魯 楠， 姚恩建， 潘 龍， 潘 征

(1.北京交通大學(xué) 城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實驗室， 北京 100044;2.日電(中國)有限公司， 北京 100084)

?

基于高斯擴(kuò)散模型的北京市道路交通空氣污染的敏感性分析

魯 楠1， 姚恩建1， 潘 龍1， 潘 征2

(1.北京交通大學(xué) 城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實驗室， 北京 100044;2.日電(中國)有限公司， 北京 100084)

為準(zhǔn)確估算城市道路交通造成的空氣污染，通過將高斯擴(kuò)散模型應(yīng)用于北京市道路交通空氣污染的估算，對模型的適應(yīng)性和道路交通空氣污染對于污染物擴(kuò)散影響因素的敏感性等進(jìn)行研究. 首先，在對模型特點(diǎn)分析的基礎(chǔ)上，結(jié)合研究區(qū)域,初步定性地分析模型的適應(yīng)性；然后，結(jié)合北京市空氣污染物濃度監(jiān)測站的實測數(shù)據(jù)，采用偏差因子等統(tǒng)計指標(biāo)對高斯擴(kuò)散模型性能進(jìn)行評價；最后，基于控制變量方法分析北京市道路交通空氣污染對影響擴(kuò)散的因素(如風(fēng)速和風(fēng)向等)的敏感性. 結(jié)果顯示，高斯擴(kuò)散模型能較好地適用于北京市道路交通空氣污染的估算，而且其對風(fēng)速、風(fēng)向和云量有較強(qiáng)的敏感性.

交通工程； 道路交通空氣污染； 高斯擴(kuò)散模型； 敏感性分析

0 引言

隨著機(jī)動車保有量的快速增長，北京市出現(xiàn)了一系列的交通擁堵和空氣污染問題. 經(jīng)解析論證，其中，PM2.5的來源機(jī)動車排放占到31.1%[1]. 因此，治理北京市空氣污染的途徑之一便是道路交通的控制與管理. 基于此，如何準(zhǔn)確地估算預(yù)測道路交通造成的空氣污染，不僅為環(huán)境空氣污染質(zhì)量的預(yù)測和人體健康風(fēng)險評估提供新的思路，更重要的是有利于道路交通管理政策的制定.

針對道路交通空氣污染，國外學(xué)者較早地開始了研究，提出許多適用于不同場景的模型. 美國斯坦福研究所的Johnson等[2]通過對機(jī)動車引起的湍流進(jìn)行簡化假設(shè)，提出了適用于兩側(cè)有緊密高大建筑物的街道峽谷內(nèi)的STREET模型；考慮城市道路交叉口處車輛的怠速和加減速，美國環(huán)保局開發(fā)了僅適用于預(yù)測交叉口附近的交通污染物濃度分布的CAL3QHC模型；但上述模型都不適用于開闊道路和城市區(qū)域內(nèi)交通污染物濃度分布的預(yù)測，而由Csanady[3]提出且經(jīng)眾多學(xué)者改進(jìn)的高斯擴(kuò)散模型則得到了廣泛的應(yīng)用. 李東東等[4-6]分別運(yùn)用高斯擴(kuò)散模型對濟(jì)南、廈門、貴州等地的開闊型道路上交通空氣污染物擴(kuò)散分布進(jìn)行了預(yù)測；Hao等[7]基于高斯擴(kuò)散模型，從交通空氣污染角度，對北京市奧運(yùn)會期間的交通政策的實施效果進(jìn)行了分析.

