CN116070839A - 一种多源数据的道路微环境空气质量贡献溯源方法 - Google Patents

一种多源数据的道路微环境空气质量贡献溯源方法 Download PDF

Info

Publication number
CN116070839A
CN116070839A CN202211668979.0A CN202211668979A CN116070839A CN 116070839 A CN116070839 A CN 116070839A CN 202211668979 A CN202211668979 A CN 202211668979A CN 116070839 A CN116070839 A CN 116070839A
Authority
CN
China
Prior art keywords
data
road
emission
source
contribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211668979.0A
Other languages
English (en)
Inventor
陈军辉
李伟
张伟锋
陈强
周敬
田红
汪永东
李媛
周虹辉
李俊洁
伍强
邓顺强
李璐
包泽
黄宇韬
张季
张少骥
陈霞
邓小芸
马海
杨加平
罗昭培
李英杰
陈东
王成辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Readearth Information Technology Co ltd
SICHUAN ACADEMY OF ENVIRONMENTAL SCIENCES
Chengdu Motor Vehicle Exhaust Pollution Prevention And Control Technical Support Center
Original Assignee
Shanghai Readearth Information Technology Co ltd
SICHUAN ACADEMY OF ENVIRONMENTAL SCIENCES
Chengdu Motor Vehicle Exhaust Pollution Prevention And Control Technical Support Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Readearth Information Technology Co ltd, SICHUAN ACADEMY OF ENVIRONMENTAL SCIENCES, Chengdu Motor Vehicle Exhaust Pollution Prevention And Control Technical Support Center filed Critical Shanghai Readearth Information Technology Co ltd
Priority to CN202211668979.0A priority Critical patent/CN116070839A/zh
Publication of CN116070839A publication Critical patent/CN116070839A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及基于一种多源数据的道路微环境空气质量贡献溯源方法，包括获取移动源的多源实时排放监控数据，采用机动车排放清单模型建立区域高时空分辨率的车辆动态排放清单，构建评价地气象情景，将评价地地形数据标准化，利用高时空分辨率的车辆动态排放清单结合大气污染扩散模型进行精准溯源，同时评估各类机动车污染管控措施对主要污染物的减排贡献及对区域和城市尺度空气质量的贡献。本发明极大增强了道路微环境污染溯源的精准性，明确了各类管控措施的减排贡献，有助于对道路污染进行科学管控，促使道路微环境空气质量管控能力明显提升，推动区域空气质量改善。

