-
随着经济的持续快速发展，煤炭的需求量不断增加，由于煤矿分布的不平衡性，形成了西煤东输，北煤南运的局面，使得作为运输枢纽的专业化煤炭港口发展迅猛。港口在干散货的转运过程中扮演了越来越重要的角色，散装材料装载、储存和运输过程中的粉尘和烟雾排放会增加港口和周围居民区的大气颗粒物浓度，影响附近居民的健康[1-3]。目前，欧美等西方发达国家在港区空气质量方面已经取得很大进展，采取了一系列行动，极大地改善了港口的环境质量[4-5]，而我国港区大气防治工作起步较晚，且发展中暴露出诸多问题。目前采用的港区监测设备皆离地表较近（高度一般在3.5 m左右），只能采集作业区和堆场的近地面数据，无法全面、客观地反映港区空间内的污染情况，难以为港口管理部门提供抑尘依据，也难以为判断港区内颗粒物污染对周边大气污染的贡献率提供科学依据。
近些年来，无人机搭载不同的检测平台已经成功地用于对江河湖泊的水质监测[6]、对自然灾害引起的水环境变化监测[7-8]、对石油和有害物质泄漏的监测与评估[9]等，随着无人机在多行业的成功应用，有学者在大气环境监测方面展开了应用研究。牛记等[10]基于六旋翼无人机和PM2.5传感器设计了六旋翼无人机检测平台，并在实测中证明了所构建的检测平台具有较高的可信度。鲁斯嘉等[11]利用固定翼无人机搭载检测设备，实现了对实验场地上空 PM2.5浓度的检测，探讨了PM2.5浓度的日时空变化规律及高空输移规律。郭伟等[12]利用无人机搭载检测仪器实现了对临安市郊区1 000 m以下高度内PM2.5的时空分布规律研究。目前，还未有学者利用无人机平台在港区开展颗粒物空间检测研究。
本文以镇江港东港煤炭港区为例，将港区划分为6块区域，以构建的无人机检测平台在6个检测点位0～120 m高度之间的检测数据为基础，分析港区内不同区域间的颗粒物空间分布特征，运用聚类分析法和层次-灰色关联分析法，评价各个点位中不同高度环境质量的差异性和相似性，以明晰该港区不同区域内扬尘污染最严重的高度区间。以期为煤炭港区扬尘空间分布规律研究提供案例支撑，亦可为干散货港区基于无人机检测平台的长期监测方案和固定监测点位布设优化研究提供科学支撑。
-
镇江港位于长江三角洲暨江苏省中部的镇江市，地处京杭大运河与长江十字交汇处。上距南京87 km，下距长江入海口 279 km，是我国的主要港口之一，主要为长江中、上游地区大宗原材料和外贸物资中转运输服务。通过对镇江港港区地形、地面设施、气候条件的调查和分析，选择镇江港东港煤炭港区作为检测场地。
为了更好地判断港区内扬尘的分布规律，可将整个港区划分成多个区域进行针对性的检测。
镇江港东港煤炭港区长度600 m左右，宽度500 m左右，其中码头前沿作业区宽度为70 m左右，后方堆场宽度为430 m左右，煤炭堆场四周已建有防风抑尘网（Porous Fence，PF），见图1（蓝色线段为PF的位置），网高23 m。镇江市属于季风气候，冬季盛行东北及西北偏西风，春季盛行东南偏东-东南偏南向风，秋季盛行东北偏东-东南偏东向风，夏季盛行东南风。当风速越大或PF的孔隙率越小时，位于PF后煤炭堆垛的堆脚前的涡流越大，越容易起尘，所以PF与最近堆垛的距离一般控制在1.0～1.5倍堆高。此外，相关风洞试验表明：对PF后下风向2～5倍网高的距离内，煤堆垛减尘率可达90%以上；对其下风向16倍网高距离内，煤堆垛综合减尘效率达到80%以上；在网后25倍网高的距离处有较好的减尘效果；到网后50倍网高的距离处仍有削减风速20%的效果[13-14]。
据此，以港区上下两侧的PF为基准进行区域划分，见图1。
其中：区域1为码头前沿作业区；区域2为堆场内距离上方PF约1.5倍网高的区域（距离上侧PF 35 m的范围）；区域3为距离上方PF 5倍网高的区域（距离上侧PF 115 m的范围）；区域5为距离下方PF 5倍网高的区域（距离下侧PF 115 m的范围）；区域6为距离下部PF 1.5倍网高的区域，（距离下侧PF 35 m的范围）；区域4为堆场中间剩余的130 m区域。
根据前述划分结果，结合实际检测时的现场条件及设备情况，选取了港区内6个典型点位进行无人机垂向检测，点位见图2。检测中无人机最高飞行至120 m。
-
检测点位1位于码头前沿作业区，检测时正处于卸船作业中，作业方式为：抓斗+料斗+汽车运输，每个抓斗旁皆有雾炮（射程约10～30 m）进行持续性的喷淋；检测点2周边无作业活动，堆垛的覆盖率为50%左右；检测点3处于转运车辆卸载作业状态，该处布置有雾炮进行持续喷淋；检测点4、5和6周边无作业活动，堆垛实现了全覆盖，见表1。
