《机动车尾气排放及出行污染暴露评价研究的国内外文献综述》6400字

机动车尾气排放及出行污染暴露评价研究的国内外文献综述目录TOC\o"1-2"\h\u303401.1机动车尾气排放估计模型 1741.2大气污染扩散模型 315685参考文献 7本文将从以下五个方面展开文献综述：机动车尾气排放估计模型，大气污染扩散模型，出行污染暴露评价方式，基于移动式实测数据的污染浓度以及路径规划。1.1机动车尾气排放估计模型机动车尾气排放是燃料在发动机内燃烧而产生的、从尾气管释放到空气中的一种污染物。在理想的燃烧状态下，发动机内的氧气与燃料（主要由碳氢化合物组成）发生化学反应，会生产二氧化碳和水，但在实际过程当中，由于氧气的不足会进行不完全燃烧，产生不完全燃烧的产物一氧化碳和碳氢化合物。不但如此，由于参加燃烧过程的氧气掺杂有大量的氮气，在高温环境下，氮气被氧化成一氧化氮和少量的二氧化氮。影响机动车尾气排放程度的因素很多，它不仅受到发动机技术和控制技术等车辆自身条件的限制，同时还要受到道路基本状况和车辆行驶状态等因素的影响。除这些以外，机动车维护程度、环境温度、湿度、驾驶员驾驶习惯等因此也会影响机动车的排放水平。概括而讲，按照这些影响因素的特征，可将它们划分为四大类，分别是：（1）车辆参数；（2）行驶特征；（3）油品质量；（4）外界环境因素（温度、海拔、湿度）等。由于本研究重点关注行驶特征，下面对这类影响因素进行详细总结。具体而言，行驶参数的影响因子又可分别这样几类：（1）机动车平均速度；（2）机动车运行状态（加速、减速、怠速、匀速）；（3）爬坡程度；（4）冷启动或热启动等启动方式。而机动车在一次出现过程中，通常会经历如下排放过程：（1）启动排放；（2）速度波动比较小的热稳定排放状态；（3）加速度排放；（4）爬坡排放。具体而言，分析建模框架中的机动车尾气排放估计模型，相关领域已经产生了一些微观工具，通过将车辆的物理行为分解成不同的操作模式（例如，加速、减速、怠速和匀速）来精细化估算排放因子或排放强度，代表性的有基于物理意义的排放模型（CMEM模型[13]）、基于VSP的排放模型（MOVES模型[14]）和基于速度-加速度的排放模型（E-MIT[15]）模型等，这些模型主要是基于行驶工况的排放模型。国内不少研究者在国内外研究成果的基础上，结合我国城市道路和车辆实际情况，进行了模型的修正和应用等相关工作[16-17]。微观排放模型的特点是能够评价以秒为单位的特定速度、加速度下的瞬间尾气排放量，它需要输入每一车辆的瞬间行驶工况参数，如瞬时行驶速度和加速度等。比如基于物理意义的排放模型（CMEM模型），其原理是通过计算发动机功率和空燃比确定机动车瞬时油耗状态，依据发动机转速获取油耗，再结合油耗和空燃比来确定机动车的尾气排放量。其中燃烧率、发动机排放指数、时变催化率是模型的三个核心参数，输出结果是由燃烧率、发动机排放指数、时变催化率三者相乘得到的尾气排放量。用CMEM模型模拟，需要输入车辆的物理参数和行驶参数，从而可以计算并输出单车在四种不同瞬时工况（加速、减速、怠速、匀速）下每秒的尾气排放量和油耗。其中，物理参数基本可以在车辆规格技术说明书内查找到，包括发动机排量、整车质量、发动机最大功率、发动机最大扭矩等。行驶参数包括车辆速度、加速度、道路等级等，主要由机动车在道路的实际行驶情况决定，受到路面等级和实际交通状态的限制，实际交通状态主要通过交通仿真和交通调查来进行掌控。显而易见的是，上文提到的这些机动车尾气排放估计微观模型需要输入大量来自于框架第（1）部分交通流模型的数据（比如车辆轨迹数据），并且通常不具备数据分析功能。对于本文的研究来说，可能没有条件进行实地的大规模测量来获取这些数据，与此同时，从交通网络层面和路径规划方法来讲，应用这些微观模型也不太适合。