Research on air pollution characteristics and influencing factors of typical urban road traffic densified monitoring stations
-
摘要:
基于“十四五”生态环境监测要求,针对目前国内城市道路交通加密监测点大气污染特征及影响因素相对缺乏这一问题,以移动源为主要大气污染来源的甘肃省兰州市为例,在典型道路两侧不同点位、不同高度监测6种常规大气污染物浓度及气象参数,同时获取道路车流量和车型信息,探究其大气污染特征及影响因素。结果表明:道路两侧及道路同侧不同高度处大气污染物监测浓度均存在差异。PM2.5、PM10浓度随高度升高而逐渐降低,在2 m高度处最高,SO2、NO2、CO、O3浓度均呈现随高度先升高再降低的趋势,在4 m高度处最高。SO2、NO2、PM2.5、PM10、CO小时浓度在05:00—09:00达到峰值,在15:00—17:00达到谷值;而O3小时浓度峰谷值的时间恰好相反。NO2、CO浓度受车流量影响较大,代表时段NO2浓度与重型货车流量表现出极强的相关性,CO浓度与小型客车流量表现出强相关性。监测时段6种污染物日均浓度与相对湿度均呈负相关;NO2、PM2.5、PM10、CO日均浓度与风速均呈负相关,O3日均浓度与风速呈正相关。
Abstract:Based on the requirements of the 14th Five-Year Plan (2021-2025) of ecological environment monitoring, aiming at the lack of study about air pollution characteristics and influencing factors of typical urban road traffic densified monitoring stations in China, the concentrations of six conventional air pollutants and meteorological parameters were monitored at different points and heights on both sides of typical roads in Lanzhou City, Gansu Province, where mobile sources were the main source of air pollution. Meanwhile, road traffic flow and vehicle type information were acquired to explore the characteristics and influencing factors of air pollution. The results showed that there existed differences in the concentrations of air pollutants on both sides of the road and at different locations on the same side of the road. The concentrations of PM2.5 and PM10 declined with the height of the monitoring sites increasing, peaking at 2-meter height, whereas SO2, NO2, CO, and O3 showed a trend of first increasing and then decreasing with height, reaching their highest concentrations at 4-meter height. Hourly concentrations of SO2, NO2, PM2.5, PM10 and CO peaked at 05:00 to 09:00 and troughed at 15:00 to 17:00; while O3 peaked and troughed at exactly the opposite time. The concentrations of NO2 and CO were greatly affected by the traffic flow. Furthermore, NO2 concentrations had a very strong correlation with the volume of heavy-duty trucks and CO concentrations had a strong correlation with the volume of light-duty passenger vehicles during the representative time period. During the monitoring period the daily average concentrations of the six pollutants were negatively correlated with relative humidity; the daily average concentrations of NO2, PM2.5, PM10 and CO were negatively correlated with wind speed, while O3 was positively correlated with wind speed.
