重庆市典型道路机动车排放NO2污染特征

为研究城市道路机动车排放NO₂浓度的变化,选取重庆市大渡口区4条道路进行1周的自动在线监测,结合道路RFID基站的车流量及车型信息,分析NO₂浓度与车流变化特征及其相关性。结果表明：4条道路NO₂日均浓度为29～57μg/m³,均低于GB 3095—2012《环境空气质量标准》二级标准限值;NO₂小时浓度变化趋势为20:00左右峰值浓度明显高于08:00峰值浓度,最小值出现在14:00左右。4条道路车流量呈明显的早晚高峰趋势,周末的车流量比工作日平均车流量下降20%～40%,出现比例较高的车型为小型客车、出租车、公交车、轻型货车。NO₂小时浓度变化与车流量变化规律基本一致,均呈现较为明显的早晚高峰趋势,但晚高峰时段NO₂峰值浓度的出现稍微滞后于车流量峰值的出现。     

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

通过2014年RFID实时数据得到南京市主干道和次干道车流量、车速、车队构成等交通信息,基于COPERT模型获取排放因子数据,利用高时空分辨率机动车排放(HTSVE)清单系统计算道路机动车排放量.运用非参数检验和道路聚类分析,结合Arc GIS技术,分析南京市主次干道机动车排放特征.结果表明,2014年南京市主次干道机动车以小型客车为主,比例均达80%,国Ⅲ和国Ⅳ车量总数超过90%,其中以国Ⅲ车排放贡献率最大.特殊时段(低谷时段、平峰时段、高峰时段)机动车日均排放量受道路类型和周末效应共同影响,南京市主次干道以排放分担率变化规律可分为5类,同类道路具有相似的变化特征且受空间地理位置影响.基于聚类结果,对不同类型道路的小时排放特征进行分析,以期为交通环境管理提供技术手段和决策依据.     

基于车辆身份检测数据的车辆出行排放知识图谱研究

为实现个体车辆出行、排放行为的精细表征与挖掘,基于宣城市中心城区全量个体车辆的出行轨迹、技术参数、排放轨迹等多维交通大数据,以表征个体车辆出行过程的排放信息为主线,设计并构建车辆出行排放知识图谱.研究表明：①知识图谱直观地表征了“车辆-道路-出行-排放”信息的时空关联,可实现个体车辆在不同日期、不同时段、不同路段等多尺度出行特征的精细挖掘.以某辆小型客车为例,检索发现周一、周三出行主要连接的小时实体都为7：00、8：00和17：00,周五、非工作日出行连接的小时实体具有明显的随机性;周一、周三出行所连接的道路实体较少且基本一致,在宣水路、昭亭北路、昭亭南路的出行里程之和占比为63%~68%,周五、非工作日出行连接的道路实体则较为分散.②通过出行信息类、排放信息类实体的关联检索,可实现个体车辆出行排放时空特征的精细辨识和溯源分析.示例车辆的检索结果表明：周一车辆的CO日排放量为1.2g,是周六的2.5倍,同时在早高峰时段（7：00）,车辆出行在交通繁忙路段时,伴随低水平车速,排放强度相对较高.     

基于车速-流量模型的动态化道路扬尘清单编制方法与应用

目前国内外关于道路扬尘排放的计算多采用美国环境保护局推荐的AP-42排放因子法,直接计算道路扬尘的年均排放总量,但其动态化程度不足,难以满足日益增长的精细化管理需求. 本研究采用车速-流量模型构建高时间分辨率的道路车流量获取方法. 以天津市为例,采用自下而上的方法,结合本地化的排放因子以及天津市采取的道路扬尘控制措施,借助GIS平台编制高时空分辨率的道路扬尘排放清单,精细反映天津市道路扬尘排放的时空分布特征. 结果表明:①时间尺度上,受早晚高峰的影响,城市道路在08:00—09:00与18:00—19:00扬尘排放强度较大,13:00—14:00是白天扬尘排放强度的低值时段. ②空间尺度上,夜间(03:00—04:00)道路扬尘排放强度的高值区域集中在高速路段,白天扬尘排放强度的低值时段(13:00—14:00)集中在城市道路中支路密集的地区,道路扬尘排放强度高峰时期(18:00—19:00)集中在各类型的城市道路. 全年道路扬尘排放高值区域集中在城市支路和郊区道路. ③天津市内六区全年道路扬尘PM_2.5、PM₁₀、TSP排放量分别为603、2 492和12 986 t,相较以往研究有所下降. 从区域看,道路扬尘排放总量呈偏远郊区>环城四区>市内六区的规律. 城市道路采取的洒水措施明显降低了道路扬尘排放总量. 研究显示,受交通扰动影响,道路扬尘排放呈现明显的时空分布差异.      

