校园微环境PM2.5和PM10浓度时空变化特征

潘俊灵 杨思颖 罗语盈 张琪

摘要：选取20个湖南第一师范学院（东方红校区）师生活动典型场所作为监测点，利用便携式大气颗粒物监测仪测得PM2.5和PM10浓度数据，分析该校区PM2.5和PM10浓度的时空变化特征，以此对校园微环境的空气质量进行评估。结果表明：校园微环境的空气污染程度受人流密度、场所作业影响呈现分异特征。其中，沙尘、烟粒是导致校园空气高浓度污染的主要原因。

关键词：校园微环境;PM2.5;PM10;浓度变化

Abstract： Select 20 typical places for teacher and student activities of Hunan First Normal University （Dong fang hong Campus） as detection points， and use portable air particulate matter monitors to measure PM2.5 and PM10 concentration data， and analyze the concentration of PM2.5 and PM10 in this campus The characteristics of temporal and spatial changes are used to evaluate the air quality of the campus microenvironment. The results show that the air pollution degree of the campus microenvironment is affected by the density of people flow and the work of the site. Among them， sand dust and smoke particles are the main causes of high-concentration air pollution on campus.

Keywords： campus microenvironment; PM2.5; PM10; concentration changes

引言

空气质量依据空气中污染物浓度的高低来判断，依据环境空气质量标准（ GB 3095-2012） 要求，现阶段大气污染物监测中对大气颗粒物主要监测粒径为 PM10和 PM2.5，就危害程度而言，PM2.5的危害更大[1]。PM2.5（细颗粒物）是指环境空气中空气动力学当量直径小于或等于2.5μm的颗粒物， PM2.5粒径小， 面积大， 活性强， 易附带有毒、有害物质（重金属、微生物等），且在大气中的停留时间长、输送距离远， 因而对人体健康和大气环境质量影响很大。PM10（可吸入颗粒物），是指空气动力学当量直径在10μm以下的颗粒物，若被人体吸入，会沉积在呼吸道、肺泡等部位而引发疾病，长期暴露在PM2.5 浓度高的环境中可能会引发慢性鼻咽炎、慢性支气管炎和哮喘等疾病[2]。

居民一般以天气预报的空气质量预估数据为出行提供参考，天气预报的空气质量数据来源于城市的空气质量监测站，就长沙而言，共设有10个空气质量监测站点。但对于典型微环境的空气质量监测缺乏针對性。本研究以大学校园作为研究区域，选取校园师生活动典型场所作为监测点，利用数理统计方法和ArcGIS统计分析工具获取 PM2.5和PM10的时间变化与空间分异特征，以期为改善校园微环境空气质量提供数据支撑。

1监测区域

监测地点位于湖南第一师范学院东方红校区（28.20ºN， 112.86ºE），选取校区内部10个监测点，校区外部10个监测点，如图1-1所示。进一步分为四个典型的功能区，分别是商业区（校内食堂与商店、校外商城与集市）;交通区（校外公交站台、人行道）;教学区（教学楼与操场）;居住区（学生与教职工宿舍）。

2监测设计和制图方法

选用诺方SDL307便携式大气颗粒物监测仪作为监测仪器，监测范围为0—999.9 µg/m³，监测颗粒物最小直径为0.3µm，分辨率为0.1 µg/m³，可以直接监测并显示PM2.5和PM10的浓度大小。数据采集时间为6：00—20：00，招募10名志愿者手持仪器距地1.5m左右的高度进行数据采集。每隔2个小时监测取值。

制图方法采用GIS 空间插值方法，根据已知观测点数据之间的空间关联性、数学模型及误差目标函数来预测未知空间数据值。GIS空间插值在 PM2.5和PM10浓度精细模拟方面选用克里金插值法（Kriging）[3-5]。 计算公式如下：是点（x0， y0）处的估计值，即z0=z（x0，y0）。

3结果与分析

3.1 PM2.5和PM10浓度时间变化

秋季监测时的天气状况为晴天，平均风速2.7级。在晴天状况下，大气中的云量少，早晚温差较大，大气中的颗粒物浓度（包括PM2.5和PM10）变化幅度较为明显。四个区域的浓度从小到大的变化顺序依次为：居住区、教学区、交通区、商业区。其中，在就餐时段商业区的食堂颗粒物浓度达188µg/m³，超出平均浓度两倍之多。

通过分析表3-1和表3-2的数据发现，在一天中早晨6：00至8：00的颗粒物浓度值最高，随着时间的推移，颗粒物浓度逐渐下降，至下午14：00降到最低，此后浓度开始回升，呈U形变化趋势[6]。

造成颗粒物浓度呈U形变化的原因可能是：日出前后气温最低，空气中的湿度大，空气中的颗粒物不易扩散而停留在近地面的空气中。加之此时正值早高峰，商业区开始活跃，通行车辆基数大，学生上课人员流动大，导致颗粒污染物浓度增加。随着气温上升、湿度降低，空气中的布朗运动加剧，太阳辐射逐步增强导致空气出现对流现象，此时颗粒物的运动范围加大被扩散到远地面空间。植物经过充分的光照，生命活动达到旺盛时期，吸附颗粒物的能力增强。在午后时分颗粒物浓度降至最低。傍晚，随着温度下降，下班高峰来临，人群开始在商业区等地带活跃，PM2.5和PM10浓度都逐步攀升[7]。

冬季监测时的天气状况为阴天，平均风速3.3级。在阴天状况下，大气中的云量多，冬季早晚温度普遍偏低，大气中的颗粒物浓度变化未出现大幅度跳跃。四个区域的浓度从小到大的变化顺序依次为：居住区、交通区、教学区、商业区。

