室內微生物污染水平預測關鍵技術研究綜述

張銘健,曹國慶,馮 昕

?

室內微生物污染水平預測關鍵技術研究綜述

張銘健,曹國慶*,馮 昕

(中國建筑科學研究院有限公司,北京 100013)

室內微生物氣溶膠來源多樣,并受很多環境因素影響,可以利用統計學方法對室內微生物污染水平進行實時預測.本文首先介紹了預測模型的建立方法,并通過大量的文獻調研,按照室內微生物污染水平預測模型建立的思路,介紹了現有研究得出的室內微生物氣溶膠濃度與環境參數(換氣次數、溫濕度、人數、顆粒物、氣流組織、CO2)的關系,總結了室內微生物污染水平預測模型,并給出了未來發展方向.

空氣微生物；預測模型；生物氣溶膠；影響因素；相關性

現代人有90%以上的時間是在室內度過的[1],室內空氣質量(IAQ)已經成為大家關心的環境問題.在室內空氣污染問題中,生物氣溶膠占5%~34%[2].生物氣溶膠通常指懸浮在氣體介質中的生物來源的顆粒,其空氣動力學直徑最大為100μm,包括病毒、細菌、真菌、花粉、植物碎片及其衍生物(內毒素、葡聚糖、過敏原和霉菌毒素)[3].已知葡萄球菌對人類健康具有致敏或免疫毒性作用[4];暴露于室內的真菌(如交鏈孢霉、曲霉菌和青霉等)可加劇敏感個體中哮喘和過敏性鼻炎的癥狀[5].

不過對于生物氣溶膠污染濃度限值,國際還沒有統一的標準.美國政府工業衛生委員會(ACGIH)指出,可培養或可計數的生物氣溶膠濃度的普適TLV(閥值),沒有科學支持,缺乏描述暴露-反應關系的數據,且人居環境下的生物氣溶膠一般都是許多不同的微生物、動物和植物的粒子的混合物.此外,采集和分析細菌和真菌氣溶膠的統一的標準化方法的缺乏,使得暴露限值很難建立[6].

為了能對空氣微生物進行檢測和評估,許多研究提出了各種測量技術來確定生物氣溶膠濃度,而且有相關的綜述對其進行詳細的介紹[4,7-8].但是,用于測量生物氣溶膠的常規方法適用的范圍不同,在實時預警、控制上具有一定的局限性.一是傳統的微生物采樣技術,如培養法比較成熟,能進行特異性檢測,然而檢測周期長,不能做到實時監測;二是像UV-APS這樣的儀器能對空氣微生物進行實時檢測,但價格昂貴并且無特異性識別.

室內生物氣溶膠的來源包括人類、寵物、植物、通風空調系統、霉菌、塵埃再懸浮和室外環境[9].室內生物氣溶膠還受到溫度和相對濕度影響,與顆粒物濃度、CO2、通風形式和換氣次數等相關.因此,一些研究基于大量的現場檢測數據,研究室內生物氣溶膠與環境參數的關系,并利用統計學方法建立了能實時預測生物氣溶膠濃度的數學模型.通過這些模型,監測一些環境參數作為自變量,就可以實時地預測室內空氣微生物的污染水平,開發預測評價工具,為室內微生物污染控制提供目標導向.本文介紹了研究得出的室內微生物氣溶膠與環境參數的關系,總結了現有的室內微生物污染水平預測模型,并給出未來發展方向.

1 室內微生物污染水平預測的研究方法

大量的研究表明,室內微生物污染水平是多因素作用下的結果,為了能夠量化各種因素的相關程度,需要應用到統計學中的相關性分析,相關性系數的分類見表1;為了能實時預測,需要進行多元回歸分析,建立統計學模型.

表1 相關性的分類

1.1 多元線性回歸模型

1.1.1 概念 多元線性回歸模型經常被應用于描述因變量和自變量之間的關系.多元線性回歸模型的基本形式是:

式中:Y是因變量;是平均自變量;0是截距系數;是回歸系數;是隨機誤差項.

