2016, Vol. 36
[PDF全文]
2. 国家城市环境污染控制工程技术研究中心, 北京 100037;
3. 首都师范大学资源环境与旅游学院, 北京 100048
2. National Engineering Research Center of Urban Environmental Pollution Control, Beijing 100037;
3. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048
交通扬尘和施工扬尘是国内外很多城市大气PM10及PM2.5的主要来源(Cheng et al., 2013; Song et al., 2006; Kuhns et al., 2003; Green et al., 2013; Rutter et al., 2011; Karanasiou et al., 2011), 特别是我国城市正处于大规模的施工建设时期, 建筑施工及市政施工过程中裸露路面的交通扬尘、风蚀扬尘、裸露料堆的风蚀扬尘及其之间的相互影响严重破坏了城市大气环境质量(田刚等, 2009；2007).美国全国排放清单中, 道路交通扬尘对PM10的贡献率为44%, 对PM2.5的贡献率为31%(USEPA, 2000).在美国西部多数城市, 应用AP-42排放模型计算的铺装和未铺装道路PM10排放量占总排放量的20%以上, 加州南海岸区域铺装道路扬尘PM2.5排放占10%(South Coast Air Quality Management District, 2012), 在Boise ID冬季道路扬尘PM10排放占43%(Kuhns et al., 2001), 拉斯维加斯道路扬尘PM10排放约占27%(Pant et al., 2013).
对于交通扬尘排放清单的建立主要是应用AP-42模型方法, Bhaskar等(2008)分析了印度北部城市坎普尔交通扬尘排放状况, 结果显示, 重型车辆比重大的道路扬尘排放量大, PM10排放量在441~732 kg·km-1·d-1之间, 冬季排放强度最大.国内对北京(Fan et al., 2009；樊守彬等, 2007；Fan et al., 2013)、天津(彭康等, 2013)、珠三角(许妍等, 2012)等城市和地区的道路交通扬尘排放清单进行了研究, 主要应用的方法为AP-42模型(USEPA, 2011), 但该方法的机理和数据统计分析方面也存在较大误差和不确定性(Venkatram et al., 2000).
由于缺少可靠的、经过试验验证的排放因子, 国内相关研究(樊守彬等, 2016；张东旭等, 2016)多采用AP-42模型进行排放因子和排放量计算, 得到的结果存在较多不确定性, 主要包括模型在中国是否适用、误差范围为多少、计算的交通扬尘排放量是否可靠等.基于此, 本研究建立一种交通扬尘排放因子测量系统, 在实际道路上进行测量获得实时的排放因子数据, 以期为排放清单建立和控制措施评估提供一种技术手段.
2 测量系统设计(Design of the measurement system) 2.1 排放测量系统设计车辆行驶过程中, 由于车辆轮胎和气流对路面尘土的外力作用, 会形成交通扬尘, 观测的现象为车辆尾部会形成颗粒物浓度较高的尾羽.在系统设计过程中, 通过现场拍照和录像的方式, 对车辆扬尘形成的尾羽轮廓进行观测, 结果显示, 在没有明显侧向风的情景下, 车辆形成的扬尘尾羽如图 1所示.
 |
| 图 1 单车扬尘尾羽轮廓示意图 Fig. 1 Schematic diagram of dust emission for a single vehicle |
从图 1中可以看出, 车辆产生的扬尘颗粒物处于车后的一个断面面积内, 根据扬尘尾羽特征, 单车扬尘颗粒物排放量(即排放因子)可以通过尾羽扬尘颗粒物浓度轮廓分布和背景点浓度用式(1)计算.
|
(1) |
式中, Q为车辆行驶单位距离扬尘颗粒物排放量(mg·m-1·辆-1)；C(1, h)为车辆尾羽中颗粒物浓度(mg·m-3)；Cb为背景颗粒物浓度(mg·m-3)；l为据车辆轴线的距离(m)(路面所处的平面与车辆行驶方向垂直的坐标轴)；h为距地面的高度(m)；Eexh为车辆的尾气颗粒物排放因子(mg·m-1·辆-1).
