城市生活垃圾露天焚烧PM2.5及其组分排放特征

利用稀释采样系统,针对桶内燃烧和自然堆积两种常见露天焚烧方式,分别对橡塑类、纸类和木竹类这3种组分生活垃圾露天焚烧PM_(2.5)排放特征进行实测,计算PM_(2.5)、OC、EC、水溶性离子和无机元素排放因子.结果表明,木竹类生活垃圾PM_(2.5)排放因子(7.44±0.76)g·kg~(-1)最高,纸类PM_(2.5)排放因子(2.72±0.52)g·kg~(-1)最低.桶内燃烧的条件会造成更多污染物排放.在不同的燃烧方式下,橡塑类和纸类生活垃圾在桶内燃烧的条件下PM_(2.5)排放因子是自然堆积燃烧的2.5~3.5倍.PM_(2.5)中OC和EC为主要组成成分,PM_(2.5)组分构成占比约为46.6%~67.2%.不同垃圾组分OC/EC比率差异较大,但该比率受焚烧条件影响较小,有助于解析不同组分垃圾焚烧排放贡献.水溶性离子中NH+4离子、Cl-离子含量最高,在PM_(2.5)中所占比例范围分别为2.28%~6.35%和1.04%~14.31%.无机元素中Ca、K、Fe和Ba元素排放因子较高.重金属元素中Zn元素排放因子最高,Cu、Cr、Sb和Pb等元素也有一定富集.Zn元素含量主要由燃烧方式决定,桶内燃烧大约是自然堆积燃烧的20倍左右.     

兰州市煨炕污染物排放清单及其对PM2.5浓度贡献

在考虑经济水平差异的基础上,通过对典型区域的调查确定煨炕活动水平,采用排放因子法建立了兰州市2016年煨炕大气污染物排放清单,煨炕排放的SO_2、NO_x、NH_3、CO、VOCs、PM_(10)、PM_(2.5)、OC和EC的总量分别为340. 8、201. 8、106. 0、36 628. 2、4 997. 2、6 070. 3、5 645. 1、1 089. 3和1 233. 1 t·a~(-1).对污染物排放总量进行时空分配,排放主要集中在11月至次年4月中旬;排放量与区域经济水平密切相关,且存在着明显的空间差异,排放量大的区域主要集中在榆中东南部、永登中部和七里河南部.利用WRF~-Chem模式研究了采暖季煨炕对兰州市PM_(2.5)浓度的平均贡献,引入煨炕污染物排放清单提高了模拟结果的准确性,兰苑宾馆(位于城区)和榆中站(位于农村)的PM_(2.5)平均浓度在模拟期间分别升高了32μg·m~(-3)和34μg·m~(-3),贡献率分别为37. 6%和49. 2%.可见,研究和制定科学的煨炕污染物防控对策对改善区域环境空气质量具有重要意义.     

北京市典型排放源PM_(2.5)成分谱研究

为了建立和完善北京市PM_(2.5)本地化源谱,对北京市11类排放源PM_(2.5)进行采集,并测定其26种组分,分析了不同排放源源谱的组分特征.结果表明,在有组织排放源中,燃煤电厂PM_(2.5)中OC和Si含量很高,占PM_(2.5)的质量分数分别为8.56%和6.19%(平均值),而供热/工业锅炉排放PM_(2.5)中则是SO_4~(2-)(占48.38%)和OC(11.0%)比例最高,水泥窑炉PM_(2.5)中OC(7.12%)、Ca(4.81)和Si(4.41%)占有较大比例;垃圾焚烧排放的PM_(2.5)中Si、Ca、K和SO_4~(2-)均较高,分别占8.15%、9.36%、7.17%和6.79%,且Cl~-含量(2.5%)高于其他所有源,生物质燃烧源PM_(2.5)中OC(21.7%)、Si(6.75%)、Ca(6.15%)较为丰富,餐饮源PM_(2.5)中OC(19.44%)、SO_4~(2-)(5.76%)和K(3.11%)含量均较高;无组织开放源中,道路扬尘和土壤风沙PM_(2.5)化学组分含量变化较为一致,均是Si(分别为16.8%和9.3%)和OC(分别为8.89%和6.61%)最高,建筑水泥尘PM_(2.5)中Ca(17.46%)含量高于其他源;流动排放源PM_(2.5)中OC、EC比例最高,其中,重型柴油车的OC(29.79%)与EC(26.5%)排放比例相当,而轻型汽油车OC排放占有绝对优势(占75%).本文通过对比国内外部分排放源PM_(2.5)成分谱的差异,指出不同区域相同源类排放的PM_(2.5)化学组分差异较大,在应用受体模型中的化学质量平衡模型(CMB)判断受体颗粒物来源时,应基于本地的排放源成分谱,以避免较大的误差.     

