2017, Vol. 38
2. 国家环境保护恶臭污染控制重点实验室, 天津 300191
2. State Environmental Protection Key Laboratory of Odor Pollution Control, Tianjin 300191, China
随着城市公众出行机动化的需求日益增多，城市机动车保有量飞速增长，机动车尾气排放成为城市空气污染的主要来源之一，加重了大城市空气质量的恶化程度[1~3].南京市地处长三角经济发达地区，机动车数量迅猛增长，2014年机动车保有量为172万辆[4]，由机动车排放导致的空气质量恶化也变得越来越突出[5].因此，研究机动车污染物的排放特征具有重要意义，可以为南京市机动车污染控制提供数据支撑.
获取与排放因子相匹配且能反映道路实际行驶特征的交通活动水平数据是研究机动车道路污染物排放特征的关键.国内外已有许多针对道路机动车排放特征方面的研究，交通活动水平的获取方式各异.吴烨等[6]获取澳门市分车型保有量数据和年均行驶里程数据建立澳门排放清单，姚志良等[7]选取了北京市代表城南、城北、城中各3条典型主干路、快速路、居民路，记录逐秒车辆位置和速度，朱倩茹等[8]运用GPS浮动车数据分析广州市机动车排放量分布特征，孙国金[9]选取了4条典型道路代表杭州市典型道路的行驶特征. Wang等[10]运用TransCAD模型获取机动车行驶里程数据，Cook等[11]基于TDM模型获得逐时的路段流量. Iqbal等[12]选择代表性的道路调查机动车行驶里程和交通量数据.然而，通过调研、人工采集得到的数据具有数据量小、时间跨度短、覆盖道路少，准确度低且可能会忽略交通流和机动车排放特点.同时，静态数据不具备动态更新和实时计算的功能，而交通模型获取数据的准确度较实际数据低.目前已有研究获取的活动水平是基于实时动态数据[13, 14].随着交通采集技术发展，实时交通数据通过新型信息采集技术例如视频识别、无线射频技术 (radio frequency identification，RFID)、全球定位系统 (global positioning system，GPS) 等获取. RFID可以快速读取通过车辆的信息，非常适合在智能交通管理方面的应用[15].采用空间网格建模方法，可以实现RFID数据与道路的关联.
本研究基于RFID和视频识别数据，获取南京市450个主次干道基站实时动态交通数据.这是本研究的优势所在，以覆盖基站提供的实时数据代替选择典型道路、保有量数据、历史数据等的方法，更准确反映机动车的真实活动水平，有效提高机动车排放量的准确度.同时，实时数据能够为建立自下而上的排放清单提供数据更为准确的数据支撑.排放因子基于COPERT模型，采用HTSVE清单系统计算排放量，该清单系统最早应用在北京的研究中[16, 17].
本研究获取的实时交通数据结合ArcGIS技术，分析南京市主次干道机动车排放特征，以期为交通环境管理提供技术手段和决策依据并可以进一步建立高时空分辨率的排放清单，结合空气质量数值模型，模拟移动源对环境空气质量的影响.
1 材料与方法本研究基于南京市区2014年的1、4、7、10月这4个月RFID实时交通数据，获取主次干道车流量，平均速度以及车队构成等交通活动水平信息，分析两种道路类型及周末效应的排放特征. NOx、CO、HC、PM这4种污染物的排放量通过HTSVE清单系统计算，其计算公式如下：
|
(1) |
式中，Qi, jp代表污染物p在i路段j时的排放量 (g ·h-1)，EFc, vp代表c车型在速度v(km ·h-1) 时污染物p的排放因子，VTc, i, j代表i路段c车型在j时的车流量 (辆·h-1)，Li代表i路段的长度 (km).
1.1 主次干道实时交通数据获取实时交通数据获取的方式是通过电子车牌的形式与RFID电子标签的ID号相联系，存入到电子标签内，利用路网中分布安置的RFID检测设备获取车辆身份、车辆位置及车辆交通信息等[18, 19]，如图 1所示.
|
图 1 实时数据获取 Fig. 1 Real-time data acquisition |
RFID数据计算道路机动车平均速度是取单车通过RFID基站相同行驶方向相近的RFID基站作为关联，将所有关联的基站对平均速度进行加权平均，与路网匹配，得到道路平均速度，公式如下所示.
|
(2) |
式中，vi是该基站对在i时段内的平均行驶速度 (km ·h-1)；S是该基站对间的道路长度 (km); ti, j是该基站对的单车j的通过时间 (h).
