基于差分光学吸收光谱技术的交通主干道污染气体监测 下载: 1048次
1 引言
随着汽车工业的发展和人民生活水平的提高,汽车保有量快速增加,中国汽车保有量已超过3亿辆,其中青岛市的汽车保有量为200多万辆。与此同时,燃油消耗也快速增加,机动车尾气排放已成为我国城市大气的主要污染源之一。机动车尾气中含有大量大气污染物,包括氮氧化物、碳氢化合物和CO等,不仅导致能见度降低、雾霾频发[1],而且对人们的身体健康和正常生活带来了严重威胁[2-3]。
传统测量手段和设备[4]一般应用于定点检测,仅能测量出某一定点周围污染气体的浓度,不适于实时在线连续测量,不具备时空代表性。1979年,Platt等[5]首次利用差分光学吸收光谱(DOAS)技术测量大气痕量气体。DOAS技术具有非接触式、快速和实时等优点,被广泛应用于N
本文利用长程差分光学吸收光谱(LP-DOAS)技术对青岛市海尔路和银川东路交叉路口的污染气体进行了长期实时在线监测,并与附近环境监测站的测量结果进行比对验证,结果显示两者具有较好的一致性;分析了交通主干道大气污染气体的日变化、周变化、月变化特征,研究了机动车流量对污染物浓度和空气质量的影响。
2 实验方案
2.1 仪器设备介绍
LP-DOAS系统主要由DOAS系统主机和角反射镜组成。前者主要包括氙灯、收发一体望远镜、接收光纤、光谱仪、控制计算机等。LP-DOAS系统结构及其测量过程如
氙灯光源位于主镜M的焦点上,其发出的光进入望远镜后,经过次镜M1反射到主镜M上,经过主镜准直变为平行光。发射的平行光通过被监测的大气吸收消光后到达放置在光程另一端的角反射器上,反射后再经过一次大气的吸收消光过程,回到望远镜内环的接收部分。接收到的光经过次镜M2反射进入光纤的入射端面,将光纤的出射端连接到光谱仪。光谱仪中的光栅将光纤传输来的入射光谱进行分光,利用CCD探测器采集光谱信息,并转为电信号。使用光谱仪中的A/D转换模块进行电信号采集,并将采集到的数据通过USB数据线传至计算机,进行下一步的处理。
LP-DOAS系统的光谱分辨率为0.4 nm,波段范围为280~390 nm,该系统可同时测量NO2、SO2和O3等污染气体。LP-DOAS系统的反演原理基于朗伯-比尔定律,当光通过大气时,光强会因为气体分子的吸收以及大气中存在的瑞利散射和米散射等发生衰减,由于不同的气体分子在不同波长处具有特定的特征吸收峰,故可以利用此“指纹吸收”特征鉴别气体分子的种类[13]。根据NO2、SO2和O3三种气体的吸收光谱特征,结合LP-DOAS系统特点,选取360~390 nm波段作为NO2气体的反演波段,选取305~320 nm波段作为SO2气体的反演波段,选取300~315 nm波段作为O3气体的反演波段,在以上各反演波段内,根据DOAS算法[13],分别对以上各种气体的差分吸收截面和差分光学密度进行最小二乘拟合,可以反演出以上各种气体的浓度。
2.2 实验站点
将LP-DOAS放置在山东省科学院海洋仪器仪表研究所主楼19楼实验室内,角反射器放置在对面龙海明珠大厦的楼顶,二者的直线距离为836 m(往返光程为1672 m),距离地面的垂直高度约为90 m,光程横跨车流量密集的海尔路与银川东路十字交叉口,监测的是此光程上污染气体的平均浓度。同时在LP-DOAS旁安装摄像头,实时监控和记录交叉路口的车流量情况。
环境监测站位于青岛市崂山区西部,与LP-DOAS监测位置的水平直线距离约300 m。环境监测站采用点式测量法,主要监测有限区域内近地面各种污染气体的浓度。
2.3 实验结果对比分析
将2018年LP-DOAS系统和环境监测站所测量的污染气体(NO2、SO2和O3)小时平均浓度数据进行比对分析,结果如
纵观
图 2. LP-DOAS和传统点式仪器测量结果的比较。(a) NO2;(b) O3;(c) SO2;(d)相对偏差
Fig. 2. Comparison of NO2, O3, and SO2 concentration measured by LP-DOAS and at the station. (a) NO2; (b) O3; (c) SO2; (d) relative deviation
3 分析与讨论
利用LP-DOAS系统对青岛市崂山区海尔路和银川路交叉口附近进行长期的环境空气监测,监测的污染气体主要是NO2、SO2和O3,同时发现了交通流量与该路段上空污染气体NO2的浓度具有很高的正相关性。
图 3. 2018年10月18日NO2、O3和SO2浓度的日变化。(a) NO2;(b) O3;(c) SO2
Fig. 3. Diurnal variation of concentration of NO2, O3, and SO2. (a) NO2; (b) O3; (c) SO2
3.1 污染气体浓度日变化特征
3.2 污染气体浓度周变化特征
基于2018年11月12—18日早高峰7时至9时的监测结果,并与该时段车流量监测数据进行对比分析,得到早高峰期间NO2浓度的周变化特征,如
图 4. 早高峰时段NO2浓度的周变化及其与车流量的关系
Fig. 4. Weekly variation of NO2 concentration and the relationship with the traffic flow during morning rush hour
图 5. 2018年三种污染气体的月变化情况。(a) NO2;(b) O3;(c) SO2
Fig. 5. Monthly variation of concentration of three gases. (a) NO2; (b) O3; (c) SO2
3.3 污染气体浓度月变化特征
由
由
3.4 污染气体与机动车流量的关系
为了研究城市中监测区域NO2、SO2、O3的浓度变化趋势与交通流量的相关性,将监测区域测量的三种污染气体浓度与该路段的交通流量作拟合分析,通过计算相关系数分析该监测区域机动车排放对各待测气体浓度的贡献。
由
图 6. NO2、O3 和 SO2浓度与车流量的关系
Fig. 6. Relationship among the traffic flow and the NO2, O3, and SO2 concentrations
4 结论
利用自主研发的LP-DOAS系统对青岛市某交通主干道的污染气体进行观测,获得该交通主干道NO2、O3和 SO2的浓度,并将LP-DOAS结果和环境监测站结果进行对比验证,结合实时车流量研究机动车尾气对大气污染的影响,得到如下结论:LP-DOAS观测结果和环境监测站测量结果十分吻合,NO2和O3浓度的相关系数均大于0.78,验证了LP-DOAS的准确性和可靠性;NO2呈现明显的早晚双峰特征。通过分析典型的早高峰时段污染气体周变化数据,发现所分析的典型周变化中工作日的NO2浓度高于周末,具有显著“周末效应”。通过与实时获得的车流量数据进行相关性分析,发现NO2浓度与交通流量呈强正相关,O3浓度与交通流量呈负相关,SO2浓度基本不变。
本文将LP-DOAS技术成功应用于城市主干道空气污染的在线、连续和长期监测。随着技术发展和系统设备的完善,LP-DOAS监测系统具有良好的应用前景。
[1] Christoforou C S, Salmon L G, Hannigan M P, et al. Trends in fine particle concentration and chemical composition in southern California[J]. Journal of the Air & Waste Management Association, 2000, 50(1): 43-53.
