环境科学  2020, Vol. 41 Issue (8): 3581-3590   PDF    
引用本文
潘玉瑾, 李媛, 陈军辉, 石嘉诚, 田红, 张季, 周敬, 陈霞, 刘政, 钱骏. 基于交通流的成都市高分辨率机动车排放清单建立[J]. 环境科学, 2020, 41(8): 3581-3590.
PAN Yu-jin, LI Yuan, CHEN Jun-hui, SHI Jia-cheng, TIAN Hong, ZHANG Ji, ZHOU Jing, CHEN Xia, LIU Zheng, QIAN Jun. Method for High-resolution Emission Inventory for Road Vehicles in Chengdu Based on Traffic Flow Monitoring Data[J]. Environmental Science, 2020, 41(8): 3581-3590.
基于交通流的成都市高分辨率机动车排放清单建立
潘玉瑾1,2, 李媛1,2, 陈军辉1,2, 石嘉诚1,2, 田红3, 张季3, 周敬3, 陈霞3, 刘政1, 钱骏1     
1. 四川省生态环境科学研究院, 成都 610041;
2. 四川省环境保护移动源污染与控制研究实验室, 成都 610041;
3. 成都市机动车排气污染防治技术保障中心, 成都 610041
收稿日期: 2020-02-14; 修订日期: 2020-03-05
基金项目: 国家重点研发计划项目（2017YFC0212101）
作者简介: 潘玉瑾(1991~), 女, 硕士, 工程师, 主要研究方向为移动源污染, E-mail:pan_yujin@163.com
通信作者: 陈军辉, E-mail:9503062@qq.com
摘要: 提出一种基于交通流监测数据的道路机动车高分辨率排放清单建立方法，对成都市道路交通流特征进行分析并建立了成都市机动车尾气高分辨率排放清单.结果表明，成都市道路车流量及排放均呈现明显的"双峰"分布，早晚高峰时段机动车通行量占全天的39.85%，车队结构中排放标准以国Ⅳ车为主，车辆类型以小型车为主，燃料类型以汽油车为主；道路机动车SO2、NOx、CO、PM10、PM2.5、BC、OC和VOCs（不含驻车蒸发）日排放量分别为3.89、162.08、324.11、4.79、4.36、1.89、0.78和44.37 t，空间分布整体呈现从城市中心到外围排放强度逐渐降低趋势，时间分布基本呈现"双峰"分布，颗粒物相关指标受货车流量影响较大；NOx、PM10、PM2.5、BC和OC主要来源为大型柴油车，CO主要来源为小型汽油车，其中大型车对NOx的贡献率达80%；基于保有量的计算方法对成都市道路机动车污染物排放存在一定高估，高估比例在1%~30%.
关键词: 交通流      车队结构      交通小区      高分辨率      机动车      排放清单     
Method for High-resolution Emission Inventory for Road Vehicles in Chengdu Based on Traffic Flow Monitoring Data
PAN Yu-jin1,2 , LI Yuan1,2 , CHEN Jun-hui1,2 , SHI Jia-cheng1,2 , TIAN Hong3 , ZHANG Ji3 , ZHOU Jing3 , CHEN Xia3 , LIU Zheng1 , QIAN Jun1     
1. Sichuan Research Institute of Environment Protection, Chengdu 610041, China;
2. Sichuan Environmental Protection Research Laboratory of Moving Source Pollution Control, Chengdu 610041, China;
3. Chengdu Technology Center of Vehicle Exhaust Pollution, Chengdu 610041, China
Abstract: A method for developing a high-resolution emission inventory for road vehicles based on traffic flow monitoring data is proposed in this study. The characteristics of road traffic flow were analyzed and a high-resolution emission inventory of vehicle in Chengdu was established. The results showed that the traffic flow and emissions in Chengdu exhibited an obvious "double peak" distribution, and that the traffic volume of vehicles during peak hours accounted for 39.85% of the total. China IV vehicles, small vehicles, and gasoline vehicles were the main types of road vehicles classified. The daily emissions of SO2, NOx, CO, PM10, PM2.5, BC, OC, and VOCs from road vehicles were 3.89, 162.08, 324.11, 4.79, 4.36, 1.89, 0.78, and 44.37 t, respectively. The overall spatial distribution showed a decreasing trend from the city center to the periphery, and the time distribution essentially presented a "double peak" distribution. The related indicators of particulate matter were greatly affected by the number of trucks. The main source of NOx, PM10, PM2.5, BC, and OC was large diesel vehicles, and the main source of CO was small gasoline vehicles. NOx emissions from large vehicles accounted for up to 80% of the total. The method based on registered vehicles led to an overestimation of the emissions from road vehicles in Chengdu, with a proportion between 1% and 30%.
Key words: traffic flow      road vehicle structure      traffic-zone      high resolution      motor vehicle      emission inventory     

