移动式空气质量传感器的研究与应用进展

汤明珍，任建宁，伍丽青，高 健

中国环境科学研究院大气环境研究所，北京 100012

随着城市大气污染治理工作的深入开展和环境空气质量的持续改善，人们越来越关注空气质量问题，空气质量的监测及其引起的人体健康效应也成为大气环境领域的研究热点. 近年来，我国空气质量监测技术飞速发展，监测站点数量激增，传感器技术作为近年来崛起的重要空气质量测量技术，得到较大范围的应用.

目前，空气质量传感器主要有颗粒物传感器(PM)、气体传感器〔如二氧化碳(CO)传感器、二氧化硫(SO)传感器、氮氧化物(NO)传感器、臭氧(O)传感器、黑炭(BC)传感器〕以及VOCs传感器等.颗粒物传感器主要原理有光散射法、电学法等，气体传感器主要原理有电化学法、光学法、半导体技术等.相对基于标准方法的空气质量监测仪器，空气质量传感器具有成本低、体积小、便携等优点. 近年来，空气质量传感器被广泛应用于多个领域、不同场景的空气质量监测，如室内外空气质量监测、空气净化装置评估、污染源监测等，但也存在一些不足，如易受温度、相对湿度、系统误差、动态边界等因素的影响.

移动式空气质量传感器是将传感器安装在移动平台(如公交车、出租车、私家车、无人机等)上，对空气质量进行动态立体测量的工具. 固定式传感器虽能以较低成本对周边环境开展持续性监测，但存在监测盲区、无法精准定位污染源等不足；而移动式空气质量传感器的使用提高了环境监测的精确度和覆盖率，成为固定式传感器监测的补充.

目前，移动式空气质量传感器的搭载平台主要有出租车、自行车、可穿戴式设备、轨道交通、谷歌街景车、垃圾车、小汽车、公共汽车、无人机等. 该研究对已有基于移动平台的空气质量传感器的研究与应用情况进行了综述，在此基础上梳理了移动式空气质量传感器在研究和应用中存在的问题及挑战，针对问题提出了相应的解决思路，并对未来移动式空气质量传感器的应用场景和发展进行展望.

1 研究方法

根据搭载平台的移动方式将移动式空气质量传感器分为固定路线移动监测、随机路线移动监测以及可操控移动监测三类；再根据不同的搭载平台细分，固定路线移动监测平台主要有公共汽车及轨道交通，随机路线移动监测平台主要有自行车及出租车，可操控移动监测平台主要有无人机、观测车及可穿戴式设备.

该研究调研了来自中国知网、Web of Science、IEEE、ScienceDirect、ACS Publications等 数 据 库1999-2021年收录的文献及会议报告，以及各国环境保护署官网关于移动传感器的政策和项目信息、知名移动传感器公司官网的移动传感器项目简介等资料.

2 结果与讨论

2.1 移动式空气质量传感器研究现状

移动式空气质量传感器数据质量评估

移动式空气质量传感器数据的准确度是一个争议较大的问题. 目前，用来评估移动式空气质量传感器数据质量的参数主要有决定系数()、Pearson相关系数、Kendall相关系数和Spearman相关系数等.许多学者就移动式空气质量传感器的数据质量进行评估，结果如表1所示. 无论是颗粒物传感器还是气体传感器，其在实验室测试阶段都与标准仪器有较高的一致性，但在实际运行过程中移动式空气质量传感器与固定监测站数据的相关性较低(见表1).

表 1 移动式空气质量传感器数据质量评估Table 1 Assessment of data quality for mobile air quality sensors

移动式空气质量传感器数据校准

由于移动式空气质量传感器在运行过程中，对温度、相对湿度、路面颠簸等因素更敏感，因此需要对其进行校准，主要的校准算法有线性回归法、随机森林法、人工神经网络等.

线性回归法

移动式空气质量传感器的数据质量受多种因素影响，通过对众多因素的组合估计及预测并进行回归分析的校准方法称为线性回归法，根据变量维度可分为简单线性回归和多元线性回归两类. 其拟合优度用标准误差表示.

线性回归法广泛应用于低成本传感器的校准中，求解过程简单，不需要复杂的算法支撑，但也存在较大的弊端，其仅适用于变量较少的短期校准.