与之相对应的，不少学者如Boriboonsomsin等[18]，Yin和Lawphongpanich等[19]，Skabardonis等[20]，Nesamani等[21]，Rilett和Benedek等[22]，Wallace等[23]提出了一些中观层面和宏观层面上的机动车尾气排放估计模型，这些模型主要是一些数学模型，通过把机动车尾气排放强度考虑为一系列交通流变量的函数来估算尾气排放。这类型的数学模型更适合本文的路径规划模型的建立和交通网络层面的分析研究。1.2大气污染扩散模型对空气污染暴露的研究，最早出现在环境与大气工程领域。其核心问题是研究污染物如何从源头向周围扩散，即大气污染扩散问题。大气污染物在空间中的散布是在大气边界层的湍流流场中进行的，或者说其散布过程就是大气输送与扩散的结果。因此，大气扩散模式是一种用以处理大气污染物在大气中(主要是边界层内)输送、扩散和转化问题的物理和数学模型。根据所考虑的物理机制的不同，大气扩散理论研究可划分为三套理论体系，梯度输送理论，湍流统计理论和相似理论。每套理论所选用的气象资料及相关参数不同，设置的假定条件也不相同，三套理论各有其优缺点，各有其特色和适用范围。由于扩散过程的复杂性，影响因素很多（包括地形、污染源复杂性、气象条件等），基于现有的大气扩散理论，在现目前，还无法找到一种普适性的大气扩散模式可适用于各种条件以描述包括复杂气象条件在内的综合性大气扩散问题。大气污染扩散模型，是指利用数学模型，结合一定的假设条件，选取一系列参数，计算模拟实际情况下的大气污染物扩散迁移状况。此模型可用来预测在给定的污染物排放强度（单位时间排放量)和气象条件下某种污染物的时间和空间分布。大致可分为确定性模式和统计模式两类。按照模型的类别，大气污染扩散模型可包括高斯烟羽模型（Gaussianplumemodel）[24]、箱体模型[25]、拉格朗日模型[26]等。其中高斯烟羽模型因其简单实用而被广泛应用。Turner[27]将高斯烟羽模型拓展到线源模型（line-sourcemodel），用来描述机动车尾气的扩散过程。基于线源高斯烟羽模型的CALINE4和HIWAY2等模型被广泛用于估算高速公路或主要道路周围的空气污染物浓度[28]。机动车尾气扩散与人体暴露（污染物浓度）的标定方法可分为两类，一类方法是通过城市内的静态和动态监测点（如监测车）采集污染物浓度数据进行空间插值或影响因素分析[29]。因静态监测点分布分散且通常远离交通源，无法准确地反映交通活动造成的空气污染；而动态监测手段虽能较灵活地采集空气污染浓度信息，却面临着成本高、采样率低等问题。另一类方法是基于地理信息系统（GIS）用地理坐标描述城市道路几何形状，结合交通流量（多为静态数据）和天气状况等数据，再用上文提到的污染物扩散模型来估算城市机动车尾气排放与扩散情况。这类方法的不足是缺乏对交通污染源的动态描述，导致估算结果比较粗糙。1.3出行污染暴露评价方式根据世卫组织（WHO）的定义，暴露是指人体与一种或一种以上的物理、化学或生物因素在时间和空间上的接触。该定义将日常认知中对于空气污染的吸入或吸收与暴露完全分别开来。对于空气污染暴露评价，其主要用于评估人体接触空气污染物的强度、频率以及持续时间，分析空气污染来源和它与健康影响之间的关系。污染物经源头排放，向周围环境扩散，并最终作用与人，转化为内部生物有效剂量。其目的是提供暴露人数、暴露浓度、暴露途径、各种微环境中暴露的贡献率及污染物的种类、强度等信息。由于个体之间性别年龄以及活动等特征的差异，常规环境监测得到的空气污染物浓度并不能准确测定被人体所吸收的剂量，因此主要通过暴露浓度反映空气污染暴露评价结果。评估个体空气污染暴露水平的原理为：综合各种微环境中空气污染物的浓度及暴露个体在不同微环境中所停留的时间，可用公式表示为：(1-1)其中，Ei为个体i在不同微环境j中对某种空气污染物的综合平均暴露水平；Cj为微环境j中某种空气污染物的浓度；tij为个体i在微环境j中停留的时间。针对于本文所提出的的出行污染暴露，即是指检测近地面的车辆所获得的尾气排放浓度与出行者在该路段上停留时间的乘积，即为出行者的尾气污染暴露.。1.4基于移动式实测数据的污染浓度对于人体暴露在出行污染中的过程分为产生污染、污染扩散并且出行者遭受暴露，通常由排放扩散暴露一体化中建模估计完成。