-
镇江港东港煤炭港区的主要货种为煤炭，堆场内除区域2外已做到全覆盖，并且配套有完善的喷淋系统。无人机飞行检测时间为2019年1月22日，当天镇江市天气情况为：晴；风向：西风，风力：1～2级；环保数据显示全市PM2.5平均浓度：91 μg/m3。
-
飞行检测平台为QLY-XJ6型环保无人机搭载QLY-QT14空气质量检测仪（原理为激光直读），主要包括：地面控制站、六旋翼无人机和空气质量检测仪，检测对象为PM2.5和TSP。比较飞行平台与该港区已安装的在线固定点监测设备（原理为β射线法，离地高度3.5 m）的检测数据，见表2，表明构建的检测平台具有较高可信度。
-
检测设备每5 s可产生一组数据，数据包含颗粒物浓度、气压、高度等，因此，控制检测平台分别在6个检测点处垂直上升，待测得一组数据后，操控无人机上升至另一高度悬停，从而获得检测点不同高度的颗粒物浓度数据。由于临江港区高空风速较大、无人机电池容量等原因，在实际检测过程中并未实现不同检测点的检测高度一致。
-
图3和4可见，各点位PM2.5浓度的平均值从小到大的排序为：1<2<5<6<3<4；检测点1、2、6的数据波动较小，表明这3个区域的PM2.5浓度较稳定，不易受周边环境的影响；受区域正处于卸场作业影响，检测点3的数据波动较大；检测点4的数据波动最大，主要是处于区域3的下风向，受卸场作业情况的影响最为显著；检测点5的波动也较大，但较检测点4幅度明显减小，验证了受影响程度与作业区域距离成反比的判断。对于TSP，可以发现浓度从小到大的排序为：1<2<6<3<5<4；检测点1、2的波动范围小，表明在防风抑尘网、作业喷淋及覆盖的综合作用下，区域1进行的煤炭卸载并不会产生大量TSP；区域2的TSP浓度均值也较小，浓度异常值现象与从长江江面吹来的瞬时大风有关，风速的不稳定是导致颗粒物浓度产生异常值的主要因素；检测点3虽处于作业状态，但其浓度均值和波动范围受持续喷淋措施影响并不显著；与PM2.5相似，检测点4和5的浓度均值和波动范围大也是受区域3作业的影响，表明作业区下风向的抑尘措施应该是关注点；而检测点6出现多个异常点的现象很可能与紧邻区域6的道路有关，港区外由干散货运输车辆引起的扬尘即使在防风抑尘网的作用下，也对港区扬尘总量做出了贡献。
-
本次检测结果数据多且涉及港区内多个区域，为更好地对港区内各区域空间污染程度进行评价，采用聚类分析法结合层次-灰色关联分析法对检测数据进行综合评价。由于检测平台获取的颗粒物浓度数据为离散数据，为更好地开展数据间的对比分析，需进行数据处理。采用Spline 3次样条插值法（Cubic Spline Interpolation）对此次检测结果中的PM2.5、TSP和气压这3项指标进行以5 m为一个区间进行插值处理，并进行数据清洗。
-
采用SPSS 22.0软件中的系统聚类将各点位数据进行系统聚类分析。用欧氏距离平方值描述各监测点之间环境质量的相似程度，点位之间的欧氏距离平方值越小，即相似程度越大，越容易归为一类，最终将6个检测点位处理后的垂向数据分成6类，见表3。
其中检测点3中离地15～120 m和检测点6中离地15 m处数据为第一类；检测点4中离地25～35 m为第二类；检测点4中离地40～50 m为第三类；检测点4中离地55～120 m为第四类；检测点5中离地30～100 m为第五类；检测点1中离地10～110 m、检测点2中离地15～115 m、检测点6中离地20～120 m为第六类。理论上，聚类结果中聚合为一类的点可以相互替代[15]。如，检测点4中离地25、30和35 m这3个点属于一类，即选择其中的任何1个点进行长期监测，可替代同类中其他的监测点，在环境信息不变的前提下，可有效地减少监测点数量。
-
通过聚类分析可有效地减少空间检测或长期监测点所需数量，但不能明晰不同区域不同高度的污染程度，因此本文进一步采用灰色关联分析法和层次分析法建立目标港区空间监测点位的优化模型。为了充分发挥层次分析法在计算权重方面优势和灰色关联法有多属性决策的优势，将层次分析法得到的权重值与灰色关联法得到的关联系数进行结合，组合成层次－灰色关联分析法进行煤炭港区空间监测选点决策的评判，具体模型见参考文献[16-17]。