通过分析表3-3和表3-4的数据发现，PM2.5和PM10浓度表现为缓慢爬升曲线。造成这种现象的原因主要是：冬季气温低，三次观测平均气温范围为6.7℃至12℃，空气中的颗粒物受低温影响表现为不活跃状态。一般来说，风速越大，颗粒物的扩散能力越强。在轻风与微风的风速条件下，颗粒物不易被扩散，加之监测点周围分布高楼建筑，风力对颗粒物的带动作用进一步降低。对PM2.5和PM10浓度产生主要影响的是人为活动，在冬季低温环境下，人群减少外出更加集中在室内环境，至就餐时间，餐饮商店等区域开始作业，PM2.5和PM10浓度随之产生了一定的增幅。

3.2 PM2.5和PM10空间变化

运用ArcGIS统计分析工具，对不同监测点 PM2.5和 PM10进行普通克里金插值，如图3-1和图3-2所示，插值结果显示，同一区域同一时期的PM2.5与PM10呈明显的正相关，监测点的PM2.5和PM10浓度的空间分布差异明显。

秋季监测地点所处的空间污染情景为轻度污染，早晨时段的高值区出现在东北部，其余浓度表现为均值递减。随着时间推移，高值区域逐渐转为校内食堂为中心的商业地带。冬季早晨时段的高值区域集中在校园中心的商业地带。

冬季监测地点所处的空间污染情景为轻度污染，早晨时段的高值区域集中在观测区域中心的商业地带，PM2.5和PM10在一天中呈由西部向东部转高的阶梯变化趋势。

总体来看，PM2.5和PM10浓度高值区域出现在观测区的中部和北部区域，低值区区域出现在观测区南部地区，整体呈现东北高–西南低的阶梯变化趋势。出现这一变化的原因主要是受交通早晚高峰以及人群就餐活动的影响。

4结论与建议

4.1结论

从日变化来看， PM2.5和PM10变化幅度大的一天中，监测结果与传统认知中的“早晨空气清新”印象相反，早间PM2.5和PM10浓度处于高点位置[8]。

从季节变化来看，在温差变化大的秋季的高温天气下，空气中的PM2.5和PM10的变化幅度大。

从活动场所来看，除学生食堂外，其他区域的颗粒物浓度与当日长沙空气质量相近，学生食堂的PM2.5浓度为 286µg/m³，远超国家规定的《环境空气质量标准》二级浓度限值[9]。

4.2建议

从时间角度来看，在温差变化大的秋季，早晨时段空气中的颗粒物浓度并未处于最低点，因此，从规避空气中的颗粒物和身体健康出发，运动健身宜选在颗粒物浓度较低的午间，而不宜选在早晨。

从空间角度来看，商业区、交通区、居住区、教学区的污染物浓度水平呈现不同水平，尤其是食堂的污染物浓度长期位于高值范围，食堂工作人员除保障食品卫生需佩戴口罩外，从保护自身呼吸道而言更需佩戴口罩，就餐人员也应尽量少在食堂逗留。

商业区和交通区由于人员活动频繁且密集，颗粒物排放较多，而宿舍林荫道和学校草坪这两种以植被为主要覆盖的下监测点，颗粒物浓度较其他地区低，由此可见，合理的绿地空间布局能有效降低颗粒物浓度[10]，减少大气污染，故建议在食堂和集市等商业区和交通区多种植绿植。进一步建议在十字路口等交通区定时洒水或实时监测公示车流量提醒居民，避免因车流量过大而造成的二次扬尘和汽车尾气排放。

参考文献

[1]杜金花. 深圳大气 PM2. 5中金属元素污染特征研究[D].北京：北京大学，2010.

[2]李雪梅，牟玲，田妹，郑利荣，李杨勇.山西大学城PM_（2.5）中元素特征、来源及健康风险评估[J].环境科学，2020.

[3]Liao D， Peuquet D J， Duan Y， et al. GIS approaches for the estimation of residential-level ambient PM concentrations[J]. Environmental health perspectives， 2006， 114（9）： 1374-1380.

[4]Sampson P D， Richards M， Szpiro A A， et al. A regionalized national universal kriging model using Partial Least Squares regression for estimating annual PM2.5 concentrations in epidemiology[J]. Atmospheric environment， 2013， 75： 383-392.

[5]Lee S J， Serre M L， van Donkelaar A， et al. Comparison of geostatistical interpolation and remote sensing techniques for estimating long-term exposure to ambient PM2.5 concentrations across the continental United States[J]. Environmental health perspectives， 2012， 120（12）： 1727-1732.

[6]彭敏，储江伟，李洪亮等.哈尔滨市冬季雾霾天大气颗粒物污染特征分析[J].森林工程，2017，33（1） ： 33-40.

[7] 刘旭辉，余新晓，张振明，等.林带内 PM10、PM2.5污染特征及其与气象条件的关系[J].生態学杂志， 2014，33 （7） ： 1715-1721.

[8]赵戈榕，刘燕，钟钰祺，汪永英.秋季校园不同下垫面PM2.5浓度的研究[J].森林工程，2020.

[9]朱淮东，张彪.某校园颗粒物分布及健康影响评价[J].建筑热能通风空调，2016，35（08）：11-14.

[10]王薇，陈明.城市绿地空气负离子和 PM2.5 浓度分布特征及其与微气候关系： 以合肥天鹅湖为例[J].生态环境学报，2016，25（9）：1499-150

湖南第一师范学院 湖南长沙 410205