2014年南京市区运行稳定的RFID基站共有465个，分布情况如图 2所示.本研究选择覆盖主次干道的450个基站，其中主干道有404个，次干道有46个.基站覆盖的主干道和次干道占南京市区主次道路总长度的66.5%和9.5%.
|
图 2 南京市RFID基站分布示意 Fig. 2 Distribution of RFID base stations in Nanjing |
通过实时读取RFID的车牌号与南京车辆注册数据库关联检索，结合基站编号与通过时间等信息，获取某时间段内与排放因子中机动车分类相同的机动车车流量.通过上述公式 (2) 计算通过道路平均速度.不同的排放标准与车型的污染物排放量差异显著[20~22].车队构成信息可通过RFID数据资料结合视频识别技术与注册数据库关联检索.车牌识别开头为“苏A”的标记为南京本地车辆，其中南京车辆占比为90.7%.本研究对应排放因子将车型分为实行国Ⅰ前、国Ⅰ、国Ⅱ、国Ⅲ、国Ⅳ标准下的微型货车、轻型货车、中型货车、重型货车、微型客车、小型客车、中型客车、大型客车.
1.2 排放因子确定方法通过输入车队构成、车辆行驶工况、环境温度、油品品质等基础数据，基于COPERT模型获取微型货车、轻型货车、中型货车、重型货车、微型客车、小型客车、中型客车、大型客车等不同车型在实行国Ⅰ前、国Ⅰ、国Ⅱ、国Ⅲ、国Ⅳ标准情况下的CO、NOx、HC和PM的排放因子.通过隧道测试与COPERT Ⅳ模型计算的排放因子对比可知，CO和HC排放因子与模型模拟结果相差不大，NOx排放因子高于隧道实验2.6倍，PM2.5差异较大，高出7.5倍.这可能由于中国与欧盟在车型分类及单车排放因子等方面有一定的差异.
1.3 排放特征分析方法本研究以RFID实际道路交通流信息为数据基础，结合道路信息和排放因子信息，采用HTSVE清单系统计算主次干道机动车排放量，分析主次干道在工作日和非工作排放特征.利用SPSS Statistics 22 Mann-Whitney U非参数检验 (非正态总体) 和系统聚类分析方法[23]，结合ArcGIS软件，分析道路日均排放量在周末效应和道路类型影响下是否具有显著性差异以及聚类排放时空分布特征.
2 结果与讨论 2.1 交通特征分析 2.1.1 交通流变化特征通过对RFID覆盖区域主次干道实时数据的整理和分析，获取了主次干道日均车流量、逐时车流量以及车速变化规律，如图 3~5所示.
|
图 3 主次干道4个月份日均车流量 Fig. 3 Average daily traffic volume in four months in artery and collector roads |
|
图 4 主次干道逐小时车流量变化 Fig. 4 Hourly traffic volume in artery and collector roads |
|
图 5 主次干道逐小时车速变化 Fig. 5 Hourly average traffic speed in artery and collector roads |
图 3为不同月份日均车流量变化情况，从中可以看出，4个月份的日均车流量变化差异较小，选取月份可以反映全年日均车流量.次干道日均车流量是主干道的50%左右.工作日车流量略多于非工作日.
图 4是逐小时车流量变化情况，主次干道车流量变化规律基本相同，均呈现明显“双峰”现象.非工作日的早高峰相较工作日略有推迟，晚高峰略有提前，在20:00左右出现的小高峰，应该与周末出行流量增加有关.
从图 5逐小时车速变化规律中可以看出，次干道车速要明显高于主干道，非工作日车速高于工作日.晚高峰车速为一天最低值，约为25~30 km ·h-1.
2.1.2 机动车车型与排放标准构成特征通过实时读取与注册数据关联后的RFID数据，获取主、次干道的排放标准构成比例和车型，如图 6所示.主次干道上车型和排放标准构成基本一致.
|
图 6 主次干道车队构成比例 Fig. 6 Proportion of fleet compositions in artery and collector roads |
从排放标准比例图可见，国Ⅲ和国Ⅳ车辆是南京市主、次干道主流车辆，占比超过90%，其中国Ⅳ车辆超过车辆总数的一半.国Ⅰ前、国Ⅰ车辆占比极低，两类标准车总量约占总车数的1%.
