2018, Vol. 39
随着社会经济和城市人口的不断增长, 城市大气污染越来越复杂, 我国城市大气污染类型已由局地、单一的煤烟型污染向区域型、复合型污染转化.我国连续7 a保持世界机动车产销第一大国, 机动车污染已成为我国空气污染的重要来源, 是造成霾、光化学烟雾污染的重要原因, 机动车污染防治的紧迫性日益凸显.机动车排放的污染物种类繁多, 其中主要污染物HC、NOx和一次颗粒物是大气中二次污染物PM2.5和O3的重要前体物[1].从颗粒物毒性来看, 柴油和汽油排放的颗粒物毒性大于煤炭和自然源, 机动车源的颗粒物对人体健康的影响更为显著[2].
准确建立高时空分辨率的排放清单是掌握机动车污染对区域空气质量以及人体健康影响的有效手段[3], 是评估各种控制方案实施效果的重要基础.当前除省会城市以及特大城市外, 绝大多数城市尚未制定单独的机动车控制措施, 基本按照省级的要求来执行.但目前城市级别的机动车排放清单及排放特征相关研究较为常见[4~8], 省级的机动车排放清单相对偏少, 仅见于山东、广东等省份[9, 10].江苏省机动车保有量大, 机动车主要大气排放污染物包括NMVOC、CO等的排放量仅次于广东省和山东省[11].此外, 江苏省机动车保有量增速较快.近3年来全省民用汽车拥有量年增长率有所放缓, 但仍高达15%, 其中, 南京、无锡和苏州的机动车拥有量增长率达到7%~8%, 远高于全国平均水平.江苏省电力行业已经基本完成超低排放改造, 钢铁、焦化等行业也部分实施了脱硝改造, 工业NOx排放降幅显著, 机动车NOx排放在全省NOx排放总量的占比日益突出.西方发达国家的经验显示, 机动车源将对空气质量有重要的贡献[12].在江苏省建立省级层面的机动车排放清单工作在当前显得尤为重要.
机动车排放清单与活动水平、车辆技术、行驶工况和车队构成等因素密切相关[11, 13].大部分机动车排放清单的建立停留在排放总量等宏观层次上, 对道路尺度中观层次的机动车排放清单的研究相对较少.已有研究往往通过架设摄像头、现场测试等方法调查获取不同道路等级的交通流量[14, 15].要获得更为较为准确的区域机动车污染时空分布特征, 需要将动态交通流数据等实际行驶状况数据和信息应用于排放清单的编制[5, 16, 17].
为了满足当前精细化管理的需求, 本研究利用COPERT模型和ArcGIS技术建立了江苏省2015年1 km×1 km、小时分辨率的机动车网格化排放清单, 分析了分车型、排放标准以及道路类型的机动车污染物排放分担率, 并对排放清单的时空分配方法进行了改进.在空间分布特征研究方面, 在文献[18, 19]研究的基础上改进了“标准道路长度”的计算方法, 在交通流量与道路长度的基础上增加人口密度, 加强了空间分配方法的合理性, 并使得该方法可直接应用于COPERT模拟结果的空间分配.在时间分布特征研究方面, 本研究从公安部门调研获得了江苏省典型城市市区和其他区域不同道路等级的年度车流量数据, 用于排放清单的空间分配; 从高度地图的交通大数据平台获取实时拥堵延时指数, 以及拥堵情况的月变化、周变化和日变化数据, 用于排放清单的时间分配.
1 材料与方法 1.1 排放清单计算目前应用最广泛的机动车排放模型是COPERT、IVE、MOBILE、CMEM和EMFAC模型.其中, COPERT模型由欧洲环境署(European Environment Agency)资助研发, 已在全国层面[20, 21]、区域层面[22]、省级层面[23]以及城市层面[4~8, 24]的机动车污染物排放研究中得到了应用.我国采用的排放标准和车辆控制技术与欧洲接近.北京大学相关研究显示, 应用COPERT模型计算获得的排放因子较MOBILE模式更接近中国机动车实际排放情况, 可用于省级层面机动车排放因子的计算[20, 25].此外, 相对于其他模型而言, COPERT模型的参数相对易于获取.因此, 本研究选用COPERT模型计算江苏省各设区市的机动车污染物排放量.