通过对公式(1)的分析, 单车扬尘颗粒物排放的测量即为对C(l, h)和Cb的测量, 本研究中在车辆顶部测量Cb, 作为背景颗粒物浓度, C(l, h)则通过在车辆尾羽多点位的同时测量获得, 测量系统如图 2所示.
 |
| 图 2 单车扬尘排放测量系统示意图(1.测量系统底盘；2.背景颗粒物浓度测量点；3.采样点安装架；4.采样管路；5.采样端；6.颗粒物浓度测量仪；7.连接杆；8.待测车辆) Fig. 2 Schematic diagram of the sampling configuration for vehicle wake dust characterization |
测量系统中Cb测量点为一个, 位于车顶, 高2.2 m, C(l, h)测量点20个, 在轮廓宽度l方向坐标位置分别为-1.25、-0.625、0、0.625和1.25 m, 在轮廓高度h方向坐标位置分别为0.3、1.0、2.0和3.2 m, 测量断面距离车辆尾部的距离L可调节, 本试验中分2档调节, 分别为2.6 m和4.2 m.通过对L的调节, 研究距离车辆尾部不同距离扬尘尾羽的轮廓特征并选取适合于测量系统的距离L.
受仪器数量的限制, 测量过程中无法满足21台仪器同时测量, 本研究中使用11台仪器, 1台置于车顶测量背景值, 10台置于测量系统底盘, 测量2个高度共10个点的颗粒物浓度.实验车辆在相同路段相同速度行驶时, 分别测量高度h上0.3、1.0、2.0和3.2 m的5个测量点的浓度, 测量到20个点的浓度分布后, 计算实测的颗粒物排放因子.
系统中颗粒物测量仪器可以逐秒存储PM10或PM2.5浓度数据, 同时采用GPS接收器逐秒存储测量点的空间位置和车辆速度等信息.应用系统存储的数据可以直接计算道路交通扬尘排放量或排放因子.
2.2 主要仪器及数据分析方法本研究中颗粒物浓度测量仪器为DustTrak 8530(TSI公司), 该仪器基于气溶胶微粒的体积与光散射强度成比例的原理, 再经过严格的标定程序获得颗粒物的质量浓度, 仪器采样流量为3 L·min-1, 量程为0.001~150 mg·m-3, 精度为0.001 mg·m-3.DustTrak仪器在扬尘排放测试研究方面得到了广泛的应用, 美国沙漠研究所科研人员应用DustTrak仪器和GPS接收仪等组建了TRAKER系统, 专门用于研究交通扬尘排放规律(Kuhns et al., 2001；Zhu et al., 2014).在用暴露高度浓度剖面法实测道路扬尘排放量和排放特征时也多采用DustTrak仪器进行颗粒物浓度的测量(Mathissen et al., 2012).
本研究中为了保证数据质量, 在测试前对测量仪器DustTrak 8530应用颗粒物再悬浮检测系统(黄玉虎等, 2009)进行校准.校准的标准仪器为美国URG公司的PM10标准采样器, 采样流量为16.7 L·min-1, 空气动力学直径(Da)切割粒径为10 μm, 是美国EPA联邦参考方法认可的标准旋风式采样器.本研究中再悬浮系统颗粒物样品为亚利桑那道路粉尘, DustTrak 8530和PM10标准采样器同时进行采样, 结果发现, 单台DustTrak 8530与标准采样器的测量值在不同浓度下的比值较为固定, 且不同的DustTrak 8530仪器与PM10标准采样器的测量值比值均在0.85~1.20之间, 应用不同DustTrak 8530仪器的比值对测量结果进行修正后, DustTrak 8530与PM10标准采样器测量值一致性较好, 对于道路扬尘颗粒物DustTrak 8530的读数与EPA联邦参考方法的测量结果一致.仪器的流量标定和零点标定对数据的准确性也非常重要, 本研究中在使用前对仪器用流量计进行流量标定和用过滤器进行零点标定.
