室内微生物污染水平预测关键技术研究综述

张铭健,曹国庆,冯 昕



室内微生物污染水平预测关键技术研究综述

张铭健,曹国庆*,冯 昕

(中国建筑科学研究院有限公司,北京 100013)

室内微生物气溶胶来源多样,并受很多环境因素影响,可以利用统计学方法对室内微生物污染水平进行实时预测.本文首先介绍了预测模型的建立方法,并通过大量的文献调研,按照室内微生物污染水平预测模型建立的思路,介绍了现有研究得出的室内微生物气溶胶浓度与环境参数(换气次数、温湿度、人数、颗粒物、气流组织、CO2)的关系,总结了室内微生物污染水平预测模型,并给出了未来发展方向.

空气微生物；预测模型；生物气溶胶；影响因素；相关性

现代人有90%以上的时间是在室内度过的[1],室内空气质量(IAQ)已经成为大家关心的环境问题.在室内空气污染问题中,生物气溶胶占5%~34%[2].生物气溶胶通常指悬浮在气体介质中的生物来源的颗粒,其空气动力学直径最大为100μm,包括病毒、细菌、真菌、花粉、植物碎片及其衍生物(内毒素、葡聚糖、过敏原和霉菌毒素)[3].已知葡萄球菌对人类健康具有致敏或免疫毒性作用[4];暴露于室内的真菌(如交链孢霉、曲霉菌和青霉等)可加剧敏感个体中哮喘和过敏性鼻炎的症状[5].

不过对于生物气溶胶污染浓度限值,国际还没有统一的标准.美国政府工业卫生委员会(ACGIH)指出,可培养或可计数的生物气溶胶浓度的普适TLV(阀值),没有科学支持,缺乏描述暴露-反应关系的数据,且人居环境下的生物气溶胶一般都是许多不同的微生物、动物和植物的粒子的混合物.此外,采集和分析细菌和真菌气溶胶的统一的标准化方法的缺乏,使得暴露限值很难建立[6].

为了能对空气微生物进行检测和评估,许多研究提出了各种测量技术来确定生物气溶胶浓度,而且有相关的综述对其进行详细的介绍[4,7-8].但是,用于测量生物气溶胶的常规方法适用的范围不同,在实时预警、控制上具有一定的局限性.一是传统的微生物采样技术,如培养法比较成熟,能进行特异性检测,然而检测周期长,不能做到实时监测;二是像UV-APS这样的仪器能对空气微生物进行实时检测,但价格昂贵并且无特异性识别.

室内生物气溶胶的来源包括人类、宠物、植物、通风空调系统、霉菌、尘埃再悬浮和室外环境[9].室内生物气溶胶还受到温度和相对湿度影响,与颗粒物浓度、CO2、通风形式和换气次数等相关.因此,一些研究基于大量的现场检测数据,研究室内生物气溶胶与环境参数的关系,并利用统计学方法建立了能实时预测生物气溶胶浓度的数学模型.通过这些模型,监测一些环境参数作为自变量,就可以实时地预测室内空气微生物的污染水平,开发预测评价工具,为室内微生物污染控制提供目标导向.本文介绍了研究得出的室内微生物气溶胶与环境参数的关系,总结了现有的室内微生物污染水平预测模型,并给出未来发展方向.

1 室内微生物污染水平预测的研究方法

大量的研究表明,室内微生物污染水平是多因素作用下的结果,为了能够量化各种因素的相关程度,需要应用到统计学中的相关性分析,相关性系数的分类见表1;为了能实时预测,需要进行多元回归分析,建立统计学模型.

表1 相关性的分类

1.1 多元线性回归模型

1.1.1 概念 多元线性回归模型经常被应用于描述因变量和自变量之间的关系.多元线性回归模型的基本形式是:

式中:Y是因变量;是平均自变量;0是截距系数;是回归系数;是随机误差项.

多元线性回归模型的基本假定是:

(1)随机误差项是一个期望值或平均值为0的随机变量;

(2)对于自变量的所有观测值,随机误差项有相同的方差;

(3)随机误差项彼此不相关;

(4)自变量是确定性变量,不是随机变量,与随机误差项彼此之间相互独立;

(5)自变量之间不存在精确的(完全的)线性关系,即自变量的样本观测值矩阵是满秩矩阵;

(6)随机误差项服从正态分布.

1.1.2 建立多元线性回归模型的一般步骤

(1)准备数据:根据文献调查,确定相关变量,现场检测有关数据.

(2)模型建立:采用最小二乘法拟合一个多元回归模型,采用数学软件SPSS等计算出回归系数.

