Processing math: 100%

YANG Yi, JI Yaqin, GAO Yuzong, ZHANG Yafei, LIN Zi, LIN Yu, CUI Huasheng. Monitoring and distribution characteristics of dust load on roads in Beijing during summer based on two sampling methods[J]. Chinese Journal of Environmental Engineering, 2022, 16(9): 3050-3057. doi: 10.12030/j.cjee.202205040
Citation: YANG Yi, JI Yaqin, GAO Yuzong, ZHANG Yafei, LIN Zi, LIN Yu, CUI Huasheng. Monitoring and distribution characteristics of dust load on roads in Beijing during summer based on two sampling methods[J]. Chinese Journal of Environmental Engineering, 2022, 16(9): 3050-3057. doi: 10.12030/j.cjee.202205040

Monitoring and distribution characteristics of dust load on roads in Beijing during summer based on two sampling methods

  • Corresponding author: JI Yaqin, jiyaqin@nankai.edu.cn
  • Received Date: 09/05/2022
    Available Online: 30/09/2022
  • In order to explore the effect of different sampling methods on the results of road dust load(RDL), the data of the samples in the summer of 2018 were collected by the quadrat method and quantitative net car sampling method. On-site monitoring was carried out on 11 road dust samples in 3 administrative districts of Beijing. The RDLs of different road types and lanes were calculated, and then their variations were analyzed. The results showed that the descending order of RDLs in different road types of Beijing during summer was main lines (0.46 g·m−2, 0.99 g·m−2) > branch roads (0.31 g·m−2, 0.88 g·m−2)> main road (0.24 g·m−2, 0.78 g·m−2) based on the quadrat method and quantitative net car sampling method. A significant difference in RDLs between two sampling methods occurred (P=0.00<0.05), and a linear relationship also appeared. The summer RDLs in Beijing (0.34 g·m−2) was slightly higher than that in Tianjin (0.24 g·m−2), but lower than that in Shijiazhuang (1.06 g·m−2), Urumqi (0.96 g·m−2) and Xi'an (0.70 g·m−2); the collected RDL level in different urban areas based on the quadrat method and quantitative net car sampling method was ranked as Daxing District (0.39 g·m−2, 1.83 g·m−2) > Chaoyang District (0.38 g·m−2, 1.00 g·m−2) > Dongcheng District (0.26 g·m−2, 0.92 g·m−2), and insignificant difference in RDLs among Chaoyang District, Dongcheng District and Daxing District occurred(P>0.05). Based on the quadrat method, the RDLs in slow lane and fast lane for motor vehicles were 0.04~1.30 g·m−2 and 0.02~1.08 g·m−2, respectively. The overall RDL level in slow lanes was slightly higher than that in the fast lanes, but their difference was not significant(P=0.51>0.05). The results of this study provide a reference for the selection of road dust sampling methods, the construction of the Beijing road dust emission inventory, and the formulation of control measures.
  • 随着我国城市化进程的加快和人民生活水平的提高,轨道交通迎来了跨越式的发展,选择乘坐地铁的人数也随之增加,地铁目前已成为人们日常出行最常用的交通工具之一[1]。然而,随着地铁越来越普及,地铁站及地铁车厢中空气质量问题逐渐凸显出来,人们越来越注重地铁车厢环境的健康效应。

    在地铁站及车厢中,常见的空气污染物主要有颗粒物(particulate matter,PM)、挥发性有机化合物(volatile organic compounds, VOCs)和细菌等[2]。其中VOCs是车厢内具有代表性的污染性气体,其来源广泛,成分复杂。大多数VOCs有令人不适的气味且会危害健康,对人体健康影响较大[3]。世界卫生组织(WHO)对VOCs的定义是指在熔点低于室温而沸点在50~260 ℃之间的挥发性有机化合物的总称[4],包括烷烃类、烯烃类、芳烃类、醛类、醇类、酯类、酮类等[5]。根据WHO报道,VOCs中具有使人致癌的物质,例如三氯乙烯、苯、甲苯、二甲苯等[6],这些物质会使人患呼吸道疾病[7]、神经系统障碍和诱发白血病[8],甚至会致人死亡。

    地铁站作为一种特殊的建筑,结构紧凑,通风性能差,污染物容易积聚[9]。许多研究[10-12]表明,地铁内的VOCs质量浓度有超标的现象。JI等[13]研究发现,南京地铁站内TVOCs的质量浓度为1 027.6~1 801.8 μg·m−3,超过国家标准限值。ZHANG等[14]测定了上海5个地铁站站台层的苯、甲苯、乙苯和二甲苯质量浓度值分别为(10.3±2.1)、(38.7±9.0)、(19.4±10.1)和(30.0±11.1) μg·m−3。PARK等[15]发现,韩国首尔地铁站甲醛污染水平为(15.4±7.2) μg·m−3,TVOCs污染水平为(169.5±55.6) μg·m−3。地铁内污染物质量浓度较高,会对人群健康造成影响[16-18]。NYSTRÖM等[19]通过对20名工作在地铁站的志愿者健康监测发现,地铁站内的VOCs污染会对人体呼吸道产生潜在影响。地铁车厢相对于地铁站而言环境更为密闭,车厢内部主要通过通风系统来对空气品质量进行调节[20]。FENG等[21]发现上海3条线路的地铁车厢VOCs污染水平为23.8~90.9 μg·m−3。CHEN等[22]对中国台湾北部地铁车厢TVOCs进行测定,冬季体积分数为6.4×10−8,夏季体积分数为7.38×10−7。GONG等[23]研究发现,列车内VOCs体积分数对人体的暴露水平为8.5×10−6~4.8×10−5,会对人群造成轻度致癌风险。

    地铁站及车厢内VOCs来源一般分为内部来源和外界来源。内部来源通常有站内及车厢内的部分设施[24]和人员散发[25]。设施通过黏合剂材料和装饰材料挥发产生VOCs [26]。李人哲等[27]对轨道客车司机室内的VOCs进行溯源发现,内饰板散发的苯甲醛质量浓度为27.49 μg·m−3,对车内VOCs的来源贡献最大。已有研究[28]表明,人员散发对室内的VOCs质量浓度的贡献率约为40%。高峰期时随着人员的增多,VOCs的质量浓度也会增加[29]。GONG等[23]发现,车厢乘客数量从40人增加到200人,丙酮和丙烯醛的质量浓度从7.71 μg·m−3增至26.28 μg·m−3。外部来源主要由人员流动[30]和通风系统换气引起[31]。人员行走时,VOCs随空气流动扩散,造成其他地方污染增加。通风管理不当使外界高质量浓度VOCs进入地铁站或车厢内,也会导致VOCs污染水平升高[32]。由此可见,地铁车厢内VOCs质量浓度受许多因素综合影响[33],故对地铁站及车厢内VOCs进行系统研究至关重要。但目前对VOCs种类、来源及影响因素并未进行全方面的报道较少。

    本研究针对成都地铁部分线路和站点,通过采样泵和Tenax-TA采样管进行现场采样,用GC-MS分析地铁站台及车厢中VOCs的主要种类,探究人员密集程度与车厢内VOCs质量浓度的关系,分析通风系统对车厢内VOCs质量浓度的影响,探索地铁站内站厅层和站台层VOCs的空间分布变化并确定地铁站及车厢内VOCs的种类和影响因素,旨在为相关部门制定地铁系统VOCs污染防治相关政策提供数据支撑,从而有效控制地铁站以及车厢内VOCs质量浓度、降低乘客健康风险。

    为探究地铁站及车厢内的VOCs的具体种类及质量浓度,本研究按照成都地铁开通的时间顺序选取具有代表性的5条线路(开通日期依次为2010-09-27(1号线)、2016-01-01(4号线)、2017-12-06(7号线)、2020-09-27(18号线)和2020-12-18(6号线))进行采样(表1)。地铁车厢采样时刻包含高峰期(17:00—19:00)和非高峰期时段(14:00—16:00),地铁车厢通风口采样时间均在非高峰期时段进行,且同步采样地铁车厢内空气。地铁车站的采样在非高峰期时段的站厅层以及站台层进行。所采样的站点均在7号线上,包含换乘站太平园站(3、7、10号线换乘)和西南交大站(6、7号线换乘)以及非换乘站八里庄站、槐树店站和九里堤站(表2)。 成都地铁线路图及开通日期见图1,地铁站示意图及站内采样点如图2所示。

    表 1  采样线路、采样时刻及路段范围
    Table 1.  Sampling lines, sampling moments and section ranges
    采样线路非高峰期
    采样时刻
    高峰期
    采样时刻
    采样路段
    1号线14:00—16:0017:00—19:00高新站—麓湖站
    4号线14:00—16:0017:00—19:00玉双路站—非遗公园站
    6号线14:00—16:0017:00—19:00西南交大站—金石路站
    7号线14:00—16:0017:00—19:00花照壁站—琉璃场站
    18号线14:00—16:0017:00—19:00孵化园站—三岔站
     | Show Table
    DownLoad: CSV
    表 2  7号线地铁站采样情况
    Table 2.  Sampling information of line 7 metro stations
    采样站点非高峰期采样时刻是否为换乘站
    九里堤站14:00—16:00
    西南交大站14:00—16:00是(与6号线换乘)
    槐树店站14:00—16:00
    八里庄站14:00—16:00
    太平园站14:00—16:00是(与3、10号线换乘)
     | Show Table
    DownLoad: CSV
    图 1  成都地铁线路图及开通日期
    Figure 1.  Chengdu metro lines map and opening date
    图 2  地铁站采样点示意图
    Figure 2.  Schematic of the sampling points

    现场采集地铁站台以及车厢内的VOCs样品,所用采样装置包括采样导管、填充柱采样管(TENAX-TA 采样管,MARKS 英国)、恒流气体采样器(QC-2B 型,北京劳动保护研究所)以及CO2监测仪(HOBO MX1102A,美国)。采样导管由低吸附的聚四氟乙烯制成,出气口与填充柱采样管及恒流气体采样器相连。

    2021年9—11月,对成都地铁站进行50余次采样。采集样品前,先开启采样泵运行约30 s,流量设为0.3 L·min−1,确保采样导管中的非舱内气体排出,气体排出完毕,开始正式采样。使用 TENAX-TA 采样管采集空气中的 VOCs 组分,采样流速为0.3 L·min−1,采样时间为30 min,采样量为9 L。采样位置参照《室内空气质量标准》(GB/T 18883-2002)[34]中的相关要求。在车厢内采样时,采样点固定在车厢中部呼吸区区域(离地面约1 ~1.5 m高度处);在车厢内通风口采样时,将采样点设置在通风口处;在站厅层采样时,采样点位于检票口处,高度约1~1.5 m处;在站台层采样时,采样点位于站台两侧的屏蔽门中间处,高度约1 m。仪器及现场采样位置见图3。每次测试使用2根未采样的TENAX-TA采样管作为空白样,以减少采样管本身的影响和分析过程中造成的样品污染。

    图 3  地铁站及车厢内实际采样位置
    Figure 3.  Actual sampling locations in metro stations and carriages

    采用热脱附仪将TENAX-TA采样管吸附的VOCs脱离出来,再用GC-MS对物质进行分离和识别。热脱附分为2个阶段。在第1阶段,初始温度为40 ℃,保持3 min,此后,在8 min内,将温度升至160 ℃后保持2 min。在第2阶段,继续升温至240 ℃,并保持4 min。热脱附过程使用的载气为氮气,流量为55 mL·min−1。色谱仪被用来分离不同种类的物质,质谱仪以2.5 Hz的频率扫描整个范围,将所得光谱与原子发射光谱对比,来确认所测化合物的种类。

    采用外部标线法对VOCs进行定量分析,向管中注入VOCs混合标准溶液,来制作标准曲线,对于苯、乙苯、甲苯、对/间二甲苯、乙酸乙酯、苯乙烯、邻二甲苯和十一烷8种物质使用标准溶液进行定量,其他VOCs使用甲苯标线进行定量。

    为确保本实验结果的可重复性,随机选取2条线路进行平行样采样,平行样的采样结果表明平均相对标准偏差(RSD)小于14%,证实本实验具有较好的重复性。

    为保证数据的有效性,需要对检测出的原始数据进行处理。从数据中删去出峰时间小于7 min的物质,选出匹配度大于75%的物质进行定量分析。计算方法见式(1)。

    stringUtils.convertMath(!{formula.content}) (1)

    式中:R(x)为检出率;F(x)时有机物被检出次数;N为检测总次数。

    本研究所测到的VOCs种类约为135种。根据式(1)计算出各个物质的检出率并由此确定VOCs种类(大约为54种)。根据化学官能团分类方法,检出地铁站台及车厢空气中存在烷烯烃类、苯系物、醛酮醇酯类和包含乙酸、癸酸等有机酸类物质的其他种类(图4)。其中检出种类最多的是烷烯烃类物质,占总VOCs种类的42.59%,其次是具有毒性的苯系物,占比为27.78%,剩余2类物质占比分别为20.37%和9.26%。图5展示出检出率为80%以上的物质,平均有20种。苯系物的检出率极高,其中检出率高达100%的苯乙烯、对二甲苯,均为对人体容易产生危害的苯系物。环己酮[35]、乙酸乙酯[36]是具有特殊气味的物质,容易对乘客乘车舒适性产生影响。图6反映了7号线的车厢内部、7号线九里堤站站台层和站厅层VOCs种类的对比情况。可以明显看出,车厢内部的烷烯烃、苯系物、醛酮醇脂类物质均高于站台层和站厅层。这可能是由于乘客在车厢内停留时间要高于在车站停留时间且车厢内设施与站台地铁站不同导致的。

    图 4  VOCs中各类物质占比
    Figure 4.  Percentage of components in VOCs
    图 5  地铁站及车厢内高检出率VOCs物质种类
    Figure 5.  VOCs with high detection rate in metro stations and carriages
    图 6  地铁站及车厢内VOCs种类对比
    Figure 6.  Comparison of VOCs types in metro stations and carriages

    图7为车厢以及站台所得样品中检出率较高的20种物质的质量浓度分布图。由质量浓度检测结果可以看出,大部分物质质量浓度的分布范围比较集中。车厢内环戊硅氧烷的质量浓度最高,为11.104 μg·m−3;其次为甲苯,质量浓度为9.518 μg·m−3;最小的为二氯甲烷,质量浓度为0.011 μg·m−3。站台内质量浓度最高的为甲苯,质量浓度为5.064 μg·m−3;其次为2-乙基己醇,质量浓度为2.537 μg·m−3;最小的为二氯甲烷,质量浓度为0.085 μg·m−3。环戊硅氧烷一般来源于化妆品和护肤品中[37]。甲苯来源较为复杂,除了来源于油漆、黏合剂,还有一部分来源于乘客[25],故质量浓度分布较大。由于二氯甲烷来源较为单一,只存在于油漆、涂料之中[33,38],故质量浓度最少。除此之外,不同物质之间的平均质量浓度相差较大,苯系物平均质量浓度均较其他种类高。来源和散发强度不同都会导致平均质量浓度存在较大差异。CHAN等[39]得到广州地铁车厢内VOCs质量浓度为60.5 μg·m−3,其污染程度高于成都地铁。DO等[40]对比利时地铁车厢的研究发现,VOCs质量浓度为33 μg·m−3,这与本研究结果基本一致。李丽[41]得出上海地铁站台内VOCs质量浓度为(188±3.0) μg·m−3, HWANG等[42]分析了韩国地铁站台VOCs,测得VOCs质量浓度为(119.7±79.5) μg·m−3,高于本研究辨析出的成都地铁中VOCs各种污染物质量浓度之和。这可能是因为上海和韩国乘坐地铁人流量高导致的。通过将实测数据与国内外关于室内或乘用车VOCs质量浓度限制的相关标准进行对比(表3),可以得出成都地铁VOCs质量浓度低于相关标准,说明成都地铁VOCs污染程度较轻。这可能是由于地铁系统采用机械通风,通风量通常比住宅及乘用车大得多,对污染物的稀释倍数较高所致。

    图 7  车厢和站台VOCs质量浓度
    Figure 7.  VOCs mass concentrations in carriages and on platforms
    表 3  成都地铁系统VOCs浓度与国内外相关规范中质量浓度限制比较
    Table 3.  Comparison of VOCs mass concentrations in the metro system and limits in relevant standards
    种类车厢质量浓度/
    (μg·m−3)
    站台质量浓度/
    (μg·m−3)
    GB/T 18883-2002[34]
    质量浓度限制/(μg·m−3)
    GB/T 27630-2011[43]
    质量浓度限制/(μg·m−3)
    WHO质量浓度限制/
    (μg·m−3)
    1.13~2.350.78~1.55110110
    甲苯2.34~5.073.82~9.522001 100
    二甲苯0.62~5.160.29~9.282001 5004 800
    乙苯0.55~2.130.73~2.751 500
    苯乙烯0.55~1.560.59~1.42260260
      注:GB/T 18883-2002为室内空气质量标准;其余2类分别为中国和WHO的乘用车空气质量标准。
     | Show Table
    DownLoad: CSV

    1)地铁车厢内不同时段对VOCs质量浓度的影响。不同路线车厢内部VOCs在不同时段的质量浓度对比结果如图8所示。由于6号线高峰期采样前采样管密封不严密,造成样品污染,故剔除了这一数据。除此之外,高峰期的VOCs质量浓度均略高于非高峰期。各种类VOCs对比结果如图9所示。高峰期的醛酮醇酯类物质质量浓度较高,原因在于乙酸正丁酯、壬醛等物质质量浓度较高。根据已有研究,乙酸正丁酯一般用于涂料之中[44],壬醛多为人体散发成分之一[25],丙酮也可以通过人体新陈代谢过程中排出[45]。在高峰期,车厢内人员密集,温度有升高的趋势[46],即源数量增多且由于升温导致散发加强,故会造成高峰期时段VOCs质量浓度高。刘冰玉[29]的研究表明了车厢内VOCs质量浓度在人员拥挤情况下会存在超标现象。LI等[47]研究发现,苯和二甲苯在高峰期时质量浓度分别为(12.2±5.0) μg·m−3和(3.5±2.0) μg·m−3,非高峰期分别为(11.9±6.0) μg·m−3和(2.8±1.3) μg·m−3,同样说明了高峰期质量浓度要大于非高峰期。

    图 8  不同线路在不同时段VOCs质量浓度对比
    Figure 8.  Comparison of VOCs mass concentrations in different lines during different periods
    图 9  不同时段各种类VOCs质量浓度对比
    Figure 9.  Comparison of VOCs mass concentrations during different periods

    2)车厢内部通风系统对VOCs质量浓度的影响。地铁车厢内的通风系统对车厢内VOCs的消除具有积极作用。除18号线之外,其余线路车厢内的通风系统送入车厢内部的VOCs质量浓度均低于同一时刻车厢内部(图10)。地铁通风系统对于VOCs的去除率可以达到18号线的相反结果。这可能是因为这条线路开通时间较晚,部分车厢内部座椅设施为软座,材料为人造革、蒙面纺织物,并没有使用与其他线路相同的塑料座椅,使得车厢内部的VOCs源减少。除此之外,18号线自天府机场站—三岔站行驶路线由地下变为地上,自三岔站—兴隆站由地上变为地下,地铁在经过地上路段停靠站台时开关屏蔽门,使得车厢内污染物质量浓度不仅受隧道内空气的影响外,还受到大气污染的影响。FENG等[21]研究表明地面的车厢VOCs质量浓度高于地下轨道车厢内的质量浓度。GONG等[48]研究也表明地下路段所测得的VOCs质量浓度要低于地上路段30%~40%。因此,18号线通风系统中VOCs质量浓度受到大气影响较大,在采样时段的通风口处污染物质量浓度略大于车厢内部。

    图 10  通风口与车厢内VOCs质量浓度对比
    Figure 10.  Comparison of VOCs mass concentrations in vents and compartments

    3)站厅层和站台层的VOCs质量浓度的对比。由图11可以看出,乘客刷卡的站厅层的VOCs质量浓度要高于站台层。由于站厅层设施较站台层更多,且站厅层与大气相连通,易受到大气中VOCs质量浓度影响[49]。同时站厅层除了刷卡进站的乘客,还有相当大一部分是换乘的乘客,人员流动性比站台层更大一些,使得人员散发VOCs质量浓度增加,造成站厅层的VOCs质量浓度要高于站台层。太平园站VOCs质量浓度较高,这可能是由于太平园站为3、7、10号线3条线路换乘站,其站厅层相对其他站点的人员流动程度更大所导致的。而李丽[41]的研究与本研究结果相反,站台质量浓度(188±3.0) μg·m−3要高于站厅质量浓度(155±2.0) μg·m−3。这可能是由于上海站台层一般处于地下2~3层,人流量密度大,新风量有限,不足以稀释VOCs质量浓度,因而会造成站台质量浓度高于站厅质量浓度。

    图 11  站厅层与站台层质量浓度对比
    Figure 11.  Comparison of mass concentration at station hall layers and platform layers

    4)不同地铁线路车厢内VOCs种类的对比。1号线和18号线开通时间相隔10 a,且1号线与18号线有重合线路(火车南站到兴隆站)。1号线与18号线共同线路的非高峰时期地铁车厢内部VOCs种类对比结果如图12所示。可以看出,18号线的烷烯烃类物质和苯系物的质量浓度高于1号线。醛酮醇脂类物质和其他物质的质量浓度表现为1号线高于18号线。这2条线路车厢内苯系物浓度最高,车厢内的苯系物主要有苯、甲苯、二甲苯、苯乙烯等。如图13所示,18号线车厢内的甲苯质量浓度为1号线车厢的2.49倍。甲苯的来源一般为黏合剂、油漆、香水[50]及人体散发等。1号线开通日期为2010年9月27日,开通至今已有12年,车厢内部散发甲苯质量浓度比18号线低。因此,尽管18号线车厢内散发VOCs的内部装饰较1号线少一些,其甲苯质量浓度仍然高于1号线。

    图 12  1号线和18号线VOCs成分对比
    Figure 12.  Comparison of VOCs composition between line 1 and line 18
    图 13  1号线和18号线VOCs中苯系物成分对比
    Figure 13.  Comparison of Benzene composition in VOCs on line 1 and line 18

    成都地铁承载人流密度高,为降低地铁站及车厢内空气中的VOCs质量浓度,避免危害人体健康。在以上研究的基础上,提出如下建议。

    1)动态调节通风系统。在高峰期时段增大车厢内部通风量或增加新风量的占比;在非高峰时段,人员稀少,应减少通风降低能耗。

    2)降低车厢VOCs散发。针对2020年和2021年新开通的地铁线路,车厢内饰散发高质量浓度的VOCs,可采取布置吸附材料等措施来降低VOCs的质量浓度。

    3)增加空气净化系统。地铁站与室外大气环境进行空气交换,会将室外高质量浓度VOCs引入站内。通过室外VOCs监测,当质量浓度高于站内时,可开启净化系统,净化换入站内的空气以降低VOCs污染。

    本研究对成都地铁车站及车厢VOCs进行了实测并得出一些结果,但仍存在一些局限性。首先,成都地铁共有12条线路,本研究只选择其中的5条具有代表性的线路进行实测,未来将会对其他线路进行深入研究。其次,本研究聚焦于地铁系统VOCs种类、质量浓度及影响因素,未对人员自身和设施散发的VOCs质量浓度进行测定,故本研究未准确判断这些因素的贡献。最后,室外大气环境对地铁系统VOCs有一定影响,但本研究未进行室内外同步采样。

    1)地铁系统内VOCs以烷烯烃类(占比为42.6%)为主,其次为苯系物(占比为27.8%)、醛酮醇酯类(占比为20.4%)和其他种类(占比为9.3%)。

    2)人员密集程度会影响VOCs质量浓度的变化,整体表现为高峰时段车厢内的VOCs质量浓度(46.47±3.2) μg·m−3高于非高峰期时段VOCs的质量浓度(41.35±3.82) μg·m−3

    3)车厢内通风口的VOCs的质量浓度(39.07±6.64) μg·m−3较车厢内的质量浓度(42.22±3.36) μg·m−3略低,故机械通风可降低VOCs质量浓度。

    4)地铁车站与大气环境相连通,且站厅层位置位于候车层上部,因此,站厅层VOCs质量浓度(44.99±13.84) μg·m−3高于站台层质量浓度(35.05±11.28) μg·m−3

  • [1] CHEN R, HU B, LIU Y, et al. Beyond PM2.5: The role of ultrafine particles on adverse health effects of air pollution[J]. Biochimica Et Biophysica Acta-General Subjects, 2016, 1860(12): 2844-2855. doi: 10.1016/j.bbagen.2016.03.019

    CrossRef Google Scholar Pub Med

    [2] SRIDHARAN S, KUMAR M, SINGH L, et al. Microplastics as an emerging source of particulate air pollution: A critical review[J]. Journal of Hazardous Materials, 2021, 418: 126245. doi: 10.1016/j.jhazmat.2021.126245

    CrossRef Google Scholar Pub Med

    [3] GIODA A, BERINGUI K, JUSTO E P S, et al. A review on atmospheric analysis focusing on public health, environmental legislation and chemical characterization[J/OL]. (2021-06-22)[2022-05-01]. https://www.tandfonline.com/doi/full/10.1080/10408347.2021.1919985?scroll=top&needAccess=true, 2021.

    Google Scholar Pub Med

    [4] TSIOURI V, KAKOSIMOS K E, KUMAR P. Concentrations, sources and exposure risks associated with particulate matter in the Middle East Area: A review[J]. Air Quality Atmosphere and Health, 2015, 8(1): 67-80. doi: 10.1007/s11869-014-0277-4

    CrossRef Google Scholar Pub Med

    [5] JIA J, BI C, GUO X, et al. Characteristics, identification, and potential risk of polycyclic aromatic hydrocarbons in road dusts and agricultural soils from industrial sites in Shanghai, China[J]. Environmental Science and Pollution Research, 2017, 24(1): 605-615. doi: 10.1007/s11356-016-7818-3

    CrossRef Google Scholar Pub Med

    [6] SOWLAT M H, HASHEMINASSAB S, SIOUTAS C. Source apportionment of ambient particle number concentrations in central Los Angeles using positive matrix factorization (PMF)[J]. Atmospheric Chemistry and Physics, 2016, 16(8): 4849-4866. doi: 10.5194/acp-16-4849-2016

    CrossRef Google Scholar Pub Med

    [7] ZHOU L, LIU G J, SHEN M C, et al. Characteristics of indoor dust in an industrial city: Comparison with outdoor dust and atmospheric particulates[J]. Chemosphere, 2021, 272: 129952. doi: 10.1016/j.chemosphere.2021.129952

    CrossRef Google Scholar Pub Med

    [8] BASAGANA X, ESNAOLA M, RIVAS I, et al. Neurodevelopmental deceleration by urban fine particles from different emission sources: A longitudinal observational study[J]. Environmental Health Perspectives, 2016, 124(10): 1630-1636. doi: 10.1289/EHP209

    CrossRef Google Scholar Pub Med

    [9] TIAN S L, PAN Y P, WANG Y S. Size-resolved source apportionment of particulate matter in urban Beijing during haze and non-haze episodes[J]. Atmospheric Chemistry and Physics, 2016, 16(1): 1-19. doi: 10.5194/acp-16-1-2016

    CrossRef Google Scholar Pub Med

    [10] CHEN F, ZHANG X H, YU H X, et al. Characteristics, causes and potential source regions of PM2.5 pollution in winter in Shijiazhuang, China[J]. Journal of Ecology and Rural Environment, 2017, 33(11): 975-982.

    Google Scholar Pub Med

    [11] LU H Y, LIN S L, MWANGI J K, et al. Characteristics and source apportionment of atmospheric PM2.5 at a coastal city in Southern Taiwan[J]. Aerosol and Air Quality Research, 2016, 16(4): 1022-1034. doi: 10.4209/aaqr.2016.01.0008

    CrossRef Google Scholar Pub Med

    [12] HAN L, SUN Z B, HE J, et al. Seasonal variation in health impacts associated with visibility in Beijing, China[J]. Science of the Total Environment, 2020, 730: 139149. doi: 10.1016/j.scitotenv.2020.139149

    CrossRef Google Scholar Pub Med

    [13] JOO Y S, KIM J, LEE J, et al. Understanding the link between exposure to fine particulate matter and internalizing problem behaviors among children in South Korea: Indirect effects through maternal depression and child abuse[J]. Health & Place, 2021, 68: 102531.

    Google Scholar Pub Med

    [14] SHIVANI, GADI R. Oxidative potential of ambient fine particulate matter for ranking of emission sources: An insight for emissions reductions[J]. Air Quality Atmosphere and Health, 2021, 14(8): 1149-1153. doi: 10.1007/s11869-021-01005-x

    CrossRef Google Scholar Pub Med

    [15] GRIVAS G, CHERISTANIDIS S, CHALOULAKOU A, et al. Elemental composition and source apportionment of fine and coarse particles at traffic and urban background locations in Athens, Greece[J]. Aerosol and Air Quality Research, 2018, 18(7): 1642-1659. doi: 10.4209/aaqr.2017.12.0567

    CrossRef Google Scholar Pub Med

    [16] PADOAN E, AJMONE-MARSAN F, QUEROL X, et al. An empirical model to predict road dust emissions based on pavement and traffic characteristics[J]. Environmental Pollution, 2018, 237: 713-720. doi: 10.1016/j.envpol.2017.10.115

    CrossRef Google Scholar Pub Med

    [17] HUA H, JIANG S Y, SHE H A, et al. High spatial-temporal resolution emission inventory of multi-type air pollutants for Wuxi city[J]. Journal of Cleaner Production, 2019, 229: 278-288. doi: 10.1016/j.jclepro.2019.05.011

    CrossRef Google Scholar Pub Med

    [18] LI T K, DONG W, DAI Q L, et al. Application and validation of the fugitive dust source emission inventory compilation method in Xiong'an New Area, China[J]. Science of the Total Environment, 2021, 798: 149114. doi: 10.1016/j.scitotenv.2021.149114

    CrossRef Google Scholar Pub Med

    [19] CUI M C, LU H Y, ETYEMEZIAN V, et al. Quantifying the emission potentials of fugitive dust sources in Nanjing, East China[J]. Atmospheric Environment, 2019, 207: 129-135. doi: 10.1016/j.atmosenv.2019.03.016

    CrossRef Google Scholar Pub Med

    [20] LUNDBERG J, GUSTAFSSON M, JANHALL S, et al. Temporal variation of road dust load and its size distribution: A comparative study of a porous and a dense pavement[J]. Water Air and Soil Pollution, 2020, 231(12): 561. doi: 10.1007/s11270-020-04923-1

    CrossRef Google Scholar Pub Med

    [21] 国家环保总局. 防治城市扬尘污染技术规范: HJ/T 393-2007[S]. 北京: 中国环境科学出版社, 2007.

    Google Scholar Pub Med

    [22] 潘研, 邢敏, 侯亚峰, 等. 基于积尘负荷的北京市典型城区道路扬尘排放特征研究[J]. 环境污染与防治, 2020, 42(8): 975-979. doi: 10.15985/j.cnki.1001-3865.2020.08.008

    CrossRef Google Scholar Pub Med

    [23] 张伟, 姬亚芹, 李树立, 等. 天津市春季典型道路积尘负荷分布特征[J]. 中国环境监测, 2018, 34(1): 54-59. doi: 10.19316/j.issn.1002-6002.2018.01.07

    CrossRef Google Scholar Pub Med

    [24] 崔华胜. “以克论净”量化考核指标 提升城市道路作业洁净水平: 以北京市实践为例[J]. 城市管理与科技, 2021, 22(2): 64-66.

    Google Scholar Pub Med

    [25] 杨益, 姬亚芹, 高玉宗, 等. 锦州市道路扬尘碳组分特征及来源分析[J]. 南开大学学报(自然科学版), 2022, 55(1): 107-112.

    Google Scholar Pub Med

    [26] 刘俊芳, 樊守彬, 郭秀锐, 等. 基于车载移动监测的北京市丰台区道路扬尘源排放特征[J]. 环境科学学报, 2021, 41(11): 4423-4429.

    Google Scholar Pub Med

    [27] 崔浩然, 樊守彬, 韩力慧, 等. 北京市密云区道路扬尘排放特征及融雪剂使用的影响[J]. 环境污染与防治, 2021, 43(8): 1016-1021.

    Google Scholar Pub Med

    [28] 崔浩然, 樊守彬, 韩力慧, 等. 北京市大兴区道路积尘年际变化特征及管控研究[J]. 中国环境科学, 2021, 41(10): 4556-4564. doi: 10.3969/j.issn.1000-6923.2021.10.010

    CrossRef Google Scholar Pub Med

    [29] 北京交通发展研究院. 2019年北京交通发展年报[EB/OL]. (2019-06-01)[2022-05-01]. 20220603_101305vM9. pdf, 2019.

    Google Scholar Pub Med

    [30] 门头沟区人民代表大会常务委员会. 北京市市容环境卫生条例[EB/OL]. (2020-06-01)[2022-05-01]. 3e9c56d52a2c49afabf104d767069dfe. pdf (bjmtg. gov. cn), 2020.

    Google Scholar Pub Med

    [31] 刘娟. 石家庄市道路交通扬尘检测及排放量核查核算研究[D]. 石家庄: 河北科技大学, 2016.

    Google Scholar Pub Med

    [32] 樊守彬, 田刚, 李钢, 等. 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. doi: 10.3321/j.issn:0250-3301.2007.10.041

    CrossRef Google Scholar Pub Med

    [33] 曹巍. 济南市区道路积尘负荷的测定及控制措施[J]. 环境卫生工程, 2011, 19(4): 24-27. doi: 10.3969/j.issn.1005-8206.2011.04.009

    CrossRef Google Scholar Pub Med

    [34] 中华人民共和国生态环境部. 中国移动源环境管理年报 (2019年) [EB/OL]. (2019-09-04) [2022-05-01]. P020190905586230826402. pdf (mee. gov. cn), 2019.

    Google Scholar Pub Med

    [35] 郭硕, 肖捷颖, 安塞, 等. 利用快速检测法研究石家庄道路交通扬尘排放特征[J]. 环境污染与防治, 2019, 41(2): 206-210. doi: 10.15985/j.cnki.1001-3865.2019.02.016

    CrossRef Google Scholar Pub Med

    [36] 王娟, 洪雯. 乌鲁木齐市道路积尘负荷影响因子分析与探讨[J]. 科技创新导报, 2016, 13(18): 49-51.

    Google Scholar Pub Med

    [37] 张诗建. 基于快速检测法的天津市道路扬尘排放清单研究[D]. 天津: 南开大学, 2016.

    Google Scholar Pub Med

    [38] 杨乃旺, 宋文斌, 闫东杰, 等. 基于积尘负荷的西安市铺装道路扬尘排放研究[J]. 环境科学学报, 2021, 41(4): 1259-1266.

    Google Scholar Pub Med

    [39] 樊守彬, 张东旭, 田灵娣, 等. 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.

    Google Scholar Pub Med

    [40] WANG J H, DENG Y, SONG C, et al. Measuring time accessibility and its spatial characteristics in the urban areas of Beijing[J]. Journal of Geographical Sciences, 2016, 26(12): 1754-1768. doi: 10.1007/s11442-016-1356-2

    CrossRef Google Scholar Pub Med

    [41] 胡月琪, 李萌, 颜旭, 等. 北京市典型道路扬尘化学组分特征及年际变化[J]. 环境科学, 2019, 40(4): 1645-1655. doi: 10.13227/j.hjkx.201808224

    CrossRef Google Scholar Pub Med

    [42] 赵静琦, 姬亚芹, 张蕾, 等. 基于样方法的天津市春季道路扬尘PM2.5中水溶性离子特征及来源解析[J]. 环境科学, 2018, 39(5): 1994-1999.

    Google Scholar Pub Med

    [43] 中华人民共和国住房和城乡建设部. 城市道路清扫保洁质量与评价标准: CJJ/T 126-2008[S]. 北京: 中国标准出版社, 2008.

    Google Scholar Pub Med

  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(5)  /  Tables(4)

Article Metrics

Article views(4285) PDF downloads(79) Cited by(0)

Access History

Monitoring and distribution characteristics of dust load on roads in Beijing during summer based on two sampling methods

Abstract: In order to explore the effect of different sampling methods on the results of road dust load(RDL), the data of the samples in the summer of 2018 were collected by the quadrat method and quantitative net car sampling method. On-site monitoring was carried out on 11 road dust samples in 3 administrative districts of Beijing. The RDLs of different road types and lanes were calculated, and then their variations were analyzed. The results showed that the descending order of RDLs in different road types of Beijing during summer was main lines (0.46 g·m−2, 0.99 g·m−2) > branch roads (0.31 g·m−2, 0.88 g·m−2)> main road (0.24 g·m−2, 0.78 g·m−2) based on the quadrat method and quantitative net car sampling method. A significant difference in RDLs between two sampling methods occurred (P=0.00<0.05), and a linear relationship also appeared. The summer RDLs in Beijing (0.34 g·m−2) was slightly higher than that in Tianjin (0.24 g·m−2), but lower than that in Shijiazhuang (1.06 g·m−2), Urumqi (0.96 g·m−2) and Xi'an (0.70 g·m−2); the collected RDL level in different urban areas based on the quadrat method and quantitative net car sampling method was ranked as Daxing District (0.39 g·m−2, 1.83 g·m−2) > Chaoyang District (0.38 g·m−2, 1.00 g·m−2) > Dongcheng District (0.26 g·m−2, 0.92 g·m−2), and insignificant difference in RDLs among Chaoyang District, Dongcheng District and Daxing District occurred(P>0.05). Based on the quadrat method, the RDLs in slow lane and fast lane for motor vehicles were 0.04~1.30 g·m−2 and 0.02~1.08 g·m−2, respectively. The overall RDL level in slow lanes was slightly higher than that in the fast lanes, but their difference was not significant(P=0.51>0.05). The results of this study provide a reference for the selection of road dust sampling methods, the construction of the Beijing road dust emission inventory, and the formulation of control measures.

  • 由于我国北方地区雾霾现象频发,因此,大气颗粒物污染引起了社会各界的广泛关注[1-4]。道路扬尘作为大气颗粒物的重要来源,其影响日益严重[5-7]。已有研究[8-9]表明,道路扬尘对大气细颗粒物的贡献率高达20%,并影响空气质量[10]、能见度[11- 12]以及人体健康[13-15]。因此,了解道路扬尘排放规律与构建道路扬尘排放清单,有利于制定相关污染防控措施[16-17],为有效治理颗粒物污染提供重要依据[18-19]

    作为道路扬尘排放清单中的重要参数,积尘负荷是环境管理的重要抓手[20]。《防治城市扬尘污染技术规范》(HJ/T 393-2007)[21]指出,道路积尘负荷是指单位面积的道路上能够通过75 μm筛的道路积尘的质量,它是道路表面清洁度的表征参数,其大小直接影响道路扬尘的排放量。目前,道路扬尘主要的采样方法包括降尘法、样方吸尘法、快速检测法和移动吸尘法。样方吸尘法包括普通样方吸尘法和以克论净车样方吸尘法(普通样方吸尘法亦称“样方采样法”,以克论净车样方吸尘法亦称“以克论净车采样法”)。样方采样法耗时、耗力并且安全性较低,但因其简便易行,较多地被应用于道路扬尘排放清单和来源解析研究中。潘研等[22]采用样方采样法采集了北京市西城区、海淀区、门头沟区夏季不同类型道路积尘,计算积尘负荷和粒度乘数,得到北京市不同类型道路的PM2.5、PM10排放因子和排放强度;张伟等[23]采用样方采样法,得到了天津市不同道路类型以及不同车道的积尘负荷,并分析了积尘负荷的变化规律。以克论净车采样法耗时短、安全性高、成本高,目前多用于城市清扫保洁例行考核中。北京市、天津市、中卫市等多个城市均采用以克论净车采样法评估城市道路积尘[24]。国内外学者大多集中在对于道路扬尘排放特征的研究[5-19,25-28],而对于道路扬尘排放清单中的重要参数分布特征的研究较少。

    本研究在已有研究的基础上,针对道路扬尘排放清单中积尘负荷这一重要参数,研究其分布规律,因车流量[29]、道路清扫规定[30]等差异,使用样方采样法和以克论净车采样法,采集北京市东城区、朝阳区、大兴区的主干道、次干道和支路3种道路类型共11条道路的扬尘样品,对原始样品过筛称重,计算不同车道以及不同道路类型的积尘负荷,探究积尘负荷的空间分布特征和2种采样方法积尘负荷的差异,旨在为遴选道路扬尘采样方法、构建北京市道路扬尘排放清单和制定管控措施提供支持。

    • 采样时间为2018年7月20—22日。

      采样地点为北京市东城区(首都功能核心区)、朝阳区(城市功能拓展区)、大兴区(城市发展新区)。采样道路选择主干道、次干道、支路等。每种道路类型选择3~4条道路,共选择了11条道路,分别是北土城路、广渠门内大街、左安门内大街、龙潭东路、永定门外大街、北湖渠路、太阳宫北街、兴华大街、双高路、兴和街、宏康路。采样典型道路信息见表1,采样点位及现场见图1。在布设采样点时,每条道路在道路最右侧的机动车道慢车道和快车道(临近慢车道)分别设3个采样点,采样点间相距一般大于800 m;采样点位置尽量避开公交车站、路口等人流密集处。

    • 实验仪器:800 W真空吸尘器、电瓶、1 m2采样框、以克论净车(自带0.1 m2采样框,样品通过车载吸尘器(2 000 W)直接吸入采样袋)、万分之一电子天平、柔软细毛刷、样品袋、10目和200目泰勒标准筛等。

      样方采样法:使用电瓶供电,采用真空吸尘器在采样点位横竖方向吸尘2遍,采样效率约为2 min·m−2,采样面积一般为2 m2;吸尘结束后,用柔软细毛刷将尘土扫入样品袋中,记录编号并保存备用。

      以克论净车采样法:使用汽车供电,仅采集慢车道,于样方采样法相应位置附近自动采样,采样面积一般为0.6 m2;吸尘结束后,直接取下采样袋,记录编号并保存备用。

      将采集的原始样品按照以下步骤进行处理:1)去除树叶、烟头及杂物等,放置于干燥器内平衡干燥3 d;2)将850 μm、75 μm泰勒标准筛放入电动振筛机内,样品倒入850 μm筛中;3)振荡电动振筛机20 min后,取出标准筛,称量2个标准筛上样品的质量并记录。

    • 积尘负荷计算方法[31]见式(1)。

      式中: Q为积尘负荷,g·m−2m为道路扬尘样品质量,g;m850为850 μm 泰勒标准筛筛上物的质量,g; m75为75 μm泰勒标准筛筛上物的质量,g;S为采样面积, m2

    2.   结果与讨论
    • 基于样方采样法和以克论净车采样法的不同道路类型慢车道积尘负荷计算结果如图2所示。由图2可以看出,基于样方采样法的北京市夏季不同道路类型积尘负荷的平均值分别为主干道((0.24±0.16) g·m−2),次干道((0.46±0.35) g·m−2),支路((0.31±0.21) g·m−2); 基于以克论净车采样法的北京市夏季不同道路类型积尘负荷的平均值分别为主干道((0.78±0.40) g·m−2),次干道((0.99±0.80) g·m−2),支路((0.88±0.68) g·m−2)。2种采样方法的北京市夏季不同道路类型积尘负荷的平均值从大到小顺序均为次干道>支路>主干道。道路积尘负荷不仅受道路长度、破损、绿化状况的影响,周边环境、道路车流状况[32-34]、车速[35]及控制措施的实施也会影响道路积尘负荷。其中,次干道与支路路面较窄,路面停车现象常见,不便于清扫,且车流量较小,车速较慢,道路不易起尘;而主干道路面较宽,清扫作业方便,且车流量较大,车速较快导致积尘负荷相对较小。

      本研究利用SPSS 22.0软件分析2种不同采样方式得到的慢车道积尘负荷差异显著性。开展2个相关样本的非参数检验,检验结果为P=0.00 (P<0.05),表明2种采样方法间积尘负荷差异的检验结果具有显著性。基于2种采样方法的北京市夏季不同道路类型积尘负荷差异较大。由于以克论净车采样法自带的车载吸尘器功率大,路面深层积尘容易被吸起,因此以克论净车采样法的积尘负荷量普遍高于样方采样法。

      运用SPSS 22.0软件对2种采样方法得到的积尘负荷量进行Spearman相关性分析,得出P=0.00 (P<0.05)。这说明样方采样法和以克论净车采样法得到的积尘负荷呈线性关系。对2种采样方法的积尘负荷进行线性拟合,拟合结果如图3所示。由图3可以看出,2种采样方法具有相关性。以克论净车采样法成本较高,目前在道路扬尘排放清单编制工作中并不常用,但样方采样法简便易行,较多地被应用于道路扬尘排放清单和来源解析研究中,因此,在后续道路扬尘清单编制过程中,可以使用以克论净车采样法的结果,计算得到样方采样法的积尘负荷。

      将基于样方采样法的北京市夏季的积尘负荷分别与石家庄市夏季[35]、乌鲁木齐市夏季[36]、天津市夏季[37]、西安市夏季[38]、北京市[39]积尘负荷做比较,结果如表2所示。可以看出,北京市不同类型道路积尘负荷值稍高于天津市,低于石家庄市、乌鲁木齐市、西安市,结果与樊守彬等[39]得到的北京市全年积尘负荷量相似。这可能是采样方法、采样季节空气质量、控制措施等影响因素导致的。同时北京市与天津市道路建设相对完善,绿化带、绿化施工相对规范,城市道路已使用机械清扫新工艺并加大郊区公路保洁力度[40-42],使得道路积尘负荷量较小,而其他城市道路建设不够完善,保洁作业力度不强,道路积尘负荷量较大。对比本研究中北京市夏季积尘负荷值与《防治城市扬尘污染技术规范》(HJ/T 393-2007)[21]中提到的道路积尘负荷限定标准参考值(表3),可以看出,北京市道路积尘负荷值均处于“优”水平,积尘负荷得到有效控制。

    • 基于2种采样方法的北京市朝阳区、东城区、大兴区慢车道积尘负荷的计算结果如图4所示。由图4可以看出,基于样方采样法的北京市夏季不同行政区铺装道路积尘负荷的平均值分别为东城区((0.26±0.23) g·m−2),朝阳区((0.38±0.35) g·m−2),大兴区((0.39±0.23) g·m−2); 基于以克论净车采样法的北京市夏季不同行政区铺装道路积尘负荷的平均值分别为东城区((0.92±0.85) g·m−2),朝阳区((1.00±0.70) g·m−2),大兴区((1.83±2.03) g·m−2)。2种采样方法的北京市夏季不同行政区铺装道路积尘负荷水平由大到小排序均为大兴区>朝阳区>东城区。东城区属于首都功能核心区,实施限行政策,车流量相对较少且以小型车为主,路面建设较为完善,道路洒水保洁频次高[43]。而积尘负荷较高的朝阳、大兴二区分别属于城市功能拓展区和城市发展新区,道路建设及洒水保洁不及核心区,从而导致较高的积尘负荷;大兴区的道路积尘负荷最高,原因在于大兴区有较多工业园区,如亦庄经济开发区、西京工业园、西毓工业园等,因此,工地、工厂较为密集,施工过程产生颗粒物或大型货车运输沿途遗撒等均会产生较高路面积尘负荷。基于2种采样方法的北京市夏季不同城区积尘负荷差异较大,其原因也受2种采样方法所使用的吸尘器功率差异的影响。

      为了验证不同行政区积尘负荷差异是否具有统计学意义,运用 SPSS 22. 0软件分别对2种采样方法的朝阳区、东城区、大兴区的道路积尘负荷进行2个独立样本非参数检验,结果如表4所示。由表4可以看出,朝阳区、东城区及朝阳区的非参数检验的P值均大于0.05,检验结果不具有显著性。

    • 基于样方采样法的北京市夏季机动车慢车道与机动车快道车的道路积尘负荷计算结果如图5所示。可以看出,机动车慢车道与机动车快车道积尘负荷分别为0.04~1.30 g·m−2 和0.02~1.08 g·m−2。对于同一条道路,慢车道的积尘负荷整体水平稍高于快车道的积尘负荷。对主干道,慢车道积尘负荷明显大于快车道,慢车道是快车道的2.0倍;对次干道,慢车道积尘负荷与快车道相近。这一现象产生的主要原因是慢车道车速低,不易引起积尘扬起,故道路积尘负荷较高; 另外,慢车道接近道路边缘, 绿化带及路边裸露土壤因降水及风力等作用更容易进入慢车道,影响其积尘负荷;同时,主干道快车道车速快,易将快车道的积尘扬起至慢车道。可见,积尘负荷主要受车速及车流量等因素的综合影响。

      为研究采集的北京市快慢2个车道的8条(不包括支路)采样道路不同车道积尘负荷的差异情况是否具有统计学意义,运用SPSS 22. 0软件对其进行2个相关样本的非参数检验。结果表明,P= 0. 51>0. 05,故不同车道积尘负荷的差异的检验结果不具有显著性。

    3.   结论
    • 1)基于样方采样法和以克论净车采样法采集的北京市夏季不同道路类型积尘负荷从大到小顺序为次干道>支路>主干道。2种方法对北京市不同道路类型的积尘负荷进行相关样本非参数检验, 可知2种采样方法间积尘负荷差异的检验结果具有显著性。以克论净车采样法(y)和样方采样法(x)的关系式为y=0.45x-0.09,R2值为0.68。

      2)基于样方采样法和以克论净车采样法采集的北京市夏季不同城区铺装道路积尘负荷水平排序为大兴区>朝阳区>东城区。朝阳区、东城区及大兴区差异的检验结果均不具有显著性。

      3)基于样方采样法的机动车慢车道与机动车快车道积尘负荷分别为0.04~1.30 g·m−2 和0.02~1.08 g·m−2。北京市夏季慢车道积尘负荷整体水平略高于快车道,2种类型车道非参数检验结果表明其差异的检验结果不具有显著性。

    Figure (5)  Table (4) Reference (43)

Catalog

/

DownLoad:  Full-Size Img  PowerPoint
  • 表 1  采样线路、采样时刻及路段范围
    Table 1.  Sampling lines, sampling moments and section ranges
    采样线路非高峰期
    采样时刻
    高峰期
    采样时刻
    采样路段
    1号线14:00—16:0017:00—19:00高新站—麓湖站
    4号线14:00—16:0017:00—19:00玉双路站—非遗公园站
    6号线14:00—16:0017:00—19:00西南交大站—金石路站
    7号线14:00—16:0017:00—19:00花照壁站—琉璃场站
    18号线14:00—16:0017:00—19:00孵化园站—三岔站
     | Show Table
    DownLoad: CSV
  • 表 2  7号线地铁站采样情况
    Table 2.  Sampling information of line 7 metro stations
    采样站点非高峰期采样时刻是否为换乘站
    九里堤站14:00—16:00
    西南交大站14:00—16:00是(与6号线换乘)
    槐树店站14:00—16:00
    八里庄站14:00—16:00
    太平园站14:00—16:00是(与3、10号线换乘)
     | Show Table
    DownLoad: CSV
  • 表 3  成都地铁系统VOCs浓度与国内外相关规范中质量浓度限制比较
    Table 3.  Comparison of VOCs mass concentrations in the metro system and limits in relevant standards
    种类车厢质量浓度/
    (μg·m−3)
    站台质量浓度/
    (μg·m−3)
    GB/T 18883-2002[34]
    质量浓度限制/(μg·m−3)
    GB/T 27630-2011[43]
    质量浓度限制/(μg·m−3)
    WHO质量浓度限制/
    (μg·m−3)
    1.13~2.350.78~1.55110110
    甲苯2.34~5.073.82~9.522001 100
    二甲苯0.62~5.160.29~9.282001 5004 800
    乙苯0.55~2.130.73~2.751 500
    苯乙烯0.55~1.560.59~1.42260260
      注:GB/T 18883-2002为室内空气质量标准;其余2类分别为中国和WHO的乘用车空气质量标准。
     | Show Table
    DownLoad: CSV