从图 6可以看出，主次干道中，小型客车占比最高，均达80%左右.其次是大型客车，分别占9.8%和8.3%，除微型货车占比远小于1%之外，其它3种货车比例在1%~6%.主干道中大型客车和重型货车占比略高于次干道.
2.2 道路机动车排放特征分析 2.2.1 道路机动车排放量特征分析基于逐时的车流量、车速、车队构成比例和不同污染物的排放因子，采用HTSVE清单系统计算RFID覆盖区域主次干道NOx、CO、HC、PM的排放量分别为8.1、15.2、0.6、0.3t ·d-1.
根据道路长度和人口密度推算2014年南京市主城区NOx、CO、HC、PM的年排放量分别为2.8万t、5.4万t、0.7万t、0.1万t.南京市2013年排放清单中，南京市机动车排放NOx、CO、HC、PM分别为3.6万t、15.5万t、1.9万t、0.25万t[24]. 2010年杭州市NOx、CO、HC、PM2.5分别为3.6万t、15.8万t、12.3万t、1.1万t[25].分析数据差异，主要原因有以下4点：①本文主要考虑南京市区排放污染物总量. ②本文未考虑摩托车对污染物的贡献.根据南京市统计年鉴可知，摩托车数占比接近20%[4].摩托车排放对CO和HC的贡献均达20%[26]. ③基于COPERT模型计算的排放因子与实测排放因子有较大差异，尤其是PM2.5和NOx. ④以道路长度和人口密度推算区域排放总量有一定误差.
通过对4个月122 d的工作日和非工作日不同污染物日均值的显著性差异分析，研究周末效应是否对主次干道机动车排放量有显著影响，如表 1所示.
|
表 1 南京市主次干道机动车日均排放量/t ·d-1 1) Table 1 Average daily emission in artery and collector roads of Nanjing/t ·d-1 |
由表 1可知，从数据总体来看，主次干道工作日排放量均略高于非工作日.由非参数检验可知，次干道4种污染物日均排放量周末效应均显著，主干道的NOx和PM日均排放量周末效应不显著.对活动水平数据进行非参数检验可知，逐小时车流量和车速都具有显著的周末效应，P值均小于0.01，而主干道大型客车和中重型货车占比周末效应不显著，P=0.421.有研究表明，以柴油为燃料的公共汽车、大型客车、重型货车等是NOx和PM的主要贡献者[27, 28].说明主干道的NOx和PM日均排放量周末效应的不显著可能与大型客车和中重型货车占比变化不显著有关.
通过以上分析可知，特殊时段NOx日均排放量受周末效应和道路类型影响显著，与车流量、车速、车队构成等活动水平因素相关.
2.2.2 道路机动车排放时间分布特征分析本节以NOx为例对机动车排放清单的时空分布特征进行分析.
通过对主次干道在工作日和非工作日机动车排放的小时分担率进行分析，如图 7所示.南京市的排放分担率变化呈现出明显的“双峰”现象，与车流量变化规律一致. 00:00~04:00 NOx呈现下降趋势，04:00后快速上升，08:00早高峰达到一天的峰值，经中午波谷时段，在17:00达到晚高峰，随后呈下降趋势.主次干道双峰时刻排放分担率分别达6%和7%，主干道排放更为集中在双峰时段. 19:00~23:00时段，非工作日分担率出现小高峰，与交通数据变化规律一致.
|
图 7 主次干道排放分担率 Fig. 7 Emission contribution rates in artery and collector roads |
为验证道路类型和周末效应两种因素对特殊时段的排放是否有显著性影响，分别对低谷时段 (02:00~05:00)、高峰时段 (07:00~10:00和16:00~19:00) 和平峰时段 (11:00~14:00) 的NOx排放进行非参数检验，其检验结果为南京市特征时段排放分担率分布情况差异性显著 (P < 0.01).特殊时段道路类型和周末效应对排放分担率分布都具有显著性差异，这与图 7所示的规律一致.车汶蔚[29]在建立珠江三角洲高时空分辨率排放清单中，相对工作日而言，城市主干道机动车日排放变化在休息日变化较为平缓，这与本文一致.樊守彬等[30]研究北京机动车排放特征，主干道和次干道从污染物量上依次递减，且不同类型道路排放变化规律并不一致.说明道路类型和周末效应两种因素对污染物排放变化规律都有显著影响.
