機動車排放對大連市高新園區七賢嶺國控大氣子站PM2.5的影響

摘 要：為探討交通狀態對道路機動車PM2.5排放的影響，經過收集數據，建立了機動車尾氣動態排放情況與PM2.5相關性量化關系模型。結果表明，道路交通狀態是影響機動車道路總排放的重要因素，不同交通狀態下，機動車排放的PM2.5數值差別較大，嚴重擁堵交通狀態下，機動車排放的PM2.5是暢通狀態下排放量的6.45倍。據此，結合GIS數據給出了大連市高新園區七賢嶺國控大氣子站周邊10條道路的PM2.5排放情況，結合氣象因素模擬了該國控大氣子站PM2.5的成因，并給出部分管控建議。

關鍵詞：機動車排放；交通狀態；動態排放；PM2.5成因；量化模型

中圖分類號：X51 文獻標志碼：A 文章編號：1673-9655（2024）06-00-04

0 引言

隨著社會的快速發展和人民生活水平的提高，機動車數量越來越多，雖然方便了人們出行，但機動車尾氣也加重了城市大氣污染，其中含有的固體懸浮微粒、一氧化碳、二氧化碳、碳氫化合物、氮氧化合物、鉛及硫氧化合物等還會對人類健康帶來巨大影響[1]。機動車尾氣排放受運行工況（速度、加速度、VSP等）、車型結構等多種因素的影響[2-5]，掌握機動車尾氣排放狀況的重要途徑是有效的監測方法及科學的模型模擬。我國對機動車排放量的摸底調查主要是采用宏觀測算法，現有的研究多基于《道路機動車大氣污染物排放清單編制技術指南（試行）》[6]中的排放因子本地化修正方法，以及COPERT、IVE和MOVES等為代表的模型方法，這些測算方法能夠方便、快速且直觀地幫助國家、省和市級機構在宏觀層面上了解機動車的污染排放情況，但它們并不適用于精確捕捉車輛在實際道路行駛過程中的排放數據[7-10]。

近年來，智能交通系統的快速發展使浮動車技術在國內外得到了廣泛應用[11-13]，機動車排放研究已從宏觀、中觀尺度逐步向局部、微觀尺度發展[14-16]。不同交通狀態下機動車的運行工況與尾氣排放特征是制訂和評估控制措施的基礎?，F階段，隨著移動污染源數量的增長和區域交通狀況的惡化，交通引起的空氣污染已表現出明顯的時空分布不均勻性和整體濃度上升的趨勢，為了維護空氣質量，許多地區實施了如限行等措施來應對這些挑戰。有研究表明，機動車排放顆粒物主要是粒徑較小的細粒子，其中PM2.5的質量可占顆粒物總質量的85%以上，PM10的質量可占顆粒物總質量的95%以上，機動車排放顆粒物中細粒子占有絕對的優勢[2]。就減少排放的效果而言，針對交通源的減排措施對于降低大氣中的細顆粒物（PM2.5）濃度比對粗顆粒物的效果更好[17，18]。

本文通過對大連市高新園區七賢嶺國控大氣子站PM2.5來源的解析，確認了以機動車尾氣為研究重點，系統研究了機動車尾氣排放對大氣環境質量的影響，并結合氣象等因素模擬了該國控大氣子站PM2.5的成因。

1 研究區域與監測方法

1.1 研究區域

七賢嶺國控子站位于大連海事大學院內，周邊道路情況地圖直觀展示如圖1所示。

該研究以七賢嶺大氣子站周邊為研究區域，選取其中10條道路為研究對象進行分析。其中，凌水路、紅凌路橋位于子站北側，學子街、科海街、火炬路、廣賢路、愛賢街、敬賢街、信達街位于子站西南側，黃浦路、七賢東路位于子站東南側，這幾條路街工作日車流量大且呈現明顯的早晚高峰車流，其中高峰時段部分路段擁堵嚴重。

1.2 監測方法

選取PM2.5日變化情況與該季節總體變化特征基本一致的時段，在子站周邊400 m左右設置2個監測點位開展走航車監測，監測時間分別為2021年

8月10日—13日、2021年8月16日—19日、2021年

8月23日—29日，總計11 d。

2 數據及討論

2021年8月27—29日，監測車在學子街南側榮伸工業園院內開展大氣組分定點監測，監測點位距離學子街50 m，距離黃浦路約100 m，每小時采樣檢測1次。除學子街及黃浦路外，監測點位周邊無其它污染源，該時段風向以南風及西南風為主。經分析計算，走航車監測數據與國控子站監測數據的相關性高達0.71（詳見圖2），說明兩處點位污染變化趨勢及污染來源一致。根據走航車監測數據和周邊污染源分析，機動車尾氣是該點位主要污染來源，判斷夏季機動車尾氣中的PM2.5排放是該大氣國控子站PM2.5的主要來源。