双级虚拟撞击采样器应用于固定污染源PM10和PM2.5排放测量

为贯彻落实《大气污染防治行动计划》,环境保护部指导各地开展大气污染源排放清单编制工作,其中包括固定源PM_(10)和PM_(2.5)的排放清单.但目前国内尚无固定源PM_(10)和PM_(2.5)标准采样方法.本研究提出了适合我国固定源PM_(10)和PM_(2.5)测量的双级虚拟撞击采样方法,开发了相应的分级采样系统,并用该方法对各类固定源进行了现场测试.测试结果表明,所测试的煤粉炉电厂的烟囱入口PM_(2.5)质量浓度为(0.93±0.03)mg·m~(-3),PM_(10)质量浓度为(1.13±0.11)mg·m~(-3).所测试的垃圾焚烧电厂的烟囱排放口PM_(2.5)质量浓度为(3.3±0.65)mg·m~(-3),PM_(10)质量浓度为(6.9±0.86)mg·m~(-3).所测试的大型循环流化床发电厂的烟囱排放口PM_(2.5)质量浓度为(0.59±0.04)mg·m~(-3),PM_(10)质量浓度为(1.12±0.16)mg·m~(-3).所测试的钢铁转炉的烟囱排放口PM_(2.5)质量浓度为(0.15±0.04)mg·m~(-3),PM_(10)质量浓度为(0.43±0.15)mg·m~(-3).     

广西玉林市大气PM10和PM2.5中有机碳和元素碳污染特征分析

2015年7月~2016年3月期间在广西玉林市3个空气监测点位共采集环境大气颗粒物PM_(10)样品218份,PM_(2.5)样品202份,利用多波段热/光碳分析仪分析其颗粒物中有机碳和(OC)和元素碳(EC)浓度水平、时空变化、污染特征及可能来源.结果表明,玉林市PM_(10)中OC和EC质量浓度分别为10.99μg·m~(-3)和5.11μg·m~(-3);PM_(2.5)中OC和EC质量浓度分别为7.51μg·m~(-3)和4.70μg·m~(-3).3个监测点位大气中PM_(10)和PM_(2.5)冬季的OC和EC浓度水平均高于其他季节,PM_(10)、PM_(2.5)中OC和EC的相关性较好,R2分别为0.58和0.60(P均小于0.01).应用最小OC/EC比值法对二次有机碳(SOC)含量进行了估算,冬季大气PM_(10)和PM_(2.5)中SOC平均质量浓度分别为14.50μg·m~(-3)和6.74μg·m~(-3),高于其他季节.PM_(10)和PM_(2.5)中SOC/OC比值均0.5,玉林市大气中粗细颗粒物均以SOC为主.夏季PM_(10)和PM_(2.5)中SOC/OC分别为80.6%和77.7%,为四季最高值,与夏季温度较高、光照强烈、有利于光化学反应将OC转化为SOC有关.     

生物质燃烧排放PM2.5中无机离子及有机组分的分布特征

为探讨生物质在明火和阴燃两种不同条件下PM_(2.5)及主要成分的排放差异,选取了7种具有代表性的生物质样品(小麦、水稻、马尾松叶、马尾松枝、杂草、玉米、棉花)进行了燃烧实验,并对PM_(2.5)样品中的7种主要水溶性离子(Na~+、NH_4~+、K~+、Ca~(2+)、Cl~-、NO_3~-、SO_4~(2-))及有机碳(OC)、元素碳(EC)、水溶性有机碳(WSOC)、有机酸和左旋葡聚糖(LG)等有机成分进行了分析.结果表明,明火和阴燃条件下PM_(2.5)的排放因子分别为2.82~7.74 mg·g~(-1)和3.24~22.56 mg·g~(-1),阴燃时的排放因子偏高,不同燃料类型也存在一定差异.燃烧排放PM_(2.5)中水溶性离子以Cl~-为最高,占总离子的比例为72%~94%,且与NH_4~+存在显著正相关关系,水溶性离子整体表现为明火条件下的浓度显著高于阴燃条件下的浓度.受阴燃条件下氧气不足的影响,PM_(2.5)中有机组分的浓度表现为阴燃高于明火,进而导致阴燃时PM_(2.5)的排放因子增加.水稻秸秆燃烧烟尘中3种来源特征比值(LG/PM_(2.5)、LG/OC和LG/WSOC)仅为小麦和玉米秸秆燃烧排放相应比值均值的0.34、0.24和0.27倍,表明在不同农作物的收获季节采用上述特征比值进行生物质燃烧来源估算时,应区别对待.     

