2. 四川大学建筑与环境学院, 成都 610065;
3. 成都信息工程大学, 成都 610200
2. College of Architecture & Environment, Sichuan University, Chengdu 610065;
3. Chengdu University of Information Technology, Chengdu 610200
随着中国城市化进程快速推进, 机动车保有量持续迅猛增长.截至2016年底, 全国共有18个城市机动车保有量超过两百万辆, 其中北京市和成都市均超过四百万辆.各大中城市开始表现出明显的机动车污染特征(贺克斌等, 2014).机动车尾气与蒸发排放是城市和区域近地面臭氧和二次粒子前体物的重要排放源(Zhang et al., 2009; Cao et al., 2011; 郭薇, 2015), 其在启动和行驶过程中排放的污染物对区域大气复合污染具有不同程度的贡献.因此, 研究机动车污染物排放特征、建立其排放清单对改善城市和区域环境空气质量具有重要意义(张景文等, 2017).
关于道路移动源排放清单, 国内外开展了大量的研究.宋翔宇等(2006)基于统计数据结合COPERT模型计算出不同道路工况下的排放因子, 建立了2002年中国机动车排放清单.车汶蔚等(2009)基于统计数据采用MOBILE模型建立了珠江三角洲机动车排放清单, 首次开展了珠三角区域机动车清单研究.樊守彬等(2015)采用交通模型系统, 对北京城区道路车流量及车速基础信息进行了模拟, 基于COPERT模型建立2013年北京市机动车排放清单, 通过与真实交通流信息对比, 发现交通模拟信息准确率较高, 排放清单具有较高时空分辨率.Kholod等(2016)参照IVE(International Vehicle Emission model)模型方法体系进行活动水平数据收集, 使用机动车抽样调查数据对注册数据进行校正, 采用COPERT模型建立了Murmansk颗粒物和黑碳的机动车排放清单, 开展了使用较低质量活动水平数据建立机动车排放清单方法的研究.Jing等(2016)基于浮动车数据、无线射频技术(RFID)和视频识别数据等活动水平数据, 获取实时动态交通流信息, 采用COPERT模型建立了高时空分辨率的北京市机动车排放清单, 解决了机动车排放清单时间分辨率较低的问题.还有很多学者也开展了基于城市或区域尺度的机动车排放研究(王海鲲等, 2006; Miller et al., 2006; Cook et al., 2006; Cao et al., 2011; Huo et al., 2011; Ferreira et al., 2013; Zhang et al., 2013; Sindhwani et al., 2015; Sahu et al., 2015).
我国研究多采用MOBILE、COPERT等宏观排放因子模型(吴烨等, 2002; 程颖等, 2011), 其计算主要基于平均速度的统计回归和燃料消耗, 对车辆行驶特征采用平均化的处理方式.在进入源清单处理模型前, 国内外研究结果主要基于人口进行空间分配(Cai et al., 2009; Funk et al., 2001).由于数值模式是评估道路移动源排放贡献的重要工具(Cheng et al., 2007), 需要高分辨率的网格化排放清单作为输入数据(Mcdonald et al., 2014), 以求增加数值模式结果的准确度.因此, 应用基于工况的排放因子模型开展城市尺度高时空分辨率道路移动源排放清单研究越来越重要.
成都市作为全国机动车保有量排名前三的西部中心城市, 近年经济高速发展, 机动车保有量年增长率保持在12%以上, 对高分辨率道路移动源排放清单的建立有着迫切需求.部分学者开展了对成都市机动车排放清单的研究工作, 陈军辉等(2015)针对轻型客车开展了排放研究, 但没有完成机动车清单的时空分配.毛红梅等(2017)在进行机动车排放清单时空分配时, 对所有车型使用了相同的时间和空间分配参数, 没有考虑因不同类型车辆行驶特征的不同, 而导致其时空分配参数不应完全一致.总的来看, 仍然缺乏对成都市高时空分辨率道路移动源排放清单的研究.因此, 本文基于工况排放因子模型IVE, 通过收集成都市路网和交通流数据, 采集GPS浮动车数据, 结合自上而下和自下而上的排放清单构建方法, 建立了高时空分辨率的2016年成都市道路移动源排放清单.
