新闻中心

新闻中心

当前位置:首页 >> 新闻中心 >> 新闻中心
北京、上海、广州三地地铁系统PM2.5 测试分析
发布时间: 2016-6-29 15:36:38

[摘 要] 本文测试了北京上海广州地铁系统PM2.5 浓度,测试区域分为站外、大厅、站台和车内。测试仪器采用手持式粉尘测量仪,仪器原理为β 射线吸收法。测试结果表明:总体趋势来看地铁系统PM2.5 浓度分布呈现出来的规律如下:PM2.5(站外)>PM2.5(大厅)>PM2.5(站台)>PM2.5(车内),但当站外PM2.5浓度极低时,地铁系统PM2.5 浓度呈现的规律正好相反。测试结果显示地铁车内与站外PM2.5 浓度存在回归直线关系;降雨及台风气候会降低车内PM2.5 浓度;地铁载客量对车内PM2.5 浓度无影响。

[关键词] 地铁系统;PM2.5;回归直线关系;载客量


0 前言
      2012 年底,全国已有15 个城市建设地铁,总里程达到2,173.73 公里。2020 年,全国将有40 个城市建设地铁,总规划里程达7,000 公里。其中北京、上海和广州地铁发展速度比较显著,截止2012 年底,北京有17 条地铁线路,运营里程达到456 公里;上海有12 条地铁线路,运营里程达到469 公里;而广州有8 条地铁线路,运营里程达到299 公里。伴随地铁的发展人们在地铁上的时间越来越多。据美国环保署(EPA)1993年~1994年对近万人的跟踪调查数据显示,人们平均有7.2%的时间在地铁中度过[1]。而从事特殊职业的地铁司机、售票员等群体在地铁上度过的时间更多。
      PM10,指空气动力学当量直径在10 m 以下的颗粒物,又称为可吸入颗粒物。PM2.5,指空气动力学当量直径在2.5 m 以下的颗粒物,又称为细颗粒物(fine particle)PM2.5-10,指空气动力学当量直径在(2.5~10) m 的颗粒物,又称为粗颗粒物(coarseparticle)。直径越小对人体影响越大,PM2.5 可直接吸入肺泡。长期暴露在PM2.5 浓度高的环境中引发包括哮喘、支气管炎和心血管病等方面的疾病。在美国[2-3],每年由于颗粒物污染造成的死亡人数约为22,000~52,000 人(2000 年数据),在欧洲[4]这一数字则高达20 万。
      北京、上海和广州等城市PM2.5 浓度监测点主要分布在人口比较密集的医院、学校、商场和车站等位置。目前我国还没有针对地铁系统PM2.5 浓度的监测,本文拟对北京、上海和广州部分地铁线路地铁系统PM2.5 浓度进行测试分析,详细探讨地铁
系统PM2.5 浓度分布规律和特殊气候条件对PM2.5浓度的影响。这为今后地铁系统环境质量的改善和PM2.5 浓度的监测大有裨益。


1 测试对象
      北京、上海和广州地铁发展速度快,也是我国主要的经济发展体。本文选取北京、上海和广州10条地铁线路作为测试对象,包括北京地铁2 号线和4 号线,上海地铁1 号线、2 号线、4 号线和11 号线,广州地铁2 号线、3 号线、5 号线和11 号线。


2 测试仪器及原理
      测试仪器是美国TSI 公司生产的手持式粉尘测量仪,型号为TSI8534(见图1)。该仪器采用β射线吸收法,可以给出瞬时的可吸入颗粒的浓度,包括PM1、PM2.5 和PM10。
      β 射线吸收法:将PM2.5 收集到滤纸上,然后照射一束β 射线,射线穿过滤纸和颗粒物时由于被散射而衰减,衰减的程度与PM2.5 的重量成正比。根据射线的衰减就可以计算出PM2.5 的重量。由于这种方法可实现自动、连续监测,因此多应用于大气环境监测业务应用中[5-7]。

图1 TSI8534 手持式粉尘测量仪


3 测试方案

3.1 站外、大厅、站台和车内PM2.5 对比实验
1)监测地体站外、大厅、站台和车内的PM2.5浓度。
2)采样口的垂直高度是1.6 m,在每个监测区域监测1 min。


3.2 高峰和平峰车内PM2.5 对比实验
1 ) 平峰时段为13:00~16:00 , 高峰时段为17:30~19:00。


3.3 特殊天气车内PM2.5 对比实验
1)2012 年6 月12 日上海天气晴朗,无台风。2012 年7 月30 日上海天晴,受台风影响。
2)2012 年7 月13 日对上海地铁4 号线PM2.5进行了测试。8:30~10:00 测试了无降雨条件下上海地铁4 号线PM2.5 浓度。16:00~17:10 测试了降雨条件下上海地铁4 号线PM2.5 浓度。


4 测试结果及分析

4.1 地铁站外、大厅、站台和车内空气PM2.5 浓度比较

      本文对3 个城市10 条地铁线路站外、大厅、站台和车内空气中PM2.5 浓度进行测试,测试数据如图2。表格中的数据代表了该条地铁线路每个站在该区域测试数据的平均值。对这个表格数据站外、大厅、站台和车内的数据取平均值,站外PM2.5平均值为0.19381 mg/m³,大厅PM2.5 平均值为0.18063 mg/m³,站台PM2.5 平均值为0.16998 mg/m³,车内PM2.5 平均值为.12644 mg/m³。从这组数据整体呈现出来的大致趋势如下: PM2.5( 站外)>PM2.5(大厅)>PM2.5(站台)>PM2.5(车内)。
      对站外、大厅、站台和车内PM2.5 数据进行相关性分析,相关系数如表1。表中相关系数是通过Excel 中的数据分析模块得到。相关系数的取值范围为1 至1,越趋近1 表明数据线性相关越强。从表中的数据可以看出,任意两组数据的相关系数都大于0.9,说明站外、大厅、站台和车内PM2.5 相互之间的关联性极强。

图2 站外大厅站台车内PM2.5 浓度比较


    表1 站外大厅站台车内PM2.5 浓度相关系数

                                                                              
              站外           大厅           站台        车内
站外         1               ---              ---            ---
大厅    0.98262          1               ---            ---
站台    0.98735    0.998288         1             ---
车内    0.95674    0.939326    0.948171      1

                                                                             
      在一些特殊天气状况下,例如大降雨、台风等,站外PM2.5 浓度会变得极低,如表2 所示。而此时站外、大厅、站台和车内PM2.5 浓度呈现出来的规律也发生了变化,此时PM2.5(站外)<PM2.5(大厅)<PM2.5(站台)<PM2.5(车内)。

           表2 站外PM2.5 极低的情况下地铁系统

            空气PM2.5 浓度比较(单位:mg/m3)

                                                                                     

                   上海地铁2 号线            上海地铁11 号线
站外                 0.0300                           0.0175
大厅                 0.0715                           0.0500
站台                 0.0630                           0.0530
车内                 0.0646                           0.0210

                                                                                    
      对地铁系统站外和车内PM2.5 数据进行回归分析,如图3 线性回归方程y = 0.473x + 0.034,相关系数R = 0.915。R²越接近1,回归方程线性相关显著性越好。本文对回归方程方差分析,如表3 所示,其中SS 值为0.064808,误差平方和较小。MS值为0.064808,接近1。Significance F 对应的是在显著水平下Fα 临界值, 则模型为真的概率P ≈ 99.99%。因此,本模型回归方程能真实显示地铁站外和车内PM2.5 的关系。


图3 站外和车内PM2.5 线性回归


                                  表3 回归方程方差分析表

                                                                                                           

          df              SS               MS              F             Significance F

                                                                                                           
回归
分析   1         0.064808     0.064808    86.5083    1.45412×105
残差   8         0.005993     0.000749         -                    -
总计   9         0.070801           -               -                    -
                                                                                                           

4.2 台风和无台风天气下地铁车内PM2.5 浓度比较
      2012 年6 月12 日和7 月30 日先后对上海地铁11 号线车内PM2.5 进行了测试。测试结果对比如图4 所示,相比无台风气候,台风天气下车内PM2.5浓度降低。6 月12 日上海天气晴朗,无台风。7 月30 日上海天晴,受台风影响。数据对比如图2 所示。
      在台风天气下,会导致很多水汽聚集,造成强降雨,台风风速很大,最大风速达到32.6 m/s。强降雨对空气有一种洗涤作用,空气的颗粒物质会进入水滴,最后到达地面,此外强风速也会把当地区域的颗粒物质带到其他区域,造成此区域PM2.5 浓度降低。因此在有台风的气候下的PM2.5 浓度低于无台风气候。

