2017, Vol. 37
[PDF全文]
近年来区域空气污染已经成为中国多数城市面临的严峻问题.很多颗粒物源解析的研究指出, 餐饮烹饪过程中产生的大气污染物是室外空气污染的主要来源之一.Cabada等(2002)发现商业餐饮的排放导致在美国部分地区的细颗粒浓度远远超出EPA的要求.同时, 餐饮活动中产生的一些挥发性有机物(如醛酮类, 苯系物等), 也是城市光化学烟雾形成过程中重要的臭氧前驱物, 光化学活性高.污染物空间分布是化学传输模型的基本输入元素(Min et al., 2011).因此, 对餐饮源污染物空间分布及排放特征的研究是非常有必要的.
常规的污染物排放清单研究需要进行活动水平数据的调查收集和排放因子的获取, 在获取之后进行排放总量核算和排放时空分配.在以前的研究中, 通常按照人口密度对餐饮源污染物进行的空间分配和排放空间分布特征研究.人口密度分布数据是空间分配中人为排放源最常见的空间特征表征数据, 其分配方法是在缺乏点源详细统计信息的情况下将认为排放源作为面源进行分配的方式.在缺乏其他更为合理的空间特征表征数据时, 人口密度分布数据大概能体现排放源的空间分布特征.但在以前的研究中表明, 分配结果可能出现高值偏移现象, 有较大不确定性(郑君瑜, 2014).
分配方法的过于单一也会造成分配结果与实际大气污染物分布存在一定差异(毛红梅等, 2017).为了修正这样的高值偏移现象和与实际分布的差异, 本文提出采用互联网大数据的新的分配方法, 获取就餐位置的空间信息作为更加合理的空间特征表征数据.并与人口密度分布数据结合使用, 使分配结果更贴合实际.
互联网已经成为现代信息化社会进行沟通、交往的重要手段, 一些互联网平台正越来越全面地反映着大众的生活方式、活动特征.这些互联网平台数据可以了解现实世界环境的动态变化(Aslam et al., 2014), 支撑社会活动的实时更新和人类活动的信息收集(Sasahara et al., 2013).互联网数据已经成为了反映社会活动的新兴数据源.
目前, 有很多研究都应用了互联网数据去研究各种现实世界的问题.例如, 互联网大数据分析可以用来预测流感.不仅谷歌公司使用搜索数据来预测流感(Ginsberg et al., 2008), 推特上被过滤的流感信息也被证实与多个城市的流感发生有强相关(Nagel et al., 2013).而微博上的关键词信息被用来与中国环保部发布的每日AQI做对比.在过滤掉无效信息之后, 这个研究证明了微博数据与城市空气质量AQI数据高度相关(Jiang et al., 2015).
本文的目的如下：①根据本地化排放因子更新成都市餐饮源细颗粒物排放总量；②提出互联网大数据在源清单空间分配中的使用方法；③用互联网数据结合人口密度分配方法的进行分配, 弥补分配方法过于单一的问题；④依据互联网大数据建立成都市餐饮业高空间分辨排放清单；⑤探索成都市2013年餐饮源排放空间特征.
2 数据和方法(Data and methods) 2.1 研究区域高斯投影下成都地区排放源清单的研究区域为102.56°E~104.57°E, 30.13°N~31.28°N.研究区域被分为12521个1 km×1 km空间分辨率的网格, 覆盖了成都地区19个区县, 分别为主城区的成华区、金牛区、锦江区、青羊区和武侯区, 二圈层的龙泉驿区、郫县、青白江区、双流县、温江区和新都区, 三圈层的崇州市、大邑县、都江堰市、金堂县、彭州市、蒲江县、邛崃市和新津县.