(3)模型检验

②对模型进行显著性F检验;

③对模型进行回归系数的显著性检验.某些变量不显著时,采取逐步分析法(SA,包含向前剔除法和向后剔除法)、主元分析法(PCA)和因子分析法(FA)等剔除多余变量.之后重新进入模型建立步骤,直至方程同时通过F检验和t检验.

1.2 多元非线性回归模型

1.2.1 概念 当独立变量与因变量不呈线性相关,需要应用非线性回归方法来解释因变量和自变量之间的关系.非线性模型可分为可线性化模型和不可线性化模型.基本的非线性回归方程形式是:

式中:Y是因变量;是平均自变量;是回归系数;是指数系数;是随机误差项.

1.2.2 建立多元非线性回归模型的一般步骤 可线性化模型的建立步骤与线性模型的建立步骤相似,而不可线性化模型需要通过迭代得出方程.

2 室内微生物气溶胶浓度与各变量的相关性分析

2.1 室内外微生物浓度关系

2.1.1 机械通风的情况 Zhu等[10]对美国一处二层带中央空调的办公楼进行采样调研,发现室内外生物气溶胶的浓度(,室内为C,室外为C)具有显著相关性(Rf=0.770,<0.01),C比C高.但下雨的时候,C反而比C高.室内送风口处测得的微生物浓度,与在空调系统的新风口处采集的C变化趋势一致并且数值相近,这说明空调系统是室外生物气溶胶进入室内的途径之一.在时间的变化趋势上,近地面C与C有延迟,但1.4m和2.36m处的C保持恒定.另外空调系统自身也会成为室内污染源之一,已有文章对此进行了综述[44].

2.1.2 自然通风的情况 对于一般不带中央空调的住宅,Lee等[11]在辛辛那提(美国)对室内外真菌气溶胶浓度(C,室外为C,室内为C)的关系进行了研究.通过采样观察发现,除了冬天的C/C>1,其余季节C/C<1,Ci,F受到C影响.这与Adams等[12]{Adams, 2013 #229}的结论是相似的.但对于冬天采暖的建筑,其关系还不是很明确.

另外很多相关的研究[13-17],他们的结论都是相似的.在室内无明显污染源的前提下,无论是自然通风还是机械通风下,C受C影响,而不同的通风策略也会直接影响室内外浓度比C/C.

2.2 换气次数(ACH)

曹国庆等[18]推导出无空气过滤措施时室内微生物污染方程的简化式,见式(5).当污染源释放量为常数、新风比=1时,增大换气次数或者换气次数为8h-1时,增大新风比,均能更好地控制室内生物污染,使其迅速达到稳定浓度,且稳定浓度较小,见图1.其中=0.2表示自然通风的情况.张海锋[19]的研究表明当机械通风的换气次数达到4次/h时,与换气次数0h-1相比,C有着大幅的降低.这两者得出的结论相似.

图1 不同换气次数和新风比对室内生物污染的影响

因为细菌和真菌来源的不同,换气次数对这两种微生物的影响不同.由Frankel等[20]给出的表2可以看到,换气次数与细菌呈负相关,与真菌呈正相关.其推测由于室内真菌主要来源于室外,细菌主要来源于室内,自然通风时当室内外的空气未达到平衡,换气次数越大,室内真菌浓度也越大,但室内细菌浓度越低,这是由于细菌浓度得到更好稀释.

表2 换气次数与细菌和真菌浓度的相关系数r和P值[20]

当使用不同的空调系统时,Wu等[21]的研究表明,使用空气处理机组(AHU)和风机盘管系统(FCU)的办公建筑,室内的真菌气溶胶浓度都与换气次数呈正相关.室内的细菌均比室外的高,使用FCU的系统室内真菌浓度更高,图2所示.这可能因为FCU自身更容易滋生真菌,或者并没有很好的过滤措施.

图2 AHU和FCU建筑的室内外微生物气溶胶浓度比值

*<0.05

由上面所述内容可以知道,室内外的生物气溶胶浓度存在关联.无论是自然通风还是机械通风的情况下,室内外的空气都进行着交换.当室内无其他污染源的时候,室内生物气溶胶来源于室外,并且通过围护结构或风管时形成沉降,一般i要比o小.当室内存在污染源,自然通风时换气次数较小,i就会变高;机械通风时还要考虑系统形式.当室内有污染源时,一次回风系统中,换气次数和新风比的增加均能有效降低室内微生物污染水平.室内可能无污染源时,室内受室外或空调系统微生物污染浓度的影响,换气次数反而和室内真菌浓度呈正相关.因此换气次数在不同的情况下对C的影响不同.