2.1 機動車尾氣排放情況解析

為探討交通狀態對道路機動車PM2.5排放的影響，技術路線如圖3所示。根據GIS實時路況信息數字模型，通過對七賢嶺國控子站點3～5 km附近區域10條交通路段的車輛數據抓取，結合走航車實時監測數據，進行物理建模，建立不同交通狀態下PM2.5相關性量化關系模型。根據人工智能計算模型，可計算出在各個交通狀況下（包括暢通、緩行、擁堵和嚴重擁堵），

機動車尾氣對空氣質量的污染貢獻度的量化，從而計算出不同堵車狀態下的PM2.5的濃度，后結合該地區的氣象數據（包括氣壓、溫度、濕度、風向、風速、能見度等），使用模型進行數據解析，根據氣體流動學的原理，仿真模擬在該區域內，目標道路的機動車尾氣到國控子站點運動軌跡，揭示該國控大氣子站PM2.5的成因。

圖3" 研究技術路線

2.2 機動車尾氣排放模型建立

道路污染物排放總量在不同交通狀態下的變化特征是機動車排放控制的直接依據，圖4為不同交通狀態下PM2.5量化圖。從圖4可知，交通情況由綠色暢通向黃色緩行轉變時，PM2.5濃度逐漸由9增加到30；交通情況由黃色緩行向紅色飽和轉變時，PM2.5濃度由30增加到56；交通情況由紅色飽和向嚴重擁堵轉變時，PM2.5濃度由56增加到69。

圖4 不同交通狀態下PM2.5量化圖

單車平均排放速率可反映機動車在不同行駛狀態下的排放特征，而車輛的實際運行情況則是道路交通狀況的關鍵指標，并且是精確估算機動車排放量的根本依據。陳泳釗等[13]研究了不同交通流量條件下，包括暢通、擁堵和嚴重擁堵狀態，對主要和次要道路上輕型車輛排放影響的運行工況，并結合這些條件與交通運行及污染控制措施之間的直接關聯進行了分析。PM2.5的平均單車排放速率在暢通、擁堵和嚴重擁堵3種交通狀態下均接近，受運行工況的影響較小。對于城市道路，運行工況分布主要集中于怠速和低速運行模式，中速、高速運行模式分布頻率較低。不同交通狀態下的平均單車排放速率相差較小且主、次干路幾乎相同，表明其受交通狀態的影響較小。盡管嚴重擁堵狀態時污染物平均單車排放速率較低，但隨運行時間增加和道路交通流的升高，嚴重擁堵時輕型車的污染物排放量均相應升高，PM2.5在嚴重擁堵狀態下的排放量達到了暢通狀態5.67倍。本文中，嚴重擁堵狀態下，PM2.5的數值約是暢通狀態下的6.45倍，與文獻中的數值比較接近，充分說明了本模型的可行性。

盡管嚴重擁堵狀態所占的時間比例并不高，但該交通狀態下污染物的排放量所占比例相對較大，排放強度達到峰值，并且單位時間內的污染物排放量大，導致道路周圍的污染物濃度顯著升高。交通管理部門應首先針對嚴重擁堵狀態實施交通運行排放控制，并根據特定道路或區域的嚴重擁堵發生時間進行動態調控，降低排放源基數，以控制道路機動車排放總量。

2.2.1 機動車尾氣排放1 h量化

通過GIS可獲取到七賢嶺子站附近2021年7月

9日8：00左右早高峰時段附近道路的堵車狀況，通過模型計算的PM2.5的量化見表1。

表1 早高峰時段子站周邊道路的PM2.5量化數值

道路名稱 統計時間 PM2.5量化/（μg/m3）

紅凌路橋 2021/7/9 8：00 69

黃浦路 2021/7/9 8：00 68

凌水路 2021/7/9 8：00 54

學子街 2021/7/9 8：00 35

廣賢路 2021/7/9 8：00 19

火炬路 2021/7/9 8：00 17

愛賢街 2021/7/9 8：00 16

七賢東路 2021/7/9 8：00 9

敬賢街 2021/7/9 8：00 9

科海街 2021/7/9 8：00 9

從表1可以看出，紅凌路橋、黃浦路排放數值高，結合GIS這兩條路段早高峰嚴重擁堵，說明這兩條路段為PM2.5排放重點路段，凌水路、學子街排放數值較高，這兩條路段屬于擁堵路段，也是PM2.5排放重點路段。七賢東路等路段屬于暢通路段，PM2.5排放量較少，對大氣子站影響也較少。