2.2 数据分类餐饮单位的烹饪方式、温度、翻炒强度等因素均会影响污染物的排放(Zhao et al., 2007).因此在餐饮排放总量计算中, 将餐饮细分为社会餐饮、家庭餐饮和食堂餐饮3类, 进行分别计算, 排放总量为三者之和.本文的空间分配数据采用了互联网电子地图上的POI数据和人口密度数据.POI指的是电子地图上的兴趣点或信息点, 每个POI包含了其名称、类别、经纬度及相关信息.在高德开放平台中, POI分为20大类, 每个大类有二级和三级的划分.本次使用的POI数据为餐饮服务POI数据、商务住宅POI数据和科教文化POI数据3大类, 分别对应社会餐饮、家庭餐饮和食堂餐饮的分布.人口密度数据用作部分家庭餐饮排放的空间分配.
2.3 排放总量计算方法 2.3.1 餐饮业废气排放源清单的估算方法餐饮源清单中的污染物主要是指烹饪过程产生的油烟.餐饮源污染物的排放量与多个因素相关联, 如烹饪方法、食物用料、烹饪工具等.本文中餐饮业废气排放源清单估算使用的是排放因子法, 这同样是国内外研究餐饮源清单估算的主要方法.不同烹饪工具烹制不同食物时均有相应的排放因子, 不同的研究采取了不同的排放因子核算基准.中国的《国家大气污染物排放源清单编制工作手册》(中华人民共和国环境保护部, 2015)中使用灶头数为核算基准.根据目前国内外对餐饮排放因子的研究情况和成都市的餐饮现状, 本文中餐饮分为社会餐饮、家庭餐饮、食堂餐饮3大类, 其中社会餐饮为重点调查研究对象, 细分为川菜馆(正餐)、其他中餐(正餐)、火锅、快餐、烧烤.
在i类餐饮j烹饪方式下, 排放量的计算公式如式(1)所示.
|
(1) |
式中, Eij为i类餐饮j烹饪方式下的排放量；Aij为i类餐饮j烹饪方式下的活动水平数据(如食材用量等)；EFij为对应的排放因子.
在本文中, 活动水平数据选取就餐人数, 数据来自于问卷调查, 人均排放因子来自于现场实测, 其中社会餐饮排放因子与文献(尹元畅等, 2015)相同.另外, 根据成都市环境监察支队对成都市各区县餐饮单位油烟净化设施的抽样调查情况, 发现主城区有6.5%的餐饮单位未安装油烟净化设施, 二圈层有17.2%的餐饮单位未安装油烟净化设施, 三圈层有8.2%的餐饮单位未安装油烟净化设施.考虑到实地调查过程中了解到的成都市周边地区餐饮活动中使用植物油种类、餐饮油烟净化设施安装情况、及监察支队抽样调查的代表性等多种因素, 加入校正因子作为补充.
2.3.2 参数选取活动水平数据:活动水平数据选取了就餐人次作为依据.与餐饮类型相对应, 就餐次数也被分为3类进行计算.社会餐饮就餐人次数据源自于餐饮业产值和人均消费.其中, 餐饮业总产值来自于成都2013年统计年鉴和统计公报, 人均消费情况来源于实地调查统计数据.
家庭餐饮就餐次数由家庭户籍人口、在校学生人数和外出就餐次数决定.家庭户籍人口数据和在校学生人数来自于成都2013年统计年鉴和统计公报, 外出就餐次数来自于实地调查统计均值.
食堂就餐人数指的是学校就餐人数, 数据来自于成都2013年统计年鉴和统计公报.
排放因子与校正系数：排放因子是餐饮业大气污染源排放清单建立的关键.See等(2016b)研究了新加坡家庭厨房及中餐的细颗粒物排放因子, Buonanno等研究了食材、油品及烹饪方式对颗粒物排放因子的影响(Buonanno et al., 2009).在以往的研究中, 少有针对成都本地餐饮排放因子的研究.成都是一个餐饮类型多样的城市, 排放因子的偏差会直接导致总排放量计算的偏差.因此, 在本文中, 采用了成都本地的餐饮源排放因子.