高斯擴(kuò)散模型用簡捷的方式最大限度地將空氣污染濃度場與氣象條件之間的物理聯(lián)系以及觀測事實結(jié)合起來，具有較高的時空分辨率和相當(dāng)?shù)木?；而且高斯擴(kuò)散模型的數(shù)學(xué)表達(dá)式較為簡單，比較容易基于實際分析情景進(jìn)行修正. 同時，北京市的氣象條件(如風(fēng)速和風(fēng)向等)較容易獲得；北京市路網(wǎng)中有較多較為開闊的道路，如二環(huán)和三環(huán)等，且擁有35個空氣污染監(jiān)測站，包括5個交通污染控制點(diǎn)，實測數(shù)據(jù)較多. 因此，高斯擴(kuò)散模型可能適用于北京市道路交通污染的預(yù)測.

為了進(jìn)一步探究高斯擴(kuò)散模型對北京市道路交通空氣污染預(yù)測的適應(yīng)性，本文擬結(jié)合交通數(shù)據(jù)和氣象數(shù)據(jù)，利用高斯擴(kuò)散模型對北京市道路交通空氣污染物濃度進(jìn)行預(yù)測，并采用偏差因子等統(tǒng)計指標(biāo)對模型性能進(jìn)行評價；然后分別針對風(fēng)向、風(fēng)速和云量，采用控制變量的方法，比較研究區(qū)域中主要快速路附近的污染物濃度在不同氣象條件下的區(qū)別，從而分析交通空氣污染對氣象條件的敏感性.

1 研究方法

1.1 研究對象

由于北京市的道路交通主要發(fā)生在市區(qū)諸如二、三、四環(huán)路等城市快速路和主干路，因此，為了研究北京市道路交通空氣污染，本文將研究區(qū)域限定為五環(huán)以內(nèi). 如圖1所示.

圖1 研究區(qū)域示意圖

該區(qū)域內(nèi)包含二環(huán)路約32.7 km，三環(huán)路約48.0 km和四環(huán)路約65.3 km. 為了計算的方便，用1 km×1 km的網(wǎng)格將該區(qū)域進(jìn)行劃分，并以網(wǎng)格的中心點(diǎn)作為污染物擴(kuò)散的接收點(diǎn). 每個接收點(diǎn)處的交通空氣污染物濃度由所有交通污染源的影響疊加而成；同時，為了簡單而有效地評價模型的性能和分析北京市道路交通空氣污染對各影響因素的敏感性，本文將部分環(huán)境空氣監(jiān)測點(diǎn)(位置如圖1)和二、三和四環(huán)附近的網(wǎng)格作為載體進(jìn)行對比分析.

1.2 評價方法

為了驗證高斯擴(kuò)散模型對北京市道路交通污染預(yù)測的可靠性，本文將利用在國際空氣質(zhì)量模型驗證和協(xié)調(diào)發(fā)展大會上被推薦使用的統(tǒng)計指標(biāo)，對模型進(jìn)行評價. 評價指標(biāo)包括：偏差因子(the Fractional Bias, FB)、歸一化均方誤差(the Normalized Mean Square Error, NMSE)、幾何平均偏差(the Geometric Mean Bias, MG)、幾何方差(the Geometric Variance, GV)、皮爾森相關(guān)系數(shù)R(the Pearson Correlation Coefficient)和FAC2(the Fraction of Predictions within a Factor of Two of Observations)，分別由式(1)～(6)計算：

(1)

(2)

(3)

(4)

(5)

(6)

2 結(jié)果與討論

2.1 模型評價

由于交通污染物濃度不可監(jiān)測，因此本文通過模型預(yù)測交通污染物濃度與背景濃度的疊加來估計空氣污染物濃度，并與空氣污染物監(jiān)測站的觀測值進(jìn)行對比分析，從而實現(xiàn)交通空氣污染擴(kuò)散模型的評價.

實質(zhì)上，背景濃度應(yīng)不包含由交通造成的空氣污染，因此我們選擇由環(huán)保局設(shè)定為城市清潔對照點(diǎn)的定陵監(jiān)測站(位于機(jī)動車較少的北京市昌平郊區(qū))的觀測值作為背景濃度. 并且，選取定陵監(jiān)測站(DL)、北京市城市環(huán)境評價點(diǎn)之一的海淀萬柳(HDWL)監(jiān)測站和交通污染控制點(diǎn)中的西直門北大街(XZM)和南三環(huán)西路(NSH)監(jiān)測站作為評價參考點(diǎn). 分別將這些站點(diǎn)于2014年04月01日—10日期間內(nèi)的CO和PM2.5小時觀測值與預(yù)測值進(jìn)行比較并計算評價指標(biāo)如表1.