2.2.2 機動車尾氣排放24 h量化

表2 24 h子站周邊道路的PM2.5量化數值

道路名稱 統計時間 PM2.5量化/（μg/m3）

黃浦路 2021/7/9 526

紅凌路橋 2021/7/9 347

廣賢路 2021/7/9 347

凌水路 2021/7/9 337

七賢東路 2021/7/9 324

學子街 2021/7/9 269

火炬路 2021/7/9 264

愛賢街 2021/7/9 239

敬賢街 2021/7/9 216

科海街 2021/7/9 216

從表2可以看出，黃浦路、紅凌路橋、廣賢路、凌水路、七賢東路等路段全天對PM2.5總量貢獻較大。從24 h量化的排放情況來看，黃浦路24 h PM2.5量化為526 μg/m3，明顯高于其他路街，說明黃浦路全天車流量均比較大，是重點管控路段。紅凌路橋、廣賢路、凌水路、七賢東路排放數值較高，也是PM2.5排放重點路段。相比較于早上8：00時數值，七賢東路數值上升較快，說明全天七賢東路可能有時段比較擁堵。

2.2.3 機動車尾氣排放7 d量化

從表3可以看出，黃浦路7 d量化數值仍舊是最高的，說明是重點管控路段。廣賢路、凌水路、紅凌路橋等路段在一周內對PM2.5總量貢獻較大。綜合機動車尾氣交通高峰期間排放情況和一周排放總量，黃浦路、廣賢路、凌水路、紅凌路橋等道路應作為交通源控制重點路段。

表3 7 d內子站周邊道路的PM2.5量化數值

道路名稱 統計時間 PM2.5量化/（μg/m3）

黃浦路 2021/7/9—2021/7/15 2740

廣賢路 2021/7/9—2021/7/15 2101

凌水路 2021/7/9—2021/7/15 2012

紅凌路橋 2021/7/9—2021/7/15 1948

學子街 2021/7/9—2021/7/15 1837

七賢東路 2021/7/9—2021/7/15 1813

火炬路 2021/7/9—2021/7/15 1742

愛賢街 2021/7/9—2021/7/15 1635

敬賢街 2021/7/9—2021/7/15 1512

科海街 2021/7/9—2021/7/15 1512

2.3 七賢嶺大氣國控子站周邊環境分析及氣體流動計算仿真模擬

從圖5中可以看出，高新區國控子站點的地理位置四周高，中間低，西邊為高山，東、南、北邊均為高樓，這種特點的地形結構不利于空氣流動，通常會有空氣下沉、局部渦流、不利擴散等特性。通過氣體流動計算仿真模擬可以看出，各高層建筑之間會形成渠道效應、漩渦及下沖等現象，造成局部空氣污染嚴重。

3 結論

（1）通過綠色交通體系建設、優化道路布局等手段，降低小型客車的使用強度，有效降低其污染排放?？梢圆捎迷搭^替代的方式，通過財政、稅收、政府采購、通行便利等措施，推動新能源配套基礎設施建設，推廣使用節能環保型機動車或新能源機動車。對于已經行駛里程較高的出租車、租賃汽車、老舊汽車或從事運輸經營的小型車輛，應加強維護保養、要求更換尾氣凈化裝置、淘汰更新等措施，以降低在用小型客車的排放水平。

（2）在靜穩態氣象條件下，要加強黃浦路、紅凌路橋、廣賢路、凌水路等路段車輛通行管控，其中黃浦路尤為突出，避免擁堵造成尾氣集中排放，出現污染疊加影響。

參考文獻：

[1] Colvile R N，Hutchinson E J，Mindell J S，et al.The transport sector as a source of air pollution[J].Atmospheric Environment，2001，35（1），537-565.