-
随着国民经济的发展,我国机动车保有量迅速增长,截至2021年底全国机动车保有量达到3.95亿辆,比2020年增长6.2%[1]。与此同时,机动车污染问题日益突出,已成为影响城市环境空气质量的重要因素[2-4]。据统计,2021年全国机动车四项污染物(CO、HC、NOx、PM)年排放总量达到1 557.7万t[1]。大气污染物源解析结果表明,机动车尾气排放是颗粒物、VOCs等大气污染物的主要来源之一[4-7]。机动车排放的VOCs和NOx是生成O3的重要前体物,对夏季O3污染也有重要贡献[8-9]。此外,机动车排放属于近地排放,对长期暴露在交通环境或居住在交通密集区域的人群健康影响尤为突出[10-11]。因此,开展机动车大气污染物排放特征研究对于制定机动车污染治理对策、改善城市大气环境质量、降低对人类健康危害意义重大。
目前,国内外学者主要通过建立机动车排放清单[12-13]、模拟城市道路机动车污染物扩散特征[14-16]、开展路边空气质量监测[17-25]等方法研究机动车排放演变规律,为机动车环境监管决策提供科学依据。开展城市道路交通微环境下环境空气、气象、交通流等数据实测,能够为机动车排放清单建立、城市道路机动车污染物扩散模拟提供可靠的验证数据,逐渐得到了生态环境主管部门和研究者的重视[17-19]。《“十四五”生态环境监测规划》[17]明确提出直辖市、省会和重点区域城市要在主要干道设立路边空气质量监测站,开展PM2.5、非甲烷总烃(NMHC)、NOx和交通流量一体化监测,提升空气质量预测准确率。国内张晓春等[9]基于路边监测数据分析了道路交通排放的NOx和CO浓度受机动车的影响;李永锋等[18]研究了重庆市道路机动车排放NO2与车流变化特征关系;邹超等[20]基于国控点监测数据研究了NO2、CO与道路交通流的特征关系;程念亮等[21]分析了北京市交通环境监测站点的颗粒物、NOx、SO2的浓度分布特征;沈敏霞等[22]分析了西安市道路交通PM2.5、NO2和CO的水平浓度分布特征。国外Shi等[23]研究了道路不同距离处超细颗粒物浓度特征;Chung等[24]分析了道路附近超细颗粒物与交通源的关系;Longley等[25]对英国曼彻斯特典型街区颗粒物进行了实测,分析了颗粒物浓度与交通流、风速等的特征关系。
现有研究主要对机动车NO2、CO、颗粒物等大气污染物开展道路边监测分析,而同步系统全面开展SO2、NO2、PM2.5、PM10、CO、O3 6种常规大气污染物浓度与风速、风向、温度、相对湿度等气象参数及车流量相关影响因素的研究相对缺乏,基本未见在城市道路中布设交通加密监测点。此外,已有的该方面研究多关注东部发达地区,对于西北地区的关注较少。大气污染源解析结果显示,移动源是兰州地区大气污染主要来源[26]。近年来兰州市机动车保有量不断攀升,2016—2020年由89.9万辆增至114.5万辆,年均增长率达到6.25%。机动车尾气和工业大气污染物的耦合影响加之特殊的地理条件和气象特征,使得兰州市面临的环境空气质量治理形势更加复杂[27-28]。
笔者以兰州市为例,在典型道路布设交通加密监测点,监测不同点位及垂直高度处6种常规大气污染物(SO2、NO2、PM2.5、PM10、CO、O3)浓度及气象参数(风速、风向、温度、相对湿度等),同时获取道路车流量和车型信息,探究城市道路交通加密监测点大气污染特征,并分析其影响因素。研究成果可为道路交通空气质量监测站布局、机动车排放对环境空气质量的影响、精细化排放控制措施制定及公共健康研究提供科学支撑。
1. 材料与方法
1.1 研究区域
为加强机动车排气污染防治监管,有效控制机动车尾气污染,持续改善城区空气环境质量,近年来兰州市生态环境局在兰州市城区出入口和主要运输通道选取典型点位开展车流量监测。
充分考虑交通流量特征、道路空气质量监测站加密布设的现场条件等因素,选取兰州市城关区佛慈大街为研究对象。佛慈大街是G109国道自北向南穿行兰州城区的交通干道,道路等级为城市主干路,双向六车道,全长约2.3 km,路幅宽度30 m,设计车速为50 km/h。
1.2 研究方法
监测时段为2021年7月1—30日,监测对象为6种常规大气污染物浓度及气象参数,采用空气质量传感网络监测仪(XHAQSN-812,河北先河环保科技股份有限公司)进行连续监测采样,监测结果为小时数值。为保证空气质量传感网络监测仪监测数据的有效及准确性,监测设备采样前均已完成调试和校准,设备的准确度等级和测量误差均达到RJGF 008—2021《 网格化环境空气质量 监测仪 认证技术规范》的技术要求。
利用杆架设施在监测路段内两侧对称设置4个道路交通加密监测点,V1、V2与V3、V4监测点间隔500 m,测点高度分别为2、4、6 m,距离道路边缘0.3~0.6 m。道路监测点信息及示意见表1、图1和图2。监测道路的车流量和车型相关信息从兰州市机动车尾气遥感监测平台获取。车流量为日均流量,车型主要包括小型客车、中型客车、大型客车、重型货车、小型货车等。常规监测站空气质量监测数据从兰州市生态环境局获取。采用SigmaPlot 10.0软件进行数据统计分析和绘图。