北京市典型城区餐饮业VOCs和PM2.5排放量估算

以北京市餐饮企业分布密度最大的西城区为案例区,通过对研究区域内餐饮企业进行实地污染物检测及排放活动水平调查,计算得到基于就餐人数、就餐时间、烹饪油用量和灶头数4种核算基准的餐饮业VOCs和PM_2.5排放因子,并利用排放因子法分别估算该区域在餐饮废气净化设备升级改造前后餐饮企业VOCs和PM_2.5年排放量.结果表明：本研究区域餐饮业废气净化设备升级改造前VOCs排放量范围为319.03~506.38t/a,改造后为92.14~109.89t/a;改造前PM_2.5排放量范围为166.55~211.09t/a,改造后为30.22~36.05t/a,排放量明显减少.餐饮业废气净化设备改造后VOCs和PM_2.5减排率分别为71%~82%和80%~86%,餐饮业废气净化设备升级改造减排效果良好.计算得到以街道为单元的餐饮源VOCs和PM_2.5排放强度范围分别为1.45~4.32t/km²和0.47~1.42t/km².通过PM_2.5实测浓度（小时值）数据分析,餐饮业废气净化设备升级改造前、后PM_2.5浓度平均减少了28.9%,最接近于用油量为核算基准的排放因子降低比例.     

南昌市固定燃烧点源大气污染物排放清单及特征

大气污染物排放清单是了解区域污染物排放特征、准确模拟空气质量的重要资料,而工业点源是大气污染的重点排放源.通过收集相关活动水平信息和合理的排放因子,采用"自下而上"的方法建立了南昌市2014年点源大气污染物排放清单.结果表明,SO_2、NO_x、CO、PM_(10)、PM_(2.5)和VOC排放总量分别为29576.2、17115.1、25946.6、4689.4、922.9和1190.4 t,其中,金属炼制行业对SO_2、CO和VOC的贡献最高,分别占37.75%、30.59%和38.45%;火电行业是NO_x的主要来源,其贡献率为47%;水泥等建材制造行业对PM_(10)和PM_(2.5)排放贡献最高,分别为26%和25%.根据排放源污染物排放量及地理坐标信息,建立了0.4 km×0.4 km的污染物排放量空间分布特征图,结果表明,南昌市大气污染物排放较为集中,青山湖区北部和新建区北部是SO_2、NO_x、CO和VOC的主要排放区,而PM_(10)和PM_(2.5)的排放量相对分散,并在安义县出现排放高值区.通过将计算结果与统计数据结果进行对比,了解所估算清单的准确程度.对SO_2和NO_x的计算值和统计值进行统计分析,结果显示,NMB(标准化平均偏差)和NME(标准化平均误差)值均小于50%,清单计算精度较高.同时,为了解清单数据质量,对清单的不确定性进行定量分析,结果显示,SO_2和VOC不确定性较低而PM_(10)和PM_(2.5)的不确定性相对较高,清单整体不确定性与其他研究结果相差不大.建议后期研究可以从提升基础数据质量和建立具有区域代表性的排放因子数据库着手,从而减小排放量的不确定性,获得精准可靠的大气污染物清单并应用于空气质量模型预报等更深入的研究.     