2.2.3 机动车排放道路聚类时空特征分析根据NOx小时排放变化规律对RFID覆盖区域的主次干道进行聚类，将道路聚为5类，如图 8和图 9所示.
|
图 8 主次干道工作日聚类时空分布 Fig. 8 Cluster analysis on weekday in artery and collector roads |
|
图 9 主次干道非工作日聚类时空分布 Fig. 9 Cluster analysis on weekend in artery and collector roads |
类1道路呈现明显的“双峰”现象，道路长度占比超过90%，分布最为广泛.类2是应天大街高架，早高峰较其他类道路略有推迟，且周围有绿博园、休闲公园等景点，周末中午呈现明显的小高峰.类3和类5道路早高峰排放分担率是一天中的最高值，晚上呈现小高峰，其主要分布于市郊的科技园、产业园、工业园，如软件大道、尧新大道、恒飞路、太新路、扬子江大道等以及学校周围如紫荆花路.类3道路周末早晚高峰基本持平，早高峰出行车辆相较工作日减少明显.工业较为集中的类5道路一周均呈现明显早高峰.对比交通数据可知，早高峰车流量明显高于晚高峰，车辆运行速度降低，排放因子增加所致，而晚高峰部分车辆可以选择绕行.类4回龙桥路段夜晚分担率较白天高，主要由于货车和大型客车通行量大，对NOx排放影响明显.
由图 8和图 9可知，90%以上的道路呈现明显的“双峰”现象，各类道路的排放分担率变化规律与其所处的空间位置密切相关.根据聚类分析结果，可以采取以下方式降低排放：工作日期间，加强早高峰排放分担率高的道路分流工作，在临近产业园、科技园、工业园等地可以推行班车制度；非工作日期间，分流景点、博览园、公园车辆，同时也可以设置旅游专线减少车流量；督查类4道路夜间经过货车是否满足排放标准和有无超载现象.
2.2.4 不同车型和技术构成排放贡献率南京市主次干道的技术标准和车型排放分担率基本相同，与交通变化规律一致，如图 10所示.从排放标准贡献率角度来看，主次干道以国Ⅲ、国Ⅳ车辆为主，国Ⅳ车辆数超过总数的一半，但国Ⅲ排放贡献率最高，说明排放标准的提升有效降低了排放强度[31].
|
图 10 主次干道车队构成排放分担率 Fig. 10 Contribution rates of fleet compositions in artery and collector roads |
从车型贡献率角度来看，不同车型对不同污染物的贡献率差异很大.对于PM和NOx而言，不同车型的排放变化规律一致.大型客车和重型货车是主要的贡献源，这一点更好地印证了上述日均值差异的结果.对于CO和HC，排放主要源自客车，小型客车是CO主要的贡献源，占比高达71.3%. HC中除客车外，重型货车也是主要的贡献源之一.
3 结论(1) 南京市的机动车车流量呈明显的“双峰”分布，车速呈明显的“双谷”分布，与排放分担率规律相一致.说明排放分担率变化与活动水平变化密切相关.车队构成方面，小型客车在各车型中占比最高，其次是大型客车和重型货车，国Ⅲ、国Ⅳ车辆为南京市在用车主要标准.
(2) 非参数检验结果说明，特殊时段NOx日均排放量受周末效应和道路类型影响显著，与车流量、车速、车队构成等活动水平因素相关.
(3) 聚类分析结果说明，主次干道以逐时排放分担率变化规律可分为5类，同类道路具有一致性，其分类主要受其空间地理位置影响，并可为交通管理提供支持.