COPERT模型针对市区、乡村和高速公路分别计算污染物的排放量.模型中污染物的排放量主要来源于发动机热稳定运行排放、冷启动排放以及燃料蒸发排放这3个过程.由于我国的车辆分类方法与COPERT模型中的车辆分类方法有所不同, 为了使国内机动车车辆类型能够与COPERT模型中的车辆类型相对应, 本研究根据已有研究的分类对照结果进行匹配, 以进行COPERT 5.0模型的参数输入[9, 20], 如表 1所示.
|
表 1 江苏省机动车所对应的COPERT模型的车辆类型 Table 1 Vehicle types in Jiangsu Province compared with COPERT data |
1.2 清单的空间分配
假设以城市为子研究单元, 根据COPERT的分类将高速、国道、省道、县道、乡镇村道以及其他道路等不同等级道路分为市区内、市区外和高速这3种路段.改进的“标准道路长度”的计算方法假设在这3种路段上, 各自存在一条虚拟道路, 道路的单位长度计为单位标准道路长度.应用ArcGIS软件的空间分析和数据统计功能, 建立LMBERT投影下覆盖江苏省全省范围的1 km×1 km网格.按照实际道路长度、年度道路交通流量以及道路所在行政区人口, 对每个1 km网格内各等级道路进行道路长度的标准化换算.根据COPERT模型计算出的各城市不同路段上各种污染物的排放量, 以及对应的总标准道路长度, 计算出各城市单位标准道路长度的排放量, 即单位标准排放强度.利用该排放强度和标准换算体系, 计算每个1 km网格不同等级道路图层的排放强度, 并进行矢量叠加, 得到研究区域内的机动车污染网格化排放清单, 如式(1)~(3)所示.
|
(1) |
|
(2) |
|
(3) |
式中, i为江苏省内编号为i的城市; k为i城市第k级道路类型; TSULi、TSRLi和TSHLi分别为i城市第k级道路类型在市区内路段、市区外路段和高速路段的标准道路长度(km); ULik、RLik和HLik分别为i城市第k级道路类型在市区内路段、市区外路段和高速路段的实际道路长度(km); UWik、RWik和HWik为i城市第k级道路类型在市区内路段、市区外路段和高速路段的道路折算系数(km·km-1); UTik、RTik和HTik分别为i城市第k级道路类型在市区内路段、市区外路段和高速路段的交通流量(辆标准车); Pia为i城市a区县的常住人口(万人).
1.3 清单的时间分配目前主要的清单时间分配仍是基于车流量和车速, 数据来源主要为摄像数据或现场的人工计数.虽然越来越多城市级别的清单研究开始采用动态交通流信息来提高机动车排放清单的时空分辨率[15, 17, 26], 但是动态车流量数据由于数据量庞杂, 且主要依赖人工统计核算, 较难实现动态更新.若具体到全省水平, 获取每个城市不同道路等级实时数据的难度就更为突出.高德、百度等从2015年开始基于大数据技术发布了全国100个城市的5 min分辨率的实时拥堵延时指数, 并提供拥堵情况的月变化、周变化和日变化数据.假定拥堵与车流量正相关, 本研究基于高德地图发布的2015年度中国主要城市交通分析报告以及2017年二季度拥堵数据, 分析了13个设区市拥堵延时指数(拥堵延时指数=交通拥堵通过的旅行时间/自由流通过的旅行时间)的月变化、周变化和日变化情况, 计算出不同城市2015年每一天的机动车污染排放变化细化以及24 h变化系数, 进而完成对不同城市机动车污染日排放的时间分配.
2 结果与分析 2.1 分城市年排放量利用COPERT模型分别计算江苏省13个城市的主要大气污染物排放量, 汇总分析得到全省的排放总量. COPERT模型所需输入参数总计15个, 包括气象参数、车辆信息、燃料信息、年均行驶里程、平均累计行驶里程、车速和车辆技术水平信息等.本研究针对江苏省的不同城市设置了不同的参数.其中各城市分月的最低气温、最高气温、相对湿度等气象资料从中国气象科学数据共享服务网获得.分城市机动车车型及燃油分类比例信息从环保部机动车排污监控中心获得.年均行驶里程数据主要参考《道路机动车排放清单编制技术指南(试行)》.