成都市西南郊区春季大气PM2.5的污染水平及来源解析

为了解成都市西南郊区大气中PM_(2.5)污染特征,于2015年3月1~31日对成都西南郊区大气PM_(2.5)进行膜样品采集,并分析其中的化学组分.结果表明,3月成都市西南郊区大气PM_(2.5)的日均质量浓度为121.21μg·m~(-3),采集的31个有效PM_(2.5)样品中有24个样品日均浓度在75μg·m~(-3)以上,日超标率为77%,该地区3月PM_(2.5)污染严重.在与大气气象要素的关系研究中发现,大气颗粒物PM_(2.5)与大气能见度有着较好的指数关系,与温度、湿度有一定的正相关关系,但相关性并不明显.水溶性阴阳离子中NH~+_4(16.24%)、SO~(2-)_4(12.58%)、NO~-_3(9.91%)占PM_(2.5)的主导地位,NO~-_3/SO~(2-)_4的比值是0.77,表明成都西南郊区固定源的污染要大于移动源的污染,燃煤排放的污染相对于汽车尾气较多.有机碳(OC)/元素碳(EC)比值均大于2.0,表明有二次有机碳(SOC)产生.利用OC/EC比值法估算SOC的质量浓度发现,成都西南郊区3月PM_(2.5)中SOC的平均浓度水平为3.49μg·m~(-3),对OC的贡献率达20.6%,说明成都市西南郊区的OC主要来源于一次排放,且OC与EC的相关性分析显示,其相关系数达0.95,说明OC、EC来源相似且相对稳定,成都市西南郊区春季受局地源排放影响较大,一次排放占主导地位,二次有机碳对OC贡献相对较小,与估算所得的SOC性质一致.利用主成分分析(PCA)方法对成都西南郊区大气中PM_(2.5)进行来源解析,发现成都西南郊区PM_(2.5)的主要污染源为燃煤、生物质的燃烧、二次硝酸盐或硫酸盐、土壤和扬尘源、汽车尾气源、电子生产源以及机械加工源.     

四川省人为源大气污染物排放清单及特征

在收集四川省各城市人为污染源活动水平数据基础上,基于自下而上和自上而下结合的清单构建方法,选取排放因子并结合GIS技术,建立了该地区2015年1 km×1 km人为源大气污染物排放清单.结果表明,2015年四川省人为源SO_2、NO_x、CO、PM_(10)、PM_(2.5)、BC、OC、VOCs和NH_3排放量分别为444.9×10~3、820.0×10~3、3 773.1×10~3、1 371.6×10~3、537.5×10~3、28.7×10~3、53.1×10~3、923.6×10~3和988.0×10~3t.电厂和工业锅炉等燃煤排放贡献了95%以上的SO_2,移动源、化石燃料燃烧源和工艺过程源分别贡献了54%、23%和20%的NO_x,以钢铁和建材制造为主的工艺过程源分别贡献了20%的PM_(10)和34%的PM_(2.5),以道路扬尘为主的扬尘源分别贡献了60%的PM_(10)和35%的PM_(2.5),生物质燃烧分别贡献了33%的BC和51%的OC,以机械加工、建筑装饰、电子设备制造、印刷和家具等行业为主的溶剂使用源贡献了46%的VOCs,NH_3主要来自畜禽养殖和氮肥施用等农业部门排放,分别占总排放量的70%和25%.污染物空间分布结果显示,四川省各项大气污染物主要集中分布于人口最为密集,农业和工业均较为发达的四川盆地和攀枝花部分区域,其中,以成都、德阳和绵阳为代表的成都平原城市群为四川盆地内的主要排放高值区域.所建立的排放清单存在一定不确定性,后续研究中应针对活动水平数据获取的不足开展数据收集工作,加强排放贡献较大典型污染源的排放因子本地化研究工作,逐步完善四川省大气污染物排放清单,为四川省复合型大气污染研究和防治提供科学支撑.     

苏州市大气细颗粒物(PM2.5)工业源排放清单

通过发放调查表、现场咨询等形式,获得苏州市2012年工业企业基本信息,参照国内外已有研究成果,确定排放因子,并根据实际情况对钢铁行业进行了系数修订,得到苏州市工业源大气细颗粒物排放清单.结果表明:苏州地区工业源PM_(2.5)排放总量约为6.57×10~4t,工艺过程源和固定燃烧源分别占94%和6%;张家港地区贡献率最大,为51%,其次为常熟13.8%;姑苏区贡献率最小,为0.13%;苏州市平均排放强度为10.42 t·km~(-2),张家港排放强度最大,达到了43.57 t·km~(-2),其次为新区12.38 t·km~(-2);钢铁与炼焦、火电、水泥行业是PM_(2.5)的主要贡献者,分别为50%、17%和14%;空间分布显示苏州北部相对细颗粒污染较大,重点企业多集中在张家港、常熟地区,东部污染较少.     