2.3 温湿度

2.3.1 室内温湿度 对于生物气溶胶的生长来说,室内温度()和相对湿度(RH)是两个最重要的因素[3].当前研究室内微生物气溶胶在热湿环境下的生长特性有两种方法.

一是控制室内的温湿度,在不同的温湿度下,从送风口处释放样品,观察其随时间的变化和最终的平衡浓度,建立失活动力学模型.丁力行等[22]的结果如图3所示.图中标签处50%、60%、80%为相对湿度.当相对湿度达到50%的时候,肺炎链球菌浓度和青霉菌浓度都最快地达到最低的水平.

另一种是从室内生物气溶胶中取样,通过统计学手段得出C与温湿度的相关性.此方法的应用更多,不限于在空调房间内使用.相关研究表明,C与RH具有显著的相关性[10,23-24],RH对于C的影响大于温度和风速[23-24].

图3 肺炎链球菌浓度和青霉菌浓度变化

表3 室内外温湿度与细菌和真菌浓度的相关系数r和P值[20]

注:为样本量.

Frankel等[20]的研究则有些不同,如表3所示,细菌与室内温度呈显著负相关,而与室内相对湿度则无统计学意义(>0.05),真菌与室内温湿度都是显著正相关.另外室外温湿度均与细菌无统计学意义,而与真菌呈显著相关.这也从侧面说明真菌主要来源于室外,受室外温湿度影响.

2.3.2 空调系统的温湿度 在带有空调系统的房间,由于合适的温湿度和灰尘等作为营养物质,通风空调会成为室内微生物污染的来源之一.一定的温湿度致使通风空调的设备滋生微生物,而间接影响了室内的微生物污染水平.Chang[25]对空调通风管道中的真菌生长进行了研究,发现在相对湿度97%、干球温度21℃的环境下,6周后风管中的真菌含量增加了20倍以上,这表明在适宜的生长环境下,微生物繁殖的速度十分惊人.细菌的可生长温度在5~ 55 ℃之间,在30~46℃范围内生长良好,细菌生长需要的相对湿度较大,在55%~99%之间;真菌的可生长温度在5~45℃,在22~30℃范围内生长活跃,真菌适合在湿度较大的环境下生长,环境相对湿度在70%~99% 内生长活跃[26].

以上可以看到,空调系统的微生物于适宜的温湿度和丰富的营养物的条件下就可以生长得很快.但室内细菌气溶胶浓度可能与温度呈负相关,这仍需要更深入的研究来验证.

2.4 人数

人的存在可以增加室内的细菌气溶胶浓度并在建筑物内留下明显的人体微生物信号[28-29].人的行或跑的动作能扰动气溶胶,说话的时候会飞溅唾液,皮肤的代谢可以脱下皮屑[27].

Gunnar等[30]的实验说明了人能增加室内的细菌气溶胶浓度,其观察儿童进出环境舱前后的细菌气溶胶和真菌气溶胶的浓度变化.如图5所示,当儿童在舱内时,细菌气溶胶浓度明显增加,相比之下真菌气溶胶变幅不大,而儿童离开舱后,就算通风扬尘,细菌和真菌的气溶胶浓度均下降.

图4 室内微生物气溶胶浓度的变化

Heo等[31]研究人数、活动类型与细菌气溶胶之间的关系.学生大厅的细菌气溶胶与人数呈正相关性(²=0.9764,-value<0.050),而真菌气溶胶与人数之间无统计学意义(²=0.78,-value>0.05).在测试房间里,单个人的活动能增加细菌气溶胶浓度,其中说话这种呼吸剧烈的动作会减少细菌气溶胶浓度.这可能是因为人类呼吸系统,包括口腔部位、喉和气管可以捕获一部分细菌生物气溶胶和普通颗粒,从而降低其浓度.另外,说话可能增加周围空气中的水分,这可能附着并增加吸湿性气溶胶颗粒的直径,从而增加高重力沉降速率.

Tseng等[32]认为办公室的主要室内活动是走动或者处理办公室工作,因此对于人的因素进行了简化,使用人员密度(人数/总面积)来进行表征.

Meadow等[13]使用基因测序的方法,研究3种主要的可能与人相关的细菌OTU属(操作分类单元),即棒状杆菌属、葡萄球菌属和不动杆菌属时,发现这3种在室内的丰富度比室外的高.其中葡萄球菌属和不动杆菌属在室内有人时比没有人时的丰富度高.同时也表明,通风的策略和空气的来源比起人的存在,影响可能会更大.