多元線性回歸模型的基本假定是:

(1)隨機誤差項是一個期望值或平均值為0的隨機變量;

(2)對于自變量的所有觀測值,隨機誤差項有相同的方差;

(3)隨機誤差項彼此不相關;

(4)自變量是確定性變量,不是隨機變量,與隨機誤差項彼此之間相互獨立;

(5)自變量之間不存在精確的(完全的)線性關系,即自變量的樣本觀測值矩陣是滿秩矩陣;

(6)隨機誤差項服從正態分布.

1.1.2 建立多元線性回歸模型的一般步驟

(1)準備數據:根據文獻調查,確定相關變量,現場檢測有關數據.

(2)模型建立:采用最小二乘法擬合一個多元回歸模型,采用數學軟件SPSS等計算出回歸系數.

(3)模型檢驗

②對模型進行顯著性F檢驗;

③對模型進行回歸系數的顯著性檢驗.某些變量不顯著時,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)等剔除多余變量.之后重新進入模型建立步驟,直至方程同時通過F檢驗和t檢驗.

1.2 多元非線性回歸模型

1.2.1 概念 當獨立變量與因變量不呈線性相關,需要應用非線性回歸方法來解釋因變量和自變量之間的關系.非線性模型可分為可線性化模型和不可線性化模型.基本的非線性回歸方程形式是:

式中:Y是因變量;是平均自變量;是回歸系數;是指數系數;是隨機誤差項.

1.2.2 建立多元非線性回歸模型的一般步驟 可線性化模型的建立步驟與線性模型的建立步驟相似,而不可線性化模型需要通過迭代得出方程.

2 室內微生物氣溶膠濃度與各變量的相關性分析

2.1 室內外微生物濃度關系

2.1.1 機械通風的情況 Zhu等[10]對美國一處二層帶中央空調的辦公樓進行采樣調研,發現室內外生物氣溶膠的濃度(,室內為C,室外為C)具有顯著相關性(Rf=0.770,<0.01),C比C高.但下雨的時候,C反而比C高.室內送風口處測得的微生物濃度,與在空調系統的新風口處采集的C變化趨勢一致并且數值相近,這說明空調系統是室外生物氣溶膠進入室內的途徑之一.在時間的變化趨勢上,近地面C與C有延遲,但1.4m和2.36m處的C保持恒定.另外空調系統自身也會成為室內污染源之一,已有文章對此進行了綜述[44].

2.1.2 自然通風的情況 對于一般不帶中央空調的住宅,Lee等[11]在辛辛那提(美國)對室內外真菌氣溶膠濃度(C,室外為C,室內為C)的關系進行了研究.通過采樣觀察發現,除了冬天的C/C>1,其余季節C/C<1,Ci,F受到C影響.這與Adams等[12]{Adams, 2013 #229}的結論是相似的.但對于冬天采暖的建筑,其關系還不是很明確.

另外很多相關的研究[13-17],他們的結論都是相似的.在室內無明顯污染源的前提下,無論是自然通風還是機械通風下,C受C影響,而不同的通風策略也會直接影響室內外濃度比C/C.

2.2 換氣次數(ACH)

曹國慶等[18]推導出無空氣過濾措施時室內微生物污染方程的簡化式,見式(5).當污染源釋放量為常數、新風比=1時,增大換氣次數或者換氣次數為8h-1時,增大新風比,均能更好地控制室內生物污染,使其迅速達到穩定濃度,且穩定濃度較小,見圖1.其中=0.2表示自然通風的情況.張海鋒[19]的研究表明當機械通風的換氣次數達到4次/h時,與換氣次數0h-1相比,C有著大幅的降低.這兩者得出的結論相似.

圖1 不同換氣次數和新風比對室內生物污染的影響

因為細菌和真菌來源的不同,換氣次數對這兩種微生物的影響不同.由Frankel等[20]給出的表2可以看到,換氣次數與細菌呈負相關,與真菌呈正相關.其推測由于室內真菌主要來源于室外,細菌主要來源于室內,自然通風時當室內外的空氣未達到平衡,換氣次數越大,室內真菌濃度也越大,但室內細菌濃度越低,這是由于細菌濃度得到更好稀釋.

