广州市机动车排放因子隧道测试研究

选取广州城市隧道进行连续48h的监测,获得了隧道内NOx,CO,SO2,PM10和HC等污染物的浓度、交通和气象等实测数据,计算出隧道内机动车NOx,CO,SO2,PM-10和HC的单车平均排放因子分别为1.38,15.40,0.14,0.64和1.86g/(km*辆),并得到了8类机动车各种排放污染物的综合排放因子.      

上海市机动车发展的大气环境容量

研究了上海市机动车和固定源排放对环境中NOx 浓度的贡献率 ,采用ADMS Urban空气质量模型从环境容量角度提出上海市机动车发展的总量控制目标 .2 0 0 2年上海全市NOx 排放总量为 39 7× 10 4t/a ,其中中心城区机动车NOx 排放分担率81% ,浓度贡献率为 86 % .为实现 0 0 8mg/m3 年平均浓度容量控制目标 ,上海市机动车NOx 排放总量应控制在 3 5× 10 4t/a以下     

谭裕沟隧道CO,SO_2和NO_x排放因子研究

通过 1997年 7月谭裕沟隧道内CO ,SO2 和NOx 的连续分析 ,研究了其污染状况和特征 ,根据分析结果计算了机动车排放CO ,SO2 和NOx的平均排放因子。结果表明 ,机动车能排放出较高水平的CO和NOx,在城市中CO和NOx 有相当大的部分来源于机动车排放 ,而SO2 的排放量则非常小     

近20年北京市城近郊区环境空气质量变化及其影响因素分析

利用北京环境空气质量定点监测资料,研究了北京市城近郊区近20年来环境空气质量的变化趋势及其影响因素.结果表明,从年际变化看,SO2、降尘、B[a]P浓度显著下降,而NOx、CO浓度和O3超标情况显著上升,空气污染处于由煤烟型向机动车尾气型转变的过程中,表现出典型的复合污染特征.年内变化显示,采暖期污染比非采暖期严重,尤其SO2在采暖期浓度是非采暖期的5.7倍.从空间分布上看,TSP、降尘、O3表现为近郊区污染重于城区;SO2、NOx、CO表现为城区污染重于近郊区.空气污染源增加的压力与环境保护措施的相互作用是驱动北京市近20年环境空气质量变化的主要因素.产业结构的变化、重点污染源的整治、能源结构调整、能源的清洁使用、机动车尾气排放标准的提高等对保护环境空气质量起到一定作用.     

杭州市区机动车污染物排放特征及分担率

选取杭州市区绕城高速、快速路、主干道和民用支路4种典型道路进行工况测试,建立了2010年机动车CO、HC、NOx和PM10排放清单,获得了分车型、燃料类型、排放标准以及道路类型的机动车污染物排放分担率.结果表明,杭州市机动车的污染物排放分担率差别显著,乘用车、出租车和公交车是CO和HC排放的主要来源,重型货车和公交车是NOx和PM10排放的主要来源,且乘用车的NOx排放分担率也较大;柴油车的NOx和PM10的排放分担率远大于其保有量的贡献率,是其排放的主要来源,汽油车是CO和HC排放的主要来源;占保有量30%的国0和国I车辆,对CO、HC、NOx和PM10排放分担率分别为67%、69%、58%和82%;主干道是机动车CO、HC和NOx排放的主要来源,其排放分担率分别为66%、65%和64%,民用支路是PM10排放的主要来源,分担率为55%.     