测量系统中车辆正常行驶过程中由于车辆速度变化及路面情况的变化, 导致尾羽气流流速变化范围大, 颗粒物浓度测量装置中的空气流量也会随之变化, 因此, 直接在尾羽或轮胎后测量颗粒物浓度时, 无法满足颗粒物浓度测量装置对颗粒物等速采样的要求, 进而导致测量结果不准确.本研究在实验过程中根据预先设定的车速数据更换不同直径的采样嘴, 颗粒物监测仪器DustTrak 8530的采样流量为3 L·min-1, 车速在20、30、40、50和60 km·h-1行驶时采样嘴的直径分别为2.0、1.6、1.4、1.2和1.0 mm, 以满足等速采样的要求.实验过程中实际车速与预先设定的车速误差 < 10%时作为有效数据.
2.3 实验区域应用基础扬尘排放测量系统进行扬尘尾羽轮廓测试并进行排放因子计算, 同时应用优化的测量系统进行测量, 建立2种测量系统数据的相关性.为了保证设备安全和正常测试, 测试点选择在车流量相对较小的顺义区高丽营镇和亦庄开发区, 2个测试区域的测试路段具体情况见表 1.每个路段分别以20、40、60 km·h-1的车速测试尾羽轮廓3~4次, 同时对每个路段的积尘负荷进行采样分析.
| 表 1 单车扬尘尾羽轮廓测试路段基本情况 Table 1 Basic information of the tested roads using tail profile method |
 |
本文以在顺义区顺平路的测试数据为例, 分析车辆在行驶过程中扬尘的尾羽轮廓, 测试车辆包括三菱帕杰罗1辆和依维柯1辆, 分别代表小型车辆和大中型车辆. 2辆测试车辆的尾羽颗粒物浓度轮廓测试结果见图 3.从图中可以看出, 车辆行驶过程中, 尾羽扬尘轮廓清晰, 从宽度l方向看, 中间PM10浓度最高, 向两侧方向浓度逐渐降低；从高度h方向看, 随着高度增加, PM10浓度逐渐降低.从图 3中可以看出, 在车速较低时( < 20 km·h-1), 帕杰罗车辆的扬尘轮廓不明显, 只在距离路面较近的低高度范围内( < 1.2 m)有较明显的颗粒物浓度升高, 在更高的高度上浓度升高不明显.在车速较高时, 尾羽的颗粒物浓度“层状”分布明显, 从图 3中可以看出, 在车速较低时( < 20 km·h-1), 依维柯车辆的扬尘轮廓也非常清晰, 推断依维柯车辆的扬尘排放因子大于帕杰罗, 在较低的车速下的扬尘浓度已经导致车辆尾羽的浓度轮廓非常明显.
 |
| 图 3 车辆扬尘尾羽轮廓PM10浓度分布(图中等值线数据为PM10浓度(mg·m-3)) Fig. 3 PM10 concentration distribution in vehicle tail profile |
车辆尾羽的颗粒物浓度特征呈明显的“层状”分布, 距离路面越近浓度越高, 在车辆行驶方向中心浓度最高, 向两侧浓度逐渐降低, 车速越快浓度越高.依维柯和帕杰罗2种车辆的浓度轮廓比较可以发现, 在车速相近的条件下, 依维柯的尾羽颗粒物浓度较高.
3.2 实测排放因子及影响因素根据尾羽特征, 车辆扬尘颗粒物排放量可以通过式(1)计算, 测试车辆的尾气颗粒物排放因子Eexh应用欧盟开发的COPERT模式根据测试车辆的实际参数进行计算(樊守彬等, 2015), 该模式在中国得到了较为广泛的应用, 认为计算数据比较可靠, 本研究中测试车辆帕杰罗和依维柯的尾气颗粒物排放因子Eexh分别为0.001和0.058 g·km-1·辆-1.在尾气PM10排放因子较大或对计算结果影响较大时, 应考虑车辆的行驶工况对尾气PM10排放因子的影响.帕杰罗为汽油车, 尾气PM10排放因子显著小于扬尘PM10排放因子, 依维柯为柴油车, 尾气PM10排放因子也明显小于扬尘PM10排放因子, 本研究中没有考虑车速对尾气PM10排放因子的影响, 应用尾气PM10排放因子的固定值进行扣除.对应图 3中各轮廓分布, 应用公式(1)计算的车辆扬尘PM10排放因子见表 2.从表 2可以看出, 随着车速的增加排放因子明显增大, 在车速相近的条件下, 依维柯的排放因子明显大于帕杰罗, 这主要与依维柯车辆的车重较大有关.