Description

一种多源数据的道路微环境空气质量贡献溯源方法
技术领域
本发明涉及污染物排放溯源技术领域，尤其涉及一种多源数据支撑下道路微环境空气质量贡献溯源方法。
背景技术
机动车污染已成为城市空气污染的主要来源之一，其中道路机动车多在人口密集区域活动，对局部尤其城市主城区空气质量影响大。城市主次干道、快速路和道路交叉口是城市交通污染物排放最严重的区域。而在对移动污染源进行实际监管的过程中发现，相对固定源而言，移动污染源污染治理体系较薄弱，利用大数据分析解决问题的能力尚有欠缺，存在溯源难度大、治理措施针对性不强等问题。因此对其进行精准溯源、科学管控对降低排放、改善空气质量尤为重要。
源排放清单法是目前小尺度区域大气污染溯源使用较多的方法，然而在源排放清单的建立过程中普遍存在监测误差、数据代表性不足、关键数据缺乏等不确定性，综合多源数据构建源排放清单可以显著提高高分辨率排放清单的准确度，增强溯源的精确性。机动车对局部地区的空气质量的污染具有特异性，现有技术难以对局部区域的机动车污染进行精准溯源并制定有针对性的管控措施。此外，现阶段鲜有对机动车污染管理措施减排贡献的研究，在对道路微环境空气污染实际管控过程中，因缺乏科学性的减排措施，导致空气治理的低效率，无法满足高效、智能科学的管控。
发明内容
针对现有技术的不足，本发明提供了一种多源数据支撑下道路微环境空气质量贡献溯源方法。
本发明以道路移动源多源实时排放监控系统数据为支撑，建立高时空分辨率车辆动态排放清单并结合空气质量模型，解析不同类型机动车排放对区域和城市尺度PM2.5浓度的贡献，评价各类机动车污染管控措施，对主要污染物的减排贡献以及对区域和城市尺度空气质量的贡献。从而实现道路微环境空气污染精准溯源，提高了管控措施的高效性。
基于一种多源数据的道路微环境空气质量贡献溯源方法，包括如下步骤：
S1，获取针对局域道路移动源建立的关注其活动水平及污染排放的多源实时排放监控系统数据。
S2，对步骤1获得的机动车多源实时排放数据结合路网数据、车流量数据、实时环境检测数据，采用机动车排放清单模型建立局域高时空分辨率车辆动态排放清单；
S3，利用区域地面气象数据、地形数据、以上建立的高时空分辨率车辆动态排放清单结合大气污染扩散模型解析不同类型机动车排放对区域和城市尺度PM2.5的贡献；
S4，基于机动车污染控制措施，利用机动车排放清单模型结合空气质量模型，分别评估其在目标区域和城市尺度的环境效益，包括对主要污染物(CO、NOx、VOC、PM2.5)的减排贡献以及对区域和城市尺度空气质量的贡献等。
进一步地，步骤1所述的多源实时排放数据通过五种及以上载体采集，包括：
OBD技术；
尾气遥感技术；
公交车、出租车等浮动车数据；
路边抽查数据；
非道路高排放识别在线电子标签及尾气在线浓度传感器；
结合卡口数据以及浮动车数据采用基于比功率计算模型的车辆实时排放计算。
进一步地，步骤2、4所述的机动车排放清单模型选用IVE模型进行数据分析，步骤3、4所述的大气污染扩散模型选用AERMOD、CALPUFF等适用于小尺度大气污染物扩散模拟的大气污染扩散模型。
进一步地，步骤2实现IVE模型在线驱动的具体步骤包括：
(1)输入包括平均车速、车流量、各车型占比、VSP分布、启动次数、热浸时间分布在内的全路网各路段实时交通量数据；包括各路段温度、湿度在内的实时环境数据；包括路段经纬度、海拔、坡度在内的空间数据以及包括时间、路段长度、基础排放因子在内的其他数据。
(2)将输入数据，通过程序整理为车队文件、工况文件、基础排放因子校正文件，再将文件作为输入项运行IVE模型。
(3)输出逐小时或全天的各路段所有污染物实时排放量。
进一步地，步骤2在建立高时空分辨率车辆动态排放清单时，引入交通小区概念，计算步骤包括：