2 材料与方法(Materials and methods) 2.1 研究范围研究范围为成都市全域.本文将成都市20个区(市)县划分为3个区域, 包括中心城区(锦江区、青羊区、金牛区、武侯区、成华区)、二圈层(龙泉驿区、青白江区、温江区、新都区、双流区、郫都区)、三圈层(蒲江县、大邑县、金堂县、新津县、都江堰市、彭州市、邛崃市、崇州市、简阳市).研究范围见图 1.
根据城市发展和交通特征, 将研究对象分为中心城区-成都市核心区域, 二圈层-近郊区, 三圈层-远郊区, 再依据道路类型对上述3个区域道路进行分类.优先从交管部门智能交通系统中获取成都市道路交通流信息, 对自动监控未能覆盖区域开展人工采集工作, 得到分区域分道路类型的平均车流量数据.基于便携式GPS设备采集的浮动车数据, 在获取IVE模型行驶工况参数的同时, 与道路信息关联得到各类型道路的平均车速.基于交通流信息、气象参数、燃料信息、道路移动源技术分布文件和行驶工况文件等输入参数, 采用IVE模型计算得到分区域分车型基于成都市实际行驶工况的道路移动源排放因子, 并计算成都市各区(市)县道路移动源大气污染物排放量.最后结合交通流数据、路网数据和污染物排放量, 利用GIS软件建立1 km×1 km的城市尺度高时空分辨率道路移动源排放清单.
2.3 道路移动源活动水平获取 2.3.1 机动车保有量数据由成都市交管部门处获取机动车报保有量等数据, 共得到388万余条载客汽车、22万余条载货汽车和51万余条摩托车数据.每条数据均包括行政区域代码、车辆型号、车辆类型、品牌、牌照类型、最大总质量、发动机排量、燃料类型、累计行驶里程、车辆注册日期和运营性质, 即包括IVE模型技术分布文件所需全部信息, 保有量数据见表 1.
以Open Street Map(http://www.openstreetmap.org/)为基础路网, 并基于该路网提供的道路名称、等级(一级、二级、三级、社区道路和步行道)及所在区域等信息, 对路网数据进行核对后, 按我国标准, 将其划分为高速路、主干道、次干道和支路, 见图 2a.
成都市交管部门建设的中心城区智能交通系统的监控点仅覆盖二环路、三环路等部分道路, 区(市)县交管部门也仅提供部分道路车流量, 因此通过人工调研的方式进行道路车流量同步采集补充工作, 共收集了350余条不同类型道路的分车型车流量, 其中33条道路为24 h逐时车流量.
2.3.3 浮动车数据获取基于大数据采集和分析理念, 开发了道路机动车行驶工况数据采集工具OpenTraffic, 该软件运行于Android操作系统的手机和平板电脑, 通过调用设备的GPS、气压计等传感器对机动车行驶过程中的行驶速度、加速度、坡度、行驶距离进行记录, 并自动上传到电子邮箱实现回收.通过此种方法, 共获取了926辆不同类型机动车的浮动车数据共142万余条, 每条包括时间、经纬度、车速、高度、加速度和车型等.数据覆盖成都市大部分区(市)县道路, 对未覆盖的简阳市等区域, 在后续数据分析处理工作中采用类比方法处理.采集到的浮动车数据轨迹见图 2b.
2.4 排放清单计算 2.4.1 IVE模型原理道路移动源污染物排放量使用IVE模型进行计算, IVE模型由国际可持续发展研究中心(ISSRC)和加州大学河边分校(UCR)开发, 适于发展中国家使用(姚志良等, 2006), 并在我国得到大量应用(Guo et al., 2007; Liu et al., 2009; Liu et al., 2011).IVE模型利用其内嵌的基础排放因子和相应修正系数的计算, 最终得出不同技术水平机动车的修正后排放因子.
(1) |
式中, Qj为j车型的修正后排放因子(g·km-1);Bj为j车型的基础排放因子(g·km-1);i为待修正的各类修正系数;j为车辆类型;Ki, j为j车型的第i种修正系数, 无量纲.