| 表 2 不同轮廓下扬尘PM10排放因子 Table 2 PM10 emission factors for different tail profiles |
|
车速是影响车辆交通扬尘排放的主要因素之一, 本研究中车速数据通过随车GPS接收仪实时记录, GPS接收仪选用集思宝Map60CSx手持机, 逐秒记录车辆的经纬度和车速数据.本研究中测试车辆交通扬尘PM10排放因子与车速的关系见图 4, 从图中可以看出, 排放因子与车速呈指数关系, 二者之间的关系可以表达为公式(2).
 |
| 图 4 车速与排放因子的关系 Fig. 4 Relationship between vehicle speed and emission factor |
|
(2) |
式中, EF为排放因子(g·km-1·辆-1), k初步判断为与尘负荷SL和车重有关, 为SL的函数, S为车速(km·h-1).
根据美国环保局AP-42文件中对积尘负荷的采样和实验室分析方法, 对实验路段的路面积尘负荷进行采样分析, 数值为0.17 g·m-2, 该积尘负荷在北京市典型道路的数值范围内(樊守彬等, 2016), 应用AP-42道路扬尘排放因子模型计算帕杰罗(1.6 t)和依维柯(3.0 t)两种类型车辆的扬尘PM10排放因子分别为0.20和0.38 g·km-1·辆-1, 与车速约为40 km·h-1时的实测排放因子相近.从图 4中可以看出, 车速对排放因子有显著影响, 因此, 在排放因子计算和排放清单建立时, 应考虑车速的影响.
3.3 实际道路排放因子测试本研究对部分测试路段的PM10排放因子空间分布进行分析, 为了使数据具有可比性, 以帕杰罗作为测试车辆, 测试过程车辆以40 km·h-1左右匀速行驶, 由于红灯等交通因素导致的怠速行驶状态在数据处理过程中进行了剔除, 结果见图 5, 图 5a为顺义区部分道路的测试结果, 图 5b为亦庄部分道路的测试结果.从图中可以看出, 结合GPS数据和ArcGIS软件可以将测试数据直接在空间地图上显示出来, 对于分析特定的排放路段和发现高排放路段有明显优势.同时从图中可以看出, 不同路段或同一路段的不同区域排放因子差异较大, 根据现场调查, 图 5a中的高排放路段主要是由于路面破损和道路维修施工造成, 图 5b中的高排放路段主要是由于路口附近车辆遗撒严重导致的.由于排放因子数据空间分布较为分散, 因此, 采用积尘负荷采样的方法计算排放因子时, 不同采样点位的选取会导致较大的随机误差, 应用排放因子测量系统进行实测, 会使排放因子数据更加准确.
 |
| 图 5 典型道路排放因子测试结果及空间分布(a.顺义区, b.亦庄) Fig. 5 Test results and spatial distribution of fugitive dust emission factors on typical road |
以帕杰罗为测试车辆, 对12个路段的PM10排放因子测量结果及相关参数如表 3所示, 排放因子范围为0.8~4.0 g·km-1·辆-1, 平均值为2.1 g·km-1·辆-1.主干道、省道排放因子较小, 次干道、支路和县道的排放因子较大.测量结果显示, PM10排放因子与积尘负荷呈正相关关系；回归分析结果显示, 二者呈幂函数关系, 可决系数为0.93, 幂指数为0.85, 可以表达为公式(3).可以看出, 积尘负荷是影响交通扬尘排放的重要参数, 采取源头控制及道路清扫保洁措施, 降低道路积尘负荷是控制交通扬尘排放的有效手段.
| 表 3 实测道路PM10排放因子 Table 3 PM10 emission factors of measured roads |
|
|
(3) |
式中, EF为排放因子(g·km-1·辆-1), SL为积尘负荷(g·m-2).
