模拟建筑钻孔事件下低成本颗粒物传感器的非累积、粒径特异性校准

《Atmosphere》：Non-Cumulative, Size-Specific Calibration of Low-Cost Particulate Matter Sensors Under Simulated Construction Drilling Events

　　

城市建筑活动被认为是颗粒物（PM）排放的重要来源；然而，对粒径分辨PM组分进行准确的实时监测仍面临严峻挑战。传统低成本PM传感器主要报告累积浓度，这掩盖了PM1、PM2.5和PM10在健康效应与监管意义上的差异性。本研究在受控实验室条件下，利用由混凝土板钻孔产生并用于模拟施工PM的非累积测量数据，系统评估了两种低成本传感器——PMS5003和Sniffer4D——的性能。研究人员采用皮尔逊相关系数、标准差和平均百分差对传感器性能进行了严格分析。为提高测量精度，针对各PM粒径组分分别独立构建了6种校正模型——线性回归、多项式回归、随机森林（RF）、XGBoost、人工神经网络（ANN）和卡尔曼滤波。结果表明，RF和ANN持续提供了最准确的校正效果，尤其是在PM1和PM2.5方面，其中RF在50 s持续时间下对PM1实现了决定系数（R²）> 0.89、对PM2.5实现了R² > 0.87。本研究提出了一种专门面向施工环境的粒径分辨校正框架，从而提升了低成本传感器实现颗粒物特异性暴露评估的准确能力。

该文发表于《Atmosphere》，围绕施工活动产生的高强度、短时颗粒物（PM）排放监测难题展开。研究背景在于，城市化加速、交通增长与高密度建设使施工扬尘成为城市空气质量恶化的重要来源，而混凝土钻孔、切割、拆除与物料搬运等活动可释放短历时但高浓度的PM。不同空气动力学粒径的颗粒物具有显著不同的呼吸沉积部位与健康风险：PM10更多沉积于上呼吸道，PM2.5和尤其PM1则更易深入肺部，因而在暴露评估、职业健康防护和监管达标中，必须区分不同粒径组分。现有低成本颗粒物传感器（LCPMSs）因便携、低价、适于组网而在现场监测中极具吸引力，但多数研究集中于环境空气或室内稳定场景，且通常采用累积浓度报告方式，难以反映施工扬尘这种源主导、波动剧烈、粗细颗粒并存情境下的真实表现。尤其是PM10，由于大粒径颗粒对紧凑型光散射传感器的识别稳定性较差，其测量误差往往高于PM1与PM2.5。因此，开展面向施工环境、基于非累积粒径分辨数据的校准研究，具有明确的方法学价值与应用意义。

针对上述问题，研究人员在受控实验室内构建混凝土板钻孔模拟体系，以PMS5003与Sniffer4D为低成本传感器，以OPC-N3为工作参考传感器，对PM1、PM2.5与PM10进行非累积测量性能评估，并分别建立6类校正模型，以比较不同粒径、不同钻孔持续时间及不同模型条件下的校正效果。研究结论表明，低成本传感器原始输出虽常具有一定相关性，但偏差显著，不能直接用于施工环境中的精确定量监测；随机森林（RF）与人工神经网络（ANN）总体表现最佳，尤其对PM1和PM2.5具有稳定优势，而PM10即使经校正仍最具挑战。该研究的重要意义在于提出了面向施工扬尘情境的粒径特异性非累积校正框架，为低成本传感器在施工粉尘监管、暴露评估和城市健康管理中的应用提供了更可靠的技术路径。

作者用于开展研究的主要技术方法可概括如下：研究在6 m × 6 m实验室中设置4 m × 4 m粉尘舱，通过混凝土板人工钻孔模拟施工排放，设置10 s、50 s、90 s三种排放持续时间，并分别重复两次。PMS5003、Sniffer4D与OPC-N3按120°等角、距钻孔点1 m、高1.3 m布设，连续采集基线、作业期与作业后1 h颗粒物数据。所有数据统一同步并平均为20 s时间间隔，采用皮尔逊相关系数、标准差、平均百分差评估原始性能；随后按粒径独立构建线性回归、多项式回归、RF、XGBoost、ANN和卡尔曼滤波模型，按70%训练集与30%测试集划分，并采用5折交叉验证评估R²、RMSE和MAE。样本来源为受控实验室混凝土板钻孔粉尘事件，而非人群队列样本。

在研究结果部分，论文首先以“3.1. Performance Evaluation Analysis from Non-Cumulative Measurements”为题，分析非累积原始测量下传感器性能。研究显示，在10 s短时钻孔条件下，Sniffer4D对PM1仅呈中等相关，对PM2.5与PM10存在明显低估；PMS5003标准模式（Standard mode）对PM1和PM2.5虽表现出较强相关，但高估严重，而对PM10则相关性一般且明显低估；大气模式（Atmospheric mode）较标准模式偏差更小，特别是PM2.5表现改善，但PM10偏差仍大。该部分说明，在瞬态高强度排放场景中，原始低成本传感器数据虽能捕捉部分浓度变化趋势，但粒径特异性的系统偏差十分突出。

接着，研究在同一小节中讨论50 s钻孔条件下的原始传感器表现。随着排放持续时间增加，所有传感器在PM1和PM2.5上的相关性普遍提高，Sniffer4D在PM1与PM2.5上的表现明显改善，PMS5003两种模式的相关性也达到较高水平。然而，即便趋势识别增强，PM2.5与PM10的偏差依然持续，提示性能提升并不等同于定量准确性提升。尤其PMS5003大气模式始终较标准模式偏差更低，说明内部算法处理方式对测量结果有关键影响。