2.4.2 车辆类型转换我国对机动车类型定义(中华人民共和国公安部, 2014)与IVE模型不同.为了使成都市车辆类型与IVE模型车辆类型相对应, 本文通过比较IVE模型和中国机动车分类标准, 建立IVE模型车辆类型和中国机动车类型的对应关系.而后按照车重划分为轻型、中型和重型, 最终得到11类成都市机动车车型, 车辆类型转换结果见表 2.
基于成都市机动车保有量数据, 通过编写SQL数据库查询语句, 对数据进行处理, 将成都市机动车按行政区域、运营性质、燃料类型(电动汽车没有划分其技术分布)、最大总质量的顺序依次筛选整理, 再依据车辆注册日期划分其排放标准, 根据行驶里程进行分类, 最后将20个区(市)县的机动车技术分布参数按照中心城区、二圈层和三圈层的划分整合为IVE模型技术分布文件.
2.4.4 行驶工况参数确定为反映行驶状态对排放速率的影响, IVE模型引入了VSP(vehicle specific power)和ES(engine stress)2个参数, 用于表征机动车瞬态工作状态与排放的关系(姚志良等, 2006), 能够全面的反映车辆行驶工况与污染物排放量的关系(Beevers et al., 2005).IVE模型利用VSP和ES将发动机瞬时工作状态分成60个区间, 即60个Bin值, 作为模型行驶工况文件的重要输入参数.通过对浮动车数据分析整理, 得到中心城区、二圈层和三圈层各自的MDC(分为高速路、主干道、次干道、支路)、LDV(分为高速路、主干道、次干道、支路)和其它车型(不区分道路类型)的Bin 24 h分布及平均行驶速度.
热浸时间和分布等启动信息参数, 引用姚志良等(2006)在北京市的研究成果.IVE模型官方网站(http://www.issrc.org/ive/)同时提供了上海市、天津市等其它城市的行驶工况技术分布文件.
2.4.5 基础排放因子校正IVE模型基础排放因子测试基于美国联邦测试循环(FTP)行驶工况中LA4工况, 因此期望用户在使用时通过本地工况进行校正, 即当有适当本地数据时, 鼓励用本地数据替代默认的基础排放因子.根据IVE模型用户手册(International Sustainable Systems Research Center, 2008), 基础排放因子校正计算思路如下:一是基于机动车实测时的行驶工况, 编辑模型输入所需的行驶工况文档;二是将温度、湿度和燃料等参数设置为实测数据, 以实测行驶工况运行模型, 输出结果即为基于模型基础排放因子的排放因子;最后将机动车实测排放因子除以模型输出排放因子, 此比值即为IVE模型基础排放因子校正系数.
采用上述方法, 基于2015年成都市尾气环检站VMAS检测得到的96万组实测数据结合IM240检测工况, 对模型中MDC、LDV、MT和LDT的部分基础排放因子进行校正, 见表 3.
MDV、HDV、MDT、HDT和BUS的基础排放因子校正系数, 引用国内其他城市(北京、上海等)数据.而摩托车没有进行校正.由于数据量较大, 这里没有列出, 相关数据见IVE模型官方网站中Data Download部分.
2.4.6 其它参数设置成都市2016年已全部供应国4标准的汽油和柴油, IVE模型中燃油品质汽油和柴油含硫量均选择为50×10-6, 其他参数根据实际情况选择.通过对机动车保有量数据中累计行驶里程整理分析, 得出各车型年均行驶里程.
2.5 空间分配方法以成都市路网信息为基础(图 2a), 基于WGS1984投影, 应用GIS建立了1 km×1 km分辨率的空间网格, 其中包含28392个网格.空间分配具体方法:首先分别计算不同类别道路的长度及其对应的车流量, 从而得到各车型的行驶比例;由各区(市)县分车型排放量, 结合其道路行驶比例, 得到分区(市)县的各车型在不同道路的污染物排放量, 进而得到1 km长度道路的不同车型污染物排放量;计算每个网格内各类道路长度, 再乘以1 km长度道路的污染物排放量, 最后对网格内不同类型道路污染物排放量进行求和, 完成网格化分配.分配公式为:
(2) |
式中, Qi, j为i网格j污染物的排放量(t·km-2·a-1);Li, t为i网格中t类型道路(包括主干道、次干道、支路和高速路)的长度(km);Ej, t为1 km长度t类型道路的j污染物排放量(t·km-1).