为验证所建立模型的准确性，本文需对实际污染浓度进行测量和收集，对此，对如何使用监测设备和设计实验，查阅相关文献研究就显得十分重要。固定式监测设备依然是公众了解空气污染状况的主要设施，相比较于移动式监测设备，其具有精度高、成本低、持续性强的优点，但由于在一定区域内分布数量较少，无法对更为细致微观场景的污染浓度进行监测。随着移动式监测设备的发展和使用，研究者们拥有更为细微方便的手段来探究交通排放是如何扩散并作用与人的。沈俊秀（2011）[30]利用APEX模型评价上海市人口对道路交通污染的总体暴露特征，并进一步对出行过程中道路交通污染暴露特征进行监测，为后续基于出行过程动态模拟的道路交通污染人群暴露评价方法开发提供实验依据。徐亚琳（2007）[31]使用便携式气溶胶监测器和气象监测设备分析了南京城市中PM10浓度一般变化规律，采用多元线性回归法推导出了南京城市PM10背景浓度估算公式，并验证了STREETBOX模型在南京城市街道上的适应性。常晶晶[32]采用移动式空气质量监测设备对上海公共交通（地铁、公交、步行）中的CO、PM2.5暴露浓度进行测量，并证明了LUR运用于中观尺度范围内污染物评估与预测的有效性。在国外，JanPeters等[33]证明了移动测量方法在绘制城市空气污染地图方面的潜力，既可用于比较城市环境污染，也可用于估算微粒和PM10的绝对水平。DonsEvi等[34]基于时间-活动模式使用便携式监测器在几个不同的家庭、商店、汽车等微环境中测量并研究真实的整体暴露情况，其中影响个人暴露的其他因素包括：背景浓度，居住在城市、郊区或者农村环境中的位置。JonathanJ.Buonocore等[35]在马萨诸塞州波士顿的MissionHill社区利用当地高中学生作为志愿者对整个社区进行移动连续监测，绘制出超细颗粒，细颗粒物质和黑炭的时空变化，并在考虑交通各种属性，主要道路的接近度与气象因素的条件下使用回归模型解释浓度变化。KaurS等[36]在英国伦敦市中心利用便携式监测器沿两条不同路线通过五种不同交通方式（步行、自行车、公交车、汽车、出租车）研究短期人体接触PM2.5、超细颗粒物（颗粒范围：0.02-1μm）、一氧化碳（CO）浓度，并使用回归技术分析解释了交通量、气象条件、运输方式对于PM2.5、超细颗粒物、CO浓度的影响。JILevy等[37]基于社区试点调查确定当地交通来源是否对暴露有显著影响。社区成员在大型公交终点站周围一英里半径内的街道上携带便携式监测仪，创建浓度地理信息系统（GIS）地图，并收集能够预测周围浓度的现场特征数据。研究结果表明城市地区的污染模式可以用有限的监测设备来描述。1.5路径规划传统的交通诱导主要是提供给出行者以旅行时间与路径引导的信息，用以减少车辆在道路上的逗留时间，从而将交通流在时空上扁平化。随着出行者对空气污染暴露危害认识的加深，出行过程中的空气污染暴露已经危害到了出行者的健康，成为了出行者的私人成本。因此，有必要在交通诱导的过程中进行相应考虑。Ahn和Rakha[38]分析了路径选择方式对车辆排放的影响，在机动车尾气排放模型中选择浮动车GPS数据，通过比较两条路径上的交通排放量，发现较慢且较短的路径虽然增加了出行时间，但却降低了交通排放量且节省了交通能耗。研究得出的结论是考虑车辆微观运行状态，合理地改变驾驶员的驾驶行为能够有效降低排放。事实上，机动车在路段上的起停动作和加减速愈加频繁，也就是人们通常意义所说的“走走停停”越多，则产生的交通排放量也就越大。控制驾驶行为来降低排放属于微观层面上的交通建模，这类研究比较复杂，考虑因素也比较多，代表性的研究有Nie等[39]在交通研究B卷上发表的相关研究，旨在解决满足管理者交通排放标准为目标的环保驾驶员的最优路径选择问题，试图寻找总出行成本（由出行时间成本和燃料消耗成本组成）最小的路径。研究建立了燃料消耗和温室气体排放估算模型，将排放率和车辆的物理特性及运行工况建立联系。