环境科学学报  2021, Vol. 41 Issue (9): 3683-3695
基于空间密集传感器解析城市本地排放和区域传输贡献方法初探    [PDF全文]
张成影1,2, 廖婷婷1, 孙扬2, 韩琳1, 孟祥来2, 张琛2    
1. 成都信息工程大学大气科学学院, 高原大气与环境四川省重点实验室, 成都 610225;
2. 中国科学院大气物理研究所, 创新转化基地, 淮南 232000
摘要:为了对城市污染物进行详细区域来源解析,基于长沙市低成本传感器监测网络,收集了2019年10月PM2.5、PM10、SO2、NO2的高空间分辨率监测数据,对污染特征进行分析.同时,根据本地排放和背景浓度变化的不同相对频率,基于小波分析提取了污染物背景浓度并结合空间密集监测量化了城市环境中监测点的近场、远场及区域传输贡献.结果显示,2019年10月长沙市4项常规污染物中,PM2.5浓度较高,SO2浓度较低.小波分析提取各监测点背景浓度结果表明,部署在乡村的监测点PM2.5、PM10和NO2背景浓度平均水平较低,而城市总体数据分布更分散,存在明显的本地排放源.估计近场、远场及区域传输对城市监测点总污染水平贡献发现,研究期间,区域传输对监测点污染贡献最大.其中,PM2.5的区域贡献、远场贡献和近场贡献占比分别为43%、24%和17%;PM10的区域贡献占比较高为59%,远场贡献和近场贡献分别占比14%和16%;NO2的区域贡献、远场贡献和近场贡献占比分别为45%、24%和19%;而SO2主要以区域贡献为主,占比达78%.
关键词小波分析    传感器    污染物    本地排放    区域传输    长沙    
Preliminary study on the method of analyzing the contribution of urban local emission and regional transmission based on space-dense sensor
ZHANG Chengying1,2, LIAO Tingting1, SUN Yang2, HAN Lin1, MENG Xianglai2, ZHANG Chen2    
1. Plateau Atmospheric and Environment Key Laboratory of Sichuan Province, College of Atmospheric Science, Chengdu University of Information Technology, Chengdu 610225;
2. Innovation Transformation Base, Institute of Atmospheric Physics, Huainan 232000
Received 5 December 2020; received in revised from 17 February 2021; accepted 17 February 2021
Abstract: To analyze the source attribution of urban pollutants, based on the low-cost sensor monitoring network in Changsha, we collected the high spatiotemporal resolution monitoring data of PM2.5, PM10, SO2, and NO2 in October 2019 to analyze the characteristics of the local pollution. According to the different relative frequencies of local and background pollution variations, the wavelet analysis method was used to extract the background concentration of pollutants-combined with monitoring data with high spatial resolution to quantify the near-field, far-field and of monitoring sites in the urban and regional transportation contributions. The result showed that among the four conventional pollutants in October 2019, the concentration of PM2.5 was high while the SO2 was relatively low. Using the wavelet analysis method, we extracted the background concentration of each monitoring site, finding out that the background concentration of PM2.5, PM10 and NO2 in rural was low. Compared with the background concentration in rural, the overall distribution of the urban data was more scattered. Therefore, obvious local emission sources were observed. In estimating the contribution of different scale pollution sources to the total pollution level, the regional contribution was the largest contributor to air pollution in the monitoring sites during the study period. The contribution of regional transportation, far-field and near-field ratio of PM2.5 were 43%, 24% and 17%, respectively; the regional contribution ratio of PM10 was 59%, which was considerably higher than the others, while the contribution of far-field and the near-field of PM10 accounted for 14% and 16%, respectively; and for NO2, that was 45%, 24% and 19% respectively. For SO2, the source attribution of SO2 was mainly based on its regional transportation, which accounted for 78% of the total contribution.
Keywords: wavelet analysis    sensors    pollutants    local emission    regional transportation    Changsha    
1 引言(Introduction)

随着城市化进程的加快, 大气区域污染及复合型污染现象日渐突出(郭蒙蒙等, 2019).研究表明, 人类健康与以气态和颗粒状态存在的城市大气污染物密切相关(Duan et al., 2013Jerrett et al., 2013李璇等, 2015Hall et al., 2019).目前, 城市大气污染情况愈发严重, 减轻城市污染变得尤为重要.