3 结果与讨论(Results and discussion) 3.1 成都市道路移动源排放因子基于IVE模型分别计算了成都市不同区域的机动车排放因子, 其中MDC和LDV分别计算了不同类型道路的排放因子.由图 3可见, 不同区域机动车排放因子存在一定差异.对于MDC、LDV和BUS, 中心城区相较其它区域平均车速较小、怠速比更高, 造成行驶工况更恶化, 其排放因子更高;中心城区国3和国4排放标准载货汽车比例明显高于二、三圈层, 同时部分道路限制载货汽车通行, 因此其载货汽车污染物排放因子较低;MDV和HDV由于保有量较小, 其行驶工况特征不明显, 没有显著规律;MC主要行驶于二、三圈层, 且排放控制水平更落后, 劣化更严重, 其污染物排放因子高于中心城区.
由图 4可见, 从不同道路的MDC和LDV排放因子来看, 污染物大小顺序依次为:次干道≥支路>主干道>高速路, 这种结果是由于成都市属于典型的环状放射性路网, 次干道和支路承载了大量车辆, 更为拥堵导致行驶工况更恶化, 以致排放较高.
污染物排放量计算为机动车排放因子、行驶里程和保有量的乘积, 公式如下:
(3) |
式中, Ei, j为i车型j污染物的年排放量(t·a-1);Pi为i车型的保有量(辆);EFi, j为i车型j污染物的排放因子(g·km-1·辆-1);VKTi为i车型的年平均行驶里程(km).
根据成都市分车型机动车保有量、排放因子和年均行驶里程, 计算得出2016年成都市道路移动源排放清单:CO、VOCs、NOx、SO2、PM10和NH3排放量分别为4.2×105、4.5×104、7.2×104、0.4×103、1.1×104和6.2×103 t.
不同车型由于行驶工况、排放控制水平、行驶里程和保有量的不同, 其在各污染物排放总量中所占的比例差异明显, 不同车型的污染物分担率见图 5.CO排放贡献源主要为LDV、MDV和HDV, 三者合计达69%, 其中LDV是最主要来源, 占CO总排放量的44%;LDV和MC是VOCs排放的主要来源, 分别占VOCs总排放量的49%和19%;LDV和HDT是NOx和SO2排放的主要来源, LDV分别占NOx和SO2总排放量的25%和70%, HDT分别占NOx和SO2总排放量的48%和14%;HDT是PM10排放的主要来源, 占PM10总排放量的78%;LDV是NH3排放的主要来源, 占NH3总排放量的81%.分析其原因, LDV是CO、NOx、SO2和NH3的主要排放贡献源, 这是由于LDV保有量较大, 占机动车总保有量的81%, 造成其累计排放量较大;LDV和MC是VOCs的主要排放贡献源, 是由于LDV和MC以汽油燃料为主, 在尾气管排放VOCs的同时, 其供油系统在使用过程中温度发生变化会导致燃料挥发, 使车辆产生VOCs蒸发排放, 造成LDV和MC的排放分担率偏高;HDT是NOx、PM10和SO2的主要排放贡献源, 是因为HDT以柴油燃料为主, 其燃油品质一般不高, 其NOx、PM10和SO2的排放因子远高于等同动力效能下的汽油车.
对中心城区、二圈层和三圈层机动车污染物排放贡献进行比较分析:中心城区机动车保有量占成都市机动车总保有量的38%, 其各项污染物排放分担率除PM10外, 均达到42%以上, 这是由于中心城区为成都市核心区域, 道路行驶工况较差导致排放较高;二圈层机动车保有量占成都市机动车总保有量的34%, 却贡献了35%的NOx和41%的PM10, 呈现了较为明显的载货汽车排放特征, 与成都市过境高速、货运干道和物流基地大多分布于二圈层内靠近中心城区的区域有关;三圈层机动车保有量为全市保有量的28%, 其各污染物排放贡献较为平均.区域排放贡献特征见图 6.