机动车行驶里程计算公式如下：
VKTi,j,k＝Wi,j,k×Li,j
式中，VKTi,j,k为第i个交通小区内，第j种道路,k类型机动车行驶里程(kmh-1)；Wi,j为第i个交通小区，第j种道路,k类型机动车流量(辆·h-1)；Li,j为第i个交通小区内，第j种道路长度(km)，其中道路类型包括高速、主干道、次干道和支路这4种。
排放量计算公式如下：
Ei,j,k＝EFk×VKTi,j,k×10-6
式中，Ei,j,k为第i个交通小区，第j种道路，k类型机动车污染物排放量(t·h-1)；EFk为k类型机动车单位距离所排放的污染物的量(g·km-1)。
进一步地，步骤3中小尺度大气污染扩散模型AERMOD建立步骤包括：
(1)向AERMET气象预处理模块输入地面反射率、表面粗糙度等地面特征数据，以及风速、风向、温度、云量等原始气象观测数据，生成地面气象数据文件及探空廓线数据文件。
(2)AERMEP地形预处理模块将输入的各网格点的位置参数(x,y,z)及其地形高度参数(xt,yt,zt)经过计算转化成AERMOD数据处理的地形数据。
(3)在AERMOD扩散模块中，通过输入不同污染源的污染物排放信息，实现对污染物扩散过程的模拟计算。
进一步地，步骤3中小尺度大气污染扩散模型AERMET气象预处理模块参数还应包括：目标地纬度，经度，时区，风速仪的阈值，风速仪高度。
进一步地步骤3中小尺度大气污染扩散模型AERMET气象预处理模块参数还应包括：评价区域网格点或任意点的地理坐标，包含的地理范围大于等于评价区域的评价区地形高程数据文件。
进一步地步骤3大气污染扩散模型运行中本发明对移动源以规则的面源进行处理，需要输入包括、面源排放率(g/(sm2))；高度(m)；长度(m)(东西方向)；宽度(m)(南北方向)；方向角在内的面源参数。
本发明的优点是：围绕机动车排放量较大的道路微环境，综合多源数据搭建高时空分辨率车辆动态排放清单，结合扩散模型进行动态溯源，创造性地提出了动态溯源的同时评估机动车排放污染管控措施减排贡献的技术方法，具有溯源精度高，并提高管控措施有效性的特点，是区域或城市尺度空气质量改善的有力支撑。
附图说明
图1为本发明中多源数据的道路微环境空气质量贡献溯源方法的流程框架图。
具体实施方式
为使本发明实施目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整的描述。
1.建立高时空分辨率车辆动态排放清单
通过OBD技术，尾气遥感技术，公交车、出租车等浮动车数据，路边抽查数据，非道路高排放识别在线电子标签及尾气在线浓度传感器，结合卡口数据以及浮动车数据采用基于比功率计算模型的车辆实时排放计算等载体采集多源实时排放监控系统数据。集成机动车实时排放监控数据、环境数据以及基础数据库数据。
输入包括平均车速、车流量、各车型占比、VSP分布、启动次数、热浸时间分布在内的全路网各路段实时交通量数据；包括各路段温度、湿度在内的实时环境数据；包括路段经纬度、海拔、坡度在内的空间数据以及包括时间、路段长度、基础排放因子在内的其他数据。通过程序整理为车队文件、工况文件、基础排放因子校正文件，再将文件作为输入项运行IVE模型，输出逐小时或全天的各路段所有污染物实时排放量。
其中，计算排放量时引入“交通小区”概念，基于目标区域工作日车流量监测数据建立机动车排放清单模型，以道路车队中每一种细分车型(以车型/燃料类型/排放标准作细分)作为基本计算单元，分区对机动车CO、NOx、SO2、PM10、PM2.5、BC和OC污染物排放量进行计算，细分车型如表1。
表1车型分类
2.利用高时空分辨率车辆动态排放清单结合大气污染扩散模型解析不同类型机动车排放对区域和城市尺度PM2.5的贡献