4 结论(Conclusions)1) 研究设计了道路交通扬尘排放因子测量系统, 通过测量车辆尾羽不同位置的颗粒物浓度, 应用积分的方法计算单车行驶过程中扬尘颗粒物排放量, 在北京市典型道路测量了小汽车和大客车在不同车速下的交通扬尘颗粒物排放因子.结果显示, 车辆尾羽的颗粒物浓度特征呈明显的“层状”分布, 距离路面越近浓度越高, 在车辆行驶方向中心浓度最高, 向两侧浓度逐渐降低, 车速越快浓度越高.
2) 在试验车速范围内, 排放因子与车速呈指数关系, 幂指数为2.7~2.8, 车速越高, 排放因子越大.在建立交通扬尘排放清单及控制措施评估时, 应考虑车流速度变化对交通扬尘排放的影响.
3) PM10排放因子与积尘负荷呈幂函数关系, 幂指数为0.85, 道路积尘负荷是影响PM10排放因子的重要参数, 从源头控制积尘来源及采取道路清扫措施去除积尘可以削减交通扬尘排放.
4) 排放因子数据空间分布较为分散, 不同路段或同一路段的不同区域排放因子空间变异性较大, 应用排放因子测量系统进行实测的结果更加准确可靠.
| [${referVo.labelOrder}] | Bhaskar V S, Sharma M. 2008. Assessment of fugitive road dust emissions in Kanpur, India: A note[J]. Transportation Research Part D: Transport and Environment , 13 (6) : 400–403. DOI:10.1016/j.trd.2008.06.003 |
| [${referVo.labelOrder}] | Cheng S Y, Lang J L, Zhou Y, et al. 2013. A new monitoring-simulation-source apportionment approach for investigating the vehicular emission contribution to the PM25 pollution in Beijing, China[J]. Atmospheric Environment , 79 : 308–316. DOI:10.1016/j.atmosenv.2013.06.043 |
| [${referVo.labelOrder}] | 樊守彬, 田刚, 李钢, 等.2007. 北京铺装道路交通扬尘排放规律研究[J]. 环境科学 , 2007, 28 (10) : 2396–2399. |
| [${referVo.labelOrder}] | 樊守彬, 田灵娣, 张东旭, 等.2015. 北京市机动车尾气排放因子研究[J]. 环境科学 , 2015, 36 (7) : 2374–2380. |
| [${referVo.labelOrder}] | 樊守彬, 张东旭, 田灵娣, 等.2016. 北京市交通扬尘PM2.5排放清单及空间分布特征[J]. 环境科学研究 , 2016, 29 (1) : 20–28. |
| [${referVo.labelOrder}] | Fan S B, Tian G, Cheng S Y, et al. 2013. A new approach to developing a fugitive road dust emission inventory and emission trend from 2006 to 2010 in the Beijing metropolitan area, China[J]. Journal of Environmental Quality , 42 : 1039–1045. DOI:10.2134/jeq2012.0473 |
| [${referVo.labelOrder}] | Fan S B, Tian G, Li G, et al. 2009. Road fugitive dust emission characteristics in Beijing during Olympics Game 2008 in Beijing, China[J]. Atmospheric Environment , 43 (38) : 6003–6010. DOI:10.1016/j.atmosenv.2009.08.028 |
| [${referVo.labelOrder}] | Green M C, Chow J C, Chang M C O, et al. 2013. Source apportionment of atmospheric particulate carbon in Las Vegas, Nevada, USA[J]. Particuology , 11 (1) : 110–118. DOI:10.1016/j.partic.2012.09.003 |
| [${referVo.labelOrder}] | 黄玉虎, 金大建, 毛华云, 等.2009. 颗粒物再悬浮和检测系统的性能指标[J]. 过程工程学报 , 2009, 9 (5) : 860–864. |
| [${referVo.labelOrder}] | Karanasiou A, Moreno T, Amato F, et al. 2011. Road dust contribution to PM levels-Evaluation of the effectiveness of street washing activities by means of Positive Matrix Factorization[J]. Atmospheric Environment , 45 (13) : 2193–2201. DOI:10.1016/j.atmosenv.2011.01.067 |
| [${referVo.labelOrder}] | Kuhns H, Etyemezian V, Green M, et al. 2003. Vehicle-based road dust emission measurement-Part II: Effect of precipitation, wintertime road sanding, and street sweepers on inferred PM10 emission potentials from paved and unpaved roads[J]. Atmospheric Environment , 37 (32) : 4573–4582. DOI:10.1016/S1352-2310(03)00529-6 |