成都市各区(市)县分车型污染物排放特征存在差异:中心城区5个区均以LDV排放贡献为主, 其中成华区作为曾经的物流集散基地, 其载货汽车对NOx、SO2和PM10的排放贡献仍较高;二圈层主要排放贡献源也是LDV, 但MC和载货汽车排放贡献大幅上升, 其中MC为VOCs重要排放贡献源, HDT则为NOx和PM10主要贡排放献源, 温江区、双流区和郫都区作为成都市经济较发达的卫星城市, 其LDV等载客汽车对VOCs和NOx的排放贡献高于二圈层其它区;三圈层排放特征与二圈层类似, 但MC保有量和使用率较高, 导致MC排放分担率显著高于中心城区和二圈层.区(市)县分车型排放分担率见图 7.
各类型道路24 h车流量均以LDV为主, 其占高速路、主干道、次干道和支路的道路车流量平均比例为56%、60%、58%和61%;其次为TAXI, 其平均比例分别为5%、15%、23%和25%;各类型道路车流分布差异存在差异, 高速路以LDV、LDT和HDT等载货汽车为主, 主干道以LDV、TAXI和LDT为主, 次干道以LDV、TAXI和载货汽车为主, 支路以LDV、TAXI和MC为主.道路车流量分布见图 8.
机动车的道路行驶工况是影响污染物排放量时空分布的重要因素.通过对交通流和GPS浮动车数据进行分析整理, 结合成都市路网计算得到成都市不同类型道路车速和车流量的日变化情况, 见图 9.成都市道路平均车速和车流量存在较好的相关性, 不同类型道路车流量的日变化大致为“M”型, 即有两个主要峰值, 分别出现在8:00—9:00早高峰和17:00—18:00晚高峰, 与此相应的, 道路车速在早高峰和晚高峰为最小, 车速日变化表现为“W”型.车流量大小顺序为主干道>高速路≈次干道>支路的趋势, 车速则为高速路>主干道>次干道≈支路的趋势.成都市支路作为重要的道路毛细血管, 仍需要进一步开发, 以缓解其它类型道路的交通压力.
基于前述空间分配方法, 绘制了CO、VOCs、NOx、SO2、PM10和NH3排放量空间分布图, 见图 10.成都市道路移动源排放清单空间分布有如下特征:污染物排放主要分布于已连片发展的中心城区和二圈层, 及三圈层的城市区域和主要路网, 其排放强度明显高于其它区域, 呈现出由城市中心向卫星城市、远郊区递减趋势;中心城区和二圈层区域路网密集, 呈片状分布, 三圈层则经济发展相对落后, 呈带状分布;CO和VOCs主要由载客汽车排放, 其空间分布特征相似, 集中在城区路网和高速等干道, 支路也有大量分布;NOx和PM10主要贡献者为HDT等载货车辆, 其空间分布较为类似, 主要集中在高速路、主干道等货运干道, 值得注意的是, 中心城区作为城市建设和物流集散的中心, 其城中心NOx和PM10排放强度较大, 而其它区域的城中心排放强度则较小, 主要集中在过境道路中;SO2和NH3空间分布主要与LDV等载客汽车的排放有关, 分布较为均匀.
为对本文建立的排放清单进行比较和分析, 采用相同的保有量数据、技术分布数据等参数基于环保部《道路机动车大气污染物排放清单编制技术指南(试行)》(中华人民共和国环境保护部, 2014)(以下简称“《指南》”)编制了清单, 同时与其他学者开发的机动车排放清单(张意等, 2017; 陈军辉等, 2015)进行比较, 结果见表 4.
由表 4可知, 天津市排放清单基于《指南》方法, 其排放量计算结果与同样相同方法的成都市排放量计算结果没有显著差异.本文中IVE模型方法排放量计算结果除SO2以外, 均高于《指南》方法结果, 由于两种方法的输入数据相同, 进一步比较两者排放因子时可以发现, IVE模型方法排放因子总体高于《指南》方法.《指南》方法排放因子主要结合道路、环境等进行修正, 其基础排放因子来源于国内测试研究, 对成都市行驶工况的本地化较为简单, 如对机动车排放影响较大的平均行驶速度、环境温度和湿度进行修正时, 《指南》分别给出了平均速度小于20、20~30、40~80、大于80 km·h-1时及不同温度和湿度区间的平均修正参数, 而IVE模型则要求提供24 h的平均行驶速度、环境温度和湿度, 及表征发动机工作状态的Bin值分布, 以计算机动车在不同行驶工况下的排放因子.相比之下, IVE模型能够更好的表征道路行驶工况对排放的影响, 其基础排放因子虽基于美国FTP工况的底盘测功机测试数据, 但经过本地化校正后, 排放因子和排放量的计算结果更接近成都市实际情况.而造成IVE方法排放因子高于《指南》方法的原因, 可能与成都市机动车保有量较大造成道路拥堵以及车用燃油品质较差有关, 但结果仍有待车载测试等研究工作做作进一步证实.