城市大气污染物浓度不仅受本地排放源的影响, 还在一定程度上受区域传输的影响(苏彬彬等, 2014).国内外学者采用多种方法进行了污染物区域来源解析, 主要包括以气象和大气化学模式相结合的方法进行定量计算(Streets et al., 2007李锋等, 2015), 以及在一定气象条件下采用轨迹模式的定性估计(Squizzato et al., 2015雷雨等, 2020).模式法能定量估算不同地区和不同污染源排放对大气污染物浓度的贡献, 但会受到排放清单和气象数据分辨率及准确性的限制(张延君等, 2015), 后向轨迹方法计算量小但受数据的空间分辨率影响较大(马玉芬等, 2015).评估监测数据是上述方法的一种合适替代方法, 其主要优点是应用数学方法, 计算简单, 推广性强, 不利用有关数据分布的先验知识(Viana et al., 2008).Ketzel等(2003)研究表明, 在受污染和附近未受污染的地点进行测量, 可以估计当地羽流事件、排放积累和背景水平对总体污染水平的影响.然而采用传统技术建立固定站点监测站, 尽管在空气质量测量的精度和准确性方面得到了很好的证明, 但存在造价昂贵、维护成本高、时空分辨率低, 以及不能及时量化不同来源对整个城市总污染水平的贡献等问题(Gao et al., 2015).因此, 迫切需要灵活和低成本的替代方法来补充现有的空气质量监测方法, 以解决目前空气质量监测空间覆盖率不足的问题, 提高科学的监测能力, 从而实现精细化城市空气质量管理.

近年来, 随着传感器技术的发展和无线传感器网络的出现, 使空气质量高时空分辨率监测成为可能(秦孝良等, 2020).Kamionka等(2006)讨论了低成本传感器提高测量空间分辨率的潜力, 从而弥补了现有的相对稀疏的固定站点的不足.Wan等(2016)在美国郊区布置了多品牌电化学传感器同期测量NOx、SO2、CO、O3并与标准设备进行对比, 发现各类传感器表现出良好的监测性能, 表明传感器监测具有一定的可靠性.Zikova等(2017)利用光散射法颗粒物传感器在不同地点对环境中的PM2.5进行连续监测, 进行网格化布点来评估美国纽约州罗切斯特PM2.5的时空变化, 实现了对环境空气质量高时空分辨率监测.Heimann等(2015)基于英国剑桥市部署的45个低成本电化学传感器节点网络的CO高时空分辨率监测数据, 使用概率密度法提取了乡村和城市传感器节点的背景浓度, 结合乡村和城市监测数据实现了从污染信号中分离出近场、远场和区域贡献, 实现了污染源的追踪与量化.目前, 国外将传感器技术应用于大气质量评估的研究较多, 国内相关研究较少.近年来, 我国为满足城市精细化管理的需要, 开始在城市中部署大量低成本传感器监测街镇空气质量水平及变化情况, 获得了大量高时空分辨率数据, 但对监测数据深度分析与解读的研究还鲜有报导.

因此, 本研究利用低成本传感器对长沙市按照城市功能分区进行高空间覆盖率监测, 收集2019年10月PM2.5、PM10、SO2、NO2高分辨率监测数据, 对长沙市12个监测点的各污染物浓度变化及空间分布进行分析, 讨论长沙市2019年10月污染特征.同时, 基于小波分析提取监测点背景浓度并通过高空间分辨率监测量化大气污染物不同影响范围的贡献, 即区域、远场和近场.以期为大气环境数据的深度挖掘提供新的思路和方法, 并为城市大气精细化治理提供决策支持.

2 材料和方法(Data and methods) 2.1 传感器和数据质量控制

本研究采用光散射法颗粒物传感器收集颗粒物浓度数据, 同时使用电化学法气体传感器采集SO2和NO2浓度数据, 每个传感器时间分辨率为5 min.光散射法颗粒物传感器基于Mie散射理论, 是目前技术较成熟、应用相对广泛的颗粒物传感器, 具有成本低、响应时间快等优势(Koehler et al., 2015).电化学法气体传感器将气体浓度转化为与之成正比的电流信号, 通过检测电流大小实现气体浓度的测定, 相比于传统光学监测设备, 因其成本低、灵敏度高等优点而被广泛应用(Mead et al., 2013).本文所使用的传感器基本参数如表 1所示.

表 1 传感器性能参数 Table 1 Parameters of sensors

长沙市空间密集监测网络包含168个传感器监测点, 均匀分布于长沙市市区及周边, 实现了高空间覆盖率监测.按照城市功能分区, 选取了分布于长沙市各区县共12个传感器监测点进行研究, 图 1所示为标准监测站即国控站和传感器监测点空间分布.根据《环境空气质量标准》(GB3095—2012)对大气污染物浓度数据有效性的要求, 对污染物数据进行质量控制, 剔除原始数据中污染浓度≤0的值.