Fang[33]对北京31处住宅的室内可培养细菌气溶胶进行了调研.结果表明,儿童的性别和每人居住面积对细菌气溶胶浓度具有显著的影响.男性儿童要比女性儿童增加更多的细菌气溶胶浓度,而每人居住面积与细菌气溶胶浓度成负相关.

以上的研究都说明了人是室内细菌气溶胶的主要来源,这可能是由于人皮肤上的细菌脱落在空气中.

2.5 CO2

Hsu等[36]研究了总真菌浓度(TFC)和总细菌浓度(TBC)与CO2的相关性.结果表明TBC与CO2呈中等相关性(相关系数0.44),TFC与CO2呈弱相关性(相关系数0.16).因此,TBC浓度可能受到室内人体活动强度和换气次数的影响,这与本文前面的结论一致.

2.6 颗粒物和微生物气溶胶的相关性

Kulkarni等[34]在一本著作中写道,生物颗粒和非生物颗粒在空气中可以用类似的方式表现,并且因此对作用于其上的力以及影响它们的过程作出类似的响应.例如,相同大小的生物和非生物颗粒在空气中会表现出相似的动力学现象.再者,这两种粒子之间可能会发生相互作用,其中最有可能是由粒子碰撞导致的凝结.该过程既取决于颗粒浓度又取决于颗粒大小,并且取决于颗粒朝向彼此的扩散速率.例如,当一个高扩散系数的小颗粒扩散到一个大表面的较大颗粒时,这个过程会更快.而室内颗粒物浓度与微生物浓度的关系目前还没有明确的理论关系.

2.6.1 工程动力学模型 在工程上,利用这种动力学相似性,将非生物气溶胶粒子的理论应用在了生物气溶胶粒子.曹国庆等[18]采用微积分方法建立了通风过滤模型,推导了室内生物污染浓度理论瞬时计算式和稳定式,见式(3)和(4),以及无空气过滤措施时的简化式,见式(3).Nazaroff[7]则利用质量守恒定律,根据房间内的浓度得失建立自然通风和机械通风下,生物气溶胶浓度的稳态方程,见式(5)和(6).

从两者的方程可以看到,确定了室外微生物浓度、室内人员散发率、微生物颗粒沉降率等参数后,室内微生物浓度就可以算出.

2.6.2 统计学模型 在实际过程中,为了研究生物颗粒与非生物颗粒之间的关系,多数采用观察实验.

Mirhoseini等[35]对办公室、实验室、住宅、学校、宿舍等进行调查.其同时使用了Andersen撞击采样器和全玻璃撞击采样器(AGI)进行了采样.在室内气溶胶颗粒浓度直径<1μm占95%的情况下,2个采样器的可培养细菌浓度和PM1具有显著的相关性,见表4.

表4 培养细菌浓度与PM1和PM0.5相关系数

注:**表示相关性的显著程度在0.01(双侧).

Hsu等[36]研究了总真菌浓度(TFC)和总细菌浓度(TBC)与PM2.5和PM10的相关性.结果表明TFC对PM2.5和PM10的相关性比TBC的更强,但相关性都不高,见表5.

表5 TBC和TFC各自对PM2.5和PM10的相关系数

Huang等[37]将颗粒细分成不同的粒径,分别研究了不同粒径下计重浓度(PM)和计数浓度(PN)与细菌和真菌气溶胶浓度的相关性.得到的结果是细菌与室内PM1~2.5中度相关,与室内PM2.5弱相关,与室内PM2.5~10中度相关,与PM10弱相关;相关度最高的是PM2.5~10粗颗粒,因此大部分细菌可能分布在粗颗粒,小部分在细颗粒.真菌与室内PM1~2.5和PM2.5~10中度相关,与PM10弱相关.另外该研究还将PN划分不同的粒径.细菌气溶胶浓度与PN1.6~17.5µm和PN25~32µm从弱相关到强相关,真菌气溶胶浓度与PN1.6~2µm中度相关,与PN2~10和PN17.5~20µm为弱相关.而室内的生物气溶胶与室外的PM均无显著相关性.现只列出室内的有关数据,见表6和表7.

从以上文献可以看到,不同空气动力学直径的非生命颗粒计重浓度与微生物气溶胶浓度的相关性存在着差异,而不同研究者之间,由于采样地和采样仪器的不同,也存在着差异.不过可以确定的是,颗粒物浓度与微生物气溶胶浓度存在一定的相关性.

