固体可吸收颗粒影响变化和模型探析

汤敏（重庆市江北区环境监测站，重庆400000）



固体可吸收颗粒影响变化和模型探析

汤敏
（重庆市江北区环境监测站，重庆400000）

摘要：固体可吸收颗粒对人体存在潜在的危害，能导致疾病产生。论述了PM对人体健康的危害、PM的监测分析和预测模型。关键词：PM；健康；模型

固体可吸收颗粒（Particulate Matter）作为一类粒径微小的气溶胶物质，广泛分布于人类生存的各种环境中。PM进入环境，很容易通过呼吸系统进入人体，对人体造成危害。在繁华的商业活动区域内，各类交通工具使用燃料时向大气中排放的尾气是PM产生的主要流动源，也是PM产生的主要途径。PM的来源广泛，但是由于经济的发展，机动车尾气已成为PM产生的主要来源[1]。PM组成复杂，Weaterholm已发现PM2.5比粗颗粒物含有更多的重金属和多环芳烃[2]。PM进入人体后，一方面作为载体将有毒有害物质带入下呼吸道，直接或间接地引起支气管黏膜及肺上皮细胞突变，另一方面其颗粒性引起的免疫反应抑制Th1型淋巴细胞，降低IL- 2活性[3]，导致Th2型细胞优势，增高人群对肺癌的易感性[4]。由于PM的危害巨大，已日益引起人们的关注。

目前，对PM的研究较多集中在PM对健康的影响、PM区域影响变化规律、预测模型、排放清单、排放特征谱、源解析、PM2.5对大气能见度等的研究。PM对健康的影响主要针对其物理化学性质的研究。由于各个地区地理位置不同，因而PM分布、大小等都存在差异。PM模型通过众多参数因素因子建立，以期能够达到预测PM值的目的。PM的监测还没有一个非常成熟的方法，对PM监测方法的改进已经成为当前一个重要课题。

1　PM对人体健康的影响

魏复盛研究了室内外空气中含有的PM对儿童健康的不同影响[5]，该课题组1993～1997年间，在兰州、重庆、广州、武汉各选择2所小学，累计调查7900余名儿童家庭室内外环境及其健康状况，并同时进行了室外空气质量监测。调查结果见表1。

按照病种的不同进行分类，汇总见表2。根据魏复盛的研究，得出儿童患呼吸系统疾病随着室外空气暴露加重而发生的危险不断加重。PM10、PM2.5是最大影响因子，SO2与NOX只起负面影响。

户外PM主要是机动车等流动源排放，国外有学者指出在室内，由于超细颗粒物较易进入户内，使得敏感人群具有更多的接触机会，进入血液细胞数量与组成的变化有可能是造成日后心血管意外的一个潜在隐患。阮素云[6]等对环境2.5μm以下颗粒物对哮喘及肺癌发病的影响进行了研究，结果表明大气和室内空气中PM2.5污染随着城市化进程及经济发展而加重，是哮喘和肺癌流行趋势上升的共同外部诱因，而其免疫应答引起的Th1/Th2亚群失衡，亦可能是这两种疾病发病率增高的共同机制之一。李继等[7]对电厂大气污染排放与人体暴露的关系进行了研究，指出PM2.5的吸入因子与烟囱高度及人口数量有很高的相关性。研究表明，粒径小于10μm的颗粒对人体威胁最大。

2　PM的变化规律、来源及组成

PM化学组成复杂，性质活泼，且随着时空的变化而变化，因此对PM的监测方法并没有统一的标准。目前主要是对不同的地区，利用仪器检测其PM含有的成分浓度，并以其平均浓度来表示其PM浓度，分析其组成成分，浓度单位μg/m3，同时与本地区对应的气象因子等联系起来进行分析。

根据学者研究，PM与季节有一定的变化规律，李龙凤[8]等研究认为，PM10与PM2.5在不同的月份都有明显的变化。PM10、PM2.5在4～10月浓度较低。12月份质量浓度达到最高值。11月至次年2月浓度较高。秋冬季节逆温天气出现频繁,使得污染物难于扩散，导致PM10、PM2.5质量浓度增高。夏季因气温高、湿度大、大气边界层厚，有利于污染物扩散。季风变化可能对PM浓度也有影响。同时该研究认为，PM上午、下午、晚间浓度依次增加。日变化呈双峰分布的变化特征：上午和夜间各出现一个峰，而下午PM10、PM2.5的质量浓度都相对较低。