表1 基于各站點(diǎn)的小時平均觀測值與預(yù)測值的模型評價指標(biāo)

注：FB(0) 表示指標(biāo)FB的最佳值為0；其他類似.

總體而言，F(xiàn)AC2介于0.73～1.00，表征模型整體準(zhǔn)確性的指標(biāo)NMSE介于0～0.61，而且考慮系統(tǒng)誤差的指標(biāo)MG介于0.83～1.06，同時考慮系統(tǒng)誤差和隨機(jī)誤差的指標(biāo)VG介于1.00～1.59，模型較好地實現(xiàn)了空氣污染物CO和PM2.5的濃度預(yù)測. 然而，XZM和NSH站點(diǎn)的CO小時預(yù)測值和觀測值的相關(guān)性不佳，分別為0.34和0.31，但不影響模型整體的準(zhǔn)確性.

圖2 HDWL和XZM站點(diǎn)污染物小時平均濃度散點(diǎn)圖

選取HDWL和XZM 2個站點(diǎn)，分別繪制其于2014年04月01日—2014年04月10日內(nèi)的CO和PM2.5的小時濃度的觀測值和預(yù)測值的散點(diǎn)圖2. 由圖可知，HDWL 對于CO的預(yù)測有低估的趨勢，即使其FAC2較高(FAC2=0.86)；其他較為均勻. 結(jié)合表1，對于CO而言，HDWL(FB=-0.16)和XZM(FB=-0.02)的小時平均預(yù)測值低于觀測值；對于PM2.5而言，HDWL(FB=-0.07)和XZM(FB=0.02)具有相反的趨勢.

為了驗證模型的預(yù)測值是否能符合實際空氣污染物濃度在1天內(nèi)的變化趨勢，針對HDWL和XZM 2個站點(diǎn)，分別計算2014年04月01日—2014年04月10日對應(yīng)時段內(nèi)的CO和PM2.5的小時平均濃度，并繪制折線圖3. 由圖可知，空氣污染物濃度預(yù)測值基本符合實際值在時間序列上的變化趨勢，尤其是早高峰較為準(zhǔn)確；但是晚高峰有一定的超前性.

綜合以上，高斯擴(kuò)散模型能較好地預(yù)測北京市的交通道路空氣污染物(如CO和PM2.5)濃度，無論是污染物濃度值還是其隨時間的變化趨勢.

圖3 HDWL和XZM站點(diǎn)污染物平均濃度

2.2 敏感性分析

交通空氣污染物的擴(kuò)散過程受到許多因素的影響，如風(fēng)速、風(fēng)向和云量等. 而道路交通空氣污染分布對這些因素的敏感性程度對預(yù)測過程中的數(shù)據(jù)選取有著很大的影響. 因此，本文將以控制變量的方法，并以北京市二環(huán)、三環(huán)和四環(huán)路上附近的網(wǎng)格中心點(diǎn)處(如圖1所示)的污染物濃度為對象來分析北京市道路交通空氣污染對這些因素的敏感性.

2.2.1 風(fēng)速和風(fēng)向

空氣污染物擴(kuò)散時，風(fēng)向決定著污染物擴(kuò)散的方向，且污染物總是分布在污染源的下風(fēng)向處；風(fēng)速影響著污染物擴(kuò)散的速率. 為了探究北京市道路交通空氣污染對風(fēng)速和風(fēng)向的敏感性，首先，使風(fēng)向由0°增長到315°，增長幅度為45°，并保持其他變量不變，分別估算HDWL、XZM、NSH和DSH站點(diǎn)處的CO和PM2.5的日平均濃度，其風(fēng)玫瑰圖如圖4；然后，使風(fēng)力由1級增長到3級，即風(fēng)速為0.9、2.5、4.3 m/s，并保持其他變量不變，估算二、三和四環(huán)路附近的接收點(diǎn)處的CO一天內(nèi)各小時平均濃度，如圖5.

