,原因可能是和交通流量较小,瞬间有重型车辆经过有关.

2.3 工作日非工作日暴露值比较

只考虑节假日和非节假日的区别,计算3种交通模式下的均值水平(图3),工作日的浓度水平(CO均值:步行0.99×10-6,自行车1.07×10-6,电动车1.10×10-6;NOχ均值:步行71.17×10-9,自行车57.95×10-9,电动车60.96×10-9)明显低于周末(依次为1.50×10-6,1.57×10-6,1.46×10-6;139.99×10-9, 86.34×10-9,81.55×10-9).

图2 不同道路类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

图3 工作日、非工作日暴露水平对比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间实行尾号限行政策,周末车辆不限行,目前北京汽车保有量为530万辆,按照约1/5的车辆受限制,周末车辆的出行量理论上比工作日高20%.

3 讨论

3.1 模拟结果的可靠性

Cattaneo等[33]对比了采用移动设备的采样值和人体呼吸带的检测值.采样范围为3m以内,本文的采样范围为3.2m,采样的距离范围基本等同.其对比结果显示,两种采样值之间CO相关系数为0.349.虽然数值不高,但可以作为采集人体暴露浓度的取代方法,因为该方法优于固定监测方法[27-29]和调查问卷方式评估人体暴露[30]. Cattaneo等[33]也指出,随着暴露时间的延长,该方法可以更好的解释人体暴露水平.30s时的解释水平为37%,当持续暴露时间达到5小时时,解释水平可达到57%. Alm等[27]也指出随着这两者之间的相关性会随着暴露时间的增加而加强.本文中每一个交通模式下的采样时间均远远超过5h,所以认为本文采用移动监测车模拟不同速度采集的污染物浓度值是有效的.

Meng等[31]利用过去30年的数据,分析了周边环境NO2浓度与人体呼吸带NO2浓度关系,结果显示,日均相关系数的R值最高为0.72,表明利用道路周边环境来表征人体暴露水平是可行的.

3.2 CO模拟暴露讨论

Kaur等[6]列举了1990～2007年之间,世界范围内CO的暴露水平,数值上表现出很大的波动性(范围0.24×10-6～17×10-6).一方面可能和改善环境的治理措施有关,另一方面也可能和地方城市化进程的地理位置有关.

为使对比结果有意义,本文选取最近3年内文献中CO的暴露水平作为参照.CO的暴露浓度,在自行车模式下介于(0.36～1.96)×10-6之间,浓度范围小于文献[13](1.10～3.39)×10-6.可能原因之一是本文的数据采样时间为平峰时段,而该文章的采样时段包含了早晚高峰时段.也可能与近年来北京市的总体气候变化状况有关.如果参照两者的相关系数为0.35计算,计算得到本文对应的人体暴露值为(1.2～5.6)×10-6之间,与Huang等[13]研究结果接近.

比较CO的暴露均值,本文在自行车和步行模式的暴露均值为1.15×10-6和1.16×10-6. 在Kaur 等[12]的研究中,CO在自行车和步行模式下的暴露均值为0.9,0.7mg/m3.暴露值非常接近,自行车模式下CO暴露均值相对误差约为2%.

4.3 NOχ模拟暴露讨论

本文中NO2平均暴露浓度范围为(12～375)×10-9(0.02～0.636mg/m3),最小值与Piechocki-Minguy等[26]的研究(范围0.017～0.038mg/m3)接近,但最高值和均值均要远远高于它,原因之一可能是道路环境中的NO2主要来自机动车排放,且车流量较大从而导致浓度较高.

曾艳等[32]评估了24h内儿童在交通污染重环境内NOχ暴露均值为0.104mg/m3(北京)和0.065mg/m3(青岛),略低于本文中的在交通环境中的暴露均值为71×10-9(0.120mg/m3),原因可能之一是本文选择路段(快速路、主干路)交通流量大于学校附近路段的交通流量.

综上,移动监测模拟步行、自行车和电动车的暴露情况能够较好地替代传统的人体暴露测试方法,且效率较高,成本较低.测试数据可以用于评估在不同交通模式下的人体暴露研究.

4 结论

4.1 同种道路类型下,暴露水平均值水平由高到低依次为步行、自行车和电动车.

4.2 在不同道路类型下,CO的浓度值介于(0.42～3.02)×10-6之间,均值的总体情况为主干路最高,其次为快速路和支路. NOχ的浓度值介于(12～375)×10-9之间,均值的总体情况同CO.

4.3 移动监测模拟不同交通模式下的人体暴露水平,CO模拟采样浓度较NOχ更接近文献采样值, 该模拟暴露水平方法测量准确,且监测效率高于传统实验者自身携带设备监测的方法,可应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,马蔚纯,等.上海冬季公共交通出行PM1污染暴露特征 [J]. 中国环境科学, 2012,32(11):1933-1938.

[15] 闫伟奇,张潇尹,郎凤玲,等.北京地区大气细颗粒物的个体暴露水平 [J]. 中国环境科学, 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] 北京市空气质量实时数据 [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,贾予平,李国星,等.北京市某社区空气细颗粒物个体暴露水平初步评价 [J]. 环境与健康杂志, 2011,28(11):941-943.

[30] 李 琴,林海鹏,秦 娟,等.中国浏阳农村地区人群暴露参数[J]. 环境科学研究, 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 艳,张金良,王新宇,等.应用时间_活动模式估计儿童个体NO_x暴露水平 [J]. 环境科学研究, 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

宋兵跃(1983-),男,河北邢台人,清华大学博士研究生,主要从事交通环境建模研究.发表论文6篇.

2014-02-14

国家“863”项目(2012AA063303)

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