2015年, 江苏省各城市机动车主要大气污染物排放量如表 2所示.全省NOx、HC、CO、PM2.5、SO2、OM和BC的排放量分别为49.09、16.63、161.48、1.69、0.19、0.36和0.67万t. 13个设区市中, 苏州和徐州两市排放量最为突出, 两市7项污染物排放量合计占全省排放总量的34%~45%.
|
|
表 2 江苏省2015年机动车主要大气污染物排放量/万t Table 2 Vehicular emission for Jiangsu Province in 2015/104 t |
全省机动车HC蒸发量为2.02万t, 占机动车HC排放总量的12%.南京HC蒸发排放占比达21%, 其他12市HC蒸发排放占比在7%~19%之间.从各市HC蒸发排放的车型分担率来看, 除淮安外, 各地小型客车分担率均超过50%, 盐城、连云港、泰州、南通和扬州的摩托车分担率均超过36%, 淮安的微、轻型货车分担率较为突出, 如图 1所示.从不同车型HC蒸发排放的地区贡献来看, 苏州、南京和无锡的小型客车排放贡献突出, 占全省的51%;苏州、南通和盐城摩托车排放贡献突出, 累计达全省总量的43%;苏州和淮安微、轻型货车排放贡献突出, 分别占全省总量的41%和27%;苏州中型货车的排放分担率超过了50%, 徐州的分担率也达到了13%.
|
图 1 各设区市机动车HC蒸发排放 Fig. 1 Evaporative HC emissions of each city |
基于排放清单结果, 利用改进的道路标准道路长度方法, 运用GIS技术, 建立机动车NOx、HC、CO、PM2.5、SO2、OM、BC排放的1 km×1 km网格化清单, 如图 2所示.从全省的污染物空间分布情况来看, 污染物排放高值区主要分布于市区交通网络密集区域, 以及市区附近向外辐射的道路上.各种污染物的空间分布规律略有差异.市区HC及CO的排放浓度明显高且呈片状分布.这主要是由于市中心是人口密集区, 也是摩托车和轻型客车的主要行驶区域, 而摩托车和轻型客车对HC和CO的排放贡献较大. NOx、PM2.5、SO2和OM在郊区的排放明显高于HC和CO.这可能是由于轻型、大型货车和大型汽车等货运车辆对NOx、PM2.5、SO2和OM排放贡献较高, 这些车辆的活动区域不局限于市区, 广泛分布于全省的省道、国道、县道等主要运输干道上.总体来看, 污染物的空间分布特征与已有研究结论较为一致[18, 27].
|
图 2 江苏省机动车主要大气污染物排放1 km网格化清单 Fig. 2 The 1 km resolution vehicular emission inventory for Jiangsu Province |
根据高德地图发布的2015年度中国主要城市交通分析报告, 在检测的45城市中, 由于年末商场促销增多、节日密集、集体外出活动频繁等原因, 11、12月为全年拥堵最严重的月份; 由于春节期间人口返乡拥堵下降明显, 2月为全年最畅通的月份, 如图 3所示.
|
图 3 2015年主要城市月拥堵趋势分布[28] Fig. 3 Monthly variations in congestion delay index for cities of Jiangsu in 2015 |
基于高德地图发布的2017年二季度拥堵数据, 在剔除法定节假日前后数据的前提下, 分析了13个设区市拥堵延时指数的周变化和日变化情况, 如图 4和图 5所示.工作日车流量远大于周末, 周五拥堵情况最为严重, 其次为周一. 13个城市早高峰基本都在08:00.无锡、常州、苏州、连云港和淮安的晚高峰在17:00, 其他城市的晚高峰在17:00~18:00.
|
图 4 2015年江苏省各城市拥堵情况周变化 Fig. 4 Weekly variations in congestion delay index for cities of Jiangsu in 2015 |
|
图 5 2015年江苏省各城市拥堵情况日变化 Fig. 5 Daily variations in congestion delay index for cities of Jiangsu in 2015 |
假定拥堵与车流量正相关, 基于上述13个设区市拥堵情况的月变化、周变化和日变化, 计算出不同城市2015年每一天的机动车污染排放变化细化以及24 h变化系数, 进而完成对不同城市机动车污染日排放的时间分配.选择12月不临近节假日的周一代表最大排放日, 选择2月不临近节假日的周日代表最小排放日.以HC为例, 2015年最大和最小排放日凌晨和早、中、晚这4个时间段的排放量空间分布如图 6和图 7所示.最大、最小排放日HC排放量的差异主要集中在排放量高的各市市区主干道.从排放量时间差异的地区分布来看, 最大排放日上午08：00全省13个市的排放量为最小排放日同一时间段的1.9~2.4倍, 其中差异最大的城市为苏州, 差异最小的城市为盐城和宿迁.
