港口自有移动源大气污染物排放清单

基于全面开展大气污染源排放清单编制工作的要求,研究制定了天津市港口自有移动源排放清单.对道路和非道路移动源各源类6种大气污染物建立了分辨率为3 km×3 km的网格化排放清单,并分析其污染物排放时空分布特征,利用蒙特卡罗方法分析了清单的不确定性.结果表明,2020年港口自有移动源共排放PM₁₀ 148.22 t、 PM_2.5 135.34 t、 SO₂ 1 061.04 t、 NO_x 4 027.16 t、 CO 756.60 t和VOCs 237.07 t,其中道路和非道路移动源污染物总排放量占移动源排放量的比例分别为6.66%和93.34%.全港区自有道路移动源机动车污染物排放的主要贡献源是小型、中型、大型载客汽车(汽油)和重型载货汽车(柴油),非道路移动源排放的各污染物的主要贡献源均是船舶和工程机械.不确定性分析结果表明,移动源总体不确定性范围为-13.3%～16.53%.     

基于OMI数据的长三角地区NOx排放清单校验

近年来伴随着我国经济的持续增长,人为源氮氧化物排放居高不下,导致我国区域大气复合污染日趋严重. NO_x排放清单对于大气复合污染研究具有极为重要的意义.为了降低NO_x排放清单的不确定性,基于OMI卫星观测的对流层NO₂柱浓度资料,结合WRF-CMAQ模型系统,对2014年长三角区域NO_x排放清单进行了校验,对于该清单的不确定性进行了初步评估.结果表明,基于长三角地区2014年大气污染物排放清单,利用WRF-CMAQ系统模拟所获得的区域NO₂柱浓度平均值（4.66×1015~10.58×1015 mole/cm2）与OMI卫星数据（3.49×1015~11.47×1015 mole/cm2）较为接近,并且相关性较好（平均R=0.65）,归一化平均偏差（NMB）在-7.71%~33.52%之间,平均偏差（Bias）在0.06~0.28之间,可以在一定程度上说明2014年长三角区域NO_x排放总量基本能够反映区域NO₂污染状况.对比分析了OMI卫星遥感资料与CMAQ模型模拟结果,二者NO₂柱浓度空间分布情况总体一致,然而,苏南、上海和浙北等工业较发达地区OMI卫星NO₂柱浓度低于CMAQ模型模拟值,周边经济欠发达地区OMI卫星数据高于CMAQ模型模拟值,表明空间分布仍有进一步优化的空间.利用近地面卫星观测数据与CMAQ模型模拟结果对比,可得近地层观测ρ（NO₂）高于模拟结果,说明仅仅利用地面观测数据验证模型模拟结果存在一定偏差.研究显示,NO_x排放清单模型模拟结果在总量和时间变化方面与OMI卫星资料一致,在空间分配方面存在一定偏差.      

贵州省生物质燃烧源大气污染物排放清单

为准确掌握贵州省生物质燃烧源大气污染物的排放状况,基于收集资料和实地调查结合的方式获取活动水平,引用文献和本地实测数据结合的方式选取排放系数,采用排放系数法结合GIS技术,建立了贵州省2019年3 km×3 km生物质燃烧源9种大气污染物排放清单.结果表明：(1)全省生物质燃烧源CO、 NO_x、 SO₂、 NH₃、 VOCs、 PM_2.5、 PM₁₀、 BC和OC的排放量分别为：293 505.53、 14 781.19、 4 146.11、 8 501.07、 45 025.70、 39 463.58、 41 879.31、 6 832.33和15 134.74 t.户用生物质炉具CO、 SO₂、 NH₃和BC的排放量贡献率最大,秸秆露天焚烧NO_x、 VOCs、 PM_2.5、 PM₁₀和OC的排放量贡献率最大.(2)各市(州)生物质燃烧源排放的大气污染物分布不均衡,主...     