唐山市柴油货车活动水平研究

利用2043台柴油货车的车载诊断系统监测数据和3套道路遥感监测数据分析唐山市柴油货车活动水平特征,并评估春节和不同管控措施对市内柴油货车活动水平的影响.结果表明:唐山市轻、中和重型柴油货车日均启动4.7、4.3和10.8次·d^-1,年均行驶里程分别为(5.2±3.6)×10⁴、(6.3±4.2)×10⁴和(8.9±4.5)×10⁴ km·a^-1,百公里油耗分别为(14.9±2.7)、(16.5±1.8)和(57.3±24.2) L·100 km^-1.柴油货车主要在唐山市内的非中心区域行驶.春节期间监测车辆在唐山市的行驶里程明显下降,遥感监测本地柴油货车流量下降82.0%.重污染预警期间,非中心区域重型柴油货车的管控措施效果较好,中心城区柴油货车日均行驶里程和行驶车辆数,以及港区柴油货车流量均出现不降反升,建议完善重污染期间中心城区的柴油货车管控措施,以及适度加强港区柴油货车管控.     

基于GPS数据的重型柴油货车排放时空特征分析

汽车污染已成为中国空气污染的重要来源，而重型柴油货车是汽车大气污染排放的主要贡献者。为揭示重型柴油货车的排放特征，基于高原地区云南省昆明市重型柴油货车GPS点数据，用Python语言提取重型柴油货车在各点轨迹段的平均速度、行驶里程等参数，采用机动车排放模型MOVES,模拟计算研究区域内HC、CO、NO_x、PM_2.5污染物排放量，并通过ArcGIS进一步分析其时空分布特征。结果表明：2021年1月3日昆明市研究区域内重型柴油货车HC、CO、NO_x、PM_2.5的排放量分别为11.7423,39.6386,102.2600,0.9192 kg;时间维度，重型柴油货车在2:00和22:00有明显的排放高峰，受路权及运输行业工作时间的影响；空间维度，排放的分布格局呈明显的空间异质性，受政策驱动的影响且与空间位置的布置密切相关，排放主要分布在汕昆高速、昆石高速及支路、立交交叉口处；区域内重型柴油货车小时平均速度、交通量与其小时排放量有密切关系。因此，可以针对重型柴油货车排放较高的时段和地区，采取必要的治理手段，...     

南京市交通流与NO2、CO时空分布特征关系研究

基于南京RFID基站2014年数据,获取南京市主城区范围内多条道路车流量、车速、车队构成信息,结合南京市国控空气质量监测站点NO_2、CO浓度数据,从时间、空间两个维度对交通流特征及污染物浓度趋势进行分析,并对其相关性进行讨论.结果表明,南京市2014年交通第一季度最通畅,第四季度车速最低;2月车流量最低,12月最高,且12月是周末流量最高的月份;工作日早晚高峰车流量与车速变化趋势明显,节假日平缓;夜间大型车辆占近25%.NO_2与CO浓度在2月下降明显,在10—12月攀升到较高水平,与交通流变化趋势同步;净浓度日变化趋势呈双峰,与车流量变化相关性系数在0.57~0.82之间;空间关系上,路网密集、交通拥堵区域污染物浓度明显高于其他区域,表明南京市交通流与气态污染物NO_2、CO变化趋势有高度时空关联.     

北京市2017年典型日机动车动态排放特征研究

为深入了解北京市路网机动车排放特征,采用自主开发的基于交通流的机动车动态排放模型,耦合北京市2017年交通流观测数据,测算了北京市机动车在工作日、非工作日、节假日、重污染日和重大活动日5种典型日工况下,主要路网上1 h时间分辨率、1 km×1 km空间分辨率下的时空分布特征.结果表明:①北京市二环路及以内区域和二三环之间(包括三环路)机动车排放强度较高,分别达到0.050和0.043 t/(km2·d).②北京市机动车NO_x排放分布规律性较强,主要分布在东南六环路方向及其联络线,以及东北、西北六环路方向及其联络线上,NO_x排放高峰值在05:00出现.③北京市机动车CO排放主要集中在城区五环路及以内区域,CO排放高峰值在18:00出现,五环路及以内区域及其联络线附近均为CO高排放区.④北京市5种典型日中,非工作日机动车排放量最大.研究显示,五环路及以内区域机动车污染控制应以轻型车为主,六环路及以外区域应以重型柴油车为主.      