随机森林法

随机森林法指利用多棵决策树对样本进行训练并回归的方法，每棵决策树之间相互独立，最终的回归结果由所有的决策树共同决定. 随机森林法是目前应用较为广泛的一种回归工具 .

随机森林算法在传感器校正的应用较为成功，能够处理大量的输入变数并平衡误差，准确度较高，但在某些噪音较大的分类或回归问题上存在过度拟合的情况.

人工神经网络法

人工神经网络(artificial neural network，ANN )由大量节点(或称神经元)相互连接构成. 人工神经网络通常是对某种算法或函数的逼近，因此可用于移动式空气质量传感器的校准.

目前，常用于移动式空气质量传感器校准的人工神经网络包括前馈神经网络和抽头延迟神经网络两种，主流的算法是前馈神经网络. 人工神经网络分类的准确度高，并行分布处理能力强,分布存储及学习能力强；能够提取重要信号、忽略噪声，因此能够处理长时间序列的信息，能充分逼近复杂的非线性关系；但需要复杂的算法支撑，如网络拓扑结构、权值和阈值的初始值，不能观察变量之间的学习过程，输出结果难以解释，从而影响结果的可信度和可接受程度.

2.2 移动式空气质量传感器的应用现状

移动式空气质量传感器以其灵活性、简便性等特点被广泛应用于多个环保领域，如环境空气质量实时监测、污染源与污染热点识别、空气污染的健康影响评估、结合模式开展微尺度预报等. 根据其搭载平台的移动路线特征可大致分为有/无固定路线两类.

固定路线移动监测

可用于搭载空气质量传感器的固定移动路线平台主要包括公共汽车及城市轨道交通，目前主流的搭载平台为公共汽车. 固定路线移动监测的应用如表2所示.

表 2 固定路线移动监测的应用Table 2 Application of fixed route mobile monitoring

公共汽车

搭载于公共汽车上的空气质量传感器，其监测范围随公共汽车的移动几乎覆盖城市所有的主干道. 相对于传统的固定点监测，这种方式覆盖面更广，可实现明确路线的道路环境空气质量的实时监测.

公共汽车平台的优点为体积较大，可同时搭载多种空气质量传感器，测量多种污染物参数. 但由于路线较为固定且主要为主干道，其测量覆盖率不足，难以代表整个市区所有的道路情景；其次，尽管许多学者使用公共汽车搭载空气质量传感器来研究行人的空气污染暴露情况，但由于公交车高度较高，并不能真实反映行人的空气污染暴露情况.

城市轨道交通

城市轨道交通人流密集，空气不流通，人群处于较高的空气污染暴露水平中. 目前，移动传感器主要用于监测地铁、火车、动车等城市轨道交通车厢内部和站台的空气质量及污染物浓度. 城市轨道交通的便捷性使其成为最主要的通勤工具之一，但其半密闭空间的空气污染对乘客的健康影响较大. 通过空气质量传感器对车厢内的空气质量进行实时监测，可评估人群的空气污染暴露风险，超出预警时便采取相应的空气净化措施.

与常规大气污染物相比，轨道交通中半密闭空间中存在的大量细菌、病毒等对人体健康的影响可能更大. 在城市轨道交通的车厢以及站点内增设微生物指标监测设备，将有利于及时进行预警与防控，减少其对人体健康的影响.

随机路线移动监测

已有学者利用随机移动平台搭载传感器开展研究，以期获得更具空间代表性的数据，如利用自行车、出租车等平台. 随机路线移动监测的应用如表3所示.

自行车

自行车轻便小巧，能够自由穿梭于各种道路中，且行驶速度较慢，将空气质量传感器置于自行车能得到空间分辨率相对高的数据.

将空气质量传感器安装在自行车或共享单车上，可充分利用公共资源，在低碳减排的同时还能参与空气质量监测；但由于运力覆盖范围小，且分布相对集中，其搭载的空气质量传感器得到的数据不能很好地覆盖城市所有区域.

出租车

出租车载空气质量传感器是目前应用较为广泛的一种移动式监测方式. 相对于其他交通工具，出租车运营时间长、轨迹覆盖广. 通过出租车搭载传感器，可最大程度上覆盖城市路网，并大幅节省运行成本，也可精确识别道路相关污染源.