| [${referVo.labelOrder}] | Kuhns H, Etyemezian V, Landwehr D, et al. 2001. Testing re-entrained aerosol kinetic emissions from roads: a new approach to infer silt loading on roadways[J]. Atmospheric Environment , 35 (16) : 2815–2825. DOI:10.1016/S1352-2310(01)00079-6 |
| [${referVo.labelOrder}] | Mathissen M, Scheer V, Kirchner U, et al. 2012. Non-exhaust PM emission measurements of a light duty vehicle with a mobile trailer[J]. Atmospheric Environment , 59 : 232–242. DOI:10.1016/j.atmosenv.2012.05.020 |
| [${referVo.labelOrder}] | Pant P, Harrison R M. 2013. Estimation of the contribution of road traffic emissions to particulate matter concentrations from field measurements: A review[J]. Atmospheric Environment , 77 : 78–97. DOI:10.1016/j.atmosenv.2013.04.028 |
| [${referVo.labelOrder}] | 彭康, 郑君瑜, 杨杨, 等.2013. 珠江三角洲地区铺装道路扬尘排放因子与排放清单研究[J]. 环境科学学报 , 2013, 33 (10) : 2657–2663. |
| [${referVo.labelOrder}] | Rutter A P, Snyder D C, Schauer J J, et al. 2011. Contributions of resuspended soil and road dust to organic carbon in fine particulate matter in the Midwestern US[J]. Atmospheric Environment , 45 (2) : 514–518. DOI:10.1016/j.atmosenv.2010.10.014 |
| [${referVo.labelOrder}] | Song Y, Zhang Y H, Xie S D, et al. 2006. Source apportionment of PM2.5 in Beijing by positive matrix factorization[J]. Atmospheric Environment , 40 (8) : 1526–1537. DOI:10.1016/j.atmosenv.2005.10.039 |
| [${referVo.labelOrder}] | South Coast Air Quality Management District. 2012. Base and Future Year Emission Inventory[R]. Diamond Bar, CA: South Coast Air Quality Management District |
| [${referVo.labelOrder}] | 田刚, 樊守彬, 李钢, 等.2007. 施工工地出口附近道路交通扬尘排放特征研究[J]. 环境科学 , 2007, 28 (11) : 2626–2629. |
| [${referVo.labelOrder}] | 田刚, 李钢, 秦建平, 等.2009. 车辆限行对道路和施工扬尘排放的影响[J]. 环境科学 , 2009, 30 (5) : 1528–1532. |
| [${referVo.labelOrder}] | USEPA. 2011. Emission factor documentation for AP-42, Section 13.2.1: Paved Roads[R].Kansas City: Midwest Research Institute |
| [${referVo.labelOrder}] | USEPA. 2000. National air pollutant emission trends, 1900-1998[R]. Research Triangle Park, NC: Office of Air Quality Planning and Standards |
| [${referVo.labelOrder}] | Venkatram A. 2000. A critique of empirical emission factor models: a case study of the AP-42 model for estimating PM10 emissions from paved roads[J]. Atmospheric Environment , 34 (1) : 1–11. DOI:10.1016/S1352-2310(99)00330-1 |
| [${referVo.labelOrder}] | 许妍, 周启星.2012. 天津城市交通道路扬尘排放特征及空间分布研究[J]. 中国环境科学 , 2012, 32 (12) : 2168–2173. |
| [${referVo.labelOrder}] | 张东旭, 樊守彬, 林雅妮, 等.2016. APEC会议期间北京市交通扬尘控制效果研究[J]. 环境科学学报 , 2016, 36 (2) : 684–689. |
| [${referVo.labelOrder}] | Zhu D Z, Kuhns H D, Gillies J A, et al. 2014. Evaluating vehicle re-entrained road dust and its potential to deposit to Lake Tahoe: A bottom-up inventory approach[J]. Science of The Total Environment , 466-467 : 277–286. DOI:10.1016/j.scitotenv.2013.07.017 |