|
图 6 最大排放日(2015-12-07)主要时段机动车HC排放空间分布 Fig. 6 Distribution of vehicular HC emissions on max-emission day(2015-12-07) |
|
图 7 最小排放日(2015-02-01)主要时段机动车HC排放空间分布 Fig. 7 Distribution of vehicular HC emissions on min-emission day(2015-02-01) |
江苏省大部分的NOx、PM2.5、SO2、OM和BC排放来自于柴油车排放, 其中柴油车对于NOx和BC排放量的分担率达到84%和96%, 对于PM2.5、SO2、OM排放量的分担率在70%~75%之间.汽油车排放对于HC和CO排放量的分担率分别达到了87%和94%.其中重型和中型柴油货车是NOx、PM2.5、OM和BC排放的首要和次要贡献者, 燃用汽油的小型客车、摩托车和微、轻型货车是HC和CO排放的首要和次要贡献者.重型、中型柴油货车和小型汽油客车对SO2排放分担率较为突出.
不同车型的车辆由于排放因子、运营比例、行驶里程、启动次数等特征参数的不同, 在机动车污染物排放量中所占的比例会有显著差异. 图 8给出了江苏省2015年机动车排放不同车型下的分担率.从全省情况来看, 小型汽油客车和摩托车对于HC和CO排放量的分担率最大, 均超过30%.重型柴油货车对NOx、PM2.5、SO2、OM、BC的分担率在36%~57%之间, 远高于其他车型, 其中对NOx和BC的分担率超过了50%.小型汽油客车对PM2.5和SO2的分担率分别为18%和19%.公交车分别贡献了NOx、PM2.5、SO2、OM、BC排放量的7%~10%.
|
图 8 不同车型机动车排放分担率 Fig. 8 Contribution of different vehicle types to total vehicular emissions |
从各地不同车型的排放量占全省机动车排放量总量的比例来看, 苏州和徐州的重型和中型柴油货车是全省NOx、PM2.5的最主要排放源.苏州的小型汽油客车、摩托车和微、轻型汽油货车对全省HC和CO的分担率均偏高.淮安的微、轻型货车、南京的小型汽油客车和南通的摩托车也是HC的主要排放源.淮安的微、轻型货车对CO的贡献也较为突出.
图 9给出了江苏省2015年机动车排放量不同排放标准下的分担率.从全省情况来看, 由于保有量较大, 国Ⅲ标准车辆特别是柴油车对NOx、PM2.5、SO2和BC的分担率最大.国Ⅲ标准柴油车对上述污染物的相应分担率在36%~54%之间.国0排放标准车辆特别是汽油车对于HC和CO的分担率最大, 国0排放标准汽油车对于HC和CO的平均分担率约为39%.
|
图 9 不同排放标准机动车排放分担率 Fig. 9 Contribution of different emission standards to total vehicular emissions |
对高排放车型中不同排放标准的分担率进行进一步分析.小型客车中不同排放标准机动车对于CO和HC的排放均有一定的分担率.国Ⅳ标准小型汽油客车对HC, 以及国0标准小型汽油客车对于CO的分担率较为突出.国Ⅲ标准重型柴油货车和国0标准中型柴油货车是全省NOx、PM2.5、OM和BC的首要和次要贡献车型, 分担率之和在40%~56%之间.国0标准摩托车对全省HC和CO排放的分担率约为16%.国Ⅲ和国Ⅳ标准重型柴油货车是全省SO2的首要和次要贡献车型, 分担率之和为40%.