表 3 随机路线移动监测的应用Table 3 Application of random route mobile monitoring

出租车搭载传感器作为一种高效的监测方式，不仅可以用于评估道路环境空气污染，也可以更加客观地评估其对人体健康的影响. 基于出租车高频行驶特点，传感器数据将具备环境大数据特征，在未来与交通数据、人口密度数据、源排放清单、城市兴趣点数据等结合分析，可发挥较大潜力.

可操控移动监测

可操控移动监测是研究者按照自己的目的和意图，以预设计的方式和路线进行监测. 主要载体有无人机、走航观测车以及可穿戴设备，如手环、腰带、背包等. 可操控移动监测的应用如表4所示.

表 4 可操控移动监测的应用Table 4 Application of maneuverable mobile monitoring

无人机

无人机载空气质量传感器探测范围广，能覆盖人类难以到达的区域，且用于低空空气质量监测及大气数值模拟与预报的成本较低. 无人机主要分为固定翼和旋转翼两类，机载空气质量或气体传感器可用于污染源排放强度识别与定位、污染物水平分布与扩散评估，以及获取气体污染物的垂直浓度廓线等.

目前，无人机载空气质量传感器广泛应用于大气环境科研、污染源排放监管等方面. 但由于技术不成熟，无法完全实现自主避障，还需技术人员远程操控；并且无人机旋翼会影响传感器进气流量的稳定，降低信噪比，虽然可通过架高传感器减少影响，但仍无法彻底避免，因此改进传感器等硬件设施或改良校准算法十分重要.

观测车

将传感器安装在观测车(如谷歌街景车、移动实验室等)，可根据研究目的到感兴趣的区域进行空气质量数据采集，也可对城市监测站点未覆盖的区域进行监测.

街景车是采集街道图像数据并同步至在线地图的重要工具. 随着公众对空气质量的关注，街景车还加入了空气质量监测的服务，为道路污染源识别提供支持. 此外，可操控车载监测也可用于针对机动车排放源的跟车测量，如Woo等将CO、NO传感器置于移动实验室，并采用计算流体力学(computational fluidic dynamics，CFD)的方法评估了前方汽车尾气对道路环境空气污染的贡献.

多数传统移动实验室装载的空气质量或污染气体监测仪器价格昂贵且需要专人操作和维护. 虽然传感器精度以及稳定性较传统监测仪器稍差，但搭载传感器的观测车已经能满足大部分对数据精度要求不高的用户群体需求.

便携式与可穿戴式设备

可穿戴式空气质量传感器的应用有利于研究个体空气污染暴露情况. 可在手环、腰带、书包以及手机等日常使用的便携式设备中植入空气质量传感器，实时监测使用者所处环境的空气质量状况，并结合心率等健康指标评估空气污染暴露水平. 还有研究将传感器植入手机以及平板电脑中，获取使用者移动时的空气质量数据，并通过手机蜂窝网络将数据上传至互联网，实现数据共享. 可穿戴式空气质量传感器的使用有利于未来全民环境健康监测的推广.

目前，可穿戴式空气质量传感器应用最主要的问题是用户隐私，获取空气质量数据的同时还需同步获取定位以及用户健康状况指标等数据. 因此，需要考虑用户的接受程度，传感器对用户日常生活的影响以及如何减轻用户负担等关键问题.

2.3 移动传感器监测研究与应用中面临的挑战

在已有研究和应用中，移动式空气质量传感器为精细化监测和精准溯源提供了重要手段，成为固定式传感器的有益补充. 但也正因为“移动”，传感器在数据质量提升、应用场景优化以及数据融合分析等方面面临挑战.

数据质量需进一步提升

已有研究中评估传感器性能的指标主要有线性度、准确度、精度、响应时间、检测限等. 移动式空气质量传感器与固定式空气质量传感器相同，数据质量受温度、相对湿度、风速、动态边界、传感器本身系统误差以及非目标气体的交叉敏感等影响. 由于移动式空气质量传感器在使用过程中外部环境变化明显，因此对上述影响因素更加敏感. 除此之外，移动式空气质量传感器较固定式传感器面临更多的干扰，如搭载平台运行过程中产生的震动、不同运行速度造成的羽流不同等都会对数据质量造成影响. 因此，保证移动式空气质量传感器长期稳定运行是一个挑战，保证数据的高质量也是挑战.