本研究中轻型客车(包括MDC和LDV)各项污染物排放量均高于陈军辉等(2015)的研究成果.由于本研究同时考虑了汽油车、柴油车和天然气燃料汽车, 柴油汽车产生的NOx显著高于汽油车, 且成都市2016年轻型客车保有量远高于2012年, 造成了本研究NOx大幅高于陈军辉等研究结果.同时, 成都市近年新增车辆排放技术水平较高, 其单车污染物排放因子较小, 所以CO、VOCs和PM10的增长幅度并不大.
3.7 不确定性分析行驶工况、车流量和排放因子等参数都存在一定不确定性, 导致道路移动源排放清单必然存在着不确定性(He et al., 2011).排放清单不确定性分析方法主要包括定性分析方法和定量分析方法(郑君瑜等, 2014), 定量分析方法需要本地实测且可信的机动车排放因子等数据, 因本地实测研究较少难以获取, 本文采用定性分析方法.
本文采用的IVE模型, 其输入数据包括技术分布数据、交通流信息、道路行驶工况、驾驶习惯、燃料品质和气象数据等.保有量数据来自车管部门, 数据权威可信.不确定性主要来自交通流信息等行驶工况数据以及IVE模型计算得到的排放因子.在进行交通流信息收集和整理时, 本文根据成都市道路车流量特征, 分区域分道路类型分别收集和整理, 在优先采用交管部门数据的同时, 对各区域不同类型道路进行人工车流量收集, 减小了因区域或道路类型差异而引发的不确定性.行驶工况数据的收集借鉴了大数据方法, 通过调动大量人力使用便携式GPS方法, 采集的数据大致覆盖了成都市所有区(市)县各类型道路, 虽然部分道路行驶工况的时间跨度较短, 但相对于传统方法, 已极大的减低了数据的不确定性.IVE模型排放因子计算虽基于美国测试数据, 但参考了本地测试和国内研究进行校正, 完成了较充分的本地化工作.因此, 本文建立的道路移动源排放清单较为可靠, 不确定性较小.
4 结论(Conclusions)1) 2016年成都市道路移动源CO、VOCs、NOx、SO2、PM10和NH3排放量分别为4.2×105、4.5×104、7.2×104、0.4×103、1.1×104和6.2×103 t.LDV、MDV和HDV为主要CO贡献车型, LDV和MC为VOCs主要贡献;NOx和SO2主要来源于LDV和HDT, PM10主要来源于HDT, NH3排放主要来自于LDV.
2) 成都市中心城区为核心区域, 以LDV等载客汽车排放为主, 各项污染物排放分担率除PM10较低外, 其它均达到42%以上.二圈层为过境高速、货运干道和物流基地集中区域, 以LDV和HDT等载货汽车排放为主, 贡献了35%的NOx和41%的PM10排放量.三圈层为远郊区, 呈现MC污染物排放贡献较高的特征.
3) 成都市道路移动源污染物排放主要分布于城市建成区和主要路网, 呈现出由城市中心向卫星城市、远郊区递减趋势.中心城区和二圈层区域路网密集, 呈片状分布, 三圈层则经济发展相对落后, 呈带状分布.CO和VOCs排放分布在城区路网和高速等干道, 支路也有大量分布;NOx和PM10集中在高速路、主干道等货运干道, 中心城区建成区NOx和PM10排放强度较大, 而其它区域城中心排放强度则较小;SO2和NH3空间分布较为均匀.排放分布与成都市实际情况相符, 较为合理.
4) 本文开发了收集浮动车道路行驶工况数据的应用软件, 对IVE模型进行了实测校正等本地化工作.但对于交通流信息的获取, 仍然不能覆盖成都市全域的主要道路, 下一步需借助成都市交管部门建立的智能交通系统, 掌握动态的实时交通流信息, 开发基于实时交通流的动态道路移动源排放清单.同时, IVE模型作为基于工况的排放因子模型, 其LDV等主要车型基础排放因子的本地化, 还需开展大量实测工作.
Beevers S D, Carslaw D C. 2005. The impact of congestion charging on vehicle emissions in London[J]. Atmospheric Environment, 39(1): 1–5.
DOI:10.1016/j.atmosenv.2004.10.001
|
Cai H, Xie S D. 2009. Tempo-spatial variation of emission inventories of speciated volatile organic compounds from on-road vehicles in China[J]. Atmospheric Chemistry & Physics Discussions, 9(3): 6983–7002.
|
Cao G L, Zhang X Y, Gong S L, et al. 2011. Emission inventories of primary particles and pollutant gases for China[J]. Chinese Science Bulletin, 56(8): 781–788.
DOI:10.1007/s11434-011-4373-7
|
车汶蔚, 郑君瑜, 钟流举. 2009. 珠江三角洲机动车污染物排放特征及分担率[J]. 环境科学研究, 2009, 22(4): 456–461.
|
陈军辉, 范武波, 钱骏, 等. 2015. 利用IVE模型建立成都市轻型汽油客车排放清单[J]. 环境科学学报, 2015, 35(7): 2016–2024.
|
程刚, 李金香, 王欣, 等. 2016. 北京市交通环境春季大气氨污染水平分析[J]. 环境科学学报, 2016, 36(8): 2803–2810.
|
Cheng S Y, Chen D S, Li J B, et al. 2007. The assessment of emission-source contributions to air quality by using a coupled MM5-ARPS-CMAQ modeling system:A case study in the Beijing metropolitan region, China[J]. Environmental Modelling & Software, 22(11): 1601–1616.
|
程颖, 于雷, 王宏图, 等. 2011. 基于PEMS的MOBILE与COPERT排放模型对比研究[J]. 交通运输系统工程与信息, 2011, 11(3): 176–181.
|
Cook R, Touma J S, Beidler A, et al. 2006. Preparing highway emissions inventories for urban scale modeling:A case study in Philadelphia[J]. Transportation Research Part D Transport & Environment, 11(6): 396–407.
|
樊守彬, 田灵娣, 张东旭, 等. 2015. 基于实际道路交通流信息的北京市机动车排放特征[J]. 环境科学, 2015, 36(8): 2750–2757.
|
Ferreira J, Guevara, Baldasano J. 2013. A comparative analysis of two highly spatially resolved European atmospheric emission inventories[J]. Atmospheric Environment, 75(4): 43–57.
|
Funk T H, Stiefer P S, Chinkin L R, et al.2001. Development of gridded spatial allocation factors for the state of texas[R]. Austin:Texas Natural Resource Conservation Commission.1-22
|
Guo H, Zhang Q Y, Shi Y, et al. 2007. Evaluation of the International Vehicle Emission (IVE) model with on-road remote sensing measurements[J]. Journal of Environmental Sciences, 19(7): 818–826.
DOI:10.1016/S1001-0742(07)60137-5
|
郭薇. 2014. 全国环境监测工作会议召开[Z]. 中国环境报, 2014-04-04(1)
|
He M, Zheng J Y, Yin S S, et al. 2011. Trends, temporal and spatial characteristics, and uncertainties in biomass burning emissions in the Pearl River Delta, China[J]. Atmospheric Environment, 45(24): 4051–4059.
DOI:10.1016/j.atmosenv.2011.04.016
|
贺克斌, 霍红, 王岐东, 等. 2014. 道路机动车排放模型技术方法与应用[M]. .
|
Huo H, Zhang Q, He K B, et al. 2011. Modeling vehicle emissions in different types of Chinese cities:Importance of vehicle fleet and local features[J]. Environmental Pollution, 159(10): 2954–2960.
DOI:10.1016/j.envpol.2011.04.025
|
International Sustainable Systems Research Center.2008. IVE Model Users Manual[OL]. 2008-05-01. http://www.issrc.org/ive/downloads/manuals/UsersManual.pdf
|
Jing B Y, Wu L, Mao H J, et al. 2016. Development of a vehicle emission inventory with high temporal-spatial resolution based on NRT traffic data and its impact on air pollution in Beijing-Part 1:Development and evaluation of vehicle emission inventory[J]. Atmospheric Chemistry and Physics, 16: 3161–3170.