首先将聚类后各类别中的各项指标数据进行无量纲化，作为比较序列；然后将各类别中各指标的最优值确定为参考序列，利用层次分析法构建PM2.5、TSP、气压这3个指标的判断矩阵，分别计算出指标的权重，用来表示这3个指标对港区空气环境质量影响的重要程度；最后，计算出各类别中各个高度的灰色关联度，从而得到各类的最大、中间和最小关联度，见表4。表中18个点位可作为目标港区进行空间长期监测布点的优选结果。
-
为进一步挖掘上述数据的应用空间，根据表4绘制影响程度3D气泡，见图5。其中绿色为最大关联度点位，蓝色为中间关联度点位，红色为最小关联度点位。
图5可见，最小关联度的点位，即最劣（红色）点位，为检测点3中离地95 m，检测点4中离地35、50和100 m，检测点5中离地90 m，和检测点6中离地70 m处；最大关联度（绿色）点位，即最优点位，为检测点3中离地25 m，检测点4中离地25、45和65 m，检测点5中离地55 m以及检测点1中离地15 m。在风力作用下区域3作业引起的扬尘扩散至区域4，区域3有较完善的喷淋抑尘措施，而区域4由于不处于作业状态中，且缺乏完善的抑尘措施，导致了此区域的颗粒物浓度远超港区其他区域，使得6个最小关联度点位中3个位于该检测点。
对比分析最大、最小关联度点位可以发现，最劣点位高度为港区内离地70～100 m之间，系目标港区开展空间长期监测布点的优选高度；在港区喷淋、覆盖等抑尘措施的综合治理下，近地面60 m以下空间的颗粒物浓度总体较低，扬尘得到了较好地抑制，表明当前港区开展的在线实时监测不能很好地反映真实情况。
-
基于镇江港煤炭港区6个检测点位的飞行平台检测数据，分析发现：码头的装卸作业和堆场内的转运作业是造成煤炭港区PM2.5和TSP垂向浓度波动的主要因素，其影响程度与风向、风力和水平距离相关；此外防风抑尘网、喷淋措施和干散货运输车辆引起的扬尘等对垂向浓度变化亦会产生较大作用。
综合运用聚类分析法和层次-灰色关联分析法可有效挖掘构建的无人机检测平台检测数据的应用范围，如港区开展空间长期监测布点的优选高度和监测点位选择等。基于检测和分析结果对目标港区提出：具有完善抑尘设备的码头前沿作业区和紧邻码头防风抑尘网的堆场区域可作为非重点关注区；处于作业状态下堆场区域的上方95 m左右系空间监测的重点；通过增加喷淋设备、提高堆场覆盖率等抑尘措施可减少堆场作业区域对临近区域颗粒物浓度波动的影响；随着与作业区域水平距离的增加，监测最劣点的高度不断降低，需要对其后方堆场离地70～100 m空间重点监测。
随着无人机技术及检测设备的发展，结合无人机检测平台对港区空间的监测可实现对港区大气环境的全面了解。本文的主要结论可为未来煤炭港区管理部门实现科学的空间监测提供重要依据，为干散货港区扬尘扩散规律、固定监测点位布设及治理方案提供参考。
基于无人机的煤炭港区颗粒物空间检测研究
Research on space monitoring of particulate matter in coal port area based on unmanned aerial vehicle (UAV)
-
摘要: 实现对港区扬尘中PM2.5和TSP（Total Suspended Particulate）等颗粒物的检测是港口开展抑尘工作的关键依据。文章选取镇江港煤炭港区6个点位，利用无人机载检测平台完成数据采集，分析得到了港区内不同区域的PM2.5和TSP分布特征，运用聚类分析法对各个点位的检测数据依据高度进行分类，并利用层次分析法和灰色关联分析法对聚类后的结果进行量化分析，得到垂向的最优、最劣点位。结论表明：该港区处于作业状态下的堆场区域上方95 m左右空间是需要重点监测的最劣点位；位于作业区下风向的堆场区域内随着与作业区域水平距离的增加，最劣点的高度不断降低，监测重点为堆场上方70~90 m高度处。Abstract: The key basis of the dust suppression in the port area is to realize the detection of PM2.5 and TSP (total suspended particle). Six points of Zhenjiang coal port are selected, and the UAV detection platform is used to complete the data collection. The PM2.5 and TSP distribution characteristics of different areas in the port