此外，不同移动方式(如固定路线、随机路线、可操控等)的校准方法不同，依托参比数据(如标准站点)进行动态校准的方法也不同. 移动监测方式的多样性决定了数据校准方式的多样，给数据校准带来较大挑战.

应用场景需进一步优化

移动传感器基于不同的搭载平台可用于多个应用场景，如空气质量监测、污染热点识别、交通源识别等，但不同搭载平台的空气质量传感器有其局限性，如数据质量不稳定、依赖于稳定的环境条件、校准时间长等. 尽管目前移动式空气质量传感器的应用还存在较多局限，但随着居民对空气质量关注度的提高，移动式空气质量传感器以其便携、价廉的优点具有较好的发展前景. 因此，应根据不同场景的核心需求，应用最合适的移动平台搭载传感器.

移动监控对于污染源的监控十分有效，但不同污染源的排放形式、排放特征污染物、排放时间空间特点等差异较大. 以扬尘为例，扬尘的来源主要有道路源、工业源以及自然源等，要对扬尘进行全面监测与控制就需要部署多种移动方式的传感器，因此在覆盖尽量多排放情景的移动式空气质量传感器监测领域面临挑战.

此外，近年来随着信息化速度加快，许多学者将移动式空气质量传感器与物联网技术紧密结合，可以更及时、更准确地反映环境空气质量. 除此之外，还应提升传感器本身的质量和能力，与更多需求进行深度融合，适应更多元的应用场景，

数据挖掘需进一步深入

移动式空气质量传感器测量因同时兼顾时间与空间代表性，其数据量在同等数目监测节点条件下较固定式传感器测量数据多30%～50%. 自身数据量的增加以及移动式监测中与其他类型数据关联性的增加，给数据分析的“质”与“量”均带来挑战.

移动式空气质量传感器能产生大量高时空分辨率的数据. 但复杂的街区环境、车流之间尾气羽流的影响以及空间覆盖率等客观因素和问题都会影响数据对真实环境空气质量的反映，不同应用场景的移动传感器运行速度不同、周边场景不同、使用高度不同，受到的周边环境干扰也不同，因此需要根据周边环境特点优化数据分析，使其更加准确客观.

充分挖掘移动式空气质量传感器的监测数据，还需与城市下垫面数据、污染源动态排放数据、人口分布数据等进行综合分析. 在移动式空气质量传感器使用过程中，建筑体积密度、建筑覆盖率、裙房层前沿面积指数和建筑高度变异性对其性能的影响十分显著. 在车流密集的地方，前方汽车尾气的影响也会影响数据对真实环境浓度的反应，在交通拥堵路段，若移动式空气质量传感器距离前方排气孔过近，传感器捕捉的污染浓度较周边道路环境高，对污染水平的估计也会产生相应的偏移. 除此之外，要呈现某一地区的污染物真实来源与影响，需将移动式空气质量传感器数据与城市动态排放清单、人群分布动态特征等数据结合，开展多种大数据融合分析，深化挖掘数据潜力.

3 结论与展望

3.1 结论

a)移动式空气质量传感器因其使用成本较低，便携性、灵活性高，适用性强，能够提供高时空分辨率的数据，近年来被广泛应用于科研、工业污染物排放监测、农业污染排放监测等领域，并且在环境管理领域发挥的作用越来越大，成为固定式传感器网格化监测的有益补充.

b)移动式空气质量传感器的应用主要分为固定路线移动监测、随机路线移动监测以及可操控移动监测三大类. 其搭载平台种类较多，如公共汽车、城市轨道交通、自行车、出租车、无人机、观测车、便携式与可穿戴式设备等.

c)近年来，移动式空气质量传感器的研究与应用发展较快，但在数据质量提升、应用场景优化、数据深入挖掘等方面仍面临较大挑战.

3.2 展望

a)应进一步提升传感器自身性能，保证数据的长期稳定性，优化动态校准方法或方法组合，提高校准的精度及效率，保证数据质量.

b)针对污染源的排放特征，进一步优化移动传感器的应用场景，或通过加强移动传感器与其他监测手段的融合，提升监测针对性和有效性.

c)充分、深入分析移动式空气质量传感器自身数据，并将其产出数据进一步与交通、人口分布、排放源清单、城市兴趣点等多种数据进行融合分析，以挖掘其最大价值.