表 1 道路交通加密监测点经纬度信息Table 1. Longitude and latitude information of road densified traffic monitoring sites监测点 东经/(°) 北纬/(°) V1 103.836 8 36.084 1 V2 103.836 8 36.083 6 V3 103.838 2 36.086 4 V4 103.837 8 36.086 5 2. 结果与讨论
2.1 大气污染物浓度变化特征
2.1.1 不同点位污染物浓度变化特征
表2为不同道路交通加密监测点的大气污染物日均浓度。由表2可知,V1、V2、V3、V4监测点SO2、NO2、PM2.5、PM10、O3及CO日均浓度分别为2.2~10.9、23.6~75.2、15.7~37.5、33.9~107.2、66.8~124.0 μg/m3及0.352~0.848 mg/m3。虽然各监测点大气污染物日均浓度表现不同,但均能满足GB 3095—2012《环境空气质量标准》二级标准限值。获取常规监测站(兰州市生物制品所)同期数据,常规监测站与V1、V2、V3、V4监测点的距离均为1 km内。监测时段V1、V2、V3、V4监测点SO2、NO2、PM2.5、PM10、O3及CO平均浓度分别为4.3~7.1、38.1~52.6、21.3~24.9、56.7~65.2、93.8~104.2 μg/m3及0.441~0.560 mg/m3(图3),常规监测站平均浓度分别为8.7、41.1、17.8、52.1、81.1 μg/m3及0.574 mg/m3。与常规监测站相比,V1、V2、V3、V4监测点SO2、CO平均浓度分别偏低18.4%~50.3%、2.5%~23.2%;PM2.5、PM10、O3平均浓度分别偏高19.2%~39.9%、8.8%~25.0%、15.5%~28.5%;NO2平均浓度V1、V3、V4监测点分别偏高12.6%、27.8%、20.8%,V2监测点偏低7.4%。从变化趋势上,监测时段道路交通加密监测点NO2、PM10平均浓度与常规监测站Pearson相关系数分别为0.76、0.78(Pearson相关系数越接近1或−1,相关性越强)。
表 2 不同道路交通加密监测点的大气污染物日均浓度范围Table 2. Range of daily average concentration of air pollutants at different road densified traffic monitoring sites监测点 SO2日均浓度/
(μg/m3)NO2日均浓度/
(μg/m3)PM2.5日均浓度/
(μg/m3)PM10日均浓度/
(μg/m3)CO日均浓度/
(mg/m3)O3日均浓度/
(μg/m3)V1 2.2~7.8 27.1~67.1 15.7~32.0 42.7~101.5 0.371~0.713 76.9~124.0 V2 4.1~7.0 25.0~51.4 16.4~32.8 43.4~90.9 0.352~0.636 66.8~109.4 V3 5.2~10.9 29.2~75.2 19.4~37.5 39.9~107.2 0.407~0.848 67.3~119.9 V4 4.9~8.9 23.6~74.2 16.5~33.2 33.9~98.5 0.375~0.813 68.9~114.1 由图3可见,SO2、NO2、PM2.5、PM10、CO污染水平较高的监测点均为V3,O3污染水平较高的监测点为V1;SO2、PM2.5污染水平较低的监测点均为V1,NO2、CO、O3污染水平较低的监测点均为V2,PM10污染水平较低的监测点为V4。总体上,与污染水平较低的监测点相比,污染水平较高的监测点SO2、NO2、PM2.5、PM10、CO、O3浓度分别增加64.1%、38.0%、17.3%、14.9%、26.9%、11.2%。
选取NO2为代表污染物,进一步分析不同监测点风向及污染物浓度特征。图4为不同道路交通加密监测点的NO2因子风向玫瑰图。由图4可见,不同监测点主导风向存在差异,V1、V2、V3、V4监测点NO2浓度高值的主导风向分别为西南风、南风、南风和东北偏东风、东南风。从南向北方向,V1、V4位于道路左侧,V2、V3位于道路右侧。可见,道路两侧及道路同侧不同位置处大气污染物监测浓度均存在差异。
2.1.2 不同高度污染物浓度变化特征
图5为不同高度道路交通加密监测点的大气污染物浓度变化。由图5可见,随高度不断升高,PM2.5、PM10浓度均呈逐渐降低的趋势,2 m高度处其浓度分别为23.9和64.0 μg/m3,6 m高度处其浓度分别为22.1和61.2 μg/m3。SO2、NO2、O3及CO浓度均随高度呈现先升高再降低的趋势,2 m高度处其浓度分别为5.1、43.2、95.0 μg/m3及0.50 mg/m3,4 m高度处其浓度分别为6.7、54.6、103.7 μg/m3及0.55 mg/m3,6 m高度处其浓度分别为5.9、44.4、96.4 μg/m3及0.51 mg/m3。整体而言,PM2.5、PM10浓度2 m高度处最高,6 m高度处最低。相比2 m高度,6 m高度处PM2.5、PM10浓度分别降低7.8%和4.4%。SO2、NO2、CO、O3浓度4 m高度处最高,2 m高度处最低。相比4 m高度,2 m高度处SO2、NO2、CO、O3浓度分别降低23.1%、20.9%、9.7%、8.4%。2、4、6 m高度处平均风速分别为0.83、0.86、0.90 m/s,相对湿度分别为36.1%、37.8%、37.5%,温度分别为28.8、27.5、27.2 ℃。不同高度处气象条件无显著差异,2 m高度处风速和相对湿度最低、温度最高,6 m高度处风速、相对湿度分别升高0.07 m/s、1.4%,温度降低1.6 ℃。可见,受交通流量影响,近地面处的大气污染物浓度相对偏高。大气污染物浓度随高度的变化特征可能与机动车排气管位置、污染物理化特性、扩散条件等因素有关。