北京机动车尾气排放特征研究

近年来随着机动车保有量的快速增加,北京市机动车排放污染受到越来越多的关注。本研究应用COPERTⅣ模型计算了北京不同类型机动车排放因子,根据保有量和年均行驶里程等基础数据计算了2009年机动车尾气污染物排放量;调查了北京典型道路车流量和车辆运行速度等参数,计算机动车尾气排放强度,得出了典型道路不同污染物的综合排放因子;应用COPERTⅣ模型分析了车速对不同污染物排放的影响,将基于G IS的机动车活动强度、行驶速度和排放因子结合在一起,得到了北京机动车尾气排放网格分布清单。结果表明:CO排放量为71.58×104t,HC排放量为7.95×104t,NOx排放量为8.77×104t,PM排放量为0.38×104t。北京城区高峰小时CO排放量为143.9 t/h,HC排放量为18.6 t/h,NOx排放量为12.5/h,PM10排放量为1.14 t/h。     

基于AERMOD模型的乌鲁木齐机动车排放大气污染物的数值模拟

以乌鲁木齐市主城区为例,将区域机动车排放清单数据作为排放源数据,利用AERMOD模型对乌鲁木齐市主城区域机动车排放的主要大气污染物质量浓度分布情况进行了数值模拟,并探讨了机动车排放的大气污染物对乌鲁木齐市城市空气质量的影响。结果表明:由机动车排放引起的乌鲁木齐市主城区域大气污染物CO、HC、NOx和PM10的质量浓度分布均表现为新市区和米东区高于其他几个区域,最大影响浓度点出现在新市区河南路北侧和米东区,为机动车所排放的大气污染物影响最为显著的区域;模拟得到的各大气污染物年均质量浓度在网格点最高值均低于相关标准浓度限值;显著影响区域范围内,NOx模拟预测浓度占区域环境空气质量浓度的44.12%,是区域环境空气中NOx的较为重要排放源,而可吸入颗粒物(PM10)仅占0.5%,说明机动车颗粒物排放不是乌鲁木齐城市空气中可吸入颗粒物的主要排放源。     

杭州市机动车污染物排放清单的建立

基于调研的基础数据,运用修正后的IVE排放模型及GIS系统建立了杭州市2010年1km×1km的高时空分辨率的机动车排放清单.结果表明,2010年杭州市机动车污染物CO、HC、NOx、PM的年排放量分别为44.06,2.31,4.43,0.65万t,主要来自线源道路的排放.各车型污染物分担率各不相同,汽油乘用车和公交车排放CO和HC最大,柴油重型货车和公交车是NOx和PM排放的主要来源,两种燃油下的机动车排放差异十分明显.机动车污染排放与路网密集程度及道路长度密切相关,因此西湖区和江干区排放总量远远高出其他区域.机动车各污染物排放强度空间分布均呈现由城市中心向城市边缘的递减趋势,各污染物中心城区排放量占总排量的70%以上.机动车污染物排放日变化十分明显,与人群出行规律有极大的相关性.     

应用模式模拟济南市机动车污染的空间分布

以济南市机动车污染排放实际情况为基础,结合具体的地理、气象等特点,采用ISCST3模式模拟计算了济南市196 km2范围内年均CO 和NOx浓度空间分布,确定出济南市机动车污染较为严重,需要重点控制机动车污染的区域。      

机动车比功率在高排污车辆鉴别中的应用

机动车尾气遥感监测是I/M制度的有益补充.以2004年广州市机动车尾气遥感监测实验为基础,对实验数据作了深入分析.结果表明,占全体车辆10%的高排污车辆所排放的一氧化碳(CO)、碳氢化合物(HC)和氮氧化合物(NOx)分别占当日该污染物总量的36.81%,41.80%和48.52%,证明了高排污车辆是造成机动车排放污染的最主要污染源.进一步引入机动车比功率概念研究了机动车比功率与污染物排放之间的关系,并对15次实验结果进行了对比研究.结果表明,在不同测量中,CO、HC和NOx的排放与机动车比功率区间分布具有较好的一致性.分布规律还表明,在遥感监测中,在机动车比功率区间高值部分,机动车的CO或者HC的高排放为瞬间高排放,此时,不能将其判别为高排污车辆.将此结论用于基于神经网络的高排污车辆鉴别模型中,使高排污车辆的正确判断率达到95%.     