Zeng等[40]在交通研究C卷发表的研究预测每公里的机动车二氧化碳排放量，并搜索出环境友好的路径，该路径在满足出行时间预算的同时可保证车辆的二氧化碳排放量最小。但就路径规划方面而言，现有的路径规划模型还尚未明确量化机动车尾气排放暴露对人体健康所造成的影响，没有描述尾气从源头扩散并作用到人体的这一过程，然后再来将尾气排放暴露作为出行成本的一部分进行路径规划。在实际应用当中，例如高德、滴滴等打车软件也只是将出行时间（或出行距离）作为出行的目标。本文拟采用交通排放暴露一体化建模的方法，构建包含交通流模型、排放模型与排放扩散模型的交通排放暴露解析方法，并基于此解析方法，构建新的路径规划模型，将其与传统的路径规划方法进行对比，从而得出指导性的结论。最短路径算法是解决路径规划问题的核心。最短路径算法通常可以分为静态最短路径算法和动态最短路径算法。动态最短路径的计算是在外界环境不断发生变化，即在不能计算和预测的情况下来计算最短路的问题。在本文中，重点只关注静态的路径规划，故下面主要给出静态最短路径算法的国内外研究现状。静态网络是指所有弧的权值都为常值的网络。相应地，求解这类网络中指定起点和终点之间最短路径的算法叫做静态最短路径算法。静态的最短路径算法已经有较长时期的发展历程，总而言之，它属于一种比较传统的路径规划算法。1959年，著名学者E.W.Dijkstra[41]提出了具有重要意义的Dijkstra最短路径算法。之后，许多学者又相继提出了诸如Bellman-Ford-Moore算法、Floyd算法、BFP算法、DIKB等算法[42]。目前，一些学者还开始提出启发式算法（如A*算法）以及基于深度学习的算法。而大量的随机网络实验和路网科学评估显示，针对不同类型的道路网和目标函数需求，可以选择不同的合适算法，因为没有哪一种算法是能够在任意状态下都保持优势。上世纪50年代，国内也开始了静态最短路径算法的相关研究，但其快速发展主要开始于90年代，伴随着计算机应用的快速发展。但从实质上讲，相关领域开展的算法研究主要还是基于Dijstra算法和Floyd算法[43-46]，主要从数据存储结构、路网规模的控制、搜索策略、优先级队列这几方面来进行了评估和优化。但在实际的交通系统当中，由于交通事故、天气因素、道路阻塞等情况的发生，实际走行的路径可能是除预先规划好的路径外的另一条路径。因此，实际的车辆的路径规划其实是具有随机性和时变性等特征。将实时的交通数据引入到随机最短路径研究问题来继续深入本研究也十分必要。例如，Bertsekas等[47]通过理论分析得到，在弧的花费值非负的情况下，随机最短路径规划是存在最优的策略。但由于笔者编程能力和算法运用水平的限制，本文就先考虑静态的路径规划问题，在将来的学习研究过程中再进行进一步地深入探讨。参考文献国家食品药品监督管理总局.世界卫生组织国际癌症研究机构致癌物清单.[2017-10-30]./WS01/CL1991/215896.htmlXINGYF,XUYH,SHIMH,etal.TheimpactofPM2.5onthehumanrespiratorysystem[J].JournalofThoracicDisease,2016,8(1):69-74.GB17930-2013《,车用汽油》[S].北京:中国标准出版社,2013.[CB17930-2013,《AutomobileGasoline》[S].Beijing:StandardsPressofChina,2013.]胥耀方,于雷,宋国华.交叉口运行模式分布模型及排放测算[J].交通运输系统工程与信息,2018,18(1):158-165,185.[XUYF,YUL,SONGGH.Modelingofoperatingmodedistributionsandemissionestimationatintersection[J].JournalofTransportationSystemEngineeringandInformation,2018,18(1):158-165,185.]