2.1.3 污染物日均浓度变化特征
将1—30日道路交通加密监测点不同高度平均污染物浓度进行综合计算,如图6所示。由图6可见,道路交通加密监测点的SO2、NO2、PM2.5、PM10、O3及CO日均浓度最小值分别为4.4、27.3、17.1、40.2、70.8 μg/m3及0.398 mg/m3,最大值分别为8.1、68.9、33.9、100.2、120.6 μg/m3及0.752 mg/m3,平均值分别为5.9、47.6、23.0、63.4、99.2 μg/m3及0.516 mg/m3,各污染物日均浓度均能满足GB 3095—2012二级标准限值。SO2、NO2、PM2.5、PM10、CO、O3日均浓度最大值分别出现在11日、30日、1日、30日、26日、30日,最小值分别出现在25日、2日、21日、21日、2日、26日。从日均浓度变化趋势来看,PM10与NO2、PM10与PM2.5日均浓度变化趋势较为一致,Pearson相关系数分别为0.85、0.76。这与国内相关学者[27]研究结果基本一致,机动车排放NO2的同时伴随着PM10、PM2.5的排放,PM10中包含PM2.5,二者具有同源性,因此呈现正相关关系。同时,NO2与CO日均浓度变化趋势也具有相似性,Pearson相关系数为0.81。因此,PM10与NO2、PM10与PM2.5、NO2与CO日均浓度变化趋势表现出极强的相关性。
2.1.4 污染物小时浓度变化特征
图7为道路交通加密监测站点的大气污染物小时浓度变化。由图7可见,SO2、NO2、PM2.5、PM10、CO小时浓度均呈现先升高后降低再升高的趋势,而O3小时浓度呈现相反的变化趋势。SO2小时浓度在09:00达到峰值(11.3 μg/m3),在17:00达到谷值(3.9 μg/m3);NO2小时浓度在09:00达到峰值(81.1 μg/m3),在15:00达到谷值(22.7 μg/m3);PM2.5小时浓度在08:00达到峰值(30.9 μg/m3),在15:00达到谷值(16.8 μg/m3);PM10小时浓度在05:00达到峰值(90.6 μg/m3),在15:00达到谷值(40.2 μg/m3);CO小时浓度在09:00达到峰值(1.00 mg/m3),在16:00达到谷值(0.35 mg/m3);O3小时浓度在16:00达到峰值(157.2 μg/m3),在07:00达到谷值(51.0 μg/m3)。
总体来看,SO2、NO2、PM2.5、PM10、CO、O3的小时浓度峰值分别为谷值的2.9、3.6、1.8、2.3、2.9、3.1倍。SO2、NO2、PM2.5、PM10、CO小时浓度在05:00—09:00达到峰值,在15:00—17:00达到谷值;而O3小时浓度峰谷值的时间恰好相反。这与兰州市大气污染物特征、典型城市O3浓度日变化特征基本一致[27,29],O3生成的主要影响因素包括NOx、VOCs等前体物浓度、光化学反应强度、大气扩散能力等,机动车排放的NOx浓度较高时,对O3的生成具有抑制作用。
2.1.5 工作日与周末污染物浓度变化特征
图8为道路交通加密监测站点的大气污染物工作日与周末浓度对比。由图8可见,SO2、NO2、PM2.5、PM10、CO污染水平周末高于工作日,而O3恰好相反。SO2、NO2、PM2.5、PM10、O3及CO工作日平均浓度分别为5.8、45.8、22.8、61.5、99.3 μg/m3及0.50 mg/m3,周末平均浓度分别为6.1、51.1、23.1、65.9、96.0 μg/m3及0.55 mg/m3。整体上,SO2、NO2、PM2.5、PM10、CO污染水平周末分别高于工作日5.4%、11.4%、1.5%、7.1%、8.9%,O3污染水平周末低于工作日3.3%。具体而言,SO2、CO的污染水平高值均出现在星期二,低值均出现在星期一;NO2、PM10的污染水平高值均出现在星期六,低值分别出现在星期一、星期三;PM2.5的污染水平高值出现在星期四,低值为星期五;O3的污染水平高值出现在星期五,低值为星期日。
2.2 道路交通车流量及气象特征
2.2.1 车流量及车型统计
佛慈大街不同车型车流量统计见图9。由图9可见,1—30日车流量为4 050~15 394辆,平均车流量为12 163辆,车流量最大值出现在3日,最小值出现在24日。车型占比为小型客车>中型客车>小型货车>大型客车>重型货车,小型客车和中型客车是道路的主要车型,占比分别为51.2%、35.1%。研究进一步统计了监测时段星期一至星期日平均车流量:星期五平均车流量最大,为13 698辆;星期四平均车流量最小,为10 795辆。与星期五相比,星期四车流量降幅为21%。
2.2.2 气象特征
监测时段日均风速、相对湿度、温度变化见图10。由图10可见,佛慈大街日均风速为0.6~1.5 m/s,日均相对湿度为18.9%~55.4%,日均温度为23.2~31.7 ℃。小时平均风速最高值为2.0 m/s,出现在17:00;最低值为0.2 m/s,出现在06:00。小时平均相对湿度最高值为60.8%,出现在07:00;最低值为16.8%,出现在17:00。小时平均温度最高值为38.2 ℃,出现在17:00;最低值为20.0 ℃,出现在07:00。1—30日风速、相对湿度、温度平均值分别为0.9 m/s、36.5%、27.9 ℃。整体而言,监测时段风速较低,相对湿度不大,温度偏高。
2.3 大气污染物特征影响因素
2.3.1 污染物浓度与车流量相关性分析
城市道路大气污染物浓度与车流量密切相关。选取具有代表性的NO2、CO分析其与车流量的变化趋势。图11是道路交通加密监测点NO2、CO浓度与车流量相关性。由图11可见,NO2、CO浓度受车流量影响较大,车流量越大,其浓度越高。具体至车型,NO2浓度主要受重型货车流量影响,CO浓度主要受小型客车流量影响。选取代表时段1—5日、25—30日进一步计算其Pearson相关系数,结果分别见图12和图13。由图12可见,1—5日NO2、CO浓度与车流量的Pearson相关系数分别为0.72、0.78,其中NO2浓度与重型货车流量的Pearson相关系数为0.94,CO浓度与小型客车流量的Pearson相关系数为0.79。由图13可见,25—30日NO2、CO浓度与车流量的Pearson相关系数分别为0.94、0.62,其中NO2浓度与重型货车流量的Pearson相关系数为0.84,CO浓度与小型客车流量的Pearson相关系数为0.60。可见,代表时段NO2浓度与重型货车流量表现出极强的相关性,CO浓度与小型客车流量表现出强相关性。这与相关研究[1,18,20,30]的结论较为一致,NO2是交通站点的指示性污染物,CO的产生与道路交通源的排放有明显相关性;柴油车NOx排放量超过汽车排放总量的80%,汽油车CO排放量超过汽车排放总量的80%。
2.3.2 污染物浓度与气象条件相关性分析
气象条件是影响城市道路大气污染物浓度的另一主要因素。研究分别计算了SO2、NO2、PM2.5、PM10、CO、O3浓度与风速、相对湿度、温度的Pearson相关系数,结果见表3。由表3可知,NO2、PM2.5、PM10、CO浓度与风速均呈负相关,O3浓度与风速呈正相关,SO2浓度与风速相关性极小。SO2、NO2、PM2.5、PM10、CO、O3浓度与相对湿度均呈负相关。SO2、NO2、PM10、CO、O3浓度与温度均呈正相关,PM2.5浓度与温度呈负相关。由图14可见,PM2.5浓度与风速的Pearson相关系数可达−0.59,NO2浓度与相对湿度的Pearson相关系数可达−0.67。
表 3 道路交通加密监测点大气污染物浓度与气象要素的Pearson相关系数Table 3. Pearson correlation coefficient between mass concentration of air pollutants and meteorological elements at road traffic densified monitoring sites气象要素 SO2 NO2 PM2.5 PM10 CO O3 风速 0.01 −0.30 −0.59 −0.52 −0.27 0.40 相对湿度 −0.38 −0.67 −0.23 −0.64 −0.28 −0.53 温度 0.17 0.38 −0.24 0.16 0.16 0.60 一般情况下,风速越大,越有利于污染物扩散,NO2、PM2.5、PM10、CO浓度越小;风速较低时,尤其接近静风状态,扩散条件越差,NO2、PM2.5、PM10、CO浓度越大。当相对湿度较高时,大气扩散条件较差,导致大气污染物浓度的积累,大气污染物浓度较高。监测时段大气污染物浓度与相对湿度均呈负相关,这可能与监测时段兰州市气候条件、监测位置等要素有关。而O3浓度的高低与温度、相对湿度、辐射、边界层高度等气象要素密切相关,高温、低湿、光照充足的气象条件易导致O3污染形成。
相关研究表明,在小风速、稳定的大气环境及本地源污染物持续排放累积条件下形成的静稳型重污染天气是兰州市最主要的大气重污染类型[31]。机动车污染物排放属于本地源,因此,控制兰州市机动车污染排放有利于改善兰州市空气质量。
3. 结论
(1)道路两侧及道路同侧不同位置处大气污染物监测浓度均存在差异。与污染水平较低的监测点相比,6种大气污染物污染水平较高的监测点浓度增加11%~65%。在不同高度上,PM2.5、PM10浓度均呈现随高度升高而逐渐降低的趋势,在2 m处最高;SO2、NO2、CO、O3浓度均呈现先升高再降低的趋势,在4 m处最高。
(2)各污染物日均浓度均能满足GB 3095—2012二级标准限值,PM10与NO2、PM10与PM2.5、NO2与CO浓度变化趋势表现出极强的相关性。SO2、NO2、PM2.5、PM10、CO小时浓度在05:00—09:00达到峰值,在15:00—17:00达到谷值;而O3小时浓度峰谷值的时间恰好相反。SO2、NO2、PM2.5、PM10、CO污染水平周末分别高于工作日5.4%、11.4%、1.5%、7.1%、8.9%,O3污染水平周末低于工作日3.3%。
(3)监测时段日均车流量为4 050~15 394辆,小型客车和中型客车是道路的主要车型,占比分别为51.2%、35.1%。NO2、CO浓度受车流量影响较大,车流量越大,NO2、CO浓度越高。代表时段NO2浓度与重型货车流量表现出极强的相关性,CO浓度与小型客车流量表现出强相关性。
(4)监测时段风速、相对湿度、温度平均值分别为0.9 m/s、36.5%、27.9 ℃,风速较低,相对湿度不大,温度偏高。NO2、PM2.5、PM10、CO浓度与风速均呈负相关,O3浓度与风速呈正相关。SO2、NO2、PM2.5、PM10、CO、O3浓度与相对湿度均呈负相关。SO2、NO2、PM10、CO、O3浓度与温度均呈正相关,PM2.5浓度与温度呈负相关。
-
表 1 道路交通加密监测点经纬度信息
Table 1 Longitude and latitude information of road densified traffic monitoring sites
监测点 东经/(°) 北纬/(°) V1 103.836 8 36.084 1 V2 103.836 8 36.083 6 V3 103.838 2 36.086 4 V4 103.837 8 36.086 5 表 2 不同道路交通加密监测点的大气污染物日均浓度范围
Table 2 Range of daily average concentration of air pollutants at different road densified traffic monitoring sites
监测点 SO2日均浓度/
(μg/m3)NO2日均浓度/
(μg/m3)PM2.5日均浓度/
(μg/m3)PM10日均浓度/
(μg/m3)CO日均浓度/
(mg/m3)O3日均浓度/
(μg/m3)V1 2.2~7.8 27.1~67.1 15.7~32.0 42.7~101.5 0.371~0.713 76.9~124.0 V2 4.1~7.0 25.0~51.4 16.4~32.8 43.4~90.9 0.352~0.636 66.8~109.4 V3 5.2~10.9 29.2~75.2 19.4~37.5 39.9~107.2 0.407~0.848 67.3~119.9 V4 4.9~8.9 23.6~74.2 16.5~33.2 33.9~98.5 0.375~0.813 68.9~114.1 表 3 道路交通加密监测点大气污染物浓度与气象要素的Pearson相关系数
Table 3 Pearson correlation coefficient between mass concentration of air pollutants and meteorological elements at road traffic densified monitoring sites
气象要素 SO2 NO2 PM2.5 PM10 CO O3 风速 0.01 −0.30 −0.59 −0.52 −0.27 0.40 相对湿度 −0.38 −0.67 −0.23 −0.64 −0.28 −0.53 温度 0.17 0.38 −0.24 0.16 0.16 0.60 -
[1] 生态环境部. 中国移动源环境管理年报(2022年)[A/OL]. (2022-12-07)[2022-12-10]. https://www.mee.gov.cn/hjzl/sthjzk/ydyhjgl/202212/t20221207_1007111.shtml. [2] CHENG S Y, LANG J L, ZHOU Y, et al. A new monitoring-simulation-source apportionment approach for investigating the vehicular emission contribution to the PM2.5 pollution in Beijing, China[J]. Atmospheric Environment,2013,79:308-316. DOI: 10.1016/j.atmosenv.2013.06.043
[3] LIU Y, ZHONG C Z, PENG J F, et al. Evaporative emission from China 5 and China 6 gasoline vehicles: emission factors, profiles and future perspective[J]. Journal of Cleaner Production,2022,331:129861. DOI: 10.1016/j.jclepro.2021.129861
[4] 解淑霞, 黄志辉, 王鑫, 等.阳泉市2017年基于交通流量的机动车排放清单[J]. 环境工程技术学报,2021,11(2):226-233. XIE S X, HUANG Z H, WANG X, et al. Emission inventory of motor vehicle based on traffic flow for Yangquan City in 2017[J]. Journal of Environmental Engineering Technology,2021,11(2):226-233.
[5] 陈天增, 葛艳丽, 刘永春, 等.我国机动车排放VOCs及其大气环境影响[J]. 环境科学,2018,39(2):478-492. CHEN T Z, GE Y L, LIU Y C, et al. VOCs emission from motor vehicles in China and its impact on the atmospheric environment[J]. Environmental Science,2018,39(2):478-492.
[6] DENG T, WU D, DENG X J, et al. A vertical sounding of severe haze process in Guangzhou area[J]. Science China Earth Sciences,2014,57(11):2650-2656. DOI: 10.1007/s11430-014-4928-y
[7] LONG S L, ZENG J R, LI Y, et al. Characteristics of secondary inorganic aerosol and sulfate species in size-fractionated aerosol particles in Shanghai[J]. Journal of Environmental Sciences,2014,26(5):1040-1051. DOI: 10.1016/S1001-0742(13)60521-5
[8] 吴潇萌. 中国道路机动车空气污染物与CO2排放协同控制策略研究[D]. 北京: 清华大学, 2016. [9] 张晓春, 丘建栋, 屈新明, 等.深圳市交通排放污染物浓度特征与影响因素[J]. 深圳大学学报(理工版),2020,37(2):178-186. DOI: 10.3724/SP.J.1249.2020.02178 ZHANG X C, QIU J D, QU X M, et al. Characteristics and influencing factors of traffic pollutant emission concentration in Shenzhen City[J]. Journal of Shenzhen University (Science and Engineering),2020,37(2):178-186. DOI: 10.3724/SP.J.1249.2020.02178
[10] 范武波, 陈军辉, 钱骏, 等.机动车尾气对人体健康的危害[J]. 中国环境管理,2016,8(1):110-113. FAN W B, CHEN J H, QIAN J, et al. Effects of vehicle emissions on human's health[J]. Chinese Journal of Environmental Management,2016,8(1):110-113.
[11] WU X F, VU T V, HARRISON R M, et al. Long-term characterization of roadside air pollutants in urban Beijing and associated public health implications[J]. Environmental Research, 2022, 212(Pt B): 113277.
[12] 沈岩, 武彤冉, 闫静, 等.基于COPERT模型北京市机动车大气污染物和二氧化碳排放研究[J]. 环境工程技术学报,2021,11(6):1075-1082. SHEN Y, WU T R, YAN J, et al. Investigation on air pollutants and carbon dioxide emissions from motor vehicles in Beijing based on COPERT model[J]. Journal of Environmental Engineering Technology,2021,11(6):1075-1082.
[13] PERUGU H. Emission modelling of light-duty vehicles in India using the revamped VSP-based MOVES model: the case study of Hyderabad[J]. Transportation Research Part D: Transport and Environment,2019,68:150-163. DOI: 10.1016/j.trd.2018.01.031
[14] WEN H, MALKI-EPSHTEIN L. A parametric study of the effect of roof height and morphology on air pollution dispersion in street canyons[J]. Journal of Wind Engineering and Industrial Aerodynamics,2018,175:328-341. DOI: 10.1016/j.jweia.2018.02.006
[15] BUCCOLIERI R, JEANJEAN A P R, GATTO E, et al. The impact of trees on street ventilation, NOx and PM2.5 concentrations across heights in Marylebone Rd street canyon, central London[J]. Sustainable Cities and Society,2018,41:227-241. DOI: 10.1016/j.scs.2018.05.030
[16] CHATZIMICHAILIDIS A E, ARGYROPOULOS C D, ASSAEL M J, et al. Qualitative and quantitative investigation of multiple large eddy simulation aspects for pollutant dispersion in street canyons using OpenFOAM[J]. Atmosphere,2019,10(1):17. DOI: 10.3390/atmos10010017
[17] 生态环境部. “十四五”生态环境监测规划[A/OL]. (2021-12-28)[2022-12-10]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk03/202201/t20220121_967927.html. [18] 李永锋, 马杰, 王胜蓝, 等.重庆市典型道路机动车排放NO2污染特征[J]. 环境工程技术学报,2022,12(5):1601-1608. LI Y F, MA J, WANG S L, et al. Research on the pollution characteristics of NO2 emitted by motor vehicles on typical roads in Chongqing[J]. Journal of Environmental Engineering Technology,2022,12(5):1601-1608.
[19] 倪艳姝. 交通微环境中汽车排气PM2.5扩散及影响因素研究[D]. 哈尔滨: 东北林业大学, 2016. [20] 邹超, 吴琳, 李笑语, 等.南京市交通流与NO2、CO时空分布特征关系研究[J]. 环境科学学报,2017,37(10):3894-3905. ZOU C, WU L, LI X Y, et al. Relationship between traffic flow and temporal and spatial variations of NO2 and CO in Nanjing[J]. Acta Scientiae Circumstantiae,2017,37(10):3894-3905.
[21] 程念亮, 李珊珊, 王欣, 等.北京市交通环境监测点大气污染特征分析[J]. 环境监测管理与技术,2019,31(6):7-11. CHENG N L, LI S S, WANG X, et al. Characteristics of air pollution at traffic environmental monitoring stations in Beijing[J]. The Administration and Technique of Environmental Monitoring,2019,31(6):7-11.
[22] 沈敏霞, 曹军骥, 张宁宁, 等.西安市道路PM2.5 NO2 CO水平浓度分布特征[J]. 环境科学研究,2017,30(1):130-136. SHEN M X, CAO J J, ZHANG N N, et al. Horizontal concentration distribution characteristics of PM2.5, NO2 and CO on Xi'an roads[J]. Research of Environmental Sciences,2017,30(1):130-136.