表6 分段粒径的颗粒计重浓度与生物气溶胶的相关系数R和p值

注:*值<0.05.

表7 分段粒径的颗粒计数浓度与生物气溶胶的相关系数R和p值

注:*值<0.05.

2.7 气流组织

通风对室内空气中微生物的影响主要体现在微生物的浓度分布、扩散传播以及控制效果上.在上一节内容可以看到,颗粒物和微生物存在相关性,不同气流组织对颗粒物浓度的影响可以作为对微生物浓度影响的参考.这方面的研究思路是实验或模拟,或两者结合[38-40].

还有一些文献直接研究了不同气流组织下去除室内微生物的效果.

张海峰[19]在室外非霾天状况下,对气流室内不同气流组织形式下的微生物气溶胶和细颗粒物(PM2.5)进行了同步采样,研究了微生物气溶胶与大气细颗粒物的相关性.结果如表8所示:在侧面送风顶部排风的气流组织形式中,在气流室内的空气环境中细菌和真菌气溶胶的浓度与大气细颗粒物PM2.5的浓度呈现出相关性显著的关系;在侧面送风对门排风的气流组织形式中,在气流室内的空气环境中细菌、真菌微生物气溶胶的浓度与大气细颗粒物PM2.5的浓度呈现出相关性不显著的关系;在侧面送风底部排风的气流组织形式中,在气流室内的空气环境中细菌、真菌微生物气溶胶的浓度与大气细颗粒物PM2.5的浓度呈现出相关性不显著的关系.

表8 不同气流组织类型下室内微生物气溶胶与PM2.5的拟合[19]

对于不同气流组织下微生物浓度的变化,得出的结论如图5所示:3种不同送排风气流组织形式下降低的百分比分别为:在细菌气溶胶上,侧送门排(95.8%)>侧送底排(65.8%)>侧送顶排(45.1%);在真菌气溶胶上:侧送顶排(38.9%)>侧送门排(14.8%)>侧送底排(7.2%).

图5 不同送排风气流组织形式下降低的百分比

在另一项研究中,张益昭等[41]在生物安全模型实验室内进行微生物气溶胶发菌(菌种为枯草杆菌黑色芽孢菌种)实验.研究得出,气流对污染物的控制和排除作用明显,上送下排对污染物的排除效果明显优于上送上排.这与张海锋的结论相似,但实验菌种是真菌的话效果可能就不同了.由图5可知,气流组织对细菌的影响要比对真菌的影响要大.

丁研[42]研究表明,1~2μm左右的微生物在室内环境中有良好的气流跟随性.在普通办公环境下,用自净时间和换气效率等指标对各形式的污染物去除能力进行评价.其中上送风、侧送风和下送风的3种气流组织形式中(均上回),下送风气流组织形式对室内环境的传染病防控有较好的效果.

以上研究没有对比不同系统下气流组织对室内微生物污染水平的影响,不同建筑类型的室内气流组织与微生物污染水平的相关性研究以及对比分析还缺乏,也少有预测模型将气流组织作为自变量.细菌和真菌因为粒径的不同,跟随气流的程度不同,因此不同气流组织对这两者的影响不同.

3 现有预测模型的对比分析

生命颗粒有自身的生长特性,就细菌和真菌来说,从前面的相关性分析来看,各自的来源不同.另外细菌气溶胶浓度能很好地和颗粒物计数浓度拟合,真菌则不能,这说明从数量上,颗粒物和真菌的相似性较低.为了能更准确地实时预测,需要通过建立统计学模型.目前已有很多文献进行研究,预测的可靠度有好有坏,不同地方存在着差异,见表9.最终目的是通过各种方法,提高预测的准确度.

Green等[43]通过室内湿度、室内温度、季节、水损害、可见霉菌、防水材料、健康问卷和室内宠物等变量建立了多元线性回归的预测模型,预测模型精度达到97%.

Mui等[44]提出了一个非线性预测模型(= 0.0022T2.44RH1.2CFU/m3)的经验表达式,用室内温度和相对湿度来预测室内细菌浓度,与细菌浓度的相关系数=0.40(<0.05).

Tseng等[32]调查了37处台北的办公建筑.以监测数据(如室内外粗颗粒(PM10)、细颗粒(PM2.5)、CO2浓度和温度(T)、相对湿度 (RH)和管理数据(如楼层数、人员密度、空调类型、换气次数、污染源)为自变量,建立线性和非线性的方程.R²的比较结果是:多处建筑>单栋建筑,线性方程>非线性方程,监测数据和管理数据为自变量>仅以监测数据为自变量.