[2] 王瑋，劉紅杰，劉文濤，等.機動車排放顆粒物采集系統參數的研究和測試[J].環境科學研究，2001，14（4）：51-53.

[3] 王英，杜堯國，王瑋，等.機動車排放污染的主要監測方法和手段[J].環境科學研究，2001，14（4）：60-63.

[4] 霍紅，賀克斌，王歧東.機動車污染排放模型研究綜述[J].環境污染與防治，2006（7）：526-530.

[5] 王歧東，丁焰.中國機動車排放模型的研究與展望 [J].環境科學研究，2002，15（6）：52-55.

[6] 生態環境部：道路機動車大氣污染物排放清單編制技術指南（試行）[EB/OL].2014-12-31. http：//www.mee.gov.cn/gkml/hbb/bgg/201501/t20150107_293955.htm.

[7] Yang W，Yu C Y，Yuan W，et al.High-resolution vehicle emission inventory and emission control policy scenario analysis，a case in the Beijing-Tianjin-Hebei （BTH） region， China [J].Journal of Cleaner Production，2018（203）：530-539.

[8] Jiang P Y，Zhong X，Li L Y.On-road vehicle emission inventory and its spatio-temporal variations in North China Plain [J].Environmental Pollution，2020（267）：115639.

[9] 李荔，張潔，趙秋月，等.基于COPERT模型的江蘇省機動車時空排放特征與分擔率[J].環境科學，2018，39（9）： 3976-3986.

[10] 李媛，石嘉誠，陳軍輝，等.2010～2017年四川省機動車污染物排放趨勢分析[J].環境科學，2021，42（2）：643-652.

[11] 張峰飛.基于浮動車的交通服務信息系統關鍵技術研究 [D].北京：清華大學，2014.

[12] 易敏.上海市機動車污染實時排放預警系統設計與應用[J].中國環境監測，2020，36（2）：225-234.

[13] 陳泳釗，劉永紅，林曉芳，等.基于浮動車數據分析交通狀態對輕型車排放的影響[J].環境科學研究，2016， 29（4）：494-502.

[14] 趙大地，張宇，史旭榮，等.河南省1 km分辨率機動車大氣污染物排放清單[J].環境污染與防治，2022，44（4）：469-475.

[15] Huang C，Lou D M，Hu Z Y，et al.A PEMS study of the emissions of gaseous pollutants and ultrafifine particles from gasoline- and diesel-fueled vehicles[J]. Atmospheric Environment，2013，77（3）：703-710.

[16] 王燕軍，何巍楠，宋國華，等.北京市2017年典型日機動車動態排放特征研究[J].環境科學研究，2021，34（1）：141-148.

[17] 孫俊玲，王鵬焱，張慶華.交通限行對大氣顆粒物及PM2.5中二噁英的影響[J].中國環境監測，2019，35（5）：37-46.

[18] 沈旻昱，段玉森，盛濤，等.交通減排對上海2014年PM2.5污染影響的案例研究[J].環境監測管理與技術，2020（3）：29-33.

Impact of Vehicle Emissions on PM2.5 of Qixianling National Control Atmospheric Sub-station in Dalian Hi-tech District

ZOU Shun-ying， ZHAO Hui， WANG Si-yi， WANG Wei， SUN Wen-hao

（Dalian Ecological and Environmental Affairs Service Center， Dalian Liaoning 116600，China）

Abstracts： In order to discuss the impact of traffic conditions on PM2.5 emissions of vehicles， a quantitative relationship model between vehicle emissions and PM2.5 was established through data collection. It showed that the traffic status was an important factor affecting the total emissions of vehicles. Under different traffic conditions， the PM2.5 emissions of vehicles varied greatly. Under severe traffic congestion， the PM2.5 emissions were 6.45 times of those under smooth traffic conditions. Based on this， combined with GIS data， the PM2.5 emissions of 10 roads around Qixianling National Control Atmospheric Sub-station in Dalian Hi-tech District were given， and the causes of PM2.5 emissions were simulated with meteorological factors， and some management and control suggestions were given.

Key words： vehicle emission; traffic state; dynamic emission; cause of PM2.5; quantitative model

收稿日期：2024-01-30

基金項目：遼寧省應用基礎研究計劃項目（2022JH2/ 101300119）。

作者簡介：鄒順瑛（1981- ），女，高級工程師，碩士，主要研究方向為環境監測。

通信作者：孫文豪（1980-），男，高級工程師，博士，主要研究方向為環境監測。