利用AERMAP地形预处理模块将输入的地形数据标准化并使用网格化地形数据计算预测点的地形高度尺度。向AERMAP输入评价区域网格点或任意点的地理坐标，评价区地形高程数据文件的。其中，地形高程数据包含的地理范围大于等于评价区域的范围，以保证所有的计算点都能从地形数据文件中获取各自的地形高程值。以上参数经AERMAP模块运行后，生成AERMOD模块所需的网格点或任意点的高度尺度、地形高程。另外，AERMAP输入的地形高程数据的空间分辨率可以低于评价区域网格点的空间分辨率，并且，AERMAP采用线性插值方法，计算出网格点的高度尺度。
利用AERMET构造气象情景，将地面反射率、表面粗糙度等地面特征数据，以及风速、风向、温度、云量等气象观测数据输入到AERMET中，在AERMET计算出行星边界层参数：摩擦速度u*、Monin-Obukhov长度L、对流速度尺度w*、温度尺度θ*、混合层高度zi和地面热通量H。得到的这些参数同气象观测数据一同传递给AERMOD中的Interface，在Interface里通过相似关系求得风速u、水平方向和垂直方向的湍流强度σv和σw，位温梯度dθ/dz，位温θ和水平拉格朗日时间尺度TL等变量垂直分布。廓线数据和边界层廓线数据经过AERMOD中的控制文件引用进入AERMOD系统，计算出相似参数，并对边界层廓线数据进行内插。AERMOD将平均风速、水平向及垂向湍流量脉动、温度梯度、位温、水平拉格朗日时间尺度等输入扩散模式，并计算出浓度。
运行AERMOD模型系统所需的最少测量或衍生的气象数据如下：
(1)气象数据：
时间(年、月、日、时)；风速；风向；云量(低云/总云)；降雨量、环境温度；每日两次早晨低空探空测量数据。
(2)风向与季节变化的地表特征：
需要为AERMET指出12个风向上随季节变化的中午反射率、湿度和粗糙度。反射率是被地面反射的那一部分太阳辐射；粗糙度是地面以上水平风速为0处的高度。该类参数可根据地表状况查表得到。
(3)其它须输入的数据：
项目所在地纬度；经度；时区；风速仪的阈值；风速仪高度。
(4)可以选择输入的数据：
太阳辐射；净辐射；垂向湍流廓线；横向湍流廓线。
(5)气象数据输入格式：
常规地面气象数据：风速、风向、云量(低云/总云)、气温(干球/湿球温度)、降雨量；
探空数据：位势高度、气压、气温/露点、风速、风向；
现场观测：测风高度、风速、风向、水平风速标准差、垂直风速标准差。
(6)经AERMET处理生成的边界层参数；
AERMET生成的边界层参数包括两个文件：地面气象数据文件(*.SFC)、探空廓线数据文件(*.PFL)。地面气象数据文件包括：Monin-Obuhov长度、表面摩擦速度、表面灵敏热流、混合层高度、温度、对流速度尺度、风速、风向、位温梯度等边界层参数。探空廓线数据文件包括：位势高度、温度、风向、风速、水平向及垂直向湍流脉动量等参数。若有观测的边界层参数，可直接将观测的数据输入AERMET生成的边界层参数文件中。
在编辑好AERMOD控制流文件后(系统默认为aermod.inp)，运行aermod.exe，程序将执行浓度扩散计算。扩散模块可以计算出给定污染物的小时、日均或年平均浓度分布及烟羽抬升高度、干湿沉降。控制流中设定的“最大浓度”指令可以从各种时段平均浓度数据中挑选出任意指定数量的最大浓度。
3.评价机动车污染管控措施对主要污染物的减排贡献
结合目标地交通运输结构调整的具体要求及控制方案，对道路机动车排放尾气中污染物减排量进行核算，比较各个减排情景中各类污染物排放削减潜力，利用AREMOD系统对目标区域中污染物的扩散进行模拟，预测减排情景对目标区域环境空气质量的影响，依据减排效果及费耗等方面提出目标地交通运输结构调整的最佳方案。