Huang等[37]调研台南地区的公共建筑,并选择了PM和PN的不同粒径作为自变量来建立方程并进行比较.同时,比较了建模方法,即SA、SA+PCA和SA+FA之间的比较,得出PN比PM更适合作为自变量,以PM和PN为自变量不能很好地预测真菌的浓度;在减少自变量数量的同时,SA+FA的准确度要比SA+PCA高,也比只用监测数据建模的方程的准确度高.这说明,使用PN作为自变量,可以减少自变量数量的同时,适用的范围广,准确度也较高.

由以上的方程可以看到,在同一处建筑内,相同因素较多,因此可以在自变量较小的情况下得到较高的预测能力;在不同地方的建筑内,室内微生物污染水平的影响和相关因素较多,当增加相关变量的时候,可以提到预测能力.不过只用PN的不同粒径作为自变量,也可以在同一个地区不同地方具有较好的预测能力.预测细菌和真菌浓度的自变量并不一样.对于细菌,PN就能很好地预测,而对真菌的预测能力不强.这需要根据真菌与环境参数的相关性,在真菌的预测方程增加合适的自变量.就上述文献调研内容来看,需要引入的自变量可能是室内温湿度.此外,以上方程仍缺少不同模型之间的相互对比验证,因此还不能确定方程是否能对其他地方通用.尤其是我国地域广阔,气候多样,需要基于我国不同地区的调研数据进行建模,与国外地区进行对比验证.

表9 室内微生物污染水平预测模型汇总

注:H—室内相对湿度RH,T—室内温度,S—季节,W—防水,V—可见霉,M—受损材料,H—健康问卷,P—室内宠物,AVIndoor—空调类型,PSIndoor—潜在污染源,PDIndoor—人员密度(人/m²),­—总菌落数(CFU m-3),B—细菌菌落数(CFUm3),F—真菌菌落数(CFU/m3),PM—颗粒物计重浓度(μg/m³),PN—颗粒物计数浓度(个/m3).

4 结语

4.1 由于现有的技术有自身的使用范围和一定的局限性,对室内微生物污染进行实时监测费时、费力.为了解决这个问题,一种思路是研发能实时检测室内微生物污染的仪器,但是成本高昂;另一种研究思路是根据室内微生物污染水平和环境参数的关系,建立预测模型,给室内微生物污染的控制提供目的导向.

4.2 生命颗粒有自己的来源和特征.比如室内细菌主要来自人,室内真菌主要来自室外,并随着环境参数的改变浓度发生改变;换气次数对自然通风下的细菌和真菌浓度有不同的作用;这两者所粘附的颗粒物粒径不同.因此为了能对室内微生物污染水平进行实时预测,可以利用统计学方法进行建模.

4.3 预测模型的自变量有室内的温湿度、人数、换气次数、气流组织、空调类型、颗粒物浓度等.但并不是加入越多变量越好,为了能实时预测,变量数据还应该在保证准确度的同时,能方便在线监测.

4.4 颗粒物浓度和室内微生物气溶胶浓度存在一定的相关性.有些研究可能由于样本量小或者仪器量程的原因,并没有得到显著的相关性,但最近的一些研究,已经得出其中的相关性,并以其为自变量建立了预测模型.以PN为自变量的预测模型可以有广泛应用的同时,能达到较高R²值.但对于真菌来说,还需要引入相关变量,提高准确度.

4.5 室内微生物气溶胶来源多样,并受很多环境因素影响,可以利用统计学方法对室内微生物污染水平进行实时预测.可尝试以颗粒物计数浓度为自变量预测室内细菌气溶胶浓度,室内真菌气溶胶浓度则需要另外引入温湿度等相关自变量以提高预测能力.

4.6 目前还缺乏基于中国大陆调研数据建立的预测模型,并且已有预测模型之间没有相互进行过验证,未来的工作应该测出中国的调研数据,并建立不同地区的预测模型,并与其他模型进行对比验证.

[1] Klepeis N E, Nelson W C, Ott W R, et al. The national human activity pattern survey (NHAPS): a resource for assessing exposure to environmental pollutants [J]. J Expo Anal Environ Epidemiol, 2001,11(3):231-252.

[2] Srikanth P, Sudharsanam S, Steinberg R. Bio-aerosols in indoor environment: composition, health effects and analysis [J]. Indian Journal of Medical Microbiology, 2008,26(4):302.

[3] Cox C S, Wathes C M. Bioaerosols handbook [M]. New York: Lewis Publishers (CRC Press), 1995:618-623.