[23] SHI J P, KHAN A A, HARRISON R M. Measurements of ultrafine particle concentration and size distribution in the urban atmosphere[J]. Science of the Total Environment,1999,235(1/2/3):51-64.
[24] CHUNG A, HERNER J D, KLEEMAN M J. Detection of alkaline ultrafine atmospheric particles at Bakersfield, California[J]. Environmental Science & Technology,2001,35(11):2184-2190.
[25] LONGLEY I D, GALLAGHER M W, DORSEY J R, et al. A case study of aerosol (4.6 nm Dp 10 μm) number and mass size distribution measurements in a busy street canyon in Manchester, UK[J]. Atmospheric Environment,2003,37(12):1563-1571. DOI: 10.1016/S1352-2310(03)00010-4
[26] 王恬爽, 牛笑应, 文惠, 等.兰州地区大气污染的化学组成及来源解析[J]. 环境科学学报,2022,42(11):351-360. WANG T S, NIU X Y, WEN H, et al. Chemical composition and source attribution of air pollutants in Lanzhou[J]. Acta Scientiae Circumstantiae,2022,42(11):351-360.
[27] 陈瑞, 孙建云, 魏巧珍, 等.2014—2020年兰州市大气污染物特征及变化趋势分析[J]. 卫生研究,2021,50(5):769-774. CHEN R, SUN J Y, WEI Q Z, et al. The characteristics and change trends of air pollutants in Lanzhou City from 2014 to 2020[J]. Journal of Hygiene Research,2021,50(5):769-774.
[28] 庞可. 基于道路交通碳达峰情景的兰州市环境空气质量改善研究[D]. 兰州: 兰州大学, 2022. [29] 严晓瑜, 缑晓辉, 杨婧, 等.中国典型城市臭氧变化特征及其与气象条件的关系[J]. 高原气象,2020,39(2):416-430. YAN X Y, GOU X H, YANG J, et al. The variety of ozone and its relationship with meteorological conditions in typical cities in China[J]. Plateau Meteorology,2020,39(2):416-430.
[30] 楚芳婕, 孙爽, 李令军, 等.2018—2020年北京市交通监测站点大气污染特征分析[J]. 中国环境科学,2021,41(12):5548-5560. DOI: 10.3969/j.issn.1000-6923.2021.12.010 CHU F J, SUN S, LI L J, et al. Characteristics of the atmospheric pollutants at traffic monitoring sites in Beijing during 2018-2020[J]. China Environmental Science,2021,41(12):5548-5560. DOI: 10.3969/j.issn.1000-6923.2021.12.010
[31] ZHAO J G, WANG S G, ZHANG T Y, et al. The analysis of meteorological factors causing heavy air pollution in Lanzhou[J]. Acta Scientiae Circumstantiae,2015,35(5):1547-1555. □
-
期刊类型引用(9)
1. 张发雄,胡栋亮,曾德林,廖升友,苏文强,卢一乐,官维. 某V型发动机噪声声源及声品质研究. 内燃机与配件. 2025(01): 21-23 . 百度学术
2. 卢振生,王磊,王迎辉,孟繁龙,陈艳娜. 基于灰色关联度法的发动机噪声影响因素及降噪研究. 时代汽车. 2024(03): 7-9 . 百度学术
3. 李鹏. 对环境监测下工业大气污染治理的探讨与分析. 天津化工. 2024(02): 119-121 . 百度学术
4. 高崑梅. 大气污染的危害及应对策略. 造纸装备及材料. 2024(02): 136-138 . 百度学术
5. 姬蓉,姚成,崔鹏义,黄远东,罗杨,杨瑞涛. 树干高度耦合壁面热效应对城市街谷内污染扩散的影响研究. 环境工程技术学报. 2024(03): 808-817 . 本站查看
6. 王薇,陈昌萍,郑翥鹏,张祥敏. 灌木篱墙对高架桥街道峡谷内CO扩散的影响. 环境工程技术学报. 2024(03): 818-825 . 本站查看
7. 屈小梭,张桂伟,夏俊,孙爱珍,姜艳,谷超,韩雪梅,白雯宇,彭云,赵江坤. 阿勒泰市移动源排放清单及时空分布特征. 环境工程技术学报. 2024(04): 1218-1224 . 本站查看
8. 魏运芳,慕秀香,曹满,何佳融. 融合边缘计算技术与数据挖掘的大气污染物监测研究. 环境科学与管理. 2024(11): 130-135 . 百度学术
9. 祝浪. 大气污染防治网格化监测的运用分析. 造纸装备及材料. 2023(08): 166-168 . 百度学术
其他类型引用(2)