基于互联网大数据的成都餐饮源细颗粒物排放空间分配研究

餐饮过程排放的废气正成为大城市大气污染的重要来源之一.根据成都市2013年排放清单更新的研究成果,综合运用本地化的餐饮排放因子、排放活动水平的调查成果和成都市统计年鉴的统计数据等信息,对成都市餐饮源的PM_(2.5)排放总量进行了估算,其结果为4740 t·a~(-1).为了对区域的餐饮废气排放进行空间分配,本文抓取了互联网兴趣点POI信息.通过这些信息,对成都市的社会餐饮、学校食堂餐饮和家庭餐饮的空间来源进行了表征,对成都市生活源中餐饮污染物排放的空间分布规律进行了探索,并提出了新的餐饮源高分辨空间分配方法.结果表明,基于POI空间分配的2013年成都餐饮源单位面积年排放强度均值为0.29 t·km~(-2)·a~(-1),主城区均值为3.47 t·km~(-2)·a~(-1),全市的排放量分布区间为0~35.7 t·km~(-2)·a~(-1).互联网POI信息可以作为研究城市餐饮源空间分布的重要数据来源,在实际应用上更适于表征社会餐饮点源污染.     

六类餐饮源排放PM2.5化学成分谱

大气颗粒物源成分谱可以表征源排放颗粒物的理化特征,为受体模型开展来源解析研究提供基础数据.餐饮油烟排放是室内外环境大气污染的来源之一,当前餐饮源排放PM_2.5的化学成分谱仍然缺乏.该研究分别在成都市、武汉市和天津市采集了29组6种餐饮源（居民烹饪、火锅店、烧烤店、职工食堂、中餐馆、商场综合餐饮）排放的PM_2.5样品,分析无机元素、离子、碳、多环芳烃（PAHs）等化学组分,并构建了餐饮源排放颗粒物化学成分谱.结果表明:①餐饮源排放PM_2.5化学成分中的主要组分为OC（有机碳）、EC（元素碳）、Ca、Al、Fe、NH₄+、SO₄2-、NO₃-、Na+、K+、Mg2+和Cl-,其中w（OC）最高,为41.67%~57.91%.②餐饮源排放PM_2.5的PAHs中,3环和4环占比较高,其中芴（Flu）、菲（Phe）、荧蒽（Fla）、芘（Pyr）的质量分数相对其他物质较高.研究显示:餐饮源排放PM_2.5中OC/EC约为15.99~67.61,在一定程度上可以用来表征餐饮源排放;Fla/（Fla+Pyr）和InP/（InP+BghiP）多集中在0.45~0.55之间,或可作为标识餐饮源的特征比值.      

北京市典型餐饮企业大气污染物排放特征

为了解北京市餐饮业的大气污染排放浓度和总体排放水平,为有针对性地制定北京市餐饮污染控制对策提供依据,本研究选取了北京市典型的餐饮企业,结合现场实测和测试期间餐饮企业灶头使用情况,分析不同类型餐饮企业油烟、颗粒物和非甲烷总烃(NMHC)的排放浓度和各污染物指标之间的关系,估算了北京市餐饮业大气污染物的排放量.结果表明,典型餐饮企业油烟、颗粒物和NMHC的平均排放浓度分别为(2.91±5.52)、(9.25±10.02)和(12.72±11.38) mg·m~(-3),均超过了北京市地方排放标准.其中烤鸭和烧烤的颗粒物和NMHC排放较高,容易超标,是餐饮业治理的重点.烤鸭的颗粒物与油烟的比值范围为6.21～43.08;烧烤的颗粒物与油烟的比值范围为5.03～19.07;炒菜类餐饮企业颗粒物与油烟的比值范围为0.75～7.55;炭火烧烤和果木烤鸭颗粒物的排放浓度远大于油烟的排放浓度.Pearson相关系数分析表明,餐饮企业颗粒物与油烟的排放浓度为强相关,颗粒物和NMHC的排放浓度为弱相关.粗略估算获得2014年北京市餐饮源油烟、颗粒物和NMHC的排放量分别为2 492、 6 127和9 436 t.     

基于本地污染源调查的杭州市大气污染物排放清单研究

基于实地调查数据并辅以统计数据,采用物料衡算法和排放因子法,估算了杭州市2015年大气污染物排放清单,并选取经纬度坐标、路网、航道、土地类型和人口等数据作为权重因子,研究了该地区各类排放源污染物排放空间分布特征.结果表明,杭州市2015年SO_2、NO_x、CO、VOCs、PM_(10)、PM_(2.5)和NH_3年排放总量分别为22.20×10~3、108.17×10~3、192.10×10~3、134.94×10~3、78.12×10~3、27.65×10~3和59.75×10~3t.工业源是杭州市SO_2排放的主要来源,移动源对NO_x和CO的排放贡献最为显著,扬尘源是杭州市PM_(10)和PM_(2.5)排放的最主要来源,其次为工业源;VOCs排放的主要来源依次为工业源、天然源和移动源;NH_3排放主要来自农业源.从空间分布来看,排放主要集中在中心城区及其周边的萧山、下沙、大江东、余杭和富阳等工业企业相对密集的区域.本研究建立的排放清单在污染源覆盖范围和排放因子方面仍然存在一定的不确定性,建议在后续研究中重点开展低、小、散企业及本地化排放因子调查研究工作,进一步提升大气污染物排放清单的准确度.     