[4] Mandal J, Brandl H. Bioaerosols in indoor environment - A review with special reference to residential and occupational locations [J]. Open Environmental & Biological Monitoring Journal, 2011,4(1): 83-96.

[5] Portnoy J M, Kwak K, Dowling P, et al. Health effects of indoor fungi [J]. Ann. Allergy Asthma Immunol., 2005,94(3):313-320.

[6] ACGIH. Threshold limit values (TLVs) for chemical substances and physical agents and biological exposure indices (BEIs) [M]. USA. 2009:223-226.

[7] Bhangar S, Adams R I, Pasut W, et al. Chamber bioaerosol study: human emissions of size‐resolved fluorescent biological aerosol particles [J]. Indoor Air, 2016,26(2):193.

[8] Xu Z, Wu Y, Shen F, et al. Bioaerosol science, technology, and engineering: Past, present, and future [J]. Aerosol Science & Technology, 2011,45(11):1337-1349.

[9] Prussin A.J, Marr L.C. Sources of airborne microorganisms in the built environment [J]. Microbiome, 2015,3(1):78.

[10] Zhu H, Phelan P, Duan T, et al. Characterizations and relationships between outdoor and indoor bioaerosols in an office building [J]. China Particuology, 2003,1(3):119-123.

[11] Lee T, Grinshpun S.A, Martuzevicius D, et al. Culturability and concentration of indoor and outdoor airborne fungi in six single- family homes [J]. Atmospheric Environment, 2006,40(16):2902.

[12] Adams R I, Miletto M, Taylor J W, et al. Dispersal in microbes: fungi in indoor air are dominated by outdoor air and show dispersal limitation at short distances (vol 7, 1262, 2013) [J]. Isme Journal, 2013,7(7):1262-1273.

[13] Meadow J F, Altrichter A E, Kembel S W, et al. Indoor airborne bacterial communities are influenced by ventilation, occupancy, and outdoor air source [J]. Indoor Air, 2014,24(1):41.

[14] Burge H A, Pierson D L, Groves T O, et al. Dynamics of airborne fungal populations in a large office building [J]. Current Microbiology, 2000,40(1):10-16.

[15] Kim K Y, Chi N K. Airborne microbiological characteristics in public buildings of Korea [J]. Building & Environment, 2007,42(5):2188- 2196.

[16] Lee J H, Jo W K. Characteristics of indoor and outdoor bioaerosols at Korean high-rise apartment buildings [J]. Environmental Research, 2006,101(1):11-17.

[17] 方治国,黄 闯,楼秀芹,等.南方典型旅游城市空气微生物特征研究 [J]. 中国环境科学, 2017,37(8):2840-2847.

[18] 曹国庆,张益昭.通风与空气过滤对控制室内生物污染的影响研究 [J]. 土木建筑与环境工程, 2009,31(1):130-135.

[19] 张海峰.气流组织形式对室内微生物气溶胶浓度的影响 [D]. 西安:长安大学, 2015.

[20] Frankel M, Bekö G, Timm M, et al. Seasonal variations of indoor microbial exposures and their relation to temperature, relative humidity, and air exchange rate [J]. Applied & Environmental Microbiology, 2012,78(23):8289-8297.

[21] Wu P C, Li Y Y, Chiang C M, et al. Changing microbial concentrations are associated with ventilation performance in Taiwan's air- conditioned office buildings [J]. Indoor Air, 2005,15(1):19-26.

[22] 丁力行,查 潇,邓开野,等.某空调系统室内空气微生物湿处理特性及失活动力学模型[J]. 制冷与空调, 2015,15(10):90-94.

[23] Mui K W, Wong L T, Hui P S. Risks of unsatisfactory airborne bacteria level in air-conditioned offices of subtropical climates [J]. Building & Environment, 2008,43(4):475-479.

[24] Law Anthony K Y, Chau C K, Chan Gilbert Y S. Characteristics of bioaerosol profile in office buildings in Hong Kong [J]. Building & Environment, 2001,36(4):527-541.

[25] Chang J C S, Foarde K K, Vanosdell D W. Assessment of fungal (Penicillium chrysogenum) growth on three HVAC duct materials [J]. Environment International, 1996,22(4):425-431.

[26] 严汉彬,丁力行.控制空调系统微生物污染的温湿度条件分析 [J]. 制冷与空调, 2011,11(2):14-17.

[27] Goh I, Obbard J P, Viswanathan S, et al. Airborne bacteria and fungal spores in the indoor environment a case study in Singapore [J]. Acta Biotechnologica, 2000,20(1):67-73.