通过对社会餐饮、食堂餐饮的实测, 得到成都地区2013年源清单更新PM2.5排放因子, 社会餐饮0.80 g·人-1·次-1, 食堂餐饮0.11 g·人-1·次-1.根据王秀艳等(2012)对餐饮的调查, 估算得到家庭餐饮PM2.5排放因子为0.25 g·人-1·次-1.本次排放因子更新选取了10家不同火锅、食堂、烧烤和中餐, 选用膜采样的方法.采样膜为Whatman公司PTFE(也称Teflon)膜(46.2 mm)和石英膜(47 mm), 采样仪器为PM2.5四通道采样器(青岛众瑞智能仪器有限公司(流量16.7 L·min-1)).排放因子更新将另文介绍.
在实地调查过程中, 本文按照圈层为区县排放量计算选取了不同校正因子.成都市三圈层校正系数取主城区的2倍, 二圈层的校正系数取两者平均值.其中, 锦江区、青羊区、金牛区、武侯区、成华区、高新区归属主城区, 青白江、龙泉驿、新都区、温江区、双流县、和郫县归属二圈层, 大邑县、蒲江县、新津县、都江堰市、彭州市、崇州市、邛崃市和金堂县归属三圈层.
2.4 空间分配方法 2.4.1 餐饮业废气排放源清单的空间分配方法空间分配是在空间特征表征数据的基础之上基于GIS将餐饮源的排放量分配到对应网格中, 分为空间特征的识别及空间分配因子的建立(郑君瑜, 2014).高分辨率网格化需要高质量空间特征表征数据.参照《国家大气污染物排放源清单编制工作手册》(中华人民共和国环境保护部, 2015), 在有详细统计信息的条件下, 餐饮油烟源可按照点源进行处理.如果缺少逐个餐饮企业的具体信息, 则将餐饮源按面源进行处理.对于餐饮油烟, 一般采用总人口栅格数据做为面源空间分配代用参数.本文采用了两种空间特征表征数据, 互联网大数据与人口密度分布数据.互联网大数据作为点源数据源, 人口密度分布数据作为面源数据源.两者互为补充.
根据互联网大数据可获取成都市区域内餐饮排放源的数量数据及每个餐饮源的地理位置数据.在空间表征过程中, 根据每个网格中所包含的排放源的数量可以建立每个网格的空间分配因子.具体分配流程如图 1所示.本文对象为2013年成都市餐饮年排放.
 |
| 图 1 空间分配方法 Fig. 1 Spatial allocation method |
在已有的研究中, 通常将人口分布作为污染物空间分布的空间信息来源.按照人口分布来分配的方法是将餐饮源作为面源进行分配, 由于户籍人口所在与餐饮污染物产生地并非一致, 故户籍人口分布与实际污染物产生分布有所偏差.如果要以逐个调查餐饮企业和餐饮源分布的方式来获取更高分辨率的分配结果, 又需要耗费较大人力物力.互联网电子地图拥有城市现成设施分布信息, 能够反应部分污染源的分布.因此提出以互联网POI数据为主, 人口密度数据为辅的新的空间分配方法.
互联网大数据：根据数据提供主体, 互联网数据可分为政府数据, 公众数据和企业合作数据.政府网站实时更新环境质量信息, 地图网站拥有城市设施分布信息, 社交媒体实时产生人类感知信息.这些信息反应了大量环境污染源的空间位置、环境影响、污染程度和人群感知信息.这些数据可以通过抓取与合作获取.此次研究所使用的空间特征表征数据就来自于网络爬虫对电子地图信息的抓取.计算是基于arcgis平台完成的.
