针对城市规模交通相关污染物的简化形式空气质量扩散建模

《Science of The Total Environment》：Reduced-form air quality dispersion modeling for urban scale traffic-related pollutants

空气扩散模型通过转移矩阵简化计算，高效模拟城市交通排放的PM2.5和NOx浓度分布，验证显示其结果与原模型及监测数据一致。

　　本文探讨了一种新的简化形式空气扩散模型（Reduced-Form Air Dispersion Model, RFM），旨在解决在高空间分辨率下模拟复杂城市道路网络排放与扩散所带来的计算挑战。传统空气扩散模型在城市尺度应用时面临诸多困难，尤其是在需要处理大量道路段以及高精度的接收器网络时，计算成本极高。因此，研究者提出了一种新的方法，通过预设的“源-接收器”转移矩阵，将模型的计算负担降低，同时保持较高的模拟精度。

在城市环境中，车辆排放已成为氮氧化物（NOx）、细颗粒物（PM2.5）和黑碳（BC）等空气污染物的主要来源。在高交通流量的道路上，空气监测站（AQMSs）记录的污染物浓度往往显著高于背景水平，这种现象被称为“道路增量”或“近路增量”。为了准确评估这些排放对空气质量的影响，需要对城市范围内的污染物浓度进行高分辨率的模拟。然而，传统的空气扩散模型在处理如此复杂的网络时，既需要大量的数据支持，又需要极高的计算能力，这使得在城市尺度上的应用变得困难。

研究者采用了一种新的方法，即简化形式空气扩散模型（RFM），该模型通过将源-接收器关系定义为转移矩阵，假设这些关系在城市尺度上是空间不变的。这意味着，一旦在少量“单位”道路段和密集的接收器网络上计算出转移矩阵，就可以将其重新定位到整个道路网络的各个段上，以模拟其对空气质量的贡献。这种方法在不降低模型精度的前提下，有效减少了计算负担，使得高分辨率的空气质量模拟成为可能。

在实际应用中，研究者将RFM应用于密歇根州底特律市，这是一个以高交通密度著称的城市。底特律市拥有9701个道路链接，同时配备了密集的接收器网络，这些接收器位于50米的网格中心。研究者首先确认了底特律市的气象条件具有一定的均匀性，然后针对该城市优化了空间分辨率设置。通过模拟底特律市的部分区域，研究者验证了RFM的模拟性能与传统模型相当。随后，研究者将该模型应用于整个道路网络，生成了高分辨率的年均和季节性PM2.5浓度地图。这些结果与以往的研究和现场监测数据进行了比较，进一步验证了该方法的有效性。

RFM的应用不仅提高了计算效率，还为城市空气质量评估和管理提供了重要的工具和数据支持。在传统模型中，为了模拟城市范围内的排放和扩散，往往需要运行年度模拟，使用每小时的时间步长，并且接收器网格需要足够精细，以准确描绘道路增量。然而，这种高分辨率的模拟通常需要巨大的计算资源，使得其在实际应用中难以实现。而RFM通过简化模型结构，减少了计算负担，使得在城市尺度上的高分辨率模拟成为可能。

此外，研究者还探讨了如何通过优化接收器网络的密度来降低计算成本。在某些区域，如果污染物浓度梯度较为平缓，可以适当减少接收器的数量，从而降低计算复杂度。同时，通过使用预设的转移矩阵，研究者能够将模型的计算效率提升到一个新的水平，使得在城市范围内进行大规模模拟成为可能。这种方法不仅适用于底特律市，也可以推广到其他城市，特别是在交通密度较高、需要高分辨率空气质量评估的地区。

在方法的构建过程中，研究者首先确定了研究区域的气象条件和交通活动。底特律市配备了九个地表气象站、一个高空气象站和九个空气质量监测站，这些数据被用于模型的校准和验证。研究者选择了2010年作为模拟年份，以便与之前的研究进行比较。地表和高空气象数据包括风速、风向、相对湿度、温度、降水、大气压和云层覆盖等，这些数据被用于模拟不同时间段内的污染物扩散情况。

在PM2.5排放方面，研究者估计了底特律市2010年的道路排放总量。其中，PM2.5的总排放量为472吨，而NOx的总排放量则达到了14,726吨。图S2展示了这些排放如何分配到不同的车辆类别中。尽管年平均日交通量（AADT）主要由轻型柴油车（LDGV）和轻型柴油货车（LDGT 1）贡献，但PM2.5的主要来源却是重型柴油车（HDDV），占总排放量的57.2%。其次是LDGV（28.6%）、LDGT 1（5.1%）、大型柴油卡车（LDDT）和大型柴油货车（LDDV），分别占总排放量的2.6%和2.5%。相比之下，NOx的主要来源是LDGV（41.0%），其次是HDDV（36.1%）、LDGT 1（10.8%）和LDGT 2（5.5%）。

通过这些数据，研究者能够更准确地评估不同车辆类别对空气质量的影响。此外，研究者还分析了不同时间段内的排放情况，以了解污染物在城市范围内的时空分布特征。这种方法不仅有助于识别主要的污染源，还可以为制定更有效的空气质量管理措施提供科学依据。

在结论部分，研究者指出，该研究开发并评估了一种高效的简化形式空气扩散模型，以克服在高空间分辨率下模拟复杂城市道路网络排放和扩散所带来的计算挑战。RFM通过预设的转移矩阵方法，能够有效捕捉城市范围内的空气污染动态，从而在不降低精度的前提下，显著提升计算效率。这种方法为城市空气质量评估和管理提供了一种新的工具，使得高分辨率的空气质量模拟成为可能。

研究者还强调，RFM的应用不仅限于底特律市，也可以推广到其他城市，特别是在交通密度较高、需要高分辨率空气质量评估的地区。通过这种方法，城市管理者可以更准确地评估交通排放对空气质量的影响，从而制定更有效的空气质量管理措施。此外，研究者还指出，RFM能够为城市规划和环境政策制定提供重要的数据支持，帮助决策者更好地理解空气污染的来源和传播路径。

总之，本文提出了一种新的简化形式空气扩散模型，通过优化模型结构和计算方法，有效解决了在高空间分辨率下模拟复杂城市道路网络排放和扩散所带来的计算挑战。这种方法不仅提高了计算效率，还为城市空气质量评估和管理提供了重要的工具和数据支持。研究者通过将RFM应用于底特律市，验证了该方法的有效性，并展示了其在实际应用中的潜力。未来，随着计算技术的进步和数据获取能力的提升，RFM有望在更多城市得到应用，为改善空气质量、保护公众健康提供科学支持。