[28] Hospodsky D, Qian J, Nazaroff W.W, et al. Human occupancy as a source of indoor airborne bacteria [J]. Plos One, 2012,7(4):1-10.

[29] Qian J, Hospodsky D, Yamamoto N, et al. Size-resolved emission rates of airborne bacteria and fungi in an occupied classroom [J]. Indoor Air, 2012,22(4):339.

[30] Lundqvist G R, Aalykke C, Bonde G J. Evaluation of children as sources of bioaerosols in a climate chamber study [J]. Environment International, 1990,16(3):213-218.

[31] Heo K J, Lim C E, Kim H B, et al. Effects of human activities on concentrations of culturable bioaerosols in indoor air environments [J]. Journal of Aerosol Science, 2017,104:58-65.

[32] Tseng C H, Wang H C, Xiao N Y, et al. Examining the feasibility of prediction models by monitoring data and management data for bioaerosols inside office buildings [J]. Building & Environment, 2011, 46(12):2578-2589.

[33] Fang Z. Characteristic and concentration distribution of culturable airborne bacteria in residential environments in Beijing, China [J]. Aerosol and Air Quality Research, 2014,14:943-953.

[34] Kulkarni P, Baron P A, Willeke K. Aerosol Measurement: Principles, techniques, and applications, third edition [M]. Van Nostrand Reinhold, 2011:381-392.

[35] Mirhoseini S H, Nikaeen M, Satoh K, et al. Assessment of airborne particles in indoor environments: Applicability of particle counting for prediction of bioaerosol concentrations [J]. Aerosol and Air Quality Research, 2016,16(8):1903-1910.

[36] Hsu Y C. Characterization of indoor-air bioaerosols in southern Taiwan [J]. Aerosol and Air Quality Research, 2012,16:651-661.

[37] Huang H.L, Lee M.Q, Shih H.W. Assessment of indoor bioaerosols in public spaces by real-time measured airborne particles [J]. Aerosol & Air Quality Research, 2017,17(9):2276-2288.

[38] 陈卫中,楼晓明,任丽华,等. 2011年浙江省公共场所集中空调通风系统污染状况分析 [J]. 中国卫生检验杂志, 2012,10):2477-2478.

[39] Murakami S, Kato S, Nagano S, et al. Diffusion characteristics of airborne particles with gravitational settling in a convection-dominant door flow field [J]. Ashrae Transactions, 1992,98:82-97.

[40] Pereira M L, Graudenz G, Tribess A, et al. Determination of particle concentration in the breathing zone for four different types of office ventilation systems [J]. Building & Environment, 2009,44(5):904-911.

[41] 张益昭,于玺华,曹国庆,等.生物安全实验室气流组织形式的实验研究 [J]. 暖通空调, 2006,36(11):1-7.

[42] 丁 研.送风气流形式对于室内生物污染物传播的影响研究 [D]; 天津大学, 2012.

[43] Green C F, Scarpino P V, Gibbs S.G. Assessment and modeling of indoor fungal and bacterial bioaerosol concentrations [J]. Aerobiologia, 2003,19(3/4):159-169.

[44] Mui K W, Wong L T, Hui P S. Risks of unsatisfactory airborne bacteria level in air-conditioned offices of subtropical climates [J]. Building and Environment, 2008,43(4):475-479.

[45] Liu Z, Ma S, Cao G, et al. Distribution characteristics, growth, reproduction and transmission modes and control strategies for microbial contamination in HVAC systems: A literature review [J]. Energy and Buildings, 2018,177:77-95.

Review of key technologies for forecast of indoor microbial contamination levels.

ZHANG Ming-jian, CAO Guo-qing*, FENG Xin

(China Academy of Building Research, Beijing 10013, China)., 2018,38(11)：4040~4049

Indoor microbial aerosols come from various sources and are affected by many environmental factors. Statistical methods could be used to predict the indoor microbial pollution levels in real time. The methods of establishing prediction models were firstly presented. Then, the relationship between indoor microbial aerosol concentration and environmental parameters (air exchange rate, temperature, relative humidity, number of people, particulate matter and air distribution, CO2) was introduced. The prediction model of indoor microbial pollution level was summarized, and the future development direction was provided.

airborne microorganism；prediction model；bioaerosols；factors；correlation

X502

A

1000-6923(2018)11-4040-10

张铭健(1992-),男,广东云浮人,在读硕士研究生,主要从事室内空气品质和净化空调方向研究.

2018-04-23

“十三五”国家重点研发计划项目(2017YFC0702800)

* 责任作者, 研究员, cgq2000@126.com