3.2 不确定性分析与其他研究结果比较, 总体来看本研究2015年江苏省机动车主要大气污染物排放总量在合理范围内, 如表 3所示.其中, SO2排放量低于其他已有研究的结果.江苏省沿江8市从2012~2013年开始执行国Ⅴ汽油标准, 其他地区于2014年起执行国Ⅳ汽油标准; 南京从2013年起, 其他城市从2015年起对重型柴油车开始执行国Ⅳ标准.油品提升后, 汽油和柴油的硫含量降幅分别达80%和86%, 这可能是本研究2015年SO2排放量低于其他研究中2012年结果的原因.此外, COPERT模型本身对SO2排放量的估算也有一定不确定性.国Ⅱ、国Ⅲ、国Ⅳ重型柴油车的平均NOx排放因子分别为9.6±2.1、8.5±2.5和5.9±1.3, 改善幅度不明显, 且国Ⅲ、国Ⅳ柴油车的实际道路NOx排放远高于模型结果[29].综合考虑全省载货汽车4%的年增长率, 认为NOx排放量不应有大幅降低, 本研究的NOx排放量可能较环境保护部2015年机动车年报排放量更接近实际情况.在HC的蒸发排放方面, 控制措施的有效性会对排放量结果产生较为显著的影响, 但本研究未针对控制措施的有效性或故障率开展实测, 因此可能对HC蒸发排放量有一定的低估.
|
|
表 3 本研究机动车排放量结果与其他研究结果比较/万t Table 3 Vehicular emission results compared with results of other studies/104 t |
4 结论
(1) 本研究利用COPERT5.0计算了江苏省及13个市的机动车排放量. 2015年江苏省NOx、HC、CO、PM2.5、SO2、OM和BC的排放量分别为49.09、16.63、161.48、1.69、0.19、0.36和0.67万t. HC蒸发排放量为2.02万t, 占HC排放总量的12%. 13个设区市中, 苏州和徐州7项污染物排放量占全省排放总量的34%~45%.
(2) 利用ArcGIS技术, 采用改进的“标准道路长度”方法, 基于路网信息以及拥堵延时指数的月变化、周变化和日变化特征, 建立了江苏省1 km×1 km空间分辨率、小时分辨率的江苏省机动车网格化排放清单.清单主要污染物的排放高值区和低值区与车道的吻合情况较好, 在路网特征和交通流特征较为切合机动车污染物的实际空间排放特征.清单的时间分布结果与南开大学基于南京市无线射频技术(RFID)的实时数据月变化和日变化特征基本吻合.
(3) 从不同车型的分担率上来看, 小型汽油客车和摩托车对于HC和CO排放量的分担率均超过30%.重型柴油货车对NOx、PM2.5、SO2、OM、BC的分担率远高于其他车型, 其中对NOx和BC的分担率超过了50%.小型汽油客车对PM2.5和SO2的分担率较高.苏州和徐州的重型和中型柴油货车是全省NOx、PM2.5的最主要排放源.
(4) 从不同排放标准的分担率上看, 国Ⅲ标准柴油车对NOx、PM2.5、SO2和BC的分担率最大, 在36%~54%之间.国0排放标准汽油车对于HC和CO的分担率最大, 约为39%.
(5) 总体来看, 国Ⅲ标准重型柴油货车和国0标准中型柴油货车是全省NOx、PM2.5、OM和BC的首要和次要贡献车型, 分担率之和在40%~56%之间.国0标准摩托车对全省HC和CO排放的分担率较高, 约为16%.
| [1] | Richter A, Burrows J P, Nüß H, et al. Increase in tropospheric nitrogen dioxide over China observed from space[J]. Nature, 2005, 437(7055): 129-132. DOI:10.1038/nature04092 |
| [2] | Laden F, Neas L M, Dockery D W, et al. Association of fine particulate matter from different sources with daily mortality in six U.S. cities[J]. Environmental Health Perspectives, 2000, 108(10): 941-947. DOI:10.1289/ehp.00108941 |
| [3] | Zhang S J, Wu Y, Huang R K, et al. High-resolution simulation of link-level vehicle emissions and concentrations for air pollutants in a traffic-populated eastern Asian city[J]. Atmospheric Chemistry and Physics, 2016, 16(15): 9965-9981. DOI:10.5194/acp-16-9965-2016 |
| [4] |
徐伟嘉, 黄建彰, 刘永红, 等. 基于PEMS与COPERT的机动车尾气排放特征分析[J]. 环境科学与技术, 2014, 37(S1): 77-81. Xu W J, Huang J Z, Liu Y H, et al. Study on the characteristics of traffic emission with PEMS and COPERT[J]. Environmental Science & Technology, 2014, 37(S1): 77-81. |
| [5] |
李丽, 刘永红, 邓思欣, 等. 基于动态交通流的佛山市机动车网格化排放清单[J]. 中山大学学报(自然科学版), 2017, 56(2): 66-75. Li L, Liu Y H, Deng S X, et al. Gridding emission inventory of vehicle exhaust in Foshan based on dynamic traffic flow information[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2017, 56(2): 66-75. |
| [6] |
黄建彰, 刘永红, 程晓梅, 等. 基于COPERT Ⅳ模型的机动车PM2.5排放来源特征分析[J]. 环境科学与技术, 2014, 37(1): 43-47. Huang J Z, Liu Y H, Cheng X M, et al. Vehicle emission characteristics of PM2.5 with COPERT Ⅳ Model[J]. Environmental Science & Technology, 2014, 37(1): 43-47. |