DOI:10.5194/acp-16-3161-2016
|
Kholod N, Evans M, Gusev E, et al. 2016. A methodology for calculating transport emissions in cities with limited traffic data:Case study of diesel particulates and black carbon emissions in Murmansk[J]. Science of The Total Environment, 547: 305–313.
DOI:10.1016/j.scitotenv.2015.12.151
|
Liu H, He K B, Lents J M, et al. 2009. Characteristics of diesel truck emission in China based on portable emissions measurement systems[J]. Environmental Science & Technology, 43(24): 9507–9511.
|
Liu J, Dong J J, Shi X P, et al. 2011. Research for NOx Emission of Nanjing Vehicle Based on IVE Model[J]. Applied Mechanics & Materials, 99-100: 1341–1345.
|
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.
|
Mcdonald B, Mcbride Z, Martin E, et al. 2014. High-resolution mapping of motor vehicle carbon dioxide emissions[J]. Journal of Geophysical Research Atmospheres, 119(9): 5283–5298.
DOI:10.1002/2013JD021219
|
Miller C A, Hidy G, Hales J, et al. 2006. Air emission inventories in North America:a critical assessment[J]. Journal of the Air & Waste Management Association, 56(8): 1115–1129.
|
Sahu S K, Beig G, Parkhi N. 2015. High resolution emission inventory of NOx and CO for Mega City Delhi, India[J]. Aerosol and Air Quality Research, 15(3): 1137–1144.
|
Sindhwani R, Goyal P, Kumar S, et al. 2015. Anthropogenic emission Inventory of criteria air pollutants of an urban agglomeration-national capital region (NCR), delhi[J]. Aerosol and Air Quality Research, 15(4): 1681–1697.
|
宋翔宇, 谢绍东. 2006. 中国机动车排放清单的建立[J]. 环境科学, 2006, 27(6): 1041–1045.
|
王海鲲, 陈长虹, 黄成, 等. 2006. 应用IVE模型计算上海市机动车污染物排放[J]. 环境科学学报, 2006, 26(1): 1–9.
|
吴烨, 郝吉明, 李伟, 等. 2002. 应用PART5模式计算机动车尾气管的颗粒物排放[J]. 环境科学, 2002, 23(1): 6–10.
|
姚志良, 贺克斌, 王歧东, 等. 2006. IVE机动车排放模型应用研究[J]. 环境科学, 2006, 27(10): 1928–1933.
DOI:10.3321/j.issn:0250-3301.2006.10.002 |
姚志良, 张明辉, 王新彤, 等. 2012. 中国典型城市机动车排放演变趋势[J]. 中国环境科学, 2012, 32(9): 1565–1573.
|
张景文, 咸月, 陈报章. 2017. 南昌市移动源排放清单研究[J]. 环境科学学报, 2017.
DOI:10.13671/j.hjkxxb.2017.0022 |
Zhang Q, Streets D G, Carmichael G R, et al. 2009. Asian emissions in 2006 for the NASA INTEX-B mission[J]. Atmospheric Chemistry and Physics, 9: 5131–5153.
DOI:10.5194/acp-9-5131-2009
|
Zhang S J, Wu Y, Liu H, et al. 2013. Historical evaluation of vehicle emission control in Guangzhou based on a multi-year emission inventory[J]. Atmospheric Environment, 76: 32–42.
DOI:10.1016/j.atmosenv.2012.11.047
|
张意, 吴琳, 毛洪钧, 等. 2017. 天津市机动车污染物排放清单及控制对策研究[J]. 南开大学学报(自然科学版), 2017(1): 90–96.
|
郑君瑜, 王水胜, 黄志炯, 等. 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: 1–421.
|
中华人民共和国公安部. 2014. GA802-2014机动车类型术语和定义[S]. 北京: 中国标准出版社
|
中华人民共和国环境保护部. 2014. 道路机动车大气污染物排放清单编制技术指南(试行)[OL]. 2014-12-31. http://www.zhb.gov.cn/gkml/hbb/bgg/201501/W020150107594587831090.pdf
|