乌鲁木齐市散煤燃烧大气污染物排放清单及时空分布特征

为研究乌鲁木齐市散煤燃烧对大气污染物的贡献情况,根据实地调研收集到的散煤燃烧活动水平数据,利用排放因子法建立2015年乌鲁木齐市散煤燃烧PM_2.5、SO₂和NO_x的排放清单,利用ArcGIS空间分析工具进行空间分布特征分析,使用蒙特卡罗方法进行不确定性分析.结果表明:2015年散煤燃烧排放PM_2.5、SO₂、NO_x分别为1.70×104、4.13×104、2.80×103 t.PM_2.5和SO₂排放的主要贡献区域为乌鲁木齐县,分别占排放总量的27.35%和26.23%,这是由于乌鲁木齐县社区居民和大棚种植耗煤量较大所致;NO_x排放的主要贡献区域为米东区,贡献率高达28.03%,这是因为米东区社区居民所用炉灶为手动炉排层燃炉灶,其排放因子较大所致.空间分布特征表明,污染物主要分布在米东区南部、沙依巴克区北部及乌鲁木齐县中部.不确定性分析表明,村庄、社区、大棚种植、商业和事业单位在95%的置信区间时不确定性分别为-69%~165%、-57%~116%、-68%~171%和-67%~165%.蒙特卡罗预测结果（平均值）高于排放清单的计算结果.研究显示,乌鲁木齐市散煤燃烧对污染物排放贡献较大,并且具有明显的季节性和区域性特征.      

华北地区典型机场清单建立及空气质量影响

基于利用AMDAR数据确定大气混合层高度进而对飞机不同工作状态下的时间进行修正的计算方法，核算了2017年华北地区6座典型机场大气污染物排放量.结果显示，6座机场NO_x、CO、VOC、SO₂与PM_2.5的排放总量分别为21504.2，7074.8，1424.0，1283.6和323.2t.飞机源NO_x、CO、VOC与SO₂的排放量远高于机场内其他污染源，而对PM_2.5的排放贡献相差较小.HC与CO的排放主要集中在滑行阶段，占比分别为90.6%与90.2%，而NO_x、SO₂与PM_2.5的排放主要集中在爬升阶段，排放占比分别为58.9%、38.7%和43.5%.6座机场1月份污染物排放量较低，在8月份达到峰值.基于本研究建立的天津滨海国际机场大气污染物排放清单，利用WRF-CAMQ模型研究机场排放对周边区域PM_2.5浓度的影响.结果表明机场区域小时最大贡献浓度为3.24μg/m³；距离机场5km处的年均贡献浓度与小时最大贡献浓度分别为0.08和2.84μg/m³.     

长春市餐饮源PM2.5和VOCS排放清单

采用自下而上的四种不同清单编制方法（以人口、就餐次数、用油量和灶头为核算基准）,评估了长春市辖区2014年不同餐饮活动（家庭餐饮、社会餐饮和食堂餐饮）的大气污染物PM_2.5和VOC_S的排放量,编制了餐饮源大气污染物PM_2.5和挥发性有机物（VOC_S）排放清单,并分析了餐饮源排放的时空分布特征.结果表明：2014年长春市辖区餐饮源PM_2.5总排放量183~770t,VOC_S总排放量9~586t;长春市辖区餐饮源PM_2.5和VOC_S的最大排放源是家庭餐饮,其贡献率分别为74%~81%和28%~78%,食堂餐饮的贡献率分别为8%~22%和3%~26%,社会餐饮的贡献率分别为2%~17%和2%~69%;排放强度空间分布表明,长春市辖区餐饮源污染物在排放区域上：朝阳区 > 南关区 > 绿园区 > 二道区 > 宽城区 > 双阳区;时间变化特征显示,日变化峰值为07：00~08：00,11：30~12：30,18：00~20：00;周变化中周三、周六和周日排放量较大;季节变化中,冬季排放强度高于其他季节,其中十二月份贡献率最大（9.98%）;不同方法计算的大气污染物排放清单中,以人口为基准的不确定性最大,VOC_S的不确定性为302%,以用油量为基准的不确定性最小,PM_2.5和VOC_S的不确定性分别为31%和61%,可以作为区域餐饮源大气污染物清单推荐方法.未来的工作将侧重于典型餐饮源本地排放因子的测定,从而有效减少排放清单的不确定性.     