表2 換氣次數與細菌和真菌濃度的相關系數r和P值[20]

當使用不同的空調系統時,Wu等[21]的研究表明,使用空氣處理機組(AHU)和風機盤管系統(FCU)的辦公建筑,室內的真菌氣溶膠濃度都與換氣次數呈正相關.室內的細菌均比室外的高,使用FCU的系統室內真菌濃度更高,圖2所示.這可能因為FCU自身更容易滋生真菌,或者并沒有很好的過濾措施.

圖2 AHU和FCU建筑的室內外微生物氣溶膠濃度比值

*<0.05

由上面所述內容可以知道,室內外的生物氣溶膠濃度存在關聯.無論是自然通風還是機械通風的情況下,室內外的空氣都進行著交換.當室內無其他污染源的時候,室內生物氣溶膠來源于室外,并且通過圍護結構或風管時形成沉降,一般i要比o小.當室內存在污染源,自然通風時換氣次數較小,i就會變高;機械通風時還要考慮系統形式.當室內有污染源時,一次回風系統中,換氣次數和新風比的增加均能有效降低室內微生物污染水平.室內可能無污染源時,室內受室外或空調系統微生物污染濃度的影響,換氣次數反而和室內真菌濃度呈正相關.因此換氣次數在不同的情況下對C的影響不同.

2.3 溫濕度

2.3.1 室內溫濕度 對于生物氣溶膠的生長來說,室內溫度()和相對濕度(RH)是兩個最重要的因素[3].當前研究室內微生物氣溶膠在熱濕環境下的生長特性有兩種方法.

一是控制室內的溫濕度,在不同的溫濕度下,從送風口處釋放樣品,觀察其隨時間的變化和最終的平衡濃度,建立失活動力學模型.丁力行等[22]的結果如圖3所示.圖中標簽處50%、60%、80%為相對濕度.當相對濕度達到50%的時候,肺炎鏈球菌濃度和青霉菌濃度都最快地達到最低的水平.

另一種是從室內生物氣溶膠中取樣,通過統計學手段得出C與溫濕度的相關性.此方法的應用更多,不限于在空調房間內使用.相關研究表明,C與RH具有顯著的相關性[10,23-24],RH對于C的影響大于溫度和風速[23-24].

圖3 肺炎鏈球菌濃度和青霉菌濃度變化

表3 室內外溫濕度與細菌和真菌濃度的相關系數r和P值[20]

注:為樣本量.

Frankel等[20]的研究則有些不同,如表3所示,細菌與室內溫度呈顯著負相關,而與室內相對濕度則無統計學意義(>0.05),真菌與室內溫濕度都是顯著正相關.另外室外溫濕度均與細菌無統計學意義,而與真菌呈顯著相關.這也從側面說明真菌主要來源于室外,受室外溫濕度影響.

2.3.2 空調系統的溫濕度 在帶有空調系統的房間,由于合適的溫濕度和灰塵等作為營養物質,通風空調會成為室內微生物污染的來源之一.一定的溫濕度致使通風空調的設備滋生微生物,而間接影響了室內的微生物污染水平.Chang[25]對空調通風管道中的真菌生長進行了研究,發現在相對濕度97%、干球溫度21℃的環境下,6周后風管中的真菌含量增加了20倍以上,這表明在適宜的生長環境下,微生物繁殖的速度十分驚人.細菌的可生長溫度在5~ 55 ℃之間,在30~46℃范圍內生長良好,細菌生長需要的相對濕度較大,在55%~99%之間;真菌的可生長溫度在5~45℃,在22~30℃范圍內生長活躍,真菌適合在濕度較大的環境下生長,環境相對濕度在70%~99% 內生長活躍[26].

以上可以看到,空調系統的微生物于適宜的溫濕度和豐富的營養物的條件下就可以生長得很快.但室內細菌氣溶膠濃度可能與溫度呈負相關,這仍需要更深入的研究來驗證.

2.4 人數

人的存在可以增加室內的細菌氣溶膠濃度并在建筑物內留下明顯的人體微生物信號[28-29].人的行或跑的動作能擾動氣溶膠,說話的時候會飛濺唾液,皮膚的代謝可以脫下皮屑[27].