超低改造下中国火电排放清单及分布特征

本研究基于2018年火电在线监测和环境统计等数据,自下而上编制了中国高分辨率火电行业排放清单,并核算了排放浓度、排放因子和排放量.结果表明超低排放政策效果显著：2018年火电SO₂、NO_x和烟尘平均排放浓度分别为37.57、56.71和7.41mg ·m^-3.比2015年分别下降58.71%、43.12%和60.79%;中国燃煤机组的SO₂、NO_x和烟尘平均排放因子分别为0.30、0.48和0.06 g ·kg^-1,比2015年分别下降55.2%、36.84%和62.5%;中国火电SO₂、NO_x、烟尘和PM_2.5总排放量分别为72.14、118.38、14.90和13.59万t ·a^-1,比2015年分别下降41.32%、19.29%、48.12%和40.39%.     

不同燃烧状态下农作物秸秆PM2.5排放因子及主要成分分析

运用自主设计的生物质燃烧系统,对水稻、小麦、大豆、玉米、花生和油菜6种农作物秸秆采用不同燃烧状态(阴燃和明燃)进行实验室模拟燃烧,分析PM_(2.5)的排放因子及其碳质组分和水溶性离子之间的差异.研究结果表明,不同燃烧状态对秸秆PM_(2.5)的排放因子、碳质组分和水溶性离子的排放均具有显著影响.不同农作物秸秆PM_(2.5)排放因子范围在阴燃和明燃时分别是11.45~23.84 g·kg~(-1)和4.51~12.15 g·kg~(-1).有机碳(OC)、元素碳(EC)的排放因子范围阴燃时分别是5.03~11.04 g·kg~(-1)和0.94~2.70 g·kg~(-1),明燃时分别是1.55~6.02 g·kg~(-1)·kg~(-1)和1.04~2.11 g·kg~(-1),阴明燃具有显著差异且阴燃高于明燃.此外,OC/EC、OC/PM_(2.5)和EC/PM_(2.5)在不同燃烧状态均具有显著差别,可作为区分阴明燃的指标.PM_(2.5)中水溶性离子的主要组分阴燃时为K+(1.011 g·kg~(-1))、Cl~-(0.712 g·kg~(-1))、F~-(0.182 g·kg~(-1)g)和SO_4~(2-)(0.166 g·kg~(-1)),明燃时为K+(0.457 g·kg~(-1))、Cl~-(0.271 g·kg~(-1))、SO_4~(2-)(0.086 g·kg~(-1))和F~-(0.048 g·kg~(-1)),且阴燃条件更有利于离子的排放.此外,水溶性离子的相关性也因燃烧状态的不同而有较大的差异.     

基于积尘负荷的西安市铺装道路扬尘排放研究

近年来城市颗粒物污染问题日渐突出,严重影响着人们的环境幸福指数和对美好环境的期待.道路扬尘作为城市扬尘的重要组成部分,对颗粒物污染的贡献不容小觑.在此背景下,采用积尘负荷法采集西安市快速路、主干道、次干道、支路等4种类型25条道路的道路扬尘样品,并分析采样速率、采样次数等因素对采样效率的影响.在此基础上,计算得到西安市各类型道路的平均积尘负荷,结合车流量、车重、道路长度,通过《扬尘源颗粒物排放清单技术指南》中的公式计算得到各种类型道路TSP、PM₁₀、PM_2.5的排放系数及排放量.结果显示：采样速率为1.0 m²·min^-1,采样次数为两次可满足采样要求.不同类型道路积尘顺序为：支路（4.18 g·m^-2）>次干道（2.80 g·m^-2）>快速路（1.49 g·m^-2）>主干路（1.34 g·m^-2）;道路积尘TSP、PM₁₀、PM_2.5的平均排放系数分别为6.066、1.542和0.447 g·km^-1.快速路和主干路的扬尘排放系数较小,支路的扬尘排放系数次之,次干路的扬尘排放系数较大.采用Monte Carlo方法对TSP、PM₁₀和PM_2.5的排放量进行不确定性分析,在95%的概率分布范围下,三者定量不确定性均为-16.88%~17.96%.