(4) 由车队构成对排放贡献可知，2014年南京市的排放主要由国Ⅲ，国Ⅳ车贡献，国Ⅲ车贡献最大.从车型构成分担率来看，HC、CO的主要贡献车型是小型客车，NOx和PM的主要贡献车型是大型客车和重型货车.
| [1] | Fu L X, Hao J M, He D Q, et al. Assessment of vehicular pollution in China[J]. Journal of the Air & Waste Management Association, 2001, 51(5): 658–668. |
| [2] | He K B, Huo H, Zhang Q. Urban air pollution in China:current status, characteristics, and progress[J]. Annual Review of Energy and the Environment, 2002, 27(1): 397–431. DOI: 10.1146/annurev.energy.27.122001.083421 |
| [3] | Walsh M P. Can China control the side effects of motor vehicle growth[J]. Natural Resources Forum, 2007, 31(1): 21–34. DOI: 10.1111/narf.2007.31.issue-1 |
| [4] | 徐翠华. 2014南京市统计年鉴[EB/OL]. http://yearbookchina.com/navibooklist-N2014120129-1.html, 2014. |
| [5] | 路云霞, 刘海滨, 于忠华, 等. 南京市环境空气污染特征与治理对策研究[J]. 环境科学与管理, 2013, 38(4): 79–81, 119. Lu Y X, Liu H B, Yu Z H, et al. Study on characteristics and countermeasures of air pollution in Nanjing[J]. Environmental Science and Management, 2013, 38(4): 79–81, 119. |
| [6] | 吴烨, 郝吉明, 傅立新, 等. 澳门机动车排放清单[J]. 清华大学学报 (自然科学版), 2002, 42(12): 1601–1604. Wu Y, Hao J M, Fu L X, et al. Emissions inventory for mobile sources in Macao, China[J]. Journal of Tsinghua University (Science & Technology), 2002, 42(12): 1601–1604. |
| [7] | 姚志良, 贺克斌, 王岐东, 等. IVE机动车排放模型应用研究[J]. 环境科学, 2006, 27(10): 1928–1933. Yao Z L, He K B, Wang Q D, et al. Application study of IVE vehicle emission model[J]. Environmental Science, 2006, 27(10): 1928–1933. |
| [8] | 朱倩茹, 刘永红, 曾伟良, 等. 基于GPS浮动车法的机动车尾气排放量分布特征[J]. 环境科学研究, 2011, 24(10): 1097–1103. Zhu Q R, Liu Y H, Zeng W L, et al. Research on distribution characteristics of motor vehicle exhaust emissions based on GPS floating car method[J]. Research of Environmental Sciences, 2011, 24(10): 1097–1103. |
| [9] | 孙国金.机动车排放PM2.5和NOx的特征与减排对策[D].杭州:浙江大学, 2013. 69-86. |
| [10] | Wang H K, Fu L X, Lin X, et al. A bottom-up methodology to estimate vehicle emissions for the Beijing urban area[J]. Science of the Total Environment, 2009, 407(6): 1947–1953. DOI: 10.1016/j.scitotenv.2008.11.008 |
| [11] | Cook R, Isakov V, Touma J S, et al. Resolving local-scale emissions for modeling air quality near roadways[J]. Journal of the Air & Waste Management Association, 2008, 58(3): 451–461. |
| [12] | Iqbal A, Allan A, Zito R. Meso-scale on-road vehicle emission inventory approach:a study on Dhaka City of Bangladesh supporting the 'cause-effect' analysis of the transport system[J]. Environmental Monitoring and Assessment, 2016, 188(3): 149. DOI: 10.1007/s10661-016-5151-4 |
| [13] | Wong P K, Vong C M, Wong K I, et al. Development of a wireless inspection and notification system with minimum monitoring hardware for real-time vehicle engine health inspection[J]. Transportation Research Part C:Emerging Technologies, 2015, 58: 29–45. DOI: 10.1016/j.trc.2015.07.001 |
| [14] | 黄成, 刘娟, 陈长虹, 等. 基于实时交通信息的道路机动车动态排放清单模拟研究[J]. 环境科学, 2012, 33(11): 3725–3732. Huang C, Liu J, Chen C H, et al. Dynamic road vehicle emission inventory simulation study based on real time traffic information[J]. Environmental Science, 2012, 33(11): 3725–3732. |
| [15] | 王睿, 赵龑. RFID技术及其应用系统构架的研究[J]. 通信技术, 2009, 42(5): 116–118. Wang R, Zhao Y. RFID technology and structure of its application systems[J]. Communications Technology, 2009, 42(5): 116–118. |