圖4 不同風(fēng)向下4個監(jiān)測站處CO和PM2.5日平均濃度

圖5 各風(fēng)力等級下二、三和四環(huán)路附近接收點(diǎn)處CO小時平均濃度

由圖4可知，隨著風(fēng)向的變化，各站點(diǎn)的CO和PM2.5濃度呈現(xiàn)相同的變化趨勢. 而且，當(dāng)污染物接收點(diǎn)位于風(fēng)向下方時，其污染最嚴(yán)重；反之，污染濃度最小. 如位于研究區(qū)域西北處的HDWL站點(diǎn)，當(dāng)風(fēng)向為315°(西北風(fēng))時，污染物濃度最大(CO日平均濃度為1 847 μg/m3，PM2.5為61 μg/m3)；相反，當(dāng)風(fēng)向為135°(東南風(fēng))時，污染物濃度最小(CO日平均濃度為193 μg/m3，PM2.5為7 μg/m3)，兩者相差約9倍.

圖5顯示，當(dāng)其他變量不變的情況下，一級風(fēng)力(風(fēng)速為0.9 m/s)時，交通空氣污染物CO的小時平均濃度最低；相反，二級風(fēng)力(風(fēng)速為2.5 m/s)時，CO的污染最嚴(yán)重. 二級風(fēng)力時的CO日平均濃度約為三級時的1.4倍，三級風(fēng)力時約為一級時的1.7倍. 其原因在于風(fēng)速較大時，空氣污染物的擴(kuò)散速度雖然較快，但對于接收點(diǎn)而言，對其造成影響的污染源增加；相反，風(fēng)速較小時，空氣污染物的擴(kuò)散速度雖然較慢，但對接收點(diǎn)造成影響的污染源減少.

2.2.2 云量

云量對空氣污染物擴(kuò)散的影響主要通過影響大氣穩(wěn)定度間接地影響污染物擴(kuò)散的速度，不同的風(fēng)速下，其影響程度不同，本文分別在不同風(fēng)力等級下，使云量由0.1增加到0.9，增長幅度為0.2，采用高斯擴(kuò)散模型估算北京市道路空氣污染物CO的濃度，并計算二、三和四環(huán)附近接收點(diǎn)處CO日平均濃度，如圖6. 在風(fēng)力為1級和2級的情況下，CO日平均濃度隨云量呈線性變化的趨勢，且云量每增加0.1，CO日平均濃度分別增加約500 μg/m3和200 μg/m3；而風(fēng)力為3級的情況下，當(dāng)云量小于0.5時，CO的日平均濃度隨云量的變化也具有線性趨勢，但當(dāng)云量大于0.5時，CO日平均濃度隨云量的增加而先增大后減小，并在云量為0.7時達(dá)到最大.

圖6 各級風(fēng)力下二、三和四環(huán)路附近接收點(diǎn)處CO日平均濃度隨云量變化圖

3 結(jié)論

本文通過北京市4個空氣監(jiān)測站位置的空氣污染物濃度的平均小時預(yù)測值與實測值的對比，對基于高斯擴(kuò)散模型的北京市道路交通空氣污染估算的效果進(jìn)行了評價；采用控制變量方法分別分析了其對于風(fēng)速、風(fēng)向和云量變化的敏感性. 結(jié)果顯示，表征模型整體準(zhǔn)確性的指標(biāo)NMSE介于0～0.40，考慮系統(tǒng)誤差的指標(biāo)MG介于0.83～1.06，同時考慮系統(tǒng)誤差和隨機(jī)誤差的指標(biāo)VG介于1.00～1.59，表明高斯擴(kuò)散模型能有效地估算北京市道路交通空