Gunnar等[30]的實驗說明了人能增加室內的細菌氣溶膠濃度,其觀察兒童進出環境艙前后的細菌氣溶膠和真菌氣溶膠的濃度變化.如圖5所示,當兒童在艙內時,細菌氣溶膠濃度明顯增加,相比之下真菌氣溶膠變幅不大,而兒童離開艙后,就算通風揚塵,細菌和真菌的氣溶膠濃度均下降.

圖4 室內微生物氣溶膠濃度的變化

Heo等[31]研究人數、活動類型與細菌氣溶膠之間的關系.學生大廳的細菌氣溶膠與人數呈正相關性(2=0.9764,-value<0.050),而真菌氣溶膠與人數之間無統計學意義(2=0.78,-value>0.05).在測試房間里,單個人的活動能增加細菌氣溶膠濃度,其中說話這種呼吸劇烈的動作會減少細菌氣溶膠濃度.這可能是因為人類呼吸系統,包括口腔部位、喉和氣管可以捕獲一部分細菌生物氣溶膠和普通顆粒,從而降低其濃度.另外,說話可能增加周圍空氣中的水分,這可能附著并增加吸濕性氣溶膠顆粒的直徑,從而增加高重力沉降速率.

Tseng等[32]認為辦公室的主要室內活動是走動或者處理辦公室工作,因此對于人的因素進行了簡化,使用人員密度(人數/總面積)來進行表征.

Meadow等[13]使用基因測序的方法,研究3種主要的可能與人相關的細菌OTU屬(操作分類單元),即棒狀桿菌屬、葡萄球菌屬和不動桿菌屬時,發現這3種在室內的豐富度比室外的高.其中葡萄球菌屬和不動桿菌屬在室內有人時比沒有人時的豐富度高.同時也表明,通風的策略和空氣的來源比起人的存在,影響可能會更大.

Fang[33]對北京31處住宅的室內可培養細菌氣溶膠進行了調研.結果表明,兒童的性別和每人居住面積對細菌氣溶膠濃度具有顯著的影響.男性兒童要比女性兒童增加更多的細菌氣溶膠濃度,而每人居住面積與細菌氣溶膠濃度成負相關.

以上的研究都說明了人是室內細菌氣溶膠的主要來源,這可能是由于人皮膚上的細菌脫落在空氣中.

2.5 CO2

Hsu等[36]研究了總真菌濃度(TFC)和總細菌濃度(TBC)與CO2的相關性.結果表明TBC與CO2呈中等相關性(相關系數0.44),TFC與CO2呈弱相關性(相關系數0.16).因此,TBC濃度可能受到室內人體活動強度和換氣次數的影響,這與本文前面的結論一致.

2.6 顆粒物和微生物氣溶膠的相關性

Kulkarni等[34]在一本著作中寫道,生物顆粒和非生物顆粒在空氣中可以用類似的方式表現,并且因此對作用于其上的力以及影響它們的過程作出類似的響應.例如,相同大小的生物和非生物顆粒在空氣中會表現出相似的動力學現象.再者,這兩種粒子之間可能會發生相互作用,其中最有可能是由粒子碰撞導致的凝結.該過程既取決于顆粒濃度又取決于顆粒大小,并且取決于顆粒朝向彼此的擴散速率.例如,當一個高擴散系數的小顆粒擴散到一個大表面的較大顆粒時,這個過程會更快.而室內顆粒物濃度與微生物濃度的關系目前還沒有明確的理論關系.

2.6.1 工程動力學模型 在工程上,利用這種動力學相似性,將非生物氣溶膠粒子的理論應用在了生物氣溶膠粒子.曹國慶等[18]采用微積分方法建立了通風過濾模型,推導了室內生物污染濃度理論瞬時計算式和穩定式,見式(3)和(4),以及無空氣過濾措施時的簡化式,見式(3).Nazaroff[7]則利用質量守恒定律,根據房間內的濃度得失建立自然通風和機械通風下,生物氣溶膠濃度的穩態方程,見式(5)和(6).

從兩者的方程可以看到,確定了室外微生物濃度、室內人員散發率、微生物顆粒沉降率等參數后,室內微生物濃度就可以算出.