are analyzed. The detection data of each point are classified according to the height by the cluster analysis, and the results are quantified by AHP and the gray correlation analysis. The best and worst point position in vertical direction is obtained. The conclusion shows that the worst point is about 95m above the yard area under operation and should be monitored. The height of the worst point decreases with the increase of the horizontal distance between the yard area and the operation area in the downwind direction. Hence the key monitoring area is above the yard with the height of 70 ~ 90 m.
-
Key words:
- coal port area /
- unmanned aerial vehicle /
- PM2.5 /
- TSP /
- space detection
-
-
表 1 检测点概况
检测点位和区域 抑尘措施 最大风速m/s 工作情况 1 喷淋 2.53 抓斗作业中 2 半覆盖 2.76 煤炭堆存中 3 喷淋 2.70 煤炭转运中 4 全覆盖 5.31 煤炭堆存中 5 全覆盖 2.19 煤炭堆存中 6 全覆盖 3.88 煤炭堆存中 
下载: 导出CSV
表 2 数据对比
μg·m−3 指标 PM2.5 TSP 固定监测设备 68.2 74.5 155.1 162.8 无人机 74.0 80.0 165.0 170.0 相对误差/% 8.5 7.4 6.4 4.4
下载: 导出CSV
表 3 聚类结果
类别 结果 1 检测点3（15～120 m）、检测点6（15 m） 2 检测点4（25～35 m） 3 检测点4（40～50 m） 4 检测点4（55～120 m） 5 检测点5（30～100 m） 6 检测点1（10～110 m）、检测点2（15～115 m）、
检测点6（20～120 m）
下载: 导出CSV
表 4 关联度排序结果
类别 关联度排序 关联度 点位 高度/m 1 最大 0.927633579 3 25 中间 0.644711322 3 110 最小 0.424590821 3 95 2 最大 0.980728063 4 25 中间 0.770029581 4 30 最小 0.529760402 4 35 3 最大 0.789726992 4 45 中间 0.693578567 4 40 最小 0.592686142 4 50 4 最大 0.926433884 4 65 中间 0.613937914 4 75 最小 0.554484244 4 100 5 最大 0.95125203 5 55 中间 0.604864962 5 80 最小 0.496608782 5 90 6 最大 0.900561792 1 15 中间 0.684139796 2 55 最小 0.503154724 6 70
下载: 导出CSV
-
[1] MOUSAVI A, SOWLAT M H, HASHEMINASSAB S, et al. Impact of emissions from the Ports of Los Angeles and Long Beach on the oxidative potential of ambient PM2.5 measured across the Los Angeles County[J]. Science of the Total Environment, 2019, 651: 638 − 647. doi: 10.1016/j.scitotenv.2018.09.155 [2] SORTE S, ARUNACHALAM S, NAESS B, et