图 1 长沙市监测点分布图 (1.长沙县-江背镇, 2.长沙县-金井镇, 3.长沙县-开慧镇1, 4.长沙县-北山镇政府, 5.浏阳市-大瑶镇, 6.宁乡市-白马桥街道, 7.宁乡市-城郊街道, 8.望城区-白箬铺镇, 9.岳麓区-观沙岭街道, 10.开福区芙蓉北路街道, 11.芙蓉区-荷花园街道, 12.芙蓉区-火车站比对站) Fig. 1 Spatial distribution of the Changsha sensors deployed

研究期间, 结合长沙市10个空气质量监测标准站即国控站的监测数据, 对传感器在应用中的性能进行评价.图 2展示了传感器监测点芙蓉区-火车站比对站和距离其1.2 km的国控站火车新站的PM2.5、PM10、SO2和NO2质量浓度时间序列.两套观测数据变化趋势几乎一致, 皮尔逊相关系数分别为0.84、0.89、0.93和0.96, 表明传感器数据与标准仪器数据具有较好的相关性.其中, 传感器监测的SO2数据整体明显高于标准仪器, 发生了系统性漂移, 但变化趋势仍与国控站一致.为进一步验证传感器在不同观测环境下的准确性, 将传感器监测点开福区-芙蓉北路街道和距离其1.5 km的国控站伍家岭观测数据进行对比, 皮尔逊相关系数分别为0.84、0.92、0.91和0.89, 结果表明两者具有较好的相关性.整体上, 使用传感器监测空气污染物具有一定的可靠性, 可用于对标准站点的补充, 传感器的系统性漂移不影响趋势变化的观测, 传感器的趋势捕捉是可靠的.

图 2 传感器与标准仪器时间监测数据序列 Fig. 2 Time series of monitoring data of sensors and standard instruments
2.2 空间插值方法

反距离权重(Inverse Distance Weighting, IDW)插值原理为: 彼此距离较近的事物要比彼此距离较远的事物更相似.假定每个测量点都有一种局部影响, 而这种影响会随着距离的增大而减小.以插值点与样本间的距离为权重进行加权平均, 离插值点越近的样本点赋予的权重越大(李杰等, 2016).反距离权重插值法的计算公式为:

(1)

式中, Z′(s0)为s0的预测值;Z(si)为si的测量值;N为计算过程中预测点周围样点的数量;λi为预测计算过程中使用的各样点的权重, 该值随着样点与预测点之间距离的增加而减小.确定权重计算公式为:

(2)
(3)

式中, p为指数;di0为预测点s0与各样点si之间的距离.预测过程中, 各样点值对预测点值作用的权重大小成比例, 权重值的总和为1.

2.3 小波分析提取污染物背景浓度

小波分解与重构是小波变换的核心, 其根据图像特点, 通过改变伸缩因子a和平移因子v, 将不同频率的信号分解为高频信息和低频信息(Kushwaha et al., 2019), 实现多尺度分析.图 3展示了3层小波分解原理, 其中, f(t)为原始数据序列, D1、D2和D3分别表示每层的高频信号, A1、A2和A3分别表示每层的低频信号.小波分解过程只对低频部分进行分解, 每层低频信号再次分解成一个低频的粗略逼近部分和一个高频的细节部分(郑霞等, 2020).这一过程的3层分解可以将原始信号分解为一系列高频分量和低频分量的相加, f(t)=A3 +D3 +D2 +D1.

图 3 三层小波分解示意图 Fig. 3 The diagram of three-layer wavelet decomposition

对于时间序列ft∈R, 小波分解公式为:

(4)

式中, wf(a, b)为小波系数;wf(a, b)为时间序列f(t)通过单位脉冲响应的滤波器的输出, 能同时反映时域参数b和频域参数a的特性.

ψ(t)也称基小波, 其伸缩和平移构成一簇函数系:

(5)

式中, ψa, b(t)为子小波;a为尺度因子, 反映了小波的周期长度;b为时间因子, 反映了在时间上的平移.

大气污染物来源复杂(自然环境、人类活动、汽车尾气排放等), 常规大气污染物测量数据仅展示了总体污染水平, 大气污染物测量信号S(t)可以表示为背景浓度信号B(t)和排放浓度信号L(t)的总和(Ruckstuhl et al., 2012), 即:

(6)

背景浓度通常与自然环境和污染物区域传输有关, 在一定时期内相对稳定, 局部排放事件通常在短时间内发生, 具有突发性.本研究根据局地排放浓度和背景浓度变化频率的不同规律, 利用小波分析方法进行尺度分离, 提取背景浓度信号B(t).

使用小波分析将污染物浓度分解成不同尺度, 并不只是提高序列光滑性, 也是对每种物理过程的时间尺度特征的反映(陈亚玲等, 2013).不同分解层数可分解出不同尺度的成分, 随着分解层数的增加, 分解出的高频信号尺度也不断增加, 低频信号则是从原始数据中剔除不同尺度的高频信号.根据本研究的数据量, 当分解层数选择8层时, 可分解出尺度小于24 h的成分, 反映了气象因素和污染源(如汽车尾气等)日内变化对污染物浓度的影响.第8层低频信号剔除了日内变化, 即尺度平均序列, 代表了天气形势变化及污染源排放的长期趋势, 因此, 用第8层低频信号代表背景浓度具有一定的现实意义和理论基础.在小波分解过程中, Daubechies小波基函数适宜特征提取, 有良好的时频分析性能, 被广泛应用.本文采用db6函数, 运用matlab进行相关算法编程, 对每个监测点污染物浓度时间序列进行8层小波分解, 提取了第8层低频信号, 表征各个监测点污染物背景浓度B(t).图 4为城市和乡村站点PM2.5、PM10、SO2和NO2实测值和第8层低频信号.第8层低频信号既能有效去除高频信息, 同时也保留了一定的变化趋势.