我国重型柴油货车黑碳排放影响因素分析

柴油车的黑碳排放对空气质量和气候变化有重要影响,但我国柴油车黑碳排放清单编制仍有较大局限性. 为进一步提高柴油车黑碳排放清单编制精度,采用整车转毂台架和热光折射的方法研究不同排放标准、行驶工况和负载状况对重型柴油货车黑碳排放的影响. 结果表明:我国排放标准升级对重型柴油货车的黑碳排放有重要影响,从国Ⅰ、国Ⅱ排放标准升级到国Ⅲ、国Ⅳ和国Ⅴ排放标准,黑碳在颗粒物中的占比由41%左右逐步提至72%左右. 行驶工况对重型柴油货车的黑碳排放也有一定影响,车辆在C-WTVC (中国重型商用车燃料消耗量测试工况)下的黑碳排放占比较VECC (重型车典型道路行驶工况)下高5%~10%. 与半载状态相比,重型柴油货车在满载状态下黑碳排放占比更高,国Ⅲ、国Ⅳ重型柴油货车满载状态下黑碳排放占比较半载状态高7%~8%,国Ⅱ重型柴油货车满载状态下黑碳排放占比较半载状态高15%左右. 研究显示,柴油货车黑碳排放清单编制要综合考虑排放标准、驾驶特征、负荷状况等对黑碳排放的影响,不宜使用固定系数利用颗粒物排放因子外推黑碳排放因子.      

基于实际道路交通流信息的北京市机动车排放特征

通过模型模拟和调查统计方法获取了北京路网的车流量、车型构成和车速基础数据.基于具有时空分布特征的实际道路交通流信息和排放因子,以Arc GIS为平台构建了北京市机动车尾气排放清单,并分析实际道路排放特征及污染物排放的空间分布特征.结果表明,北京市城区各类型道路上小客车比例均在89%以上,郊区道路也为小客车比例最高,但小货车、中货车、大货车、大客车、拖拉机和摩托车均占一定比例.污染物排放强度与车流量呈正相关性,污染物排放强度总体上呈现白天高夜间底的趋势,但是郊区道路PM排放昼夜变化趋势不明显,高速路的PM排放强度夜间大于白天.污染物排放的空间分布为城区、南部、东南以及东北部接近城区的区域排放强度较高,西部山区及北部山区由于路网密度较小排放强度较低,城区环路和郊区高速公路附近由于车流量大,排放强度较高.     

Variation of spatio-temporal distribution of on-road vehicle emissions based on real-time RFID data

High-resolution vehicular emissions inventories are important for managing vehicular pollution and improving urban air quality. This study developed a vehicular emission inventory with high spatio-temporal resolution in the main urban area of Chongqing, based on real-time traffic data from 820 RFID detectors covering 454 roads, and the differences in spatio-temporal emission characteristics between inner and outer districts were analysed. The result showed that the daily vehicular emission intensities of CO, hydrocarbons, PM_2.5, PM₁₀, and NOx were 30.24, 3.83, 0.18, 0.20, and 8.65 kg/km per day, respectively, in the study area during 2018. The pollutants emission intensities in inner district were higher than those in outer district. Light passenger cars (LPCs) were the main contributors of all-day CO emissions in the inner and outer districts, from which the contributors of NOx emissions were different. Diesel and natural gas buses were major contributors of daytime NOx emissions in inner districts, accounting for 40.40%, but buses and heavy duty trucks (HDTs) were major contributors in outer districts. At nighttime, due to the lifting of truck restrictions and suspension of buses, HDTs become the main NOx contributor in both inner and outer districts, and its three NOx emission peak hours were found, which are different to the peak hours of total NOx emission by all vehicles. Unlike most other cities, bridges and connecting channels are always emission hotspots due to long-time traffic congestion. This knowledge will help fully understand vehicular emissions characteristics and is useful for policymakers to design precise prevention and control measures.     

区县尺度机动车高分辨率排放清单建立方法及应用

提出了一种基于现场调查和卫片解译建立区县尺度机动车行驶里程(VKT)数据库和尾气排放高分辨率排放清单的方法,以北京市通州区为例进行了应用和排放特征分析.分别使用登记注册车辆信息(保有量方法)和实际车流量信息(车流量方法)计算出VKT和对应的各污染物排放量.结果表明,基于保有量方法计算得到的行驶里程比基于车流量方法的结果低约37%,应用实际车流量的计算方法与实际状况更接近.基于保有量的方法低估了小型载客汽车、大型载客汽车和中型载货汽车的行驶里程,高估了轻型载货汽车、重型载货汽车、低速载货汽车和摩托车的行驶里程.基于保有量的计算方法低估了小客车的尾气污染物排放量,低估比例约为51%.对于大客车、轻型载货汽车和中型载货汽车,2种方法计算的排放量差别较小.基于保有量的计算方法高估了重型载货汽车、低速载货汽车和摩托车的排放量的尾气排放量,高估比例分别约为41%、30%、30%.     