四川省非道路移动源大气污染物排放清单研究

根据调查收集到的2015年四川省工程机械、农业机械、铁路机车、船舶和民航飞机的保有量、活动水平等数据,采用"排放因子法"计算了非道路移动源大气污染物排放量,分析了2015四川省非道路移动源的尾气污染排放特征,并建立了3km×3km的网格化排放清单.结果表明,2015年四川省非道路移动源排放的PM₁₀为1.38×10⁴t,PM_2.5为1.25×10⁴t,NO_x为1.83×10⁵t,THC为2.98×10⁴t,CO为1.21×10⁵t.工程机械对污染物的贡献率相对较高,占比达到70%;其次为农业机械,对NO_x和PM的贡献占比分别达到15%.工程机械和农业机械的排放主要集中在夏季和秋季,而飞机、铁路机车和船舶的时间变化较不明显;而从空间分布来看,高排放源主要分布于成都平原地区和川南地区.     

沈阳市人为源大气污染物排放清单研究

为全面评估沈阳市大气污染物排放状况，文章收集和整理了相关活动水平信息和排放因子数据并采用排放因子法建立了2016年沈阳市人为源大气污染物排放清单。结果显示：2016年沈阳市人为源CO、NO_x、SO₂、NH₃、VOCs、PM2.5、PM10、BC和OC的排放总量分别为38.64×10⁴、10.63×10⁴、3.17×10⁴、5.28×10⁴、14.03×10⁴、5.54×10⁴、10.59×10⁴、0.57×10⁴和1.82×10⁴ t。按照排放源分类，CO、NO_x和BC主要来自移动源，SO₂主要来自化石燃料固定燃烧源，NH₃主要来自农业源，VOCs主要来自工艺过程源，PM_2.5和PM₁₀主要来自扬尘源，OC主要来自其他...     

北京大兴国际机场排放及其环境影响与预测

本研究结合北京大兴国际机场(PKX)运营后一年间的实际航班飞行数据，参考国际民航组织(ICAO)最新发布的飞机发动机排放数据库(EEDB)，建立了大兴机场飞机起飞着陆循环(LTO)大气污染物排放清单，将排放清单分为试运营、新冠疫情和常态化3个阶段，利用ADMSAirport模型模拟评估了不同阶段机场排放大气污染物对周边地区的空气质量影响.最后，创新性地提出一种基于航班活动水平和气象要素的预测方法，预测了中长期规划下，机场对未来的大气环境影响.结果表明，研究期间内北京大兴国际机场LTO循环CO、NO_x、HC、SO₂和PM的排放量分别为389.55、574.37、31.21、45.22和4.85 t，其中NO_x和CO是主要排放污染物，分别占总排放污染物的54.9%和37.3%.CO和HC排放主要分布于滑行阶段，分别占该污染物总排放量的93.4%和94.1%，而NOx排放主要集中在起飞和爬升阶段，约占其排放总量的63.7%.在该机场起降所有机型中，B738排放污染物总量最高，A332/333单位LTO循环排放的PM最高.空气质...     

我国水泥工业大气污染物排放量估算

水泥工业是粉尘,SO₂和NO_x等多种大气污染物的重要排放源.根据各地水泥工业的工艺现状、活动水平、除尘器的除尘效率和污染物排放因子,估算了1995—2005年我国水泥工业生产过程中排放的粉尘,PM₁₀,PM_2.5,SO₂,NO_x,氟化物和CO等的排放量,并给出了2005年分省区、分工艺的排放清单.结果表明,污染物排放量与水泥活动水平呈正相关.1995年以来,随着水泥产量增加,污染物排放量增长迅速,2005年我国水泥工业排放排放粉尘520.69×104 t,PM₁₀437.24×104 t,PM_2.5301.06×104 t,SO₂ 86.09×104 t,NO_x286.67×104 t,氟化物57.72×104t,CO1 987.97×104 t;山东、浙江、江苏、河北和广东等水泥生产大省污染物排放量较大,污染物排放总量占全国总排放量的46.6%,新型干法的推广应用有助于大气污染物的减排.      