随着经济社会的快速发展, 我国大中城市的机动车保有量迅速增加, 其带来的能源消耗、交通拥堵以及空气污染等问题已受到广泛关注.据文献[1], 北京和上海等特大型城市以及人口密集区域, 移动源对细颗粒物(PM2.5)浓度的贡献高达10% ~50%, 在极端不利条件下, 其贡献率可达到50%以上, 机动车污染已成为当前我国空气污染的重要来源.作为西南地区中心城市, 成都市近6年来机动车年均增速保持在48万辆以上, 截至2018年, 成都市机动车保有量达530万辆以上, 成为机动车保有量全国第二的城市, 机动车尾气排放对大气污染的贡献引起了广泛关注.

建立准确和合理的机动车污染排放清单, 研究机动车污染物排放特征, 对于提出区域机动车污染防控对策, 改善城市环境空气质量具有重要意义.目前, 机动车排放清单的研究仍然主要集中在基于保有量和年均行驶里程的排放因子法[2~4], 包括排放因子研究[5~13]、时空分布特征研究[14~19]和模型应用[20~23]等方面, 但是依靠排放因子和机动车保有量等历史统计资料无法及时反映道路交通的实际情况, 与实际道路排放相比仍然存在比较大的差异[24~26].随着物联网和大数据技术的发展, 对实际道路车辆的信息掌握更加全面和精准, 基于道路实时车流信息建立机动车排放清单的研究更加受到重视.但是现有研究主要集中于基于车流量数据建立小范围典型道路机动车排放清单[27~29]、特定类别车辆排放清单[30, 31]和基于交通仿真模型建立排放清单[32, 33], 鲜见有直接基于车流量数据建立城市级别机动车排放清单的研究.

本研究提出了一种以实时车流量信息为基础建立机动车污染物排放清单模拟的方法, 并以成都市为例, 进行了实际交通状态下的机动车排放清单分析, 该成果可用于城市交通污染的准确评估, 并可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, 以期为交通环境管理提供精细化技术手段和决策依据.

1 材料与方法

在交通规划领域, 交通小区是具有一定交通关联度和交通相似度的节点或连线的集合, 随时间、关联度和相似度的变化而变化, 能够反映城市道路路网交通的时空变化特性.本研究引入“交通小区”概念, 基于成都市2019年5月工作日车流量监测数据建立机动车排放清单模型, 以道路车队中每一种细分车型(以车型、燃料类型、排放标准作细分)作为基本计算单元, 分区对机动车CO、NOx、SO2、PM10、PM2.5、BC和OC污染物排放量进行计算, 细分车型如表 1.模型采用Python语言编写, 计算结果应用ArcGIS地理信息系统进行可视化分析.

表 1 车辆类型 Table 1 Classification of vehicle type

机动车行驶里程计算公式如下：

(1)

式中, VKTi, j, k为第i个交通小区内, 第j种道路, k类型机动车行驶里程(km·h-1); Wi, j为第i个交通小区, 第j种道路, k类型机动车流量(辆·h-1); Li, j为第i个交通小区内, 第j种道路长度(km), 其中道路类型包括高速、主干道、次干道和支路这4种.

排放量计算公式如下：

(2)

式中, Ei, j, k为第i个交通小区, 第j种道路, k类型机动车污染物排放量(t·h-1); EFk为k类型机动车单位距离所排放的污染物的量(g·km-1);

(3)

式中, E为成都市机动车污染物排放量(t·h-1).

1.1 交通小区划分

以成都市行政区划及主要河流、铁路等为边界, 并结合主要交通节点分布, 将成都市划分为197个交通小区[图 1(a)].交通小区的划分主要考虑以下原则：①一般以行政区划、河流、铁路作为交通小区的边界; ②主要交通节点位于交通小区内部; ③同一交通小区内交通特征相似.

图 1 成都市交通小区及主要道路分布示意 Fig. 1 Distribution of the traffic-zone and main road in Chengdu

1.2 交通流量数据

本项目所使用的交通流数据主要来自于成都市机动车中心所提供的2 160个交通流监测卡口5月工作日监测数据, 数据包含监测点位ID、监测点位位置、时间、车型、燃料、排放标准和车牌号码前两位等信息.

针对部分郊县地区车流量监测卡口布设较少, 存在数据缺失的情况, 一方面对典型路段遥感数据、高速路车流量数据以及人工计数车流量数据进行结构化解析, 并结合监测数据对各种来源的数据进行校正、补充和融合; 另一方面基于交通小区已有数据分道路类型进行扩样获得扩样车流量, 根据数据获取情况将数据缺失小区分为两类：①小区内部分道路类型无数据；②小区内全部道路类型均无数据, 扩样公式如下：

(4)

式中, 第i个交通小区内部分道路类型有车流量数据, 第j种道路无车流量数据; 为第i个交通小区内, 第j种道路, k类型机动车车流量(辆·h-1); W j, k为成都市第j种道路, k类型机动车平均车流量(辆·h-1); W i, k为第i个交通小区内, k类型机动车平均车流量(辆·h-1); W k为成都市k类型机动车平均车流量(辆·h-1).

(5)

式中, 第i个交通小区内全部道路类型均无数据; Wi, j, k为第i个交通小区内, 第j种道路, k类型机动车车流量(辆·h-1); Wj, k为成都市第j种道路, k类型机动车平均车流量(辆·h-1); αi, j为校正系数, 无量纲, 与交通小区所在位置及道路等级有关.

1.3 排放因子

排放因子采用国家道路机动车大气污染物排放清单编制技术指南推荐综合基准排放系数进行环境及劣化修正[34], 按照平均行驶速度80 km·h-1对高速公路行驶车辆排放系数进行速度修正, 其他类型道路行驶车辆排放系数未进行速度修正.由于交通流监测数据对车型分类与清单指南不完全一致, 其中交通流监测的车型分类为大型车和小型车, 大型车包含中型客车、大型客车、中型货车、大型货车和公交车, 小型车包含微型、小型客车、微型、轻型货车和出租车, 因此基于成都市机动车保有量数据对排放因子进行计算, 计算公式如下：

(6)

式中, EFx, y, z为车型为x、燃料为y和排放标准为z类机动车的排放因子(g·km-1); EFi, y, z为车型为i、燃料为y和排放标准为z类机动车的排放因子(g·km-1); ηi, y, z为车型为i、燃料为y和排放标准为z类机动车在车型为x、燃料为y和排放标准为z类机动车中的占比(%).

2 结果与讨论 2.1 交通特征分析 2.1.1 交通流变化特征

图 2为成都市工作日分道路类型机动车通行量, 成都市不同类型道路中, 主干道日平均车流量最大, 其次是高速路, 次干道、支路, 平均车流量在10 000~14 000辆·d-1左右.高速路及主干道中通行量较大的卡口车流量最高达60 000辆·d-1以上, 次干道及支路通行量较大的卡口最高则可达到40 000辆·d-1左右.分排放标准来看, 各类道路通行车辆中均以国Ⅳ排放标准占比最多, 其中以高速路最为显著, 国Ⅳ排放标准车辆占比达88%, 国Ⅰ前及国Ⅰ车辆占比之和不足1%.

图 2 不同道路类型车队构成 Fig. 2 Proportion of fleet compositions of different road types

图 3为成都市工作日全部交通流监测卡口每小时车辆通行总量变化情况, 小时机动车通行数量最高的为17:00~18:00, 其次为08:00~09:00, 小时机动车通行量最低的时间段为凌晨04:00~05:00.成都市机动车早晚高峰时段为08:00~11:00和16:00~19:00, 期间机动车通行量占到全天的39.85%, 其中08:00~11:00机动车通行量占全日的19.69%, 16:00~19:00机动车通行量占全日的20.16%.分排放标准来看, 各类车辆无明显时间变化规律.

图 3 逐小时通行车辆数 Fig. 3 Hourly dates of passing vehicles

2.1.2 车队结构特征

从图 4可以看出, 成都市车队结构中道路车辆排放标准国Ⅳ占比最多, 达到60.74%, 仍然有少量的国Ⅰ前、国Ⅰ和国Ⅱ车存在, 国Ⅵ车的占比不足0.01%;按燃料类型来看, 成都市道路行驶车辆中绝大多数为汽油车, 汽油车占比92.53%, 柴油车占比4.05%, 其他燃料占比3.42%, 而且可以明显地出, 柴油车中国Ⅳ和国Ⅴ车辆的占比明显较低, 而国Ⅲ车辆的占比则明显高于其他两类燃料; 按车型来看, 小型车占比94.52%, 大型车占比5.48%, 而在小型车中以国Ⅳ车型占比远高于大型车, 大型车中国Ⅴ车型占比相对较高.

(a)排放标准占比; (b)燃料类型占比; (c)车型占比; (d)分燃料类型排放标准占比; (e)分车型排放标准占比 图 4 成都市道路车队结构 Fig. 4 Proportion of fleet compositions in Chengdu

2.2 道路机动车排放特征分析

基于成都市实际道路交通流数据通过交通小区扩样, 耦合分类型机动车排放因子建立了成都市道路机动车高分辨率排放清单, 结果显示成都市工作日道路机动车SO2、NOx、CO、PM10、PM2.5、BC、OC和VOCs(不含驻车蒸发)日排放量分别为3.89、162.08、324.11、4.79、4.36、1.89、0.78和44.37 t.

2.2.1 污染物空间分布特征

应用ArcGIS软件, 将成都市划分为197个交通小区, 54 860个500 m×500 m网格, 统计网格内道路机动车污染物排放量, 图 5为污染物NOx、CO、PM10、PM2.5和VOCs排放的空间分布.明显可以看出, 成都市道路机动车排放强度基本呈现从市中心到城市外圈排放强度逐渐降低的趋势, 绕城以内区域污染物排放强度高于成都市平均排放强度, 绕城以外区域污染物排放强度低于成都市平均排放强度, 绕城(绕城高速)、二绕(第二绕城高速)、北向各主干道如成绵高速和京昆高速, 新都、青白江物流园区周边以及郊区县城等排放强度也相对较高.

图 5 成都市机动车污染物排放空间分布(500 m×500 m) Fig. 5 Distribution of emissions from road vehicles (500 m×500 m)

以成都市主要环线道路为界, 将成都市划分为5个圈层, 对5个圈层的排放情况进行统计, 从图 1(b)可以看出, 成都市主城区(三环以内)面积较小, 仅占全市总面积的2%, 因此仅从图 6不同区域污染物排放量来看, 三环及以内道路机动车排放量占比较少, 大部分排放量在三环以外区域.

图 6 成都市不同区域道路机动车排放量 Fig. 6 Emissions from road vehicles in different regions

从单位面积排放强度来看, 从图 7可以看出, 二环以内是CO排放强度最高的区域, 主要原因是主城区小汽车流量较大, 另外SO2和VOCs的排放量也是在二环以内最高, NOx、PM10和PM2.5排放强度最高的区域是三环至绕城之间, 主要原因是绕城高速作为成都市重要的客货运通道, 承担各类出入城道路的分流及车辆道路转换功能, 且三环以内是成都市货车限行重点区域, 因此三环至绕城区域不仅小汽车活动水平较高, 中重型货运车辆的活动水平也远高于中心城区.

图 7 成都市不同区域道路机动车排放强度 Fig. 7 Emission intensity for road vehicles in different regions

2.2.2 污染物时间分布特征

采用5月工作日数据对逐小时道路机动车污染物进行计算, 如图 8所示SO2、NOx、CO和VOCs排放均符合早晚高峰出行量大排放强度大的特征, PM10、PM2.5、BC和OC排放量除早晚高峰外, 在16:00出现明显峰值, 与柴油车流量变化趋势存在一致性(图 9), 可能与成都市部分区域工作日早、晚高峰时段(07:00~09:00、17:00~20:00)限行有关, 导致16:00货车流量出现短暂峰值.

图 8 道路机动车污染物排放量逐小时变化 Fig. 8 Hourly emissions from road vehicles

图 9 柴油车流量逐小时变化情况 Fig. 9 Hourly dates of truck flow

2.2.3 不同车辆类型的排放特征

从排放标准来看[图 10(a)], 成都市机动车排放主要来自于国Ⅳ车, 在大多数大气污染物的排放总量中, 国Ⅳ车的贡献均为第一, 其次是国Ⅲ车, 在颗粒物污染排放上, 国Ⅲ车和国Ⅳ车排放贡献相当.

(a)按排放标准; (b)按燃料类型; (c)按车型 图 10 不同车辆类型排放贡献率 Fig. 10 Emission contribution rates for different types of vehicle

从燃料类型来看[图 10(b)], CO、SO2和VOCs排放主要来自于汽油车, 贡献占比均超过了50%. NOx、PM10、PM2.5、BC和OC主要来自于柴油车, 其中BC和OC的排放贡献特别突出, 均超过70%.其他燃料车辆贡献较大的污染物是NOx, 贡献比接近40%, 主要来自于天然气公交车, 但是由于成都市三环以外道路车流量缺乏卡口监测数据, 部分区域车流量以现有数据为基础按比例扩样得到, 因此对于天然气公交车在成都市三环以外地区的排放贡献可能存在高估.

从车型来看[图 10(c)], 小型车贡献了较多的CO、SO2和VOCs, 其中小型车对SO2的贡献占比超过85%.而大型车则排放了较多的NOx、PM10、PM2.5、OC和BC, 其中大型车对NOx贡献占比较高, 约占机动车NOx排放总量的80%, 主要来自于中重型柴油货车.

2.3 与基于保有量的宏观排放清单的对比

采用基于保有量及活动水平的方法[16]对成都市道路移动源(不含三轮车、低速货车和摩托车)污染物排放量进行计算, 2018年成都市道路移动源(不含三轮车、低速货车和摩托车)SO2、NOx、CO、PM10、PM2.5、BC和OC日均排放量分别为6.02、189.15、353.81、6.25、5.69、2.59和0.78 t.

前文基于道路车流量计算的道路机动车排放量略低于基于保有量计算结果, SO2、NOx、CO、PM10、PM2.5、BC和OC排放量分别为基于保有量计算结果的64.58%、85.69%、91.61%、76.60%、81.42%、73.04%和99.70%, 基于保有量的计算方法可能对成都市道路机动车污染物排放存在一定程度的高估.

2.4 不确定性分析

污染源排放清单编制过程中, 由于排放因子和活动数据等关键数据缺失及数据代表性不足或估算方法局限性等原因, 不可避免地存在不确定性[35].本清单不确定主要来源于两部分：①车流量数据.车流量数据一部分来自实际监测, 相对比较可靠, 一部分根据监测车流量进行分类扩样得到, 存在一定的不确定性; 同一交通小区内同类道路采用同一车流量进行计算, 交通小区的划分由人为根据经验划分, 存在一定不确定性.②排放因子.由于排放因子本地化工作开展不充分, 本研究清单估算时以国家机动车排放清单指南推荐综合基准排放系数为基础进行修正, 基于成都市机动车保有量数据按照各车型占比计算得到排放因子, 成为重要的不确定性来源.指南推荐综合基准排放系数及其修正过程不确定性相对较少; 由于交通流监测数据对车型分类不够细致, 与清单指南中不一致, 因此基于成都市机动车保有量数据按照各车型占比计算得到与监测数据车型分类一致的排放因子, 保有量数据比较可靠, 但与道路车队结构可能存在一定差异, 存在一定的不确定性.

3 结论

(1) 成都市道路车流量呈现明显的“双峰”分布, 与排放贡献率基本一致, 主干道及高速路平均车流量大于其他类型道路, 约为次干道及支路车流量的1.5倍, 从车队结构来看, 排放标准以国Ⅳ车为主, 车辆类型以小型车为主, 燃料类型以汽油车为主.

(2) 基于道路卡口交通流监测数据建立了机动车尾气高分辨率排放清单, 成都市道路机动车SO2、NOx、CO、PM10、PM2.5、BC、OC和VOCs(不含驻车蒸发)日排放量分别为3.89、162.08、324.11、4.79、4.36、1.89、0.78和44.37 t, 空间分布整体呈现从市中心到城市外围排放强度逐渐降低的趋势, 时间分布基本呈现“双峰”分布, 颗粒物相关指标受货车活动水平影响下午出现短暂峰值.

(3) 分车辆类型来看, 成都市机动车排放主要来自于国Ⅳ车, 其次是国Ⅲ车, 另外, NOx、PM10、PM2.5、BC和OC的主要来源为大型柴油车, CO的主要来源为小型汽油车, 以天然气公交车为主的其他燃料车对NOx的贡献率也相对较高, 大型车对NOx贡献占比达80%, 主要来自于中重型柴油货车.

(4) 基于保有量计算的排放清单可能对成都市道路机动车污染物排放存在高估, 高估的比例约在1% ~30%.

(5) 本研究建立的道路机动车排放清单具有一定的不确定性, 后续研究工作中应扩展车流量基础数据的获取途径, 开展机动车排放因子本地化工作, 加强清单不确定性定量分析, 以进一步丰富和完善道路机动车大气污染物排放清单的建立方法.

参考文献
[1] 中华人民共和国生态环境部. 2018年中国机动车环境管理年报[EB/OL]. http://www.gov.cn/guoqing/2019-04/09/5380744/files/88ce80585dfd49c3a7d51c007c0a5112.pdf,2019-04-09.
[2] Lang J L, Zhou Y, Cheng S Y, et al. Unregulated pollutant emissions from on-road vehicles in China, 1999-2014[J]. Science of the Total Environment, 2016, 573: 974-984.
[3] Kota S H, Zhang H L, Chen G, et al. Evaluation of on-road vehicle co and Nox national emission inventories using an urban-scale source-oriented air quality model[J]. Atmospheric Environment, 2014, 85: 99-108.
[4] 宋晓伟, 郝永佩, 朱晓东. 长三角城市群机动车污染物排放清单建立及特征研究[J]. 环境科学学报, 2020, 40(1): 90-101.
Song X W, Hao Y P, Zhu X D. Vehicular emission inventory establishment and characteristics research in the Yangtze River Delta Urban Agglomeration[J]. Acta Scientiae Circumstantiae, 2020, 40(1): 90-101.
[5] 傅立新, 郝吉明, 何东全, 等. 北京市机动车污染物排放特征[J]. 环境科学, 2000, 21(3): 68-70.
Fu L X, Hao J M, He D Q, et al. The emission characteristics of pollutants from motor vehicles in Beijing[J]. Environmental Science, 2000, 21(3): 68-70.
[6] 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.
[7] 黄冠涛.基于MOVES的微观层次交通排放评价[D].北京: 北京交通大学, 2011. 18-32. http://cdmd.cnki.com.cn/Article/CDMD-10004-1011092715.htm
[8] 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. 25-43. http://cdmd.cnki.com.cn/Article/CDMD-10423-1015715232.htm
[9] 赵雪艳, 王静, 祝胜男, 等. 沈阳市国三和国四排放标准不同车型柴油车PM2.5和PM10排放因子及碳组分源谱[J]. 环境科学, 2019, 40(10): 4330-4336.
Zhao X Y, Wang J, Zhu S N, et al. Emission characteristics of exhaust PM and its carbonaceous components from China Ⅲ to China Ⅳ diesel vehicles in Shenyang[J]. Environmental Science, 2019, 40(10): 4330-4336.
[10] 姚荣涵, 龙梦, 张文松, 等. 信号交叉口机动车排放因子影响因素分析[J]. 北京交通大学学报, 2019, 43(1): 122-131.
Yao R H, Long M, Zhang W S, et al. Influence analysis for vehicle emission factors at signalized intersections[J]. Journal of Beijing Jiaotong University, 2019, 43(1): 122-131.
[11] 徐成伟, 吴超仲, 初秀民, 等. 基于CMEM模型的武汉市轻型机动车平均排放因子研究[J]. 交通与计算机, 2008, 26(4): 185-188.
Xu C W, Wu C Z, Chu X M, et al. Light-duty vehicle average emission factors of Wuhan city based on CMEM model[J]. Computer and Communications, 2008, 26(4): 185-188.
[12] 张双红, 于雷, 宋国华. 基于工况分布的重型环卫货车NOx排放模型[J]. 交通运输系统工程与信息, 2019, 19(3): 222-229.
Zhang S H, Yu L, Song G H. NOx emission model for heavy-duty refuse trucks based on operating modes[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(3): 222-229.
[13] 田灵娣, 樊守彬, 张东旭, 等. 行驶速度对机动车尾气排放的影响[J]. 环境工程学报, 2016, 10(11): 6541-6548.
Tian L D, Fan S B, Zhang D X, et al. Influence of average speed on vehicle exhaust emissions[J]. Chinese Journal of Environmental Engineering, 2016, 10(11): 6541-6548.
[14] 唐伟, 杨强, 黄成, 等. 基于大数据分析和IVE模型的杭州市机动车污染物排放变化特征研究[J]. 环境科学学报, 2018, 38(1): 71-78.
Tang W, Yang Q, Huang C, et al. Study on characteristics of pollutant emission from motor vehicles in Hangzhou based on large data analysis and IVE model[J]. Acta Scientiae Circumstantiae, 2018, 38(1): 71-78.
[15] 高成康, 许庆江, 邢玉红, 等. 冬季低温地区道路移动源大气污染物排放清单[J]. 东北大学学报(自然科学版), 2019, 40(9): 1343-1349.
Gao C K, Xu Q J, Xing Y H, et al. Emission inventory of atmospheric pollutants from on-road vehicles in low-temperature areas in winter[J]. Journal of Northeastern University (Natural Science), 2019, 40(9): 1343-1349.
[16] 周子航, 邓也, 吴柯颖, 等. 成都市道路移动源排放清单与空间分布特征[J]. 环境科学学报, 2018, 38(1): 79-91.
Zhou Z H, Deng Y, Wu K Y, et al. On-road mobile source emission inventory and spatial distribution characteristics in Chengdu[J]. Acta Scientiae Circumstantiae, 2018, 38(1): 79-91.
[17] 肖中新, 李兵兵, 于尧, 等. 城市机动车污染排放的时空预测与分布[J]. 上海海事大学学报, 2017, 38(4): 79-83.