天津市道路车流量特征分析

车流量是移动源和道路扬尘排放清单计算的一个重要参数,直接影响排放清单的不确定性.为了解天津市道路车流量特征,通过人工摄录法获取天津市一年四季5种不同类型共9条道路的车流量及车型分布信息,并对其特征进行分析.结果表明:天津市不同类型道路之间车流量总体上呈快速路（8 790辆/h）>主干道（4 077辆/h）>外环线（3 335辆/h）>次干道（2 461辆/h）>支路（1 507辆/h）的特征;冬季车流量最大,而春、夏两季相对较小.各类型道路车流量占比最大的车型均为轻型车（76.88%~90.71%）,中型车（5.31%~11.80%）次之,重型车（3.20%~11.31%）最少;快速路和外环线工作日的车流量大于非工作日,并且差异具有统计学意义,呈"周末效应".研究显示:次干道和支路车流量与主干道车流量呈线性相关,在后续进行道路扬尘和移动源清单编制时,可以考虑通过将主干道车流量与次干道、支路拟合的方式减小工作量;此外,主干道、次干道和支路的早高峰,上、下午平峰,中午和晚高峰的车流量差异不大,可将一天划分为白天、夜晚和凌晨3个时段进行统计,从而节约时间和成本.      

An estimation of vehicle kilometer traveled and on-road emissions using the traffic volume and travel speed on road links in Incheon City

The objective of this study is to estimate the vehicle kilometer traveled (VKT) and on-road emissions using the traffic volume in urban. We estimated two VKT; one is based on registered vehicles and the other is based on traffic volumes. VKT for registered vehicles was 2.11 times greater than that of the applied traffic volumes because each VKT estimation method is different. Therefore, we had to define the inner VKT is moved VKT inner in urban to compare two values. Also, we focused on freight modes because these are discharged much air pollutant emissions. From analysis results, we found middle and large trucks registered in other regions traveled to target city in order to carry freight, target city has included many industrial and logistics areas. Freight is transferred through the harbors, large logistics centers, or via locations before being moved to the final destination. During this process, most freight is moved by middle and large trucks, and trailers rather than small trucks for freight import and export. Therefore, these trucks from other areas are inflow more than registered vehicles. Most emissions from diesel trucks had been overestimated in comparison to VKT from applied traffic volumes in target city. From these findings, VKT is essential based on traffic volume and travel speed on road links in order to estimate accurately the emissions of diesel trucks in target city. Our findings support the estimation of the effect of on-road emissions on urban air quality in Korea.     

高里程出租车的排放控制措施

出租车排放是城市大气污染的重要来源,对高排放出租车加严管理是改善空气质量的有效手段之一.在北京市选取6辆有代表性的高里程汽油出租车,较全面地评估了维护保养、更换三元催化器对出租车油耗和排放的影响,以及三元催化器在更换后的老化情况.研究表明:常规的维护保养可显著改善车辆的燃油经济性,保养后车辆的100 km油耗比原车降低了2%～4%,但对THC和NOx排放的影响很小.原车排放越高,更换三元催化器的减排效果越显著,且更换第一级三元催化器(前三元催化器)和同时更换第一、二级三元催化器(前、后三元催化器)的减排效果差别较小.更换三元催化器后行驶里程约18.5×104 km时,有4辆出租车对CO、THC和NOx的减排比例仍保持在45%、26%和29%的平均水平,说明更换三元催化器后,在约20×104km的行驶里程内对气态污染物能保持较好的减排效果.      

基于交通流的成都市高分辨率机动车排放清单建立

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、NO_x、CO、PM₁₀、PM_2.5、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; NO_x、PM₁₀、PM_2.5、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NO_x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...     

中国道路交通二氧化碳排放达峰路径研究

为研究我国道路交通行业CO₂排放未来控制路径,结合未来经济社会和货物运输发展状况、运输结构、能源结构和能效结构变化,采用行驶里程法分析了我国道路交通CO₂排放现状、未来变化趋势及主要驱动因素. 结果表明:①采用行驶里程法计算道路交通行业CO₂排放量相对合理,2019年全国汽车CO₂排放量为9.52×108 t,比油耗法所得结果高20%左右,二者存在差异的主要原因为交通油耗统计数据偏低. ②从车型看,重型货车和小型客车是汽车CO₂排放的主要来源,分别占39.7%、38.2%;从燃料种类看,汽油、柴油、其他燃料(天然气、醇类燃料等)CO₂排放量分别占42.8%、52.5%、4.7%. ③道路交通CO₂排放预计于“十五五”末达峰,峰值在12.2×108～13.9×108 t之间,达峰后有2～3年的平台期. ④推广新能源车是道路交通CO₂排放控制的主要驱动因素,其次为能效提升,运输结构调整在前期有一定的贡献,2025年上述措施对道路交通CO₂减排量占比分别为56%、34%和10%左右,2030年分别为55%、40%和5%左右. 研究显示,加大新能源汽车推广力度,持续降低新生产燃油车碳排放强度,推进运输结构调整,可有效降低道路交通CO₂排放.