Uncertainties in the Norwegian emission inventories of acidifying pollutants and volatile organic compounds

The uncertainties in the Norwegian emission inventory data for SO₂, NO_x, NH₃ and non-methane volatile organic compound (NMVOC) have been estimated based on expert judgements of uncertainties in input data and stochastic simulations. The SO₂ inventory is uncertain by about 4%, the NO_x inventory by about 12% and the NMVOC and NH₃ inventories by about 20%. Several possible systematic errors were identified; the SO₂ inventory is most likely overestimated, while the NH₃ and NMVOC inventories can be underestimated. Domestic shipping (for SO₂ and NO_x), crude oil loading (for NMVOC) and manure (for NH₃) are the sources that are most important for the overall uncertainty. These findings indicate that the inventory methodologies can be improved, leading to changes in the whole time series (recalculations). The robustness of emission obligations formulated as emission ceilings and percentage reductions have been compared with respect to uncertainties in input data. The formulation of obligations as emission ceilings is not very robust for any methodological improvements influencing the end year estimates. Relatively, small changes in the emission estimates can mean that obligations apparently are met without measures or that obligations hardly can be met at all. Obligations formulated as percentage reductions are on the other hand more robust, except when recalculations unequally affect the base and end year.     

基于在线监测的江苏省大型固定燃煤源排放清单及其时空分布特征

大气污染物排放清单是了解各地区大气污染物排放及其时空分布,精确模拟该地区环境空气质量的最基础资料.现有大气污染物排放清单的粗时空分辨率,极大地限制了空气质量数值预报的准确性.本研究以江苏省大型固定燃煤源为例,以2012年为基准年,收集江苏省电力企业在线监控系统数据及江苏省大气核查核算表数据,结合相关文献的排放因子,分析了江苏省大型固定燃煤源主要污染物的总排放量和月变化特征.分析结果表明:1 SO2、NOx、TSP、PM10、PM2.5、CO、EC、OC、NMVOC、NH3等大气污染物的排放总量分别达到106.0、278.3、40.9、32.7、21.7、582.0、3.6、2.5、17.3、2.2 kt.2呈现2~3、7~8、12月排放量高,9~10月排放量低的月变化特征,可能原因是2~3月处于春节阶段,为保证节日供应,在此期间居民取暖、用电等都有可能增加;7~8月高温天气用电量增加,12月北方城市冬季燃煤取暖导致的煤炭消耗量增加.另外,由于部分污染物排放因子取自国内外相关文献,是本研究清单不确定性的主要因素.今后的工作可以在排放因子实测更新以及将排放清单纳入空气质量预报模式等方面进行更为深入的研究.     

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%.     

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.     

成都市非道路施工机械排放清单研究

随着大气污染控制形势的日益严峻,非道路移动源排放日益受到关注.本研究通过软件调研获得了成都市非道路施工机械保有量、功率分布,通过现场及文献调研获得了非道路施工机械活动水平数据.参照《非道路移动污染源排放清单编制技术指南(试行)》中的方法,计算了成都市2018年非道路施工机械排放清单.结果表明,2018年成都市非道路施工机械PM、HC、NO_x和CO的排放量分别为845、2898、16738、11231 t.按机械类型划分,挖掘机4项污染物排放占比最高,PM、HC、NO_x和CO分别占59%、61%、59%和62%;按排放阶段划分,国2机械4项污染物排放占比最高,PM、HC、NO_x和CO分别占55%、66%、68%和65%.排放清单结果的不确定性受到多种因素的影响,其中影响最大的为排放因子.     