上海城市交通与机动车排气污染调查

上海市机动车保有量逐年增加，车辆的排气污染愈来愈严重，据调查，１９９７年机动画排放的ＣＯ，ＭＮＨＣ，ＮＯＸ和ＰＭ分别达到５８．６，９．０８，６．２０和０．２３万吨。中心城区机动车排放的ＣＯ，ＮＭＨＣ和ＮＯＸ污染物５０％以上来自于小型车，是影响上海城区环境空气质量的主要污染源。     

北京市机动车污染分担率的研究

研究建立了以GIS为平台的北京市机动车排放清单,获得了北京市规划市区内分车型以及分区域的机动车排放分担率.在此基础上,采用修正的ISCST3模型模拟了1995年规划市区CO和NO_x浓度的时空分布情况,并分析了机动车排放对北京市大气浓度的贡献率.结果表明,1995年北京市规划市区CO和NO_x的年排放分担率分别达到了76.8%和40.2%;相应的年浓度分担率则分别为76.5%和68.4%,在城市中心区以及道路边2种污染物的浓度分担率则更高.因此,在北京市对机动车排放污染实施控制是有效削减CO和NO_x的主要途径.     

奥运时段北京及近周边区域空气污染观测与比对分析

为研究奥运时段北京与近周边区域空气质量的相互影响,评价区域污染源协同减排对奥运时段北京空气质量的作用,寻求北京空气污染预警的有效途径,2008-06-01～2008-10-03在北京奥运村以及近周边的河北涿州、廊坊、香河、燕郊进行了空气污染联网观测.结果表明,夏秋季节北京和近周边首要污染物均为颗粒物,北京和周边可吸入颗粒物(PM10)平均质量浓度分别为(114±66)μg/m3和(128±59)μg/m3;细粒子(PM2.5)质量浓度则分别为(77±47)μg/m3和(81±51)μg/m3;臭氧质量浓度小时最大值的平均分别为(164±52)μg/m3和(165±55)μg/m3;NOx分别为(58±23)μg/m3和(25±14)μg/m3.相对于6月,奥运会时段(8月8日～8月24日)北京地区PM10、PM2.5、O3、NOx的浓度分别下降69%、62%、18%和41%,残奥会时段(9月6日～9月17日)PM10、PM2.5、O3、NOx的浓度分别下降56%、49%、17%和16%.北京大气中细粒子浓度受周边影响严重,而NOx有向周边扩散的潜势,夏季臭氧则表现出区域污染的特征.结合气象要素分析表明,近周边区域联网观测,有助于北京空气质量预警研究,并可为区域协同防控空气污染提供科学支撑.     

The traffic emission and its impact on air quality in Guangzhou area

A comprehensive field measurement was set up in Guangzhou City of China and the key was placed on NO_x and O₃ pollution. The results indicated that the average driving speed of vehicle was only 14 km/h in downtown with high frequency of idle and acceleration. Upward fluxes of CO and NO were observed in Dongfeng street. NO_x annual mean concentration in urban area increased year by year, and NO_x was identified as the most important pollutant since 1995. Photochemical smog pollution was serious in general,spatial and seasonal distribution of O₃ was observed. O₃ concentration was kept in a high level in autumn, and its formation was restrained in summer due to frequent thunderstorm and high humidity. The numerical simulation showed the average concentration and maximum concentration of O₃ would increase 60%—100% if vehicular emission increased 100% in Guangzhou.     

The traffic emission and its impact on air quality in Guangzhou area

A comprehensive field measurement was set up in Guangzhou City of China and the key was placed on NOx and O3 pollution. The results indicated that the average driving speed of vehicle was only 14 km/h in downtown with high frequency of idle and acceleration. Upward fluxes of CO and NO were observed in Dongfeng street. NOx annual mean concentration in urban area increased year by year, and NOx was identified as the most important pollutant since 1995. Photochemical smog pollution was serious in general,spatial and seasonal distribution of O3 was observed. O3 concentration was kept in a high level in autumn, and its formation was restrained in summer due to frequent thunderstorm and high humidity. The numerical simulation showed the average concentration     

济南市机动车排气污染现状与控制对策研究

机动车排气污染已经成为济南市空气污染的重要来源,NOx,CO,THC等污染物排放量分别占机动车与固定源排放总量的22%,96%和92%,机动车排气污染使得道路空气环境质量明显恶化。出租车、轿车、摩托车是机动车污染的3种主要车型。文中在阐明造成机动车污染较重的原因基础上,提出了控制机动车污染的管理、技术以及辅助对策。      