[2] Peters A. Particulate matter and heart disease:evidence from epidemiological studies[J]. Toxicology and Applied Pharmacology, 2005, 207(2): 477-482.
[3] 任艳军, 李秀央, 金明娟, 等. 大气颗粒物污染与心血管疾病死亡的病例交叉研究[J]. 中国环境科学, 2007, 27(5): 657-660.
Ren Y J, Li X Y, Jin M J, et al. The case-crossover studies of air particulate matter pollution and cardiovascular disease death[J]. China Environmental Science, 2007, 27(5): 657-660.
[4] Mothé G, Castro M, Sthel M, et al. Detection of greenhouse gas precursors from diesel engines using electrochemical and photoacoustic sensors[J]. Sensors, 2010, 10(11): 9726-9741.
[5] Platt U, Perner D, Pätz H W. Simultaneous measurement of atmospheric CH2O, O3, and NO2 by differential optical absorption[J]. Journal of Geophysical Research Atmospheres, 1979, 84(10): 6329-6335.
[6] 朱靳, 孙冬梅, 陈玲. 基于差分吸收光谱技术的NH3浓度反演算法研究[J]. 光学学报, 2013, 33(2): 0230004.
[7] 周海金, 刘文清, 司福祺, 等. 被动多轴差分吸收光谱技术监测大气NO2垂直廓线研究[J]. 光学学报, 2011, 31(11): 1101007.
[8] 谢品华, 刘文清, 郑朝晖, 等. 差分光学吸收光谱(DOAS)技术在烟气SO2监测中的应用[J]. 光子学报, 2000, 29(3): 271-276.
Xie P H, Liu W Q, Zheng Z H, et al. Differential optical absorption spectroscopy (DOAS) technique applied to monitor sulfur dioxide in flue gas[J]. Acta Photonica Sinica, 2000, 29(3): 271-276.
[9] 李素文, 刘文清, 秦敏, 等. 奥运期间北京市交通污染的DOAS监测与分析[J]. 安全与环境学报, 2011, 11(1): 118-121.
Li S W, Liu W Q, Qin M, et al. Analysis of traffic emissions during the period of 2008 Beijing Olympic Games based on the DOAS monitoring[J]. Journal of Safety and Environment, 2011, 11(1): 118-121.
[10] 杜嵩山, 胡肇焜. 青奥会期间利用车载DOAS探测南京地区污染气体的分布和输送[J]. 四川环境, 2018, 37(2): 121-126.
Du S S, Hu Z K. Distribution and transportation of pollution gases in Nanjing during the 2014 Youth Olympic Games[J]. Sichuan Environment, 2018, 37(2): 121-126.
[11] 王珊珊, 周斌, 叶庆, 等. 车载被动差分吸收光谱在城市道路空气污染监测中的应用[J]. 光学学报, 2009, 29(10): 2645-2649.
[12] Li X X, Wang Z J, Chen C, et al. Marine boundary layer NO2 measurements by ship-borne MAXDOAS during an offshore observation campaign, 2015[J]. Proceedings of SPIE, 2017, 10250: 1025031.
[13] PlattU. Differential optical absorption spectroscopy (DOAS), air monitoring by spectroscopic techniques[M]. New York: John Wiley, 1994.
[14] 马一琳, 张远航. 北京市大气光化学氧化剂污染研究[J]. 环境科学研究, 2000, 13(1): 14-17.
Ma Y L, Zhang Y H. The study on pollution of atmospheric photochemical oxidants in Beijing[J]. Research of Environmental Sciences, 2000, 13(1): 14-17.
Article Outline
王章军, 郝菁, 宋晨光, 李先欣. 基于差分光学吸收光谱技术的交通主干道污染气体监测[J]. 激光与光电子学进展, 2020, 57(9): 093003. Zhangjun Wang, Jing Hao, Chenguang Song, Xianxin Li. Traffic Pollution Gas Monitoring Based on Differential Optical Absorption Spectroscopy Technology[J]. Laser & Optoelectronics Progress, 2020, 57(9): 093003.