随后，在90 s钻孔条件下，研究进一步指出，尽管相关系数整体保持较高水平，但偏差再次增加，尤其在粗颗粒PM10测量上更为明显。Sniffer4D在三类粒径上均维持较强相关，但PM2.5和PM10偏差增大；PMS5003标准模式继续对细颗粒存在显著高估，而PM10则仍表现为低估；大气模式较标准模式有所改善，但对PM10的系统误差仍未消除。这一结果表明，较长排放时段下的信号稳定性增强并未从根本上解决粗颗粒测量困难，传感器漂移、饱和或粗粒散射识别局限可能共同影响结果。

在“3.2. Evaluation of LCPMS Correction Factor Model Performance”中，论文系统比较6种校正模型对不同粒径和不同传感器的适用性。在10 s工况下，Sniffer4D的PM1与PM2.5经多项式回归、RF和ANN校正后均明显优于线性回归，其中RF总体最优；PM10虽可通过ANN和RF获得改善，但校正难度依然较大。PMS5003标准模式与大气模式在PM1和PM2.5上同样表现出RF和ANN的优势，而PM10提升有限。卡尔曼滤波在所有粒径和传感器条件下均表现较差，难以适应突变型浓度波动。

在50 s工况下，模型校正表现更为稳定。对Sniffer4D而言，ANN在PM1和PM10上取得最佳或接近最佳结果，多项式回归较线性回归也显示出明显优势。对于PMS5003标准模式，RF在PM1与PM2.5上达到最高准确性，而PM10则无单一模型形成绝对优势，整体提升仍受限。PMS5003大气模式下，RF、ANN及多项式回归在PM1与PM2.5上的表现接近且优于其他方法，说明当排放时长中等、传感器信号相对平稳时，非线性模型与适度复杂模型最能兼顾拟合能力与泛化能力。

在90 s工况下，研究发现RF与ANN仍然是最可靠的校正方法，但先进模型与简单模型之间的差距有所缩小。Sniffer4D在PM1和PM2.5上通过RF和ANN继续获得最高准确性，PM10则较短时工况有进一步改善；PMS5003两种模式在PM1和PM2.5上通过RF、ANN取得稳定提升，线性回归和多项式回归在较稳定条件下也具备可接受表现；PM10虽然相较早期工况有所改善，但仍是最难校正的组分。由此可见，随着排放持续时间延长、信噪比提高，模型选择的重要性有所下降，但粗颗粒测量的根本局限依旧存在。

在“4. Discussion”部分，作者首先总结传感器性能评价，指出低成本传感器在施工扬尘环境中存在显著局限，尤其在短时高强度排放与粗颗粒测量方面。Sniffer4D在PM1和PM2.5上可维持中等至较高相关，但对PM10偏差明显；PMS5003两种模式虽趋势响应较好，但偏差结构复杂且模式间差异显著，说明仪器内部算法与校准路径会实质影响输出可靠性。随后，作者讨论校正模型表现，认为RF与ANN最能适应动态施工粉尘的非线性变化，特别适用于PM1和PM2.5，而PM10由于光学检测约束与环境波动影响，即使使用高级模型仍仅能部分改善。论文还将结果与既往研究比较，指出本研究在更复杂、更剧烈的施工粉尘情景下获得的PM1和PM2.5校正性能仍达到文献较高水平，而PM10误差特征也与既往关于粗颗粒光学测量不稳定性的报告一致。关于局限性，作者明确指出研究基于短期实验室试验，尚不能完全代表真实施工场地的长期暴露条件；模型未引入温湿度、湍流等环境协变量；人工钻孔操作可能引入局部气流扰动；同时目前尚缺少针对施工瞬态高排放场景的国际标准化评价规范。

研究结论部分可译述如下：本研究在模拟施工排放的实验室条件下，对低成本颗粒物传感器进行了系统评估，重点考察了PM1、PM2.5和PM10的非累积测量。与传统累积报告不同，粒径分辨数据能够更准确地评估传感器响应并区分与健康相关的暴露差异。结果显示，不同粒径组分之间的传感器性能差异明确：Sniffer4D在PM1和PM2.5上与OPC-N3具有中等相关性，但对PM10存在显著高估；PMS5003大气模式对细颗粒表现出更好的相关性与更低波动性，但尤其在PM10上仍保留显著负偏差。标准差和平均百分差结果证实，未经校正的原始输出，特别是PM10数据，并不适合直接用于精确监测。为解决上述问题，研究分别针对每种粒径和钻孔持续时间建立并评估了线性回归、多项式回归、RF、XGBoost、ANN和卡尔曼滤波6类模型。结果表明，RF与ANN在PM1、PM2.5和PM10上持续提供最准确的校正，其中PM1和PM2.5校正效果最为理想，而PM10仍是最具挑战性的组分。研究进一步确认，校正模型性能具有粒径特异性，并强烈受作业持续时间影响；不存在适用于PM1、PM2.5和PM10的通用校正因子。因此，在施工现场等复杂环境中部署低成本传感器时，采用面向不同粒径的专门校准策略，对于保障数据质量、支持暴露评估以及促进公众健康保护具有关键意义。