遥感法用于车辆实际道路行驶污染状况评估

为了评估满足不同排放标准的在用车在实际道路行驶条件下的污染状况,以2013年3-11月间在北京市朝阳区收集的16.5×104组在用汽油车排放遥感测试大数据为基础,对北京市的在用车实际道路排放水平进行分析和评价.结果表明:新车排放标准升级明显降低了在用车的CO、HC和NO平均排放浓度.从国Ⅰ/国Ⅱ到国Ⅲ以及从国Ⅲ到国Ⅳ/国Ⅴ,每次标准升级使得在用车的CO排放浓度平均降低12%~15%,HC和NO排放浓度分别降低13%和40%左右.与2003年相比,北京市2013年机动车CO、HC和NO排放的平均浓度分别下降了52.1%、82.1%和65.3%,排放标准升级带来的减排效果十分明显.未来排放标准升级过程中应当强化对在用车实际驾驶过程排放的监管,同时积极引导老旧车辆的淘汰更新,加大对排放造假行为的执法和处罚力度.      

基于车流和大气污染物浓度同步增量的机动车平均排放因子估算方法

机动车尾气排放已成为城市大气污染的主要来源并受到了高度关注.机动车排放因子是反映机动车排放状况的最基本参数,但实测排放因子代价较高、代表范围有限,基于国外排放模式估算的排放因子又与我国的实际排放状况存在一定差距.本研究首先基于早高峰时段车流量和道路附近大气污染物浓度呈近线性增加、气象条件和背景污染物浓度相对稳定的特征,将时段内污染物浓度的增加主要归因为车流的增加,从而建立车流和污染物浓度增量之间的关系;然后采用无限线源高斯扩散模式,反推道路实际行驶机动车的平均排放因子.以北京市一条主干道为例,利用早高峰车流量、污染物浓度、气象观测数据,进行了实例研究,并将研究结果同COPERT4排放模型的预测结果进行了对比.本研究和COPERT4排放模型预测的8月一氧化碳平均排放因子分别为2.0 g·km-1和1.2 g·km-1,12月分别为5.5 g·km-1和5.2 g·km-1.结果表明,本方法估算的机动车排放因子在数值大小及季节变化上均与COPERT4排放模型较为接近.所提方法通过消除背景浓度的干扰,为实时获取车队实际排放因子提供了一种新思路.     

Vehicle emissions of primary air pollutants from 2009 to 2019 and projection for the 14th Five-Year Plan period in Beijing, China

Over the past decade, the emission standards and fuel standards in Beijing have been upgraded twice, and the vehicle structure has been improved by accelerating the elimination of 2.95 million old vehicles. Through the formulation and implementation of these policies, the emissions of carbon monoxide (CO), volatile organic compounds (VOCs), nitrogen oxides (NO_x), and fine particulate matter (PM_2.5) in 2019 were 147.9, 25.3, 43.4, and 0.91 kton in Beijing, respectively. The emission factor method was adopted to better understand the emissions characteristics of primary air pollutants from combustion engine vehicles and to improve pollution control. In combination with the air quality improvement goals and the status of social and economic development during the 14th Five-Year Plan period in Beijing, different vehicle pollution control scenarios were established, and emissions reductions were projected. The results show that the emissions of four air pollutants (CO, VOCs, NO_x, and PM_2.5) from vehicles in Beijing decreased by an average of 68% in 2019, compared to their levels in 2009. The contribution of NO_x emissions from diesel vehicles increased from 35% in 2009 to 56% in 2019, which indicated that clean and energy-saving diesel vehicle fleets should be further improved. Electric vehicle adoption could be an important measure to reduce pollutant emissions. With the further upgrading of vehicle structure and the adoption of electric vehicles, it is expected that the total emissions of the four vehicle pollutants can be reduced by 20%-41% by the end of the 14th Five-Year Plan period.