互联网POI数据来源为高德地图.为了得到POI信息, 本文设计了下列流程进行数据获取和数据预处理, 如图 2所示.接下来会详细介绍流程图中的细节.
 |
| 图 2 数据处理流程 Fig. 2 Data processing flow |
在数据抓取的步骤中, 本文采用爬虫软件对高德地图上“餐饮服务”、“科教文化服务”、“商务住宅”3类关键词进行数据采集.本文使用了名为GeoSharp的软件进行信息采集.由于地图存在POI搜索数量限制, 该软件会针对所给出的抓取范围进行分块, 再对有重叠区域的小块进行数据抓取, 最后将重复数据去掉.在操作过程中, 首先在软件中输入成都地区的经纬度, 其次选择需要的数据分类代码, 软件会自动抓取地图上的POI数据.POI可以被看做为一个点的数据, 除了经纬度信息外, 还包括POI名称, 详细地址等.
选择高德地图上代码“050***”(餐饮服务), “141***”(科教文化服务), “1203**”(商务住宅).使用GeoSharp软件, 输入不同代码及成都地区经纬度范围(102.56°E~104.57°E, 30.13°N~ 31.28°N)分别抓取数据, 分开存储为excel格式.
在数据预处理的步骤中, 对大类下的二级和三级分类进行选择性保留.餐饮服务保留中餐厅、外国餐厅、快餐厅3大类(去掉甜品、饮品店等), 科研教育保留幼儿园、小学、中学、职业学校、高等院校等8类(去掉驾校、培训等), 商务住宅去掉社区中心类.将采集的数据用GeoSharp自带坐标转换工具进行坐标转换(高德地图使用的是火星坐标, 转为WGS84).转换后用ArcGis打开, 存入ArcGis数据库, 通过其经纬度信息用ArcGis将数据转点.使用现有成都市行政区划边框对转点后的POI进行裁剪, 保留成都市范围内的POI.
经过裁剪、数据清洗后餐饮服务数据116388条, 科教文化服务POI数据7470条, 商务住宅POI数据18527条.
人口密度数据：人口密度数据分为人口总量和人口分布两个来源.人口总量数据来自于2014年成都市各区市县的人口.人口分布来自于中科院公开的2012年全国人口分布图.用人口总量数据更新人口分布, 得到本文使用的人口密度数据.
2.4.3 空间权重的确定及分析为了尽可能贴近真实世界的污染物排放分布, 本文将3大类互联网POI位置信息与3大类餐饮污染源对应起来.餐饮服务POI对应社会餐饮, 科教文化服务POI对应食堂餐饮, 商务住宅POI对应家庭餐饮.每一个POI的计算排放量都被平均化.每一个POI的位置信息都被用作一个污染源的位置信息.一个区域的排放量大小等于所包含的各类污染源的污染量之和.
餐饮服务POI包含3大类, 24小类, 是成都区域内各类餐馆的位置信息.餐饮服务POI数量与网络其他途径(大众点评等)获取的数量基本一致, 远大于食药监局提供数量, 因此可以认为餐饮服务POI几乎涵盖了成都市所有餐馆.
从图 3a社会餐饮分配结果可以看出, 餐饮服务分布具有明显的集聚性且有向心性的特点.聚集区分布在各个区市县的中心.除总体具有相对集中分布的态势以外, 中值区还呈线状分布, 具有明显随公路走向分布的特征, 且在公路交叉处形成明显高值及较高值.
 |
| 图 3 社会餐饮(a)、食堂餐饮(b)和家庭餐饮(c)年排放空间分布图 Fig. 3 Annual distribution space of catering service(a), school eatery(b) and family cooking(c) |
科教文化服务POI包含8大类, 是成都区域内各类学校的位置信息.从图 3b食堂餐饮分配结果来看, 科教文化POI空间分布较餐饮服务更加散乱, 但依旧具有向心性, 总体呈相对集中态势, 高值出现在各区市县中心.科教文化POI分布更为均匀, 符合事实认知, 与国道省道县道分布相关度很高.
商务住宅POI包含4大类, 是成都区域内各类家庭住宅小区的位置信息.城区以商务小区为居住单位, 以商务小区POI空间信息来表示住家所在地较为合理, 但对于农村而言, 住家较为分散, 地图上POI缺失这一块信息, 难以用商务小区POI替代住家分布.这对于农村的家庭餐饮排放计算产生很大的影响.因此考虑结合传统人口分布方法进行计算.
人口分布图精度较低难以代表城市中心家庭居住分布, 而商务小区POI难以代表农村居住分布.因此, 本文考虑在六城区使用商务小区POI分布数据, 其余区县使用户籍人口分布数据进行家庭餐饮排放空间分布计算.
3 结果与讨论(Results and discussion) 3.1 不同种类餐饮源污染分析在这个部分, 本文基于互联网上不同种类的POI分布研究了餐饮污染空间分布, 分析了不同种类餐饮污染空间分布的特点, 并对家庭餐饮的计算方法进行了修正.由于餐饮污染程度随时间变化较大, 排放量使用了一年的数据进行计算.排放量分级方法采用自然间断法.
3.1.1 社会餐饮根据餐饮服务POI分布、各区县POI总数及社会餐饮排放量计算参数, 可以得出餐饮服务POI排放均量、社会餐饮总排放量及排放空间分布.得到社会餐饮排放空间分布如图 3a所示.
成都市社会餐饮年排放总量为1459 t·a-1.基于POI进行空间分配, 网格年排放量为0~15.32 t.其中, 9551个网格没有餐饮服务POI存在.基于互联网大数据分配的成都市网格年排放量呈现突出的特点.低值网格的数量多且分布广, 均分布在二三线城市的农村及山区.少数网格值极高, 集中在各区县城区中心和成都市主城区.商业餐饮排放空间分配具有向心性特点并形成明显高值区.成都市中心、新津区中心、都江堰市中心、彭州市中心为最高值所在.个别区县中心排放量大于主城区.
3.1.2 食堂餐饮根据科教文化POI分布、各区县POI总数及食堂餐饮排放量计算参数, 可以得出科教文化POI均排放量、食堂餐饮总排放量及排放空间分布.食堂餐饮排放空间分布如图 3b所示.
成都市食堂餐饮年排放总量为87 t·a-1, 网格年排放量为0~1.165 t, 其中有10530个网格没有科教文化服务POI存在.与社会餐饮排放相同, 成都市食堂餐饮网格年排放量总体呈现极低值量大, 个别值极高的特点.极高值出现在成都主城区及主城区邻近区县中心, 中值零星分布在农村地区.
3.1.3 家庭餐饮根据商务住宅POI分布、各区县POI总数、人口分布及家庭餐饮排放量计算参数, 可以得出商务住宅POI均排放量、人均排放量、家庭餐饮总排放量及排放空间分布.家庭餐饮排放空间分布如图 3c所示.
成都市家庭餐饮年排放总量为3047 t·a-1, 每km2年排放量为0~14.649 t, 其中有2322个网格没有人口或商务住宅POI信息存在, 大部分集中在邛崃市、大邑县、都江堰市和彭州市的西北部.由于使用了人口图层, 故网格排放存在大量中间值排放量, 极高值也低于社会餐饮.各区县中心同样是极高值集中区域.网格年排放量总体呈现中值量大特点.
3.2 成都市餐饮源污染物总量空间分配结果成都市餐饮源污染物年排放总量如表 1所示.不同餐饮类型在各圈层中排放量如表 2所示.成都市2013年餐饮源PM2.5排放总量为4739.96 t·a-1.对比同类研究, 南京市2014年餐饮源PM2.5排放总量为3160 t(李洁, 2017), 由于本文不仅是基于燃料的排放因子进行计算, 还包括油脂、食材等产生的细颗粒物, 因此排放估算略为大一些, 更贴近现实, 结果较为可靠.
| 表 1 成都市餐饮源PM2.5排放总量 Table 1 The total amount of PM2.5 emission from cooking procedure in Chengdu |
 |
| 表 2 不同餐饮类型排放量的占比 Table 2 The proportion of emissions in different catering services |
|
表 1中可以看出, 家庭餐饮占比较大, 而社会餐饮排放占比次之, 仅有主城区排放量构成中社会餐饮超过家庭餐饮, 食堂餐饮所占排放比例最小.在主城区范围, 社会餐饮和家庭餐饮排放量占比相差不多, 为49.85%和48.56%；在二圈层、三圈层及全市平均来看, 家庭餐饮排放量占总体67%及以上.
另外, 从排放强度来看, 主城区单位面积排放量远大于二圈层, 二圈层单位面积排放量与三圈层相近.整体单位面积排放量位于二圈层与三圈层之间.三圈层占有70.54%的面积而总排放量仅为39.52%, 主城区占有30.69%的总排放量而面积仅占3.35%.从各餐饮与面积占比可以看出, 主城区人口更为集中, 三圈层稍有稀疏, 主城区社会餐饮密集程度与人口分布比值最大.
不同圈层在各餐饮类型中的排放量占比如表 3所示.在社会餐饮类别中, 主城区排放占比较大, 占49.56%, 二圈层与三圈层排放相近.食堂餐饮类别中, 二圈层排放占比较大, 占46.40%, 主城区与三圈层排放占比相近.家庭餐饮类别中, 三圈层排放占比较大, 占46.11%, 三圈层排放大于主城区；总排放量来看, 三圈层排放量大于主城区, 二圈层最小.
| 表 3 不同圈层排放量占比 Table 3 The proportion of emissions in different layers |
|
通过分析可以看出, 成都市主城区单位面积排放量非常高, 主要源自于社会餐饮和家庭餐饮的贡献.三圈层单位面积排放量低, 主要贡献是家庭餐饮.二圈层食堂排放量大于主城区和三圈层, 但排放量贡献还是以家庭为主.这与上一章节所分析的各类餐饮源污染排放空间分布相互印证.社会餐饮高值主要集中在主城区, 二三圈层有大量低值区域.食堂餐饮排放分布较为零散.家庭餐饮排放量大, 分布比社会餐饮和食堂餐饮更为均匀.
结合互联网POI分布及人口分布图, 可以得到总排放量的空间分布如图 4所示.
 |
| 图 4 成都市餐饮源PM2.5排放空间分布特征 Fig. 4 The spatial distribution pattern of air pollutant emission from cooking |
成都市餐饮源PM2.5网格排放量为0~35.71 t·a-1.最高值分布在主城区部分, 排放量区间为0~35.71 t·a-1, 其中排放量在20~35.71 t·a-1的网格87.5%分布在锦江区和金牛区, 12.5%分布在武侯区.二圈层网格排放区间为0~7.14 t·a-1, 高值集中在各区县中心, 呈现以城中心为排放高值的集聚现象.三圈层网格排放区间为0~10.93 t·a-1, 高值同样集中在各区县中心.受到社会餐饮分布影响, 主城区排放量远高于其他地区；受到食堂餐饮分布影响, 二圈层城市范围出现零星分布的中值点；受到人口分布影响, 在二三圈层出现大量黄色中低值区域；受地形影响, 成都西北山区出现部分零值区域.
4 结论(Conclusions)1) 本文关于成都餐饮源PM2.5排放的案例证实了互联网POI数据可以用于探究餐饮源污染物空间分布特征.在调查资料有限的情况下, 使用互联网POI研究社会餐饮和食堂餐饮有较好的效果, 在家庭餐饮方面有POI缺失的问题需要弥补.另外, 由于农村、山区数据的稀疏性, 相对于郊区, 互联网POI在城区更能反应人类活动趋势.
2) 成都市餐饮源PM2.5总排放量为4739.96 t·a-1, 其中社会餐饮排放量占30.87%, 食堂餐饮排放量占1.84%, 家庭餐饮排放量占67.30%.中心城区餐饮业发展最好, 一圈层城市每km2排放量最大.成都市餐饮源PM2.5网格排放量为0~35.71 t·a-1.最高值分布在主城区部分, 其次为各区县中心, 呈现以城中心为排放高值的集聚现象.