2013年1月华北地区重霾污染过程SO2和NOx的CMAQ源同化模拟研究

以2006年中国地区的INTEX-B排放清单为基础,采用CMAQ模式污染源同化方法,反演更新了2013年1月重霾污染过程华北地区的SO₂和NO_x排放源;应用WRF-CMAQ模式以及2006年INTEX-B初始排放源和2013年1月改进的排放源,分别模拟了1月9-15日和28-31日两次持续重霾污染过程的SO₂和NO₂浓度,并与华北地区47个环境监测站点实测值进行对比,重点分析了基于初始源和同化反演源的模拟效果及其改进原因;本文亦采用2012年清华大学编制的东亚地区MEIC排放清单评估了SO₂和NO_x同化反演源的合理性.分析结果表明:①CMAQ模式污染源同化方法可适用于重霾污染过程,即采用同化反演源模拟的SO₂、NO₂浓度时空变化特征与实测值较一致,而且可反映SO₂、NO_x排放源强的动态变化特征;②基于同化反演源的SO₂、NO₂浓度模拟效果明显优于2006年INTEX-B排放源,其时间变化趋势与实测值较一致,而且可模拟重霾污染过程SO₂、NO₂浓度的峰值;③采用反演源模拟的SO₂、NO₂浓度空间区分布特征与实测值较一致,而且可较好反映重污染区的极值分布特征;④经污染源同化改进后SO₂、NO₂模拟浓度与实测值的相关系数有所提高,误差明显减小;SO₂的改进效果略优于NO₂,这与污染源对两种污染物浓度的影响差异有关;⑤初始源中SO₂、NO_x排放源的空间分布和强度与2012年清华大学编制的排放源强差异较大,而同化反演源的空间分布和强度均接近于上述2012年排放源,较好反映出重点地区的高污染源分布特征.本文研究结果将为改进重霾污染过程的空气质量预报、减小自下而上建立的排放源清单不确定性、评估SO₂、NO_x等排放源的影响效应以及不同气象条件下区域排放源的动态调控等提供新技术途径和研究思路.     

兰-白城市群主要大气污染物网格化排放清单及来源贡献

甘肃兰-白城市群为我国西北地区重要的重工业基地,大气污染物排放总量较大.研究高空间分辨率的污染物排放清单对于区域空气质量预报预警、减排方案模拟研究及大气污染防治等具有重要的科学意义.本文以兰州和白银为主要研究区域,基于研究区域污染源排放及统计年鉴等数据资料,建立了兰（2015年）-白（2016年）城市群7种（类）主要大气污染物网格化排放清单,并对其空间排放特征以及排放源贡献进行了详尽地讨论分析.结果表明,兰-白城市群7种主要污染物年排放量分别为：NO_x 2.22×10⁵ t、NH₃ 4.53×10⁴ t、VOCs 7.74×10⁴ t、CO 5.62×10⁵ t、PM₁₀ 4.95×10⁵ t、PM_2.5 1.91×10⁵ t和SO₂ 1.37×10⁵ t.其中CO的排放量最大,NH₃的排放量最小.本清单与北大和清华MEIC清单对比结果表明,交通源排放3个清单一致性较高,CO排放总量和其工业源排放与北大和清华MEIC清单排放源相差30%~40%,推测原因主要为清单计算过程中排放因子、分辨率和数据年份的差异.本清单网格化空间分布显示除NH₃外的其他6种（类）污染物,排放主要集中在市区,排放源中工业非燃烧过程源均为最大贡献占比,NH₃的主要贡献源是氮肥的施用及禽畜排放,其污染分布受耕地分布等因素影响较大.因此,减少工业非燃烧过程源、整合优质高效电力供应、使用清洁能源、严格控制工地扬尘、工业粉尘和做好城区绿化等,能有效地降低兰-白城市群NO_x、VOCs、CO、PM₁₀、PM_2.5和SO₂这6种（类）主要污染物的排放.NH₃的减排则主要可从控制氮肥的使用及减少禽畜排放两方面考虑.本研究还利用蒙特卡洛法分析了排放清单的不确定性,NH₃的不确定性最大为-31%~30%,CO的不确定性最小为-18%~16%,清单整体可信度较高.     