宋国华,于雷.城市快速路上机动车比功率分布特性与模型[J].交通运输系统工程与信息,2010,10(6):133-140.[SONGGH,YUL.Distributioncharacteristicsandmodelsofvehiclespecificpoweronurbanexpressways[J].JournalofTransportationSystemEngineeringandInformation2010,10(6):133-140.]YangQ,BoriboonsomsinK,BarthM.Arterialroadwayenergy/emissionsestimationusingmodal-basedtrajectoryreconstruction[C]//InternationalIEEEConferenceonIntelligentTransportationSystems.IEEE,2011:809-814.AryaPS.Airpollutionmeteorologyanddispersion[J].EnvironmentalProtectionAgencyResearchTriangleParkNc,1999,55(1974).UliaszM,BartochowskaM,MadanyA,etal.ApplicationoftheMesoscaleDispersionModelingSystemtoInvestigationofAirPollutionTransportinSouthernPoland[M]//AirPollutionModelingandItsApplicationX.SpringerUS,1994.BeychokMR.Fundamentalsofstackgasdispersion[M]//FundamentalsofStackGasDispersion.2005.王炜,陈学武,陆建.城市交通系统可持续发展理论体系研究[M].科学出版社,2004.杨浩,赵鹏.交通运输的可持续发展[M].中国铁道出版社,2001.中国环境监测总站.2020年8月全国城市空气质量报告[R].北京.BarthM,FengA,NorbeckJ,etal.ModalEmissionsModeling:APhysicalApproach[J].TransportationResearchRecordJournaloftheTransportationResearchBoard,1996,1520(1):81-88.\EpaU.MOVES(MotorVehicleEmissionSimulator)[J].2013.CappielloA,ChabiniI,NamEK,etal.Astatisticalmodelofvehicleemissionsandfuelconsumption[C]//TheIEEE,InternationalConferenceonIntelligentTransportationSystems,2002.Proceedings.IEEE,2002:801-809.贺克斌.道路机动车排放模型技术方法与应用[M].科学出版社,2014.郝吉明.城市机动车排放污染控制:国际经验分析与中国的研究成果[M].中国环境科学出版社,2001.BoriboonsomsinK,BarthMJ,ZhuW,etal.Eco-RoutingNavigationSystemBasedonMultisourceHistoricalandReal-TimeTrafficInformation[J].IEEETransactionsonIntelligentTransportationSystems,2012,13(4):1694-1704.YinY,LawphongpanichS.Internalizingemissionexternalityonroadnetworks[J].Tr