| [7] |
樊守彬, 田灵娣, 张东旭. 基于COPERT模式的北京市汽油车蒸发VOCs排放清单[J]. 环境工程学报, 2016, 10(6): 3091-3096. Fan S L, Tian L D, Zhang D X. Emission inventory of gasoline evaporation from vehicles in Beijing based on COPERT model[J]. Chinese Journal of Environmental Engineering, 2016, 10(6): 3091-3096. DOI:10.12030/j.cjee.201501068 |
| [8] |
何丽, 朱建雯, 钱翌. 乌鲁木齐市区机动车污染物排放特征研究[J]. 环境工程, 2015, 33(5): 90-94. He L, Zhu J W, Qian Y. Study on pollutants emission characteristics of vehicles in Urumqi[J]. Environmental Engineering, 2015, 33(5): 90-94. |
| [9] |
王聪. 基于COPERT4模型的山东省汽车尾气排放特征及预测研究[D]. 青岛: 中国海洋大学, 2015. Wang C. Characteristics and prediction research of automobile emissions in Shandong province based on COPERT4 model[D]. Qingdao: Ocean University of China, 2015. |
| [10] |
车汶蔚, 郑君瑜, 钟流举. 珠江三角洲机动车污染物排放特征及分担率[J]. 环境科学研究, 2009, 22(4): 456-461. Che W W, Zheng J Y, Zhong L J. Vehicle exhaust emission characteristics and contributions in the Pearl River Delta Region[J]. Research of Environmental Sciences, 2009, 22(4): 456-461. |
| [11] | Cai H, Xie S D. Estimation of vehicular emission inventories in China from 1980 to 2005[J]. Atmospheric Environment, 2007, 41(39): 8963-8979. DOI:10.1016/j.atmosenv.2007.08.019 |
| [12] | Brown S G, Frankel A, Hafner H R. Source apportionment of VOCs in the Los Angeles area using positive matrix factorization[J]. Atmospheric Environment, 2007, 41(2): 227-237. DOI:10.1016/j.atmosenv.2006.08.021 |
| [13] | Franco V, Kousoulidou M, Muntean M, et al. Road vehicle emission factors development:a review[J]. Atmospheric Environment, 2013, 70: 84-97. DOI:10.1016/j.atmosenv.2013.01.006 |
| [14] |
杨浩明, 王惠中, 吴云波. 南京市城区车流量的观测与特征分析[J]. 环境科技, 2011, 24(S2): 98-101. Yang H M, Wang H Z, Wu Y B. Observation and characteristics analysis of traffic flow in Nanjing[J]. Environmental Science and Technology, 2011, 24(S2): 98-101. |
| [15] |
刘永红, 毕索阳, 周兵, 等. 佛山市中心城区机动车限行对污染物削减效果的分析[J]. 中国环境科学, 2010, 30(11): 1563-1567. Liu Y H, Bi S Y, Zhou B, et al. Study on vehicular emission reduction effect of traffic control in Foshan central district[J]. China Environmental Science, 2010, 30(11): 1563-1567. |
| [16] |
李笑语, 吴琳, 邹超, 等. 基于实时交通数据的南京市主次干道机动车排放特征分析[J]. 环境科学, 2017, 38(4): 1340-1347. Li X Y, Wu L, Zou C, et al. Emission characteristics of vehicle exhaust in artery and collector roads in Nanjing based on real-time traffic data[J]. Environmental Science, 2017, 38(4): 1340-1347. |
| [17] |
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. |
| [18] |
郑君瑜, 车汶蔚, 王兆礼. 基于交通流量和路网的区域机动车污染物排放量空间分配方法[J]. 环境科学学报, 2009, 29(4): 815-821. Zheng J Y, Che W W, Wang Z L. Traffic flow and road network-based spatial allocation of regional mobile source emission inventories[J]. Acta Scientiae Circumstantiae, 2009, 29(4): 815-821. |
| [19] |
王孝文, 田伟利, 张清宇. 杭州市机动车污染物排放清单的建立[J]. 中国环境科学, 2012, 32(8): 1368-1374. Wang X W, Tian W L, Zhang Q Y. Development of motor vehicles emission inventory in Hangzhou[J]. China Environmental Science, 2012, 32(8): 1368-1374. |