图 4 城市和乡村浓度时间序列和第8层低频信号 Fig. 4 Urban and rural concentration time series and the 8th layer low-frequency signal

Heimann等(2015)通过概率密度估计法从高时空分辨率的传感器网络测量数据中提取了背景浓度, 该文献以CO为例, 把整个分析期间t内的传感器监测数据分成相等时间长度δ的数据组, 对各数据组进行概率密度分布分析, ρ(CO)最大概率密度区间近似认为δ内的CO基线, 以Gauss函数作为核密度函数拟合得到整个分析期间CO浓度基线.本文以城市站点的PM2.5为例, 将本研究中小波分析得到的背景浓度与概率密度估计法得到的背景浓度进行对比, 结果显示(图 5a), 小波分析与概率密度估计法得到的背景浓度序列变化趋势较为一致.在原始监测数据较平缓时间段内, 分解后的浓度序列与小时浓度序列基本一致, 在浓度突变点处相差较大, 小时浓度变化幅度较大.相对于小时平均值, 利用概率密度估计法和小波分析能反映污染物浓度的潜在变化趋势.图 5b中10月21—23日期间PM2.5浓度出现骤增点, 相比于Heimann等(2015)文献中的概率密度估计法, 小波分析提取的背景信号更能体现污染物浓度的潜在变化趋势, 因为数据量较少时概率密度估计法受到极值的影响较大.在10月17—20日期间(图 5c)浓度出现骤减点, 小波分解提取的背景浓度大于概率密度估计法提取的背景信号, 这种差别可能与小波函数有关.

图 5 利用小波分析与概率密度估计法提取的背景浓度效果对比(图a中黄色阴影区域内出现PM2.5浓度骤增, 灰色阴影区域内出现PM2.5浓度骤减) Fig. 5 Comparison of the effect of background concentration extracted by wavelet analysis and probability density statistics
3 结果与讨论(Results and discussion) 3.1 长沙市污染物分布特征 3.1.1 不同监测点的污染物浓度时间变化特征

数据分析期间各监测点PM2.5、PM10、SO2、NO2浓度时间序列显示, 总体来看, 各监测站点污染物变化趋势基本一致, 特别是颗粒物, 可能与受天气系统影响造成的区域大范围传输有关.如图 6所示, 10月期间各监测点存在两次污染物浓度波动较明显的过程, 第一次为10月1—9日, 污染物浓度逐渐升高至4日左右达到高值, 在7日左右降低至最低值, 此后又逐渐升高至9日达到高值;此次污染物波动过程可能受国庆假期影响, 民众出行量较大, 在一定程度上增加了交通污染源的排放;此次过程中, 12个监测点变化趋势基本一致.第二次为10月21—25日, 位于市中心和宁乡市监测点污染物浓度升高明显, 尤其位于长沙市北侧的宁乡市和望城区, 而长沙县和浏阳市监测点污染物浓度变化较小, 此次过程可能受本地排放及局部传输影响较大.

图 6 2019年10月长沙市不同监测点污染物浓度序列 Fig. 6 Concentration time series of air pollutants at different monitoring sites in Changsha in October 2019

各监测站点中, 位于长沙市市中心的监测点污染物浓度偏高, 其中, 位于芙蓉区和开福区监测点PM2.5和NO2浓度偏高, 芙蓉区-荷花园街道、芙蓉区-火车站对比站和开福区-芙蓉北路街道监测点PM2.5日均浓度分别为26~95、27~100和24~98 μg·m-3, NO2日均浓度分别为25~94、23~90和25~95 μg·m-3.芙蓉区和开福区商业、交通网络密集, 车流量较大, 汽车尾气的排放在一定程度上加大了PM2.5和NO2污染(陈晓红等, 2015), 受道路扬尘和机动车排放影响, PM2.5和NO2浓度偏高(刘检琴等, 2016).望城区-白簪铺镇、宁乡市-白马桥街道和宁乡市-城郊街道监测点颗粒物浓度偏高, PM2.5日均浓度分别为17~119、19~138和19~109 μg·m-3, PM10日均浓度分别为26~162、25~169和27~147 μg·m-3.相关研究表明, 长沙市PM2.5和PM10重要排放贡献源均为扬尘源(陈军等, 2017), 望城区作为新兴发展区域, 受人口和经济发展限制, 开发程度较低, 季节性裸土和施工后未开发的面状裸土较多, 土壤扬尘排放贡献较大(秦建新等, 2020).

位于长沙县和浏阳县的监测点, 在数据分析期间4项污染物浓度均较低.其中, 长沙县开慧镇1监测点SO2浓度明显偏高, 平均浓度为17 μg·m-3, 在10月25日出现了明显的峰值, 可能受秋季生物质燃烧的影响.

3.1.2 长沙市各污染物空间分布

选取与污染物扩散特征较符合的反距离权重插值(IDW)方法得到长沙市PM2.5、PM10、SO2和NO2浓度的空间分布(图 7).由图可知, PM2.5、PM10和NO2浓度空间分布特征相似, 由中心城区向周围逐渐递减, 高值中心主要分布在长沙市芙蓉区和雨花区, 低值中心主要为长沙县东北部, 芙蓉区和雨花区人口密集、周边车流量大, 汽车尾气及生活污染物排放量大, 污染源主要来自于机动车排放和交通扬尘, 导致PM2.5、PM10和NO2浓度偏高.SO2空间分布与PM2.5、PM10、SO2和NO2大致相似, 在长沙县东北部出现高值中心, SO2浓度空间分布差异可能受生物质燃烧及生活源的影响.

图 7 2019年10月长沙市PM2.5、PM10、SO2和NO2空间分布图 (1.长沙县-江背镇, 2.长沙县-金井镇, 3.长沙县-开慧镇1, 4.长沙县-北山镇政府, 5.浏阳市-大瑶镇, 6.宁乡市-白马桥街道, 7.宁乡市-城郊街道, 8.望城区-白箬铺镇, 9.岳麓区-观沙岭街道, 10.开福区芙蓉北路街道, 11.芙蓉区-荷花园街道, 12.芙蓉区-火车站比对站) Fig. 7 The spatial distribution of PM2.5, PM10, SO2 and NO2 in Changsha in October 2019
3.2 小波分析提取背景浓度

对各监测点PM2.5、PM10、SO2和NO2浓度时间序列进行了8层小波分解, 提取背景浓度, 根据3.1节讨论各监测点的污染物浓度水平及监测点的地理位置, 整体来看, 位于浏阳市和长沙县的监测点浓度水平较低, 划分为乡村监测点.图 8表 2说明了2019年10月位于城市和乡村环境中污染物背景浓度平均值及变化范围, 其中, PM2.5、PM10和NO2与部署在城市的监测点相比, 部署在乡村的监测点背景浓度平均污染水平变化范围较小, 由于城市中机动车、工业、扬尘等本地源的排放与累积, 增加了城市大气环境中污染物背景浓度.数据分析期间, 乡村PM2.5背景浓度平均值为36 μg·m-3, 城市平均值为49 μg·m-3, 大约为乡村背景浓度的1.4倍.城市PM10背景浓度与乡村背景浓度最大(小)值出现时刻基本一致, 城市与乡村PM10背景浓度变化的一致性表明PM10可能受区域传输影响更大.如图 6所示, 由于长沙县-开慧镇1监测点的SO2浓度明显偏高, 导致其背景浓度明显偏大, 会导致估计不同污染源贡献结果的误差较大, 因此, 不再对长沙县-开慧镇1进行分析.城市NO2背景浓度在10月1—5日和19—23日期间平均值明显大于乡村背景浓度, 在此期间城市受本地源排放影响较大.

图 8 乡村和城市平均背景浓度时间序列及变化范围 Fig. 8 Time series and variation range of average background concentration in rural and urban areas

表 2 乡村和城市污染物背景浓度平均值及最大(小)值 Table 2 Average and maximum background concentration of pollutants in rural and urban

图 9为乡村和城市环境中监测点PM2.5背景浓度的概率密度分布及各自的高斯拟合.从概率密度分布中可以看出城市和乡村背景浓度整体分布特征范围.乡村环境中本地源较少, 污染物的背景浓度近似服从正态分布, 但在城市环境中存在更多的本地源污染, 背景浓度会表现出较大的标准偏差, 从而偏离正态分布(侯凯等, 2017).分别计算乡村和城市PM2.5背景浓度的统计量偏度和峰度, 乡村的偏度和峰度分别为0.7和0.4, 城市分别为1.4和1.8.如图 9所示, 乡村背景浓度呈近似正态分布, 分析期间, 乡村PM2.5平均背景浓度为(32±6) μg·m-3, 较小的总体标准偏差(6 μg·m-3)表明, 5个乡村监测点的背景浓度代表几乎相同的环境, 具有较小的本地源贡献.与乡村背景浓度相比, 城市平均PM2.5浓度为(46±13) μg·m-3, 标准偏差σ更大, 总体数据分布更分散, 表明各城市站点有较明显的本地排放源(如交通排放源的积累).PM10、SO2和NO2的乡村平均背景浓度分别为(56±12)、(12±2)和(31±5) μg·m-3, 城市平均背景浓度分别为(67±30)、(14±3)和(33±11) μg·m-3, 乡村4项污染物背景浓度的总体标准偏差与城市相比均偏小.