2.6.2 統計學模型 在實際過程中,為了研究生物顆粒與非生物顆粒之間的關系,多數采用觀察實驗.

Mirhoseini等[35]對辦公室、實驗室、住宅、學校、宿舍等進行調查.其同時使用了Andersen撞擊采樣器和全玻璃撞擊采樣器(AGI)進行了采樣.在室內氣溶膠顆粒濃度直徑<1μm占95%的情況下,2個采樣器的可培養細菌濃度和PM1具有顯著的相關性,見表4.

表4 培養細菌濃度與PM1和PM0.5相關系數

注:**表示相關性的顯著程度在0.01(雙側).

Hsu等[36]研究了總真菌濃度(TFC)和總細菌濃度(TBC)與PM2.5和PM10的相關性.結果表明TFC對PM2.5和PM10的相關性比TBC的更強,但相關性都不高,見表5.

表5 TBC和TFC各自對PM2.5和PM10的相關系數

Huang等[37]將顆粒細分成不同的粒徑,分別研究了不同粒徑下計重濃度(PM)和計數濃度(PN)與細菌和真菌氣溶膠濃度的相關性.得到的結果是細菌與室內PM1~2.5中度相關,與室內PM2.5弱相關,與室內PM2.5~10中度相關,與PM10弱相關;相關度最高的是PM2.5~10粗顆粒,因此大部分細菌可能分布在粗顆粒,小部分在細顆粒.真菌與室內PM1~2.5和PM2.5~10中度相關,與PM10弱相關.另外該研究還將PN劃分不同的粒徑.細菌氣溶膠濃度與PN1.6~17.5μm和PN25~32μm從弱相關到強相關,真菌氣溶膠濃度與PN1.6~2μm中度相關,與PN2~10和PN17.5~20μm為弱相關.而室內的生物氣溶膠與室外的PM均無顯著相關性.現只列出室內的有關數據,見表6和表7.

從以上文獻可以看到,不同空氣動力學直徑的非生命顆粒計重濃度與微生物氣溶膠濃度的相關性存在著差異,而不同研究者之間,由于采樣地和采樣儀器的不同,也存在著差異.不過可以確定的是,顆粒物濃度與微生物氣溶膠濃度存在一定的相關性.

表6 分段粒徑的顆粒計重濃度與生物氣溶膠的相關系數R和p值

注:*值<0.05.

表7 分段粒徑的顆粒計數濃度與生物氣溶膠的相關系數R和p值

注:*值<0.05.

2.7 氣流組織

通風對室內空氣中微生物的影響主要體現在微生物的濃度分布、擴散傳播以及控制效果上.在上一節內容可以看到,顆粒物和微生物存在相關性,不同氣流組織對顆粒物濃度的影響可以作為對微生物濃度影響的參考.這方面的研究思路是實驗或模擬,或兩者結合[38-40].

還有一些文獻直接研究了不同氣流組織下去除室內微生物的效果.

張海峰[19]在室外非霾天狀況下,對氣流室內不同氣流組織形式下的微生物氣溶膠和細顆粒物(PM2.5)進行了同步采樣,研究了微生物氣溶膠與大氣細顆粒物的相關性.結果如表8所示:在側面送風頂部排風的氣流組織形式中,在氣流室內的空氣環境中細菌和真菌氣溶膠的濃度與大氣細顆粒物PM2.5的濃度呈現出相關性顯著的關系;在側面送風對門排風的氣流組織形式中,在氣流室內的空氣環境中細菌、真菌微生物氣溶膠的濃度與大氣細顆粒物PM2.5的濃度呈現出相關性不顯著的關系;在側面送風底部排風的氣流組織形式中,在氣流室內的空氣環境中細菌、真菌微生物氣溶膠的濃度與大氣細顆粒物PM2.5的濃度呈現出相關性不顯著的關系.

表8 不同氣流組織類型下室內微生物氣溶膠與PM2.5的擬合[19]

對于不同氣流組織下微生物濃度的變化,得出的結論如圖5所示:3種不同送排風氣流組織形式下降低的百分比分別為:在細菌氣溶膠上,側送門排(95.8%)>側送底排(65.8%)>側送頂排(45.1%);在真菌氣溶膠上:側送頂排(38.9%)>側送門排(14.8%)>側送底排(7.2%).