al. Assessment of source contribution to air quality in an urban area close to a harbor: Case-study in Porto, Portugal[J]. Science of the Total Environment, 2019, 662: 347 − 360. doi: 10.1016/j.scitotenv.2019.01.185 [3] SARAGA D E, TOLIS E I, MAGGOS T, et al. PM2.5 source apportionment for the port city of Thessaloniki, Greece[J]. Science of the Total Environment, 2019, 650: 2337 − 2354. doi: 10.1016/j.scitotenv.2018.09.250 [4] 卢勇. 绿色港口评价体系研究[D].上海: 上海交通大学,2009. [5] 卢勇, 胡昊. 悉尼港绿色港口实践及其对我国的启示[J]. 中国航海, 2008(4): 12 − 14. [6] CHEN M H, CHEN C F, WU W S. A river monitoring system using uav and gis. 22nd asian conference on remote sensing. Singapore, Centre for Remote Imaging, Sensing and Processing(CRISP), 2001. [7] 臧克, 孙永华, 李京, 等. 微型无人机遥感系统在汶川地震中的应用[J]. 自然灾害学报, 2010, 19(3): 162 − 166. [8] 马娟, 张鸣之, 韩冰, 等. 地质灾害无人机调查数据管理云平台建设[J]. 中国地质灾害与防治学报, 2019, 30(1): 100 − 105. [9] 郝晓平, 黄晓雯, 高志刚, 等. 无人机技术在油气管道巡护中的应用[J]. 油气储运, 2019, 38(8): 955 − 960. [10] 牛记, 王仁波. 基于六旋翼无人机的 PM2.5 低空测量系统[J]. 科学技术与工程, 2014, 14(36): 72 − 76. [11] 鲁斯嘉, 王东生, 李小兵, 等. 基于无人机平台的细颗粒物三维分布监测[J]. 科学技术与工程, 2017, 17(8): 94 − 100. [12] 郭伟, 余华芬, 黄国栋. 基于无人机的 PM2.5监测技术研究[J]. 测绘通报, 2017(增1): 147 − 151. [13] Lee S J, Park K C, Park C W. Wind tunnel observations about the shelter effect of porous fences on the sand particle movements[J]. Atmospheric Environment, 2002, 36(9): 1453 − 1463. doi: 10.1016/S1352-2310(01)00578-7 [14] 杨涛. 天津港煤码头风蚀扬尘的计算与防治方法研究[D]. 天津: 天津大学, 2017. [15] GOVENDER P, SIVAKUMAR V. Application of k -means and hierarchical clustering techniques for analysis of air pollution: A review (1980–2019)[J]. Atmospheric Pollution Research, 2020, 11(1): 40 − 56. doi: 10.1016/j.apr.2019.09.009 [16] 邓宗竹, 刘德俊, 姜东方. 灰色关联和层次分析法在加油站安全评价中的应用[J]. 油气储运, 2011, 30(11): 811 − 815. [17] 王克, 吉卫喜. 基于层次分析-灰色关联法的机械加工工艺方案评价研究[J]. 现代制造工程, 2019(2): 24. -
点击查看大图
图( 5) 表( 4)
计量
- 文章访问数: 2034
- HTML全文浏览数: 2034
- PDF下载数: 7
- 施引文献: 0