| [20] |
谢绍东, 宋翔宇, 申新华. 应用COPERT Ⅲ模型计算中国机动车排放因子[J]. 环境科学, 2006, 27(3): 415-419. Xie S D, Song X Y, Shen X H. Calculating vehicular Emission factors with COPERT Ⅲ mode in China[J]. Environmental Science, 2006, 27(3): 415-419. |
| [21] |
宋翔宇, 谢绍东. 中国机动车排放清单的建立[J]. 环境科学, 2006, 27(6): 1041-1045. Song X Y, Xie S D. Development of vehicular emission inventory in China[J]. Environmental Science, 2006, 27(6): 1041-1045. |
| [22] | Liu Y H, Liao W Y, Li L, et al. Vehicle emission trends in China's Guangdong province from 1994 to 2014[J]. Science of the Total Environment, 2017, 586: 512-521. DOI:10.1016/j.scitotenv.2017.01.215 |
| [23] | Sun S D, Jiang W, Gao W D. Vehicle emission trends and spatial distribution in Shandong province, China, from 2000 to 2014[J]. Atmospheric Environment, 2016, 147: 190-199. DOI:10.1016/j.atmosenv.2016.09.065 |
| [24] | D'Angiola A, Dawidowski L E, Gómez D R, et al. On-road traffic emissions in a megacity[J]. Atmospheric Environment, 2010, 44(4): 483-493. DOI:10.1016/j.atmosenv.2009.11.004 |
| [25] |
蔡皓, 谢绍东. 中国不同排放标准机动车排放因子的确定[J]. 北京大学学报(自然科学版), 2010, 46(3): 319-326. Cai H, Xie S D. Determination of emission factors from motor vehicles under different emission standards in China[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2010, 46(3): 319-326. |
| [26] |
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. |
| [27] |
王人洁, 王堃, 张帆, 等. 中国国道和省道机动车尾气排放特征[J]. 环境科学, 2017, 38(9): 3553-3560. Wang R J, Wang K, Zhang F, et al. Emission characteristics of vehicles from national roads and provincial roads in China[J]. Environmental Science, 2017, 38(9): 3553-3560. |
| [28] | 高德地图. 2015年度中国主要城市交通分析报告[R]. 北京: 高德软件有限公司, 2015. |
| [29] | Yao Z L, Wu B B, Wu Y N, et al. Comparison of NOx emissions from China Ⅲ and China Ⅳ in-use diesel trucks based on on-road measurements[J]. Atmospheric Environment, 2015, 123: 1-8. DOI:10.1016/j.atmosenv.2015.10.056 |
| [30] | 环境保护部. 2016年中国机动车环境管理年报[R]. 北京: 环境保护部, 2016. |
| [31] | Zhang Q, Streets D G, Carmichael G R, et al. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry and Physics, 2011, 9(14): 5131-5153. |
| [32] |
黄奕玮, 赵瑜, 杨杨, 等. 基于不同方法的省级机动车大气污染物排放清单研究——以江苏省为例[J]. 中国科技论文, 2017, 12(3): 346-353. Huang Y W, Zhao Y, Yang Y, et al. Study on the emission inventory of provincial vehicles based on different methods:a case of Jiangsu provice[J]. China Sciencepaper, 2017, 12(3): 346-353. |
| [33] | Huang C, Chen C H, Li L, et al. Emission inventory of anthropogenic air pollutants and VOC species in the Yangtze River Delta region, China[J]. Atmospheric Chemistry and Physics, 2011, 11(9): 4105-4120. DOI:10.5194/acp-11-4105-2011 |
| [34] | Tang G Q, Chao N, Wang Y S, et al. Vehicular emissions in China in 2006 and 2010[J]. Journal of Environmental Sciences, 2016, 48: 179-192. DOI:10.1016/j.jes.2016.01.031 |