氣污染(CO和PM2.5)；而且，北京市道路交通空氣污染對風(fēng)速、風(fēng)向和云量等因素有較強(qiáng)的敏感性. 因此，采用高斯擴(kuò)散模型進(jìn)行北京市道路交通空氣污染的預(yù)測時，應(yīng)加強(qiáng)上述影響因素數(shù)據(jù)采集的精度要求，以使預(yù)測結(jié)果更加精確.

[1] 侯景新. 治理北京空氣污染正當(dāng)時[J]. 前線, 2014(5): 76-78.

[2] Johnson W B, Ludwig F L, Dabberdt W F, et al. An urban diffusion simulation model for carbon monoxide [J]. Journal of the Air Pollution Control Association, 1973, 23(6): 490-498.

[3] Benson P E. A review of the development and application of the CALINE3 and 4 models[J]. Atmos Environ B Urban Atmos, 1992, 26(3): 379-390.

[4] 李東東, 劉厚鳳, 杜瑞雪. 應(yīng)用CALINE4模式估算機(jī)動車排放污染物的濃度——以濟(jì)南市主干道為例[J]. 資源開發(fā)與市場, 2009, 25(1) : 53-54.

[5] 陳紅梅, 陳崇成, 汪小欽. 應(yīng)用CALINE4模式模擬機(jī)動車排氣污染的時空分布——以廈門市主干道路為例[J]. 福州大學(xué)學(xué)報: 自然科學(xué)版, 2004(4): 257-260.

[6] 付甫剛, 馬旭東, 周曉娟. CALINE4模式在貴州省安順至紫云高速公路機(jī)動車尾氣污染環(huán)境影響評價中的應(yīng)用[J]. 三峽環(huán)境與生態(tài), 2011, 33(2): 53-57.

[7] Cai Hao, Xie Shaodong. Traffic-related air pollution modeling during the 2008 Beijing Olympic Games: The effects of an odd-even day traffic restriction scheme [J]. Science of the Total Environment, 2011, 409: 1935-1948.

Sensitivity Analyses of the Traffic-related Air Pollution in Beijing Based on Gaussian Dispersion Models

LU Nan1, YAO En-jian1, PAN Long1, PAN Zheng2

(1.MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology, Beijing Jiaotong University, Beijing 100044, China; 2.NEC Labs China, NEC Co., Ltd., Beijing 100084, China)

Accurate estimation of the traffic-related air pollution. This study aims to apply the Gaussian dispersion models to the estimation of traffic-related air pollution in Beijing, evaluate the models performance and analyze the sensitivity of the traffic-related air pollution to factors of pollutants dispersion. Firstly, based on the analysis of model features, adaptability of the model was qualitatively analyzed combined with the study domain; secondly, the evaluation of the model performance was carried out by comparing the observed hourly concentrations of CO, PM2.5 at several monitoring sites in Beijing with model predictions, using a widely used statistical framework for model evaluation; then, the sensitivity of traffic-related air pollution in Beijing to factors influencing the dispersion (such as wind speed and direction, etc.) was analyzed with the control variable method. Results showed the model predictions of traffic-related air pollution in Beijing turned out reasonably satisfactory, and the factors make a great influence on the forecast.

traffic engineering; traffic-related air pollution; Gaussian dispersion models; sensitivity analyses

10.13986/j.cnki.jote.2015.02.011

2014- 10- 11.

國家973項目(2012CB725403)；高等學(xué)校博士學(xué)科點(diǎn)專項科研基金(20130009110002).

魯 楠(1990—)，男，碩士研究生，研究方向為交通運(yùn)輸規(guī)劃與管理. E-mail：13120878@bjtu.edu.cn.

U 491.9+2

A

1008-2522(2015)02-55-06