Claims (9)

1.一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，包括以下步骤：
步骤1：获取针对局域道路移动源建立的关注其活动水平及污染排放的多源实时排放监控系统数据；
步骤2：对步骤1获得的机动车多源实时排放数据结合路网数据、车流量数据、实时环境检测数据，采用机动车排放清单模型建立局域高时空分辨率车辆动态排放清单；
步骤3：利用区域地面气象数据、地形数据、以上建立的高时空分辨率车辆动态排放清单结合大气污染扩散模型解析不同类型机动车排放对区域和城市尺度PM2.5的贡献；
步骤4：基于机动车污染控制措施，利用机动车排放清单模型结合空气质量模型，分别评估其在目标区域和城市尺度的环境效益。
2.如权利要求1所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，步骤1所述的多源实时排放数据通过至少五种载体采集，包括：
OBD技术；
尾气遥感技术；
机动车浮动车数据；
路边抽查数据；
非道路高排放识别在线电子标签及尾气在线浓度传感器；
结合卡口数据以及浮动车数据采用基于比功率计算模型的车辆实时排放计算。
3.如权利要求1所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，步骤2、步骤4所述的机动车排放清单模型选用IVE模型进行数据分析，步骤3、步骤4所述的大气污染扩散模型选用AERMOD、CALPUFF适用于小尺度大气污染物扩散模拟的大气污染扩散模型。
4.如权利要求3所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤2实现IVE模型在线驱动的具体步骤包括：
(1)输入包括平均车速、车流量、各车型占比、VSP分布、启动次数、热浸时间分布在内的全路网各路段实时交通量数据；包括各路段温度、湿度在内的实时环境数据；包括路段经纬度、海拔、坡度在内的空间数据以及包括时间、路段长度、基础排放因子在内的其他数据；
(2)将输入数据，通过程序整理为车队文件、工况文件、基础排放因子校正文件，再将文件作为输入项运行IVE模型；
(3)输出逐小时或全天的各路段所有污染物实时排放量。
5.如权利要求1所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤2在建立高时空分辨率车辆动态排放清单时，引入交通小区概念，计算步骤包括：
机动车行驶里程计算公式如下：
VKTi，j，k＝Wi，j，k×Li，j
式中，VKTi,j,k为第i个交通小区内，第j种道路,k类型机动车行驶里程，kmh-1,；Wi,j为第i个交通小区，第j种道路,k类型机动车流量，辆·h-1；Li,j为第i个交通小区内，第j种道路长度，km，其中道路类型包括高速、主干道、次干道和支路这4种；
排放量计算公式如下：
Ei,j，k＝EFk×VKTi，j，k×10-6
式中，Ei,j,k为第i个交通小区，第j种道路，k类型机动车污染物排放量，t·h-1；EFk为k类型机动车单位距离所排放的污染物的量，g·km-1。
6.如权利要求3所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤3中小尺度大气污染扩散模型AERMOD建立步骤包括：
(1)向AERMET气象预处理模块输入地面特征数据，以及原始气象观测数据，生成地面气象数据文件及探空廓线数据文件；
(2)AERMEP地形预处理模块将输入的各网格点的位置参数(x,y,z)及其地形高度参数(xt,yt,zt)经过计算转化成AERMOD数据处理的地形数据；
(3)在AERMOD扩散模块中，通过输入不同污染源的污染物排放信息，实现对污染物扩散过程的模拟计算。
7.如权利要求6所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤3中小尺度大气污染扩散模型AERMET气象预处理模块参数还应包括：目标地纬度，经度，时区，风速仪的阈值，风速仪高度。
8.如权利要求1所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤6中小尺度大气污染扩散模型AERMET气象预处理模块参数还应包括：评价区域网格点或任意点的地理坐标，包含的地理范围大于等于评价区域的评价区地形高程数据文件。
9.如权利要求1所述的一种多源数据的道路微环境空气质量贡献溯源方法，其特征在于，所述步骤3大气污染扩散模型运行中对移动源以规则的面源进行处理，需要输入包括、面源排放率，g/(sm2；高度，m；长度，m，东西方向；宽度，m，南北方向；方向角在内的面源参数。
CN202211668979.0A 2022-12-23 2022-12-23 一种多源数据的道路微环境空气质量贡献溯源方法 Pending CN116070839A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211668979.0A CN116070839A (zh) 2022-12-23 2022-12-23 一种多源数据的道路微环境空气质量贡献溯源方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211668979.0A CN116070839A (zh) 2022-12-23 2022-12-23 一种多源数据的道路微环境空气质量贡献溯源方法

Publications (1)

Publication Number Publication Date
CN116070839A true CN116070839A (zh) 2023-05-05

Family

ID=86172497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211668979.0A Pending CN116070839A (zh) 2022-12-23 2022-12-23 一种多源数据的道路微环境空气质量贡献溯源方法

Country Status (1)