沈轶[9]等用等离子发射光谱法对上海大气PM2.5中的Cu、Zn、Pb、As等元素的浓度进行分析，得出PM浓度存在一定的季节变化规律。Federico C[10]等研究表明，周一至周五期间监测的PM0.5浓度很高，周六、周日监测的浓度明显下降。

机动车尾气是目前PM产生的主要来源[11]。A.W. GERTLER[12]等对美国机动车产生PM10与PM2.5进行了评价。研究表明，机动车是美国产生PM的重要来源。Watson[13]等研究表明，PM2.5是尾气中PM中成分最多的可溶胶物质，在美国丹佛市市区，PM2.5碳化物占85％。在更多农村区域含有75％的PM2.5。Federico Casale[10]等认为，85％的大气污染物颗粒产生都是人为所致，其中包括煤、汽油、原油、木头和其它生物体，尤其是内燃机和热力或电厂产生的[14]。

WANG[15]等在中国广州布置4个监测点，对PM的组成成分和浓度进行了分析，研究表明，PM2.5的平均浓度达到97.54μg/m3，广州的PM2.5浓度超过国家环境标准规定的24h平均65μg/m3。PM2.5的主要化学成分为OC（有机碳）、EC（元素碳）、硫、铵、K、V、Ni、Cu、Zn、Pb、As、Cd等，PM粒径在2.5～10之间N、Na、Mg、Al、Fe、Ca、Ti等占主要成分。广州PM主要来源中机动车导致占38.4％，煤炭导致占26.0％。Federico C[10]等对每日PM成分浓度也进行了详细的分析。

3　PM模型应用

利用监测方法进行PM分析是一种严谨的科学研究方法，但是监测的工作量非常巨大。对于污染物浓度的预测和分析来说，建立模型是一种非常好的方法。目前较为常用的模型是PART5模式。

PART5模式是由美国环保局开发的计算道路机动车颗粒物排放因子的数学模型，它根据多年来对大量车辆测试数据的分析回归，得到计算机动车颗粒物排放因子的经验公式。分析所用的数据来源为美国环保局组织的各种不同在用车辆排放水平测试结果以及联邦测试程序（Federal Test Procedure，FTP）中测得的排放结果。该模式建构的思路和美国环保局用于计算机动车气态污染物排放因子的MOBILE5模式基本一致[16-17]。

PART5模式根据发动机类型以及车辆重量将机动车分为12类，对不同类型的车辆分别考虑油品质量、车速、维修保养状况等各种因素对排放的影响，并从这些数据的测试分析中获得各年、各车型车辆排放因子的平均水平以及颗粒物中各重要化学组分（铅、硫酸盐、可溶性有机物和残余碳等）的组成比例。对每类机动车，其综合排放因子可通过下面的基本公式计算：

其中，EFCOMPν为v类机动车的综合排放因子（g/km）；EFm，ν为车龄m年的v类机动车的排放因子（g/km）；TFm，ν为车龄m年的v类机动车的行驶里程在该类机动车总行驶里程中所占的比例。影响EFm，ν的因素很多，通过测试结果回归出经验公式进行计算。其表达式可以由包含下述各项参数的回归方程表述：

其中，V为速度修正参数；CS为油品的含硫量参数；CPb为油品的含铅量参数；FQ为油品的其它影响参数；FE为燃油经济性参数；PS为颗粒物的粒径分布参数；CA为机动车安装催化转化装置的比例参数；IM为机动车维修保养状况影响参数。PART5根据美国的实际情况，确定了机动车控制技术水平、行驶里程、车辆登记分布、油品质量等参数值。因此，当模式应用于中国的城市时，必须根据各城市的实际情况对这些参数进行相应的调整，以保证计算的准确性[18]。

周丽[19]等运用统计分析和气象统计预报的方法，使用北京白石桥小区的污染物观测资料和同期北京地区的气象观测资料，对影响大气污染的气象因子进行了综合分析，并分别建立了气溶胶PM2.5粒子浓度与气体污染物、气象要素场的两类统计相关拟合模型。研究认为，气溶胶PM2.5粒子浓度与气体污染物浓度存在不同程度的相关性，且与气象条件亦存在显著的相关关系。

张强[20]等按经济部门、燃料类型和技术类型对颗粒物排放源进行分类，建立一个基于技术、自下而上的排放模型，并利用该模型计算出2001年全国主要人为源共向大气排放PM10、PM2.5的量。

人工神经网络是在对人脑思维方式研究的基础上，用数学方法将其简化并抽象模拟反映人脑基本功能的一种并行处理连接网络[21]。BP神经网络是基于BP （Back Propagation）误差反向传播算法的多层前馈神经网络，由Rumelhart，McClelland于1985年最早提出，它是目前应用最多、功能最强的一种人工网络。该算法的过程由正向传播和反向传播组成。在正向传播过程中，从输入层开始输入信息传递到各层，经过处理后产生一个输出，并得到该输出与所期望输出之间的一个误差。另一边为反向传播计算，从输出层到输入层，利用向前传播得到的误差，对连接权值进行逐层调整，以使网络输出逐次接近期望输出[22]。BP神经网络具有优良的非线性逼近能力、数据融合能力、多变量系统、自学习和自适应能力等。蒋晓红[23]等根据神经网络原理和工程造价估算的特点，通过分析探讨工程造价的构成、已建工程的设计参数及工程量资料，应用误差反向传播（BP）算法的人工神经网络建立灌区节制闸工程量估算模型，结果表明，其估算精度基本可以满足实际工程投资估算的需要。施枫芝[24]等采用BP神经网络预测地下水质状况，很好地反映了地下水质量的总体状况。因此，基于BP神经网络建立PM预测模型将是一种新的探索。

4　结束语

（1）由于PM的组成成分复杂，含有许多重金属和多环芳烃，性质活泼，尤其粒径在10μm以下的颗粒物质对人体的危害大而引起人们高度关注。此外，长时间暴露在外，受到PM的危害程度就高。

（2）交通流动源是PM产生的主要来源。PM随着季节的变化而变化，时空的改变对PM也有很大影响。

（3）PM的估算模型可选择美国的PART5模式或者通过回归分析进行模型构建。PART5模型需要考虑不同类型车辆的实际情况，考虑的因素多，在一定程度上需要进行修正。通过监测数据回归分析，建立模式，具有一定的实际应用价值。利用神经网络建立PM预测模型将是一种新的探索。

参考文献

[1] A.W. GERTLER，J.A.GILLIES，W.R. PIERSON. An Assessment ofthe Mobile Source Contribution to PM10 and PM2.5 in the United States[J]. Water，Air，and Soil Pollution，2000，123：203- 214.

[2] Weaterholm R N，Alsberg T E. Effect of Fule Polycyclic Aromatic Hydrocaron Content on the Emission of Polycyclic Aromatic Hydrocarbens and other Mutagenic Substances froma Gusoline- Fueled Automobil[J].Environ Sci Technol，1988，22：925.

[3]马亚萍，杨建军.用流式细胞术探讨颗粒物对细胞免疫功能[J].卫生毒理学杂志，2001，1（51）：1- 5.

[4]龚非力.基础免疫学[M].湖北：湖北科学出版社，1998：126.

[5]魏复盛，胡伟.中国四城市空气污染及其对儿童呼吸健康影响的分析[J].院士论坛，1997，22（3）：9- 13.

[6]阮素云，苏瑾，李延红，等.环境2.5μm以下颗粒物污染对哮喘及肺癌发病的影响[J].环境与职业医学，2002，12（9）：396- 397.

[7]李继，郝吉明，叶雪梅，等.湖南省大气污染排放与人体暴露水平研究[J].环境科学，2003，24（3）：16- 20.

[8]李龙凤，王新明，赵利容.广州市街道环境PM10和PM2.5质量浓度的变化特征[J].地球与环境，2005，33（2）：55- 60.

[9]沈轶，陈立民，孙久宽，等.上海市大气PM2.5中Cu、Zn、Pb、As等元素的浓度特征[J].复旦学报（自然科学版），2002，41（4）：405- 408.

[10]Federico C，Gianluigi N，Elisa B，et al. Monitoring of Submicron Particulate Matter Concentrations in the Air of Turin City，Italy. Influence of Traffic- limitations [J]. Water Air Soil Pollut，DOI 10. 1007/s11270- 008- 9763- 3.

[11]Mulawa，P.A.，Cadle，S.H.，Knapp，K.，et al. Effect of ambient temperature and E- 10 fuel on primary exhaust particulate matter emissions from light- duty vehicles[J]. Environ.Sci. Technol，1997，31，1302- 1307.

[12]Gertler，A.W.，Sagebiel，J.C.，Wittorff，D.N.，et al. 1997，Vehicle Emissions in Five Urban Tunnels，Final Report under CRC Project No.E- 5，prepared for the Coordinating Research Council，Inc.，Auto/Oil Improvement Research Program，National Renewable Energy Laboratory，and South Coast Air Quality Management District Southern Oxidants Study，by Desert Research Institute，Reno，NV，March 1997.

[13]Watson，J.G.，Chow，J.C.，Henry，R.C.，et al. The USEPA/DRI Chemical Mass Balance Receptor Model，CMB 7.0 [J]. Environmental Software，1990，5：38- 49.

[14]Artinano，B.，Salvador，P.，Alonso，et al. Anthropogenic and natural influence on the PM10 and PM2.5 aerosol in Madrid（Spain）. Analysis of high concentration episodes [J]. Environmental pollution，125，453- 465. doi：10.1016/so269- 749（03）00078- 2.

[15]WANG X H，BI X H，SHENG G Y，et al. Chemical Composition and Sources of PM10 and PM2.5 Aerosols in Guangzhou，China[J]. Environmental Monitoringand Assessment，2006，119：425- 439.

[16]傅立新，贺克斌，何东全，等.MOBILE汽车源排放因子计算模式研究[J].环境科学学报，1997，17（4）：474- 479.

[17]何东全，郝吉明，贺克斌，等.应用模式计算机动车排放因子[J].环境科学，1998，1（3）：7- 10.

[18]吴烨，郝吉明，李伟，等.应用PART5模式计算机动车尾气管的颗粒物排放[J].环境科学，2002，23（1）：6- 10.

[19]周丽，徐祥德，丁国安，等.北京地区气溶胶PM2.5粒子浓度的相关因子及其估算模型[J].气象学报，2003，61（6）：761- 768.

[20]张强，霍红，贺克斌.中国人为源颗粒物排放模型及2001年排放清单估算[J].自然科学进展，2006，16（2）：223- 231.

[21]贾林刚.基于BP神经网络的地表沉降预测模型[J].煤矿开采，2008，13（1）：15- 17.

[22]王义民，于兴杰，畅建霞.基于BP神经网络马尔科夫模型的径流量预测[J].武汉大学学报（工学版），2008，41（5）：14- 17.

[23]蒋晓红，程吉林，张跃飞.中小型水利工程的工程量估算BP神经网络模型[J].扬州大学学报（自然科学版），2008，11（3）：72 - 74.

[24]施枫芝，迟宝明，潘杰. BP神经网络模型在地下水质量评价中的应用[J].工程勘察，2008（10）：35- 37.□

An Investigation on Particulate Matter's Influence and Model

TANG Min
（Chongqing Jiangbei District Environmental Monitoring Station，Chongqing400000，China）

Abstract:The potential harm leading to diseases in the particulate matter was increasingly concerned taday. Health hazard，monitoring analysis，prediction model having been studied. The result analysis showed that PMis serious harm to respiratory tract. Because the outdoor concentration of PMand absorption of PMare higher than indoor，it produced more harm outdoor. PM changed as seasons and area changed. Generation of PM mainly comes from man- made Factors. Motor vehicle is main mobile source taday. PMis characterized by complicated compositions，active properties，including metal，elemental carbon and so on. The model PART5 can be used to prodict the consentration of PM，but PART5 is complex，in which the parameters are multiple and should be modified. Regression analysis method or neural network method in measured data and building PMmodel are a kind ofexploration.

Key words:PM；health；model

作者简介：汤敏（1980-），女，高级工程师，从事环境监测和水治理技术工作，15123026047，332614796@qq.com。

收稿日期：2016- 01- 21

中图分类号：X513

文献标识码：A

文章编号：1008- 553X（2016）02- 0068- 04

doi：10.3969/j.issn.1008- 553X.2016.02.021