3) 大数据时代, 城市热力图及互联网数据为源清单高时空分辨率分配提供了更广阔的平台, 为大气污染物排放源清单研究提供了更好的机遇.
Aslam A A, Tsou M H, Spitzberg B H, et al. 2014. The Reliability ofTweets as a Supplementary Method of Seasonal Influenza Surveillance[J]. Journal of Medical Internet Research, 16(11): e250.
DOI:10.2196/jmir.3532PMC42600664.PMID:25406040
|
Buonanno G, Morawska L, Stabile L. 2009. Particle emission factors during cooking activities[J]. Atmospheric Environment, 43(20): 3235–3242.
DOI:10.1016/j.atmosenv.2009.03.044
|
Cabada J C, Pandis S N, Robinson A L. 2002. Sources of atmospheric carbonaceous particulate matter in Pittsburgh, Pennsylvania[J]. Journal of the Air & Waste Management Association, 52(6): 732–741.
|
Ginsberg J, Mohebbi M H, Patel R S, et al. 2008. Detecting influenza epidemics using search engine query data[J]. Nature, 457(7232): 1012–1014.
|
Jiang W, Wang Y, Tsou M H, et al. 2015. Using social media to detect outdoor Air Pollution and Monitor Air Quality Index (AQI): A geo-targeted spatiotemporal analysis framework with Sina Weibo (Chinese Twitter)[J]. Plos One, 10(10): e0141185.
DOI:10.1371/journal.pone.0141185
|
李洁. 2017. 南京市餐饮油烟源大气污染物排放清单构建的研究[J]. 安徽农学通报, 2017, 23(4): 55–56.
|
毛红梅, 张凯山, 第宝锋, 等. 2017. 成都市大气污染物排放清单高分辨率的时空分配[J]. 环境科学学报, 2017, 37(1): 23–33.
|
Min H, Zheng J Y, Yin S S, et al. 2011. Trends, temporal and spatial characteristics, and uncertainties in biomass burning emission in the Pearl River Delta, China[J]. Atmospheric Environment, 45(24): 4051–4059.
DOI:10.1016/j.atmosenv.2011.04.016
|
Nagel A C, Tsou M H, Spitzberg B H, et al. 2013. The complexrelationship of realspace events and messages in cyberspace: Case study of influenza and pertussis using tweets[J]. Journal of Medical Internet Research, 15(10): e237.
DOI:10.2196/jmir.2705PMC38413596.PMID:24158773
|
Sasahara K, Hirata Y, Toyoda M, et al. 2013. Quantifying collective attention from tweet stream[J]. PLoS One, 8(4): e61823.
DOI:10.1371/journal.pone.00618235PMID:23637913
|
See S W, Balasubramanian R. 2006a. Physical characteristics of ultrafine particles emitted from different gas cooking methods[J]. Aerosol and Air Quality Research, 6: 82–96.
DOI:10.4209/aaqr.2006.03.0007
|
See S W, Balasubramanian R. 2006b. Risk assessment of exposure to indoor aerosols associated with Chinese cooking[J]. Environmental Research, 102(2): 197–204.
DOI:10.1016/j.envres.2005.12.013
|
王秀艳, 高爽, 周家岐, 等. 2012. 餐饮油烟中挥发性有机物风险评估[J]. 环境科学研究, 2012, 25(12): 1359–1363.
|
尹元畅, 蒋燕, 王波, 等. 2015. 成都餐饮源PM2.5及VOCs排放因子的探索[J]. 环境监测管理与技术, 2015(5): 63–67.
|
郑君瑜. 2014. 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.
|
Zhao Y, Hu M, Slanina S, et al. 2007. Chemical compositions of fine particulate organic matter emitted from Chinese cooking[J]. Environmental Science & Technology, 41(1): 99–105.
|
中华人民共和国环境保护部. 2015. 《城市大气污染物排放清单编制技术手册》[S]. 北京: 中华人民共和国环境保护部
|