| [16] | Jing B Y, Wu L, Mao H J, et al. Development of a vehicle emission inventory with high temporal-spatial resolution based on NRT traffic data and its impact on air pollution in Beijing-Part 1:development and evaluation of vehicle emission inventory[J]. Atmospheric Chemistry and physics, 2016, 16(5): 3161–3170. DOI: 10.5194/acp-16-3161-2016 |
| [17] | He J J, Wu L, Mao H J, et al. Development of a vehicle emission inventory with high temporal-spatial resolution based on NRT traffic data and its impact on air pollution in Beijing-Part 2:impact of vehicle emission on urban air quality[J]. Atmospheric Chemistry and Physics, 2016, 16(5): 3171–3184. DOI: 10.5194/acp-16-3171-2016 |
| [18] | 李刚, 曾锐利, 林凌. 基于射频识别技术的智能交通系统[J]. 信息与控制, 2006, 35(5): 555–559. Li G, Zeng R L, Lin L. Intelligent transportation system based on RFID[J]. Information and Control, 2006, 35(5): 555–559. |
| [19] | 赵泰洋, 郭成安, 金明录. 一种基于RFID原理的交通信息获取系统与车辆定位方法[J]. 电子与信息学报, 2010, 32(11): 2612–2617. Zhao T Y, Guo C A, Jin M L. A RFID based traffic information acquisition system and vehicle positioning method[J]. Journal of Electronics & Information Technology, 2010, 32(11): 2612–2617. |
| [20] | 于明霞.中国三大区域轻型车氮氧化物排放总量控制研究[D].北京:清华大学, 2014. 32-45. |
| [21] | Heeb N V, Forss A M, Saxer C J, et al. Methane, benzene and alkyl benzene cold start emission data of gasoline-driven passenger cars representing the vehicle technology of the last two decades[J]. Atmospheric Environment, 2003, 37(37): 5185–5195. DOI: 10.1016/j.atmosenv.2003.04.001 |
| [22] | Karlsson H L. Ammonia, nitrous oxide and hydrogen cyanide emissions from five passenger vehicles[J]. Science of the Total Environment, 2004, 334-335: 125–132. DOI: 10.1016/j.scitotenv.2004.04.061 |
| [23] | 李强.交通流时间序列的聚类分析方法及应用[D].北京:北京交通大学, 2012. 2-27. |
| [24] | 周海茵, 李军. 南京市机动车污染物减排因素分析[J]. 环境监控与预警, 2014, 6(4): 43–45. Zhou H Y, Li J. Factor analysis of motor vehicle emissions of pollutants in Nanjing city[J]. Environmental Monitoring and Forewarning, 2014, 6(4): 43–45. |
| [25] | 叶贤满, 徐昶, 洪盛茂, 等. 杭州市大气污染物排放清单及特征[J]. 中国环境监测, 2015, 31(2): 5–11. Ye X M, Xu C, Hong S M, et al. Emission inventory and characteristics of air pollutants in Hangzhou[J]. Environmental Monitoring in China, 2015, 31(2): 5–11. |
| [26] | 田军.南京市机动车大气环境影响及其控制策略研究[D].南京:南京大学, 2013. 22-43. |
| [27] | 姚欣灿, 黄如娜, 农加进, 等. 广州市2010年道路机动车排放清单研究[J]. 广州环境科学, 2012, 27(2): 20–24. Yao X C, Huang R N, Nong J J, et al. Vehicle emission inventory of Guangzhou in 2010[J]. Guangzhou Environmental Sciences, 2012, 27(2): 20–24. |
| [28] | 周磊, 王伯光, 汤大钢. 重型柴油车对空气质量的影响及其排放的控制[J]. 环境科学, 2011, 32(8): 2177–2183. Zhou L, Wang B G, Tang D G. Impact of heavy-duty diesel vehicles on air quality and control of their emissions[J]. Environmental Science, 2011, 32(8): 2177–2183. |
| [29] | 车汶蔚.珠江三角洲高时空分辨率机动车污染排放清单开发及控制对策研究[D].广州:华南理工大学, 2010. 40-41. |
| [30] | 樊守彬, 田灵娣, 张东旭, 等. 基于实际道路交通流信息的北京市机动车排放特征[J]. 环境科学, 2015, 36(8): 2750–2757. Fan S B, Tian L D, Zhang D X, et al. Emission characteristics of vehicle exhaust in Beijing based on actual traffic flow information[J]. Environmental Science, 2015, 36(8): 2750–2757. |
| [31] | GB 18352.3-2005, 轻型汽车污染物排放限值及测量方法 (中国Ⅲ、Ⅳ阶段)[S]. |