圖5 不同送排風氣流組織形式下降低的百分比

在另一項研究中,張益昭等[41]在生物安全模型實驗室內進行微生物氣溶膠發菌(菌種為枯草桿菌黑色芽孢菌種)實驗.研究得出,氣流對污染物的控制和排除作用明顯,上送下排對污染物的排除效果明顯優于上送上排.這與張海鋒的結論相似,但實驗菌種是真菌的話效果可能就不同了.由圖5可知,氣流組織對細菌的影響要比對真菌的影響要大.

丁研[42]研究表明,1~2μm左右的微生物在室內環境中有良好的氣流跟隨性.在普通辦公環境下,用自凈時間和換氣效率等指標對各形式的污染物去除能力進行評價.其中上送風、側送風和下送風的3種氣流組織形式中(均上回),下送風氣流組織形式對室內環境的傳染病防控有較好的效果.

以上研究沒有對比不同系統下氣流組織對室內微生物污染水平的影響,不同建筑類型的室內氣流組織與微生物污染水平的相關性研究以及對比分析還缺乏,也少有預測模型將氣流組織作為自變量.細菌和真菌因為粒徑的不同,跟隨氣流的程度不同,因此不同氣流組織對這兩者的影響不同.

3 現有預測模型的對比分析

生命顆粒有自身的生長特性,就細菌和真菌來說,從前面的相關性分析來看,各自的來源不同.另外細菌氣溶膠濃度能很好地和顆粒物計數濃度擬合,真菌則不能,這說明從數量上,顆粒物和真菌的相似性較低.為了能更準確地實時預測,需要通過建立統計學模型.目前已有很多文獻進行研究,預測的可靠度有好有壞,不同地方存在著差異,見表9.最終目的是通過各種方法,提高預測的準確度.

Green等[43]通過室內濕度、室內溫度、季節、水損害、可見霉菌、防水材料、健康問卷和室內寵物等變量建立了多元線性回歸的預測模型,預測模型精度達到97%.

Mui等[44]提出了一個非線性預測模型(= 0.0022T2.44RH1.2CFU/m3)的經驗表達式,用室內溫度和相對濕度來預測室內細菌濃度,與細菌濃度的相關系數=0.40(<0.05).

Tseng等[32]調查了37處臺北的辦公建筑.以監測數據(如室內外粗顆粒(PM10)、細顆粒(PM2.5)、CO2濃度和溫度(T)、相對濕度 (RH)和管理數據(如樓層數、人員密度、空調類型、換氣次數、污染源)為自變量,建立線性和非線性的方程.R2的比較結果是:多處建筑>單棟建筑,線性方程>非線性方程,監測數據和管理數據為自變量>僅以監測數據為自變量.

Huang等[37]調研臺南地區的公共建筑,并選擇了PM和PN的不同粒徑作為自變量來建立方程并進行比較.同時,比較了建模方法,即SA、SA+PCA和SA+FA之間的比較,得出PN比PM更適合作為自變量,以PM和PN為自變量不能很好地預測真菌的濃度;在減少自變量數量的同時,SA+FA的準確度要比SA+PCA高,也比只用監測數據建模的方程的準確度高.這說明,使用PN作為自變量,可以減少自變量數量的同時,適用的范圍廣,準確度也較高.

由以上的方程可以看到,在同一處建筑內,相同因素較多,因此可以在自變量較小的情況下得到較高的預測能力;在不同地方的建筑內,室內微生物污染水平的影響和相關因素較多,當增加相關變量的時候,可以提到預測能力.不過只用PN的不同粒徑作為自變量,也可以在同一個地區不同地方具有較好的預測能力.預測細菌和真菌濃度的自變量并不一樣.對于細菌,PN就能很好地預測,而對真菌的預測能力不強.這需要根據真菌與環境參數的相關性,在真菌的預測方程增加合適的自變量.就上述文獻調研內容來看,需要引入的自變量可能是室內溫濕度.此外,以上方程仍缺少不同模型之間的相互對比驗證,因此還不能確定方程是否能對其他地方通用.尤其是我國地域廣闊,氣候多樣,需要基于我國不同地區的調研數據進行建模,與國外地區進行對比驗證.