Xiao Z X, Li B B, Yu Y, et al. Space-time predicting and distribution of vehicle pollution emission in cities[J]. Journal of Shanghai Maritime University, 2017, 38(4): 79-83.
[18] 王凯, 樊守彬, 郭津津, 等. 北京市机动车尾气中氨气排放特征研究[J]. 环境工程, 2018, 36(3): 98-101.
Wang K, Fan S B, Guo J J, et al. Characteristics of ammonia emission from motor vehicle exhaust in Beijing[J]. Environmental Engineering, 2018, 36(3): 98-101.
[19] 陈琨, 于雷. 用于交通控制策略评估的微观交通尾气模拟与实例分析[J]. 交通运输系统工程与信息, 2007, 7(1): 93-100.
Chen K, Yu L. Microscopic traffic-emission simulation and case study for evaluation of traffic control strategies[J]. Journal of Transportation Systems Engineering and Information Technology, 2007, 7(1): 93-100.
[20] 秦奋, 刘媛, 陈郁. GIS技术在机动车尾气排放扩散模拟方向的应用[J]. 安全与环境工程, 2007, 14(1): 47-51.
Qin F, Liu Y, Chen Y. Review on the GIS-based simulation of vehicle emission[J]. Safety and Environmental Engineering, 2007, 14(1): 47-51.
[21] 施益强, 王坚, 曹超, 等. 基于GIS的厦门市区机动车尾气扩散模拟[J]. 集美大学学报(自然科学版), 2010, 15(6): 466-470.
Shi Y Q, Wang J, Cao C, et al. Diffusion simulation of automobile emission in urban area of Xiamen City based on GIS[J]. Journal of Jimei University (Natural Science), 2010, 15(6): 466-470.
[22] 王珮玮, 杨道源, 吴潇萌, 等. 基于AERMOD线源模式的城市路网一次PM2.5排放扩散特征研究[J]. 环境科学学报, 2018, 38(7): 2728-2734.
Wang P W, Yang D Y, Wu X M, et al. Analysis of emission dispersion features of primary PM2.5 in urban road network based on AERMOD line-source mode[J]. Acta Scientiae Circumstantiae, 2018, 38(7): 2728-2734.
[23] 崔晨, 刘伟, 毛洪钧, 等. 基于高斯模式的天津机动车尾气扩散模拟研究[J]. 哈尔滨商业大学学报(自然科学版), 2018, 34(1): 54-60.
Cui C, Liu W, Mao H J, et al. Study on vehicle exhaust gas simulation in Tianjin based on Gauss model[J]. Journal of Harbin University of Commerce (Natural Sciences Edition), 2018, 34(1): 54-60.
[24] Wang T, Xie S D. Assessment of traffic-related air pollution in the urban streets before and during the 2008 Beijing Olympic Games traffic control period[J]. Atmospheric Environment, 2009, 43(35): 5682-5690.
[25] Chart-asa C, Gibson J M. Health impact assessment of traffic-related air pollution at the urban project scale:influence of variability and uncertainty[J]. Science of the Total Environment, 2015, 506-507: 409-421.
[26] Haneen K, de Hoogh K, Nieuwenhuijsen M J. Full-chain health impact assessment of traffic-related air pollution and childhood asthma[J]. Environment International, 2018, 114: 365-375.
[27] 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.
[28] 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.
[29] 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.
[30] Perugu H, Wei H, Yao Z. Developing high-resolution urban scale heavy-duty truck emission inventory using the data-driven truck activity model output[J]. Atmospheric Environment, 2017, 155: 210-230.
[31] 李峰, 庄继晖, 李孟良. 海口城市公交车行驶工况构建及排放清单建立[J]. 重庆理工大学学报(自然科学版), 2019, 33(2): 138-144.
Li F, Zhuang J H, Li M L. Construction of driving cycle for investigation of public transport emission in Haikou City[J]. Journal of Chongqing University of Technology (Natural Science), 2019, 33(2): 138-144.
[32] 程颖, 陈艳艳, 刘莹, 等. 城市交通排放高分辨率分析方法研究——北京实证[J]. 交通运输系统工程与信息, 2018, 18(2): 236-244.
Cheng Y, Chen Y Y, Liu Y, et al. An method of high-resolution of urban traffic emission for pollution control:a case study in Beijing[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(2): 236-244.
[33] Zhang S J, Niu T L, Wu Y, et al. Fine-grained vehicle emission management using intelligent transportation system data[J]. Environmental Pollution, 2018, 241: 1027-1037.
[34] 生态环境部.道路机动车大气污染物排放清单编制技术指南(试行)[EB/OL]. https://www.3mbang.com/p-294811.html,2014-12-31.
[35] 郑君瑜, 王水胜, 黄志炯, 等. 区域高分辨率大气排放源清单建立的技术方法与应用[M]. 北京: 科学出版社, 2014.