图 9 乡村和城市PM2.5平均背景浓度频率分布及高斯拟合 Fig. 9 Frequency distribution and Gaussian fitting of PM2.5 average background concentration in rural and urban
3.3 估计城市大气污染物区域传输和本地排放贡献

根据3.2节研究结果发现, 位于市区中心的监测点背景浓度变化范围较大, 与乡村监测点存在较大的差异, 主要是由于城市地区存在更多的本地排放源, 如汽车尾气等, 本地排放污染物逐渐累积, 造成基于监测数据提取的城市背景浓度受本地源影响较大(Lenschow et al., 2001), 因此, 通过城市站背景浓度估计区域传输贡献偏差较大.通过空间密集监测, 在城市附近受本地源影响较小的乡村设置监测点, 可以利用乡村背景浓度估计区域传输贡献, 还可以从城市中单个监测点的背景浓度信号中分离出排放积累.为了估计城市环境中污染物浓度的不同贡献, 总污染水平视为区域贡献、远场(即累积)和近场排放的总和.定义乡村站点背景浓度为区域传输贡献, 远场贡献浓度为城市背景浓度和乡村背景浓度之间的差值, 主要受城市环境中交通和一般能源使用等相对稳定排放源排放累积的影响.引入测量值的小时均值来以估计短时间尺度事件对总污染水平的贡献, 即近场贡献, 定义为城市背景浓度和小时平均测量值之间的区域, 主要为受交通影响的局部排放.

为了估计本地排放及其积累对城市环境中观测到的污染物浓度的贡献, 有必要确定区域污染信号及其时间变化.本研究定义区域污染信号为乡村环境监测点的背景浓度, 根据定义, 乡村环境不受当地重要排放源的显著影响.为了选取合适的背景监测点, 本文应用了两个标准: 首先远离直接排放源的乡村环境中的污染物测量值通常较小且具有较小的标准偏差σ(Ruckstuh et al., 2012);其次, 乡村监测点在局部排放及其累积影响最小的情况下, 监测数据预计与其背景浓度近似一致, 要求乡村测量数据的平均值在背景浓度平均值的1σ内.各监测点污染物平均浓度及标准偏差如表 3所示, 长沙县-江背镇、长沙县-金井镇和浏阳市-大瑶镇的监测点具有较小的标准偏差且满足测量数据的平均值在背景浓度平均值的1σ内, 符合背景监测点选取标准.

表 3 监测点主要污染物的平均浓度及标准偏差 Table 3 Averaged concentration of the major pollutants (Mean± Stand deviation)

本文给出了城市环境中芙蓉区火车站比对站监测点的结果.研究结果中利用乡村监测点背景浓度变化范围表示区域贡献的不确定性并估计了不确定性对总污染水平的影响.远场贡献和区域贡献受到乡村监测点背景浓度上下限的限制, 可能被低估.2019年10月4项污染物进行尺度分离的结果如图 10所示.整体来看, 区域贡献对芙蓉区火车站比对站监测点贡献最大.其中, PM2.5的区域贡献、远场贡献和近场贡献平均浓度分别为29、22和12 μg·m-3, 贡献占比分别为43%、24%和17%, 不确定性占比为16%.芙蓉区火车站比对站监测点周围交通网络密集, 车流量较大, 汽车尾气的排放在一定程度上加剧了PM2.5污染, 导致整体上PM2.5本地源占比偏高.时间序列图显示, 在10月1—9日期间, PM2.5区域贡献明显偏大, 从10月19日起, 远场贡献和近场贡献大幅度增加.在10月3日和22日, 芙蓉区火车站比对站PM2.5监测值出现超标现象, 在此期间, 远场贡献和近场贡献占比明显偏高.PM10的区域贡献、远场贡献和近场贡献平均浓度分别为65、14和18 μg·m-3, 贡献占比分别为59%、14%和16%, 相比PM2.5其区域贡献占比偏高.罗达通等(2020)研究发现, 秋季西北气流影响时长沙市一定程度受到西北远距离沙尘传输的影响, 在一定程度上导致PM10区域传输贡献占比偏高.PM10时间序列变化特征与PM2.5较为一致, 19—24日, 远场贡献和近场贡献大幅度增加, 此期间主要以偏西风为主, 可能受宁乡市及望城区土壤扬尘排放贡献影响较大.SO2的区域贡献、远场贡献和近场贡献平均浓度分别为11.00、1.19和1.16 μg·m-3, 贡献占比分别为78%、8%和8%.由3.1节中污染物污染评价可知, 长沙市SO2整体浓度水平偏低, 空间分布差异较小, 本地排放贡献较小.NO2的区域贡献、远场贡献和近场贡献平均浓度分别为29、16和13 μg·m-3, 贡献占比分别为45%、24%和19%.在10月1—9日和19—24日期间, NO2监测值出现超标情况, 其区域来源贡献主要以远场贡献和近场贡献为主, 说明火车站比对站及周边地区存在明显的NO2排放源.

图 10 2019年10月长沙市PM2.5、PM10、SO2和NO2污染来源贡献时间序列图及饼状图 Fig. 10 Time series and pie-charts of the contribution of PM2.5, PM10, SO2 and NO2 pollution sources in Changsha City in October 2019

本文展示了如何利用低成本传感器监测数据和小波分析方法分离和量化污染物的局地和区域传输贡献, 该方法适用于颗粒物及气体污染物, 具有广泛的适用性.低成本传感器的高时空分辨率监测数据能提供区域来源解析所需的信息, 且运用小波分析方法从大气污染物浓度监测数据中提取背景浓度有一定的理论基础和物理意义, 是一种快速和灵活的数据处理方法.本研究的局限性在于污染物浓度水平仅由排放量确定, 未考虑气象因素的影响, 在进一步研究中拟考虑气象因素的影响, 同时选择或构造适合大气污染物变化规律的小波函数需要进一步研究.同时本研究以监测数据为基础, 无法根本上剔除人为源的影响, 提取背景浓度会偏高.不确定性在于每个站点的代表性, 因为在对这些站点进行分类时可能会应用一定程度的主观性.

4 结论(Conclusions)

1) 根据背景浓度和本地排放浓度变化频率的不同规律, 运用小波分析方法从大气污染物浓度监测数据中提取背景浓度有一定的理论基础和现实意义, 是一种快速分析大气污染物数据可行的方法, 使用该方法时需注意根据数据精度和实际需求选择合适的小波分解层数.

2) 通过小波分析提取的各监测点背景浓度发现, 部署在城市的监测点PM2.5、PM10和NO2背景浓度平均污染水平较高.通过空间密集监测, 在城市和附近的乡村部署监测点, 不仅可以利用乡村背景浓度估计区域传输贡献, 还可以从城市中单个监测点的背景浓度信号中分离出排放积累.结果显示, 研究期间, 区域传输对芙蓉区火车新站比对站大气污染贡献最大.其中, PM2.5的区域贡献、远场贡献和近场贡献占比分别为43%、24%和17%;PM10的区域贡献占比为59%, 远场贡献和近场贡献占比分别为14%和16%;SO2的区域贡献占比较大为78%;NO2的区域贡献、远场贡献和近场贡献占比分别为45%、24%和19%.

3) 位于城市和乡村监测点污染物浓度有明显差异, 在城市中人口、交通密集区域布署密集监测点可更好监测本地突发的污染事件.在周围相对清洁的乡村地区布署监测点可以用来判断区域传输影响, 尤其在易传输通道上, 可以提前响应区域传输, 利用传感器可优化地区布点, 提高空气质量监测水平.

参考文献
陈军, 李楠, 谭菊, 等. 2017. 长沙市人为源大气污染物排放清单及特征研究[J]. 环境科学学报, 37(3): 833-843.
陈晓红, 唐湘博, 田耘. 2015. 基于PCA-MLR模型的城市区域PM2.5污染来源解析实证研究-以长株潭城市群为例[J]. 中国软科学, (1): 139-149. DOI:10.3969/j.issn.1002-9753.2015.01.015
陈亚玲, 赵智杰. 2013. 基于小波变换与传统时间序列模型的臭氧浓度多步预测[J]. 环境科学学报, 33(2): 339-345.
Duan J, Tan J. 2013. Atmospheric heavy metals and Arsenic in China: Situation, sources and control policies[J]. Atmospheric Environment, 74(2): 93-101.
Gao M L, Cao J J, Edmund S. 2015. A distributed network of low-cost continuous reading sensors to measure spatiotemporal variations of PM25 in Xi'an, China[J]. Environmental Pollution, 199: 56-65. DOI:10.1016/j.envpol.2015.01.013
郭蒙蒙, 姜楠, 王申博, 等. 2019. 郑州市2014-2017年大气污染特征及气象条件影响分析[J]. 环境科学, 40(9): 3856-3867.
Hall P S., Nah G, Vittinghoff E, et al. 2019. Relation of pregnancy loss to risk of cardiovascular disease in parous postmenopausal women (from the women's health initiative)[J]. The American Journal of Cardiology, 123(10): 1620-1625. DOI:10.1016/j.amjcard.2019.02.012
Heimann I, Bright V B, McLeod M W, et al. 2015. Source attribution of air pollution by spatial scale separation using high spatial density networks of low cost air quality sensors[J]. Atmospheric Environment, 113: 10-19. DOI:10.1016/j.atmosenv.2015.04.057
侯凯, 杨咪, 钱会, 等. 2017. 黄河宁夏段氨氮、总磷及化学需氧量环境背景值研究[J]. 灌溉排水学报, 36(8): 65-71.
Jerrett M, Burnett R T, Beckerman B S, et al. 2013. Spatial analysis of air pollution and mortality in California[J]. American Journal of Respiratory and Critical Care Medicine, 188(5): 593-599. DOI:10.1164/rccm.201303-0609OC
Kamionka M, Breuil P, Pijolat C. 2006. Calibration of a multivariate gas sensing device for atmospheric pollution measurement[J]. Sensors & Actuators: B.Chemical, 118(1): 323-327.
Ketzel M, Wåhlin P, Berkowicz R, et al. 2003. Particle and trace gas emission factors under urban driving conditions in Copenhagen based on street and roof-level observations[J]. Atmospheric Environment, 37(20): 2735-2749. DOI:10.1016/S1352-2310(03)00245-0
Koehler K A, Peters T M. 2015. New methods for personal exposure monitoring for airborne particles[J]. Current Environmental Health Reports, 2(4): 399-411. DOI:10.1007/s40572-015-0070-z
Kushwaha V, Pindoriya N M. 2019. A SARIMA-RVFL hybrid model assisted by wavelet decomposition for very short-term solar PV power generation forecast[J]. Renewable Energy, 140: 124-139. DOI:10.1016/j.renene.2019.03.020
Lenschow P, Abraham H J, Kutzner K, et al. 2001. Some ideas about the sources of PM10[J]. Atmospheric Environment, 35: S23-S33. DOI:10.1016/S1352-2310(01)00122-4
李杰, 翟亮, 桑会勇, 等. 2016. PM2.5浓度插值中不同空间插值方法对比[J]. 测绘科学, 41(4): 50-54+101.
雷雨, 张小玲, 康平, 等. 2020. 川南自贡市大气颗粒物污染特征及传输路径与潜在源分析[J]. 环境科学, 41(7): 3021-3030.
李锋, 朱彬, 安俊岭, 等. 2015. 2013年12月初长江三角洲及周边地区重霾污染的数值模拟[J]. 中国环境科学, 35(7): 1965-1974. DOI:10.3969/j.issn.1000-6923.2015.07.008
李璇, 聂滕, 齐珺, 等. 2015. 2013年1月北京市PM2.5区域来源解析[J]. 环境科学, 36(4): 1148-1153.
刘琴. 2016. 长沙市主城区与城郊大气污染物时空分布特征研究[D]. 长沙: 湖南师范大学
罗达通, 张敬巧, 尤翔宇, 等. 2020. 长沙市气流传输特征及其对大气环境的影响分析[J]. 环境科学与技术, 43(4): 97-105.
Mead M I, Popoola O A M, Stewart G B, et al. 2013. The use of electrochemical sensors for monitoring urban air quality in low-cost, high-density networks[J]. Atmospheric Environment, 70: 186-203. DOI:10.1016/j.atmosenv.2012.11.060
马玉芬, 陆辉, 刘海涛. 2015. HYSPLIT模式轨迹计算误差分析[J]. 南京信息工程大学学报(自然科学版), 7(1): 86-91.
秦建新, 朱柯颖, 吴涛, 等. 2020. 长沙市城区施工扬尘和土壤扬尘污染时空特征研究[J]. 中国环境监测, 36(4): 69-79.
秦孝良, 侯鲁健, 高健, 等. 2020. 基于移动传感器的城市道路颗粒物污染特征[J]. 中国环境科学, 40(3): 948-955. DOI:10.3969/j.issn.1000-6923.2020.03.003
Ruckstuhl A F, Henne S, Reimann S, et al. 2012. Robust extraction of baseline signal of atmospheric trace species using local regression[J]. Atmospheric Measurement Techniques, 5(44): 2613-2624.
Squizzato S, Masiol M. 2015. Application of meteorology-based methods to determine local and external contributions to particulate matter pollution: A case study in Venice (Italy)[J]. Atmospheric Environment, 119: 69-81. DOI:10.1016/j.atmosenv.2015.08.026
Streets D G, Fu J S, Jang C J, et al. 2007. Air quality during the 2008 Beijing Olympic Games[J]. Atmospheric Environment, 41(3): 480-492. DOI:10.1016/j.atmosenv.2006.08.046
苏彬彬, 许椐洋, 张若宇, 等. 2014. 区域传输对华东森林及高山背景点位大气污染物浓度的影响[J]. 环境科学, 35(8): 2871-2877.
Viana M, Kuhlbusch T A J, Querol X, et al. 2008. Source apportionment of particulate matter in Europe: A review of methods and results[J]. Journal of Aerosol Science, 39(10): 827-849. DOI:10.1016/j.jaerosci.2008.05.007
Wan J, Gayle H, Ronald W, et al. 2016. Community Air Sensor Network (CAIRSENSE) project: Evaluation of low-cost sensor performance in a suburban environment in the southeastern United States[J]. Atmospheric Measurement Techniques, 9(11): 5281-5292. DOI:10.5194/amt-9-5281-2016
Zikova N, Masiol M, Chalupa David C, et al. 2017. Estimating hourly concentrations of PM2.5 across a metropolitan area using low-cost particle monitors[J]. Sensors, 17(8): 1922. DOI:10.3390/s17081922
张延君, 郑玫, 蔡靖, 等. 2015. PM2.5源解析方法的比较与评述[J]. 科学通报, 60(2): 109-121, 1-2.
郑霞, 胡东滨, 李权. 2020. 基于小波分解和SVM的大气污染物浓度预测模型研究[J]. 环境科学学报, 40(8): 2962-2969.