表9 室內微生物污染水平預測模型匯總

注:H—室內相對濕度RH,T—室內溫度,S—季節,W—防水,V—可見霉,M—受損材料,H—健康問卷,P—室內寵物,AVIndoor—空調類型,PSIndoor—潛在污染源,PDIndoor—人員密度(人/m2),-—總菌落數(CFU m-3),B—細菌菌落數(CFUm3),F—真菌菌落數(CFU/m3),PM—顆粒物計重濃度(μg/m3),PN—顆粒物計數濃度(個/m3).

4 結語

4.1 由于現有的技術有自身的使用范圍和一定的局限性,對室內微生物污染進行實時監測費時、費力.為了解決這個問題,一種思路是研發能實時檢測室內微生物污染的儀器,但是成本高昂;另一種研究思路是根據室內微生物污染水平和環境參數的關系,建立預測模型,給室內微生物污染的控制提供目的導向.

4.2 生命顆粒有自己的來源和特征.比如室內細菌主要來自人,室內真菌主要來自室外,并隨著環境參數的改變濃度發生改變;換氣次數對自然通風下的細菌和真菌濃度有不同的作用;這兩者所粘附的顆粒物粒徑不同.因此為了能對室內微生物污染水平進行實時預測,可以利用統計學方法進行建模.

4.3 預測模型的自變量有室內的溫濕度、人數、換氣次數、氣流組織、空調類型、顆粒物濃度等.但并不是加入越多變量越好,為了能實時預測,變量數據還應該在保證準確度的同時,能方便在線監測.

4.4 顆粒物濃度和室內微生物氣溶膠濃度存在一定的相關性.有些研究可能由于樣本量小或者儀器量程的原因,并沒有得到顯著的相關性,但最近的一些研究,已經得出其中的相關性,并以其為自變量建立了預測模型.以PN為自變量的預測模型可以有廣泛應用的同時,能達到較高R2值.但對于真菌來說,還需要引入相關變量,提高準確度.

4.5 室內微生物氣溶膠來源多樣,并受很多環境因素影響,可以利用統計學方法對室內微生物污染水平進行實時預測.可嘗試以顆粒物計數濃度為自變量預測室內細菌氣溶膠濃度,室內真菌氣溶膠濃度則需要另外引入溫濕度等相關自變量以提高預測能力.

4.6 目前還缺乏基于中國大陸調研數據建立的預測模型,并且已有預測模型之間沒有相互進行過驗證,未來的工作應該測出中國的調研數據,并建立不同地區的預測模型,并與其他模型進行對比驗證.

[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] 方治國,黃 闖,樓秀芹,等.南方典型旅游城市空氣微生物特征研究 [J]. 中國環境科學, 2017,37(8):2840-2847.

[18] 曹國慶,張益昭.通風與空氣過濾對控制室內生物污染的影響研究 [J]. 土木建筑與環境工程, 2009,31(1):130-135.

[19] 張海峰.氣流組織形式對室內微生物氣溶膠濃度的影響 [D]. 西安:長安大學, 2015.

[20] Frankel M, Bek? 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 瀟,鄧開野,等.某空調系統室內空氣微生物濕處理特性及失活動力學模型[J]. 制冷與空調, 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] 嚴漢彬,丁力行.控制空調系統微生物污染的溫濕度條件分析 [J]. 制冷與空調, 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] 陳衛中,樓曉明,任麗華,等. 2011年浙江省公共場所集中空調通風系統污染狀況分析 [J]. 中國衛生檢驗雜志, 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] 張益昭,于璽華,曹國慶,等.生物安全實驗室氣流組織形式的實驗研究 [J]. 暖通空調, 2006,36(11):1-7.

[42] 丁 研.送風氣流形式對于室內生物污染物傳播的影響研究 [D]; 天津大學, 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

張銘健(1992-),男,廣東云浮人,在讀碩士研究生,主要從事室內空氣品質和凈化空調方向研究.

2018-04-23

“十三五”國家重點研發計劃項目(2017YFC0702800)

* 責任作者, 研究員, cgq2000@126.com