四川省大气固定污染源排放清单及特征

根据收集到的四川省电厂、工业及民用部门的活动水平数据,采用合理的估算方法和排放因子,建立了四川省2010年大气固定污染源排放清单.结果表明:12010年四川省固定源共排放SO₂ 84.1万t、NO_x 44.9万t、CO 318.8万t、PM₁₀ 44.1万t、PM_2.5 25.5万t、VOC 17.9万t;2电厂和工业过程是固定源排放的主要贡献源;3燃煤是固定燃烧排放的主要贡献源,煤矸石、焦炭、天然气对污染物的贡献也不容忽视,水泥、钢铁、轻工业制造是本地区主要的工业过程排放源;4宜宾、成都及攀枝花是固定源污染物的主要贡献城市,约占四川省总排放量的20%~40%;5电厂、能源工业燃烧清单的不确定性主要来自排放因子,而工业过程涉及排放源种类繁多且复杂,排放测试研究较少,不确定性较高.     

兰州市高分辨率人为源排放清单建立及在WRF-Chem中应用评估

城市尺度高分辨率人为源大气污染物排放清单是城市空气质量预报预警、污染成因分析和减排措施制定的重要基础数据,目前我国西部地区城市尺度的人为源排放清单研究仍然相对薄弱,能对接于空气质量模式的排放清单更为缺乏.本文整合已发表的清单文献,建立了可对接于空气质量模式的2016年兰州市城市尺度的人为源清单模型（HEI-LZ16）,将之应用于WRF-Chem模式,评估HEI-LZ16的准确性和适用性.结果表明：兰州市2016年人为源排放的SO₂、NO_x、CO、NH₃、VOCs、PM₁₀、PM_2.5、BC和OC总量分别为25642、53998、319003、10475、35289、49250、19822、2476和1482 t·a^-1.在模拟时间内,HEI-LZ16相比于MEIC,O₃和PM_2.5的NME值分别减小了140.2%和28.8%,HEI-LZ16更加准确适用.分析了HEI-LZ16情景下模拟的PM_2.5和O₃时空分布,兰州市臭氧MDA8呈现冬春季城区低而郊区高,夏秋季河谷城区西部及其下风向地区高的分布特征,夏秋季高浓度区的分布受偏东风和光化学反应的共同影响,冬季城区O₃浓度受NO_x排放的抑制作用浓度反而降低.PM_2.5浓度的高值区主要集中在黄河河谷盆地,本研究表明沿白银—兰州黄河河谷盆地走向的西侧存在一个污染物传输通道,其对兰州市环境空气质量具有较大的影响.     

民航飞机起飞过程气态污染物排放特征分析

民航飞机在起飞过程中发动机推力高、耗油量大,并且飞行高度低,由其排放的污染物对局地空气质量和人体健康存在较大影响.选择B737-800作为典型机型,通过对飞机性能参数的模拟,精确计算了其在全推力和减推力等多种方式下起飞离场爬升至1 000 m高度过程中NO_x、CO、HC和SO_2的排放量,并与ICAO基准模型估算结果进行对比.结果表明,NO_x是排放量最大的污染物.其中,全推力起飞过程4种污染物的排放量分别为4.849、0.062、0.031和0.229 kg.减推力起飞方式下,选择更高的灵活温度后,NO_x和CO排放量分别降低和升高,HC和SO2排放量变化不大.经过对比发现,ICAO的基准排放模型,对4种污染物的估算结果存在较大偏差.与机动车相比,单次全推力起飞过程与一辆小客车行驶9 508 km的NO_x排放量相当.精确计算方法为准确估算机场区域飞机污染排放清单提供基础.