图4 上海地铁11 号线在有台风和无台风影响的地铁车内PM2.5 对比



4.3 降雨和无降雨天气下车内PM2.5 比较
      2012 年7 月13 日对上海地铁4 号线PM2.5 进行了测试。8:30~10:00 测试了无降雨条件下上海地铁4 号线PM2.5 浓度,16:00~17:10 测试了降雨条件下上海地铁4 号线PM2.5 浓度。测试结果对比如图5所示,有降雨时刻车内PM2.5 浓度低于无降雨时刻车内PM2.5 浓度。如前所述,在降雨的气候条件下,水滴对空气中的颗粒物有洗涤作用,因此相比无降雨气候,降雨天车内PM2.5 浓度比较低。而实测数据正好说明了这一规律,具体变化趋势如图4 所示。

图5 上海地铁4 号线(7 月13 日)在降雨和无降雨条件下PM2.5 对比


4.4 客流量对地铁车内PM2.5 的影响
      本文测试了上海地铁2 号线在平峰时段和高峰时段各个站车内PM2.5 值。平峰时段为13:00~16:00点,高峰时段为17:30~19:00。具体数据如图5 所示。从图6 可以看出,平峰和高峰时刻,这两组数据并没有呈现出明显的变化规律。本文对平峰和高峰情形下车内PM2.5 浓度进行了相关性分析,相关系数R=0.02342。因此两组数据相关性极低。说明载客量对地铁车内PM2.5 并没有显著的影响。


图6 上海地铁2 号线平峰和高峰时段PM2.5 浓度对比


5 结论
      (1)总体趋势来看地铁系统PM2.5 浓度分布呈现出来的规律如下:PM2.5(站外)>PM2.5(大厅)>PM2.5(站台)>PM2.5(车内),但是通过测试本文发现,当站外PM2.5 浓度极低时,地铁系统PM2.5 浓度呈现的规律正好相反。

      (2)本文通过对站外和车内的PM2.5 浓度进行回归分析,发现地铁车内PM2.5 和站外PM2.5 浓度有显著的线性关系,可以用线性方程表示其规律。

      (3)通过测试表明,在同一检测地点PM2.5(降雨)<PM2.5(无降雨),PM2.5(台风)<PM2.5(无台风)。

      (4)本文测试了平峰和高峰时刻同一条线地铁车内PM2.5 浓度,对两种客流量情况下PM2.5数据进行相关性分析,发现这两组数据并没有明显相关性,可以说明载客量对地铁车内PM2.5 浓度没有影响。

参考文献
[1] WALLACE L. Indoor particles, a review[J]. Journal ofthe Air & Waste Management Association, 1996,46(2):
98-126.
[2] 周蕊, 邵帅, 王彦清. PM2.5 的毒性及机制的进展[J].科技传播, 2012(6):85-85.
[3] 张文丽, 徐东群, 崔九思. 空气细颗粒物(PM(2.5))污染特征及其毒性机制的研究进展[J]. 中国环境监测,
2002, 18(1): 59-63.

[4] KAM W, CHEUNG K, DAHER N, et al. Particulatematter (PM) concentrations in underground and
ground-level rail systems of the Los Angeles metro[J].Atmospheric Environment, 2011, 45(8): 1506-1516.
[5] VOYTEK M A , WARD B B. Detection ofammonium-oxidizing bacteria of beta-subclass of the class proteobacteria in aquatic samples with the PCR[J]. Applied and Environmental Microbiology, 1995, 61(4):
1444-1450.
[6] NASREEN B, JAMES T H. Diversity and distribution of DNA sequences with affinity to ammonia-oxidizing
bacteria of the β-subdivision of the class Proteobacteria in the Arctic Ocean[J]. Applied and Environmental
Microbiology, 2000, 66(7): 1960-1969.
[7] GEORGE A K, NAOUMENKO Z S, PIET J L, et al.Molecular analysis of ammonia-oxidizing bacteria of the
β-subdivision of the class Proteobacteria in compost and composted materials[J]. Applied and Environmental
Microbiology, 1999, 65(1): 396-403.

返 回
上一篇:中国26省份遭洪灾 死亡失踪231人损失约506亿
下一篇:汽车高温下暴晒了一上午 车内甲醛含量升高近一倍
  • 微信公众号
  • 京东店铺

咨询电话:020-86457063

移动客服:13642650776(曹先生)/13434106266(周小姐)

邮箱:info@weini.cn
地址:广州市白云区人和镇西成工业区兴业路2
版权所有 2015 广州威尼科技发展有限公司 ICP15024160-1