Country Link
CN (1) CN116070839A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses
CN117010667A (zh) * 2023-09-27 2023-11-07 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质
CN117112969A (zh) * 2023-10-25 2023-11-24 中汽研汽车检验中心（天津）有限公司 车辆污染物排放清单核算方法
CN117454729A (zh) * 2023-11-13 2024-01-26 交通运输部规划研究院 一种大气污染贡献度预测方法、装置及可读存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230280173A1 (en) * 2022-03-07 2023-09-07 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses
US11859991B2 (en) * 2022-03-07 2024-01-02 Saudi Arabian Oil Company Method, apparatus, and system for identifying one or more sources of air pollutants based on emission data from vehicles and air quality data from ambient air measurement apparatuses
CN117010667A (zh) * 2023-09-27 2023-11-07 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质
CN117010667B (zh) * 2023-09-27 2024-02-27 深圳市城市交通规划设计研究中心股份有限公司 一种道路交通排放空间溯源方法、电子设备及存储介质
CN117112969A (zh) * 2023-10-25 2023-11-24 中汽研汽车检验中心（天津）有限公司 车辆污染物排放清单核算方法
CN117112969B (zh) * 2023-10-25 2024-01-02 中汽研汽车检验中心（天津）有限公司 车辆污染物排放清单核算方法
CN117454729A (zh) * 2023-11-13 2024-01-26 交通运输部规划研究院 一种大气污染贡献度预测方法、装置及可读存储介质
CN117454729B (zh) * 2023-11-13 2024-04-19 交通运输部规划研究院 一种大气污染贡献度预测方法、装置及可读存储介质

Similar Documents

Publication Publication Date Title
CN116070839A (zh) 一种多源数据的道路微环境空气质量贡献溯源方法
Soulhac et al. The model SIRANE for atmospheric urban pollutant dispersion; PART II, validation of the model on a real case study
KR101668753B1 (ko) 대기 오염 관리 시스템
CN112418609A (zh) 一种基于面-网格-点的大气二次污染精准溯源方法
CN110346517B (zh) 一种智慧城市工业大气污染可视化预警方法及其系统
Croxford et al. Siting considerations for urban pollution monitors
Righi et al. Statistical and diagnostic evaluation of the ADMS-Urban model compared with an urban air quality monitoring network
Zhu et al. Spatiotemporal variations of carbon dioxide (CO2) at Urban neighborhood scale: Characterization of distribution patterns and contributions of emission sources
Berchet et al. Evaluation of high-resolution gramm–gral (v15. 12/v14. 8) no x simulations over the city of zürich, switzerland
CN115358904B (zh) 一种动静结合的城市区域空气质量监测站选址方法
Fu et al. High-resolution simulation of local traffic-related NOx dispersion and distribution in a complex urban terrain
Song et al. Prediction of pedestrian exposure to traffic particulate matters (PMs) at urban signalized intersection
Zhang et al. Large-eddy simulation of traffic-related air pollution at a very high resolution in a mega-city: evaluation against mobile sensors and insights for influencing factors
CN114997499A (zh) 一种半监督学习下的城市颗粒物浓度时空预测方法
Pugliese et al. High-resolution quantification of atmospheric CO 2 mixing ratios in the Greater Toronto Area, Canada
CN115099451A (zh) 一种基于污染精准溯源预报技术的企业敏感性识别方法
JP4206024B2 (ja) 大気物質指標分布解析装置
Liu et al. Quantification of multifactorial effects on particle distributions at urban neighborhood scale using machine learning and unmanned aerial vehicle measurement
CN117291343A (zh) 一种基于空天地监测网络的大气污染防治管控系统
Hong et al. Intra-urban variations of the CO2 fluxes at the surface-atmosphere interface in the seoul metropolitan area
López-Pérez et al. Spatial determination of traffic CO emissions within street canyons using inverse modelling
Hu et al. Using the OSPM model on pollutant dispersion in an urban street canyon
Micallef et al. Measuring and modelling the airborne particulate matter mass concentration field in the street environment: model overview and evaluation
Corti et al. Project of an air quality monitoring network for industrial site in Italy
Zhao et al. Characterizing the variation of particles in varied sizes from a container truck in a port area

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination