综合方法用于捕捉多样化的超本地空气污染源以实现高效管理：以德里Siri Fort地区为例

《Frontiers in Sustainable Cities》：Integrated approach for capturing varied hyperlocal air emission sources for efficient management: a case study of the Siri Fort area, Delhi

　　摘要

城市空气污染热点地区表现出极端的空间变异性，这需要超本地化评估和有针对性的干预措施来有效改善空气质量。本研究为德里的一个受到污染的混合居住-商业区域——Siri Fort，制定了针对PM2.5和NOx的本地空气质量管理计划（LAMP）。研究方法包括混合监测（移动和固定位置）、多源排放清单、使用基于网格的扩散模型量化污染源的贡献以及评估有针对性的控制策略。通过监测浓度、排放负荷和模型预测的浓度来评估空气污染的变异性。尽管每种方法在不同空间和时间分辨率上捕捉到了变异性，但相对百分比差异显示出研究区域内广泛的空间异质性模式。这种一致性强调了采用多种方法进行评估以支持有效空气质量管理的必要性。超本地排放清单分析确定道路灰尘再悬浮是PM2.5的主要来源，而车辆尾气排放是NOx的主要来源。对于16平方公里的研究区域，PM2.5和NOx的总估计排放负荷分别为725公斤/天和1,126公斤/天。在特定地点采取的缓解措施中，限制车辆在研究区域内的移动和推动向非污染车辆 transition 可以显著降低PM2.5和NOx的浓度。LAMP框架展示了一种可扩展的、基于证据的方法，适用于印度大型城市的污染热点地区的微观空气质量管理。

1 引言

在快速城市化的地区，空气污染表现出由局部排放源、异质土地使用模式和动态气象条件驱动的显著微观尺度变异性。城市尺度的评估往往掩盖了这种城市内部的变异性，导致干预措施未能充分解决暴露风险最严重的社区级污染热点（Purohit等人，2020；Goyal等人，2021）。尽管国家层面持续努力减少排放，包括德里在内的几个印度大城市仍经历着空气质量持续恶化的情况，这些地方的排放源多样且扩散条件不利。最新的技术和方法进展大大提高了超本地空气质量评估的可行性。长期现场评估表明，校准后的低成本传感器可以在印度城乡环境中可靠地近似测量参考等级的PM2.5（Campmier等人，2023）。在勒克瑙进行的超本地传感器部署发现了由当地来源和夜间边界层混合驱动的明显污染热点和强烈的日变化（Kumar等人，2024）。在德里，对道路交通排放的高分辨率分析显示，不同道路段和时间段内的车辆排放率相差3-5倍，这突显了对空间分辨排放数据的迫切需求（Biswal等人，2023）。同样，Kaushik和Das（2023）报告了德里一个污染热点地区的NOx达到临界水平，并分析了其日变化，这与一天中不同时间的交通流量变化密切相关。多年来，NO2的水平增加了许多倍，这与CNG燃料车辆数量的增加有关（Chelani和Devotta，2007；Gulia等人，2021）。同时，混合监测-建模框架的进步提高了绘制细粒度污染模式和将浓度归因于特定来源的能力。结合来自固定和移动监测器的数据的机器学习技术现在可以生成亚公里级空间分辨率和近乎实时的PM2.5地图（Xu等人，2025）。德里扩展的传感器网络最近发现了许多监管站点未检测到的污染热点，显示出传统监测基础设施的局限性（Bhardwaj等人，2024）。使用Sentinel-5P的遥感技术也成功应用于识别德里-NCR地区的微观污染集群，为地面网络提供了额外的空间覆盖（Singh等人，2025）。与此同时，利用地理空间预测因素（包括土地利用、气溶胶和气象）进行城市尺度的PM2.5建模，在数据稀缺的环境中改进了暴露估计（Lavanyaa等人，2022），而在印度-恒河平原进行的高时间分辨率元素分析突出了局部排放和气象在驱动短期污染峰值中的相互作用（Shukla等人，2025）。尽管取得了这些进展，但仍迫切需要一种综合的微观空气质量管理方法，将监测数据、排放清单、扩散建模和有针对性的干预策略整合成一个可操作的计划（Goyal等人，2022；Goyal等人，2021）。尽管德里拥有覆盖所有主要土地使用类型的庞大空气质量监测网络（40个连续环境空气质量监测站CAAQMS），似乎足以评估整个城市的平均空气质量，但要捕捉微观来源的活动变化，则需要使用高分辨率监测工具、来源活动映射、排放清单和扩散建模的综合方法。本研究通过为德里南部代表性污染热点Siri Fort地区开发并展示一个综合框架来解决这些关键差距，用于超本地排放源映射和管理计划制定。本研究关注的污染物是PM2.5和NO2。在调查城市内部变异性的先前研究中，PM2.5受到了相当多的关注。然而，尽管NO2是交通相关排放和短期暴露风险的关键指标，其超本地变化仍然相对较少被探索。本研究包括：(i) 使用固定低成本传感器和移动采样进行混合监测，以表征细粒度浓度梯度；(ii) 开发包含关键源类别的本地活动数据的排放清单；(iii) 使用AERMOD扩散模型量化来源贡献；(iv) 评估技术上可行且适合当地的控制措施。

2 材料与方法

2.1 研究区域

本研究考察了德里南部Siri Fort CAAQMS周围空气污染的微观尺度变化。研究区域覆盖了16平方公里（4公里×4公里），以连续环境空气质量监测站（CAAQMS）为中心，并划分为64个500米×500米的网格（图1）。该地区估计有约30,000人口（GeoAI，2020），代表一个包含住宅区、商业设施和医院相关活动的混合用途环境。系统性的现场调查显示，网格内的排放源多样且空间异质性强，受到多种叠加活动的影响。主要来源包括家庭烹饪、餐馆和食品摊位、道路灰尘再悬浮、车辆移动、露天焚烧垃圾以及火化相关活动。

2.2 方法论

本研究采用了一种结合监测-排放-建模的方法，为典型的城市热点地区制定了本地空气质量管理计划（LAMP）。详细的组件流程图及其中之间的联系如图2所示。为实现研究目标而遵循的步骤大致如下：

2.2.1 混合监测

选择了经济实惠的便携式传感器（EPSs），并在固定和移动监测平台上进行部署，以捕捉污染物浓度（PM2.5和NO2）的变化。移动监测沿着预定义的路线进行，以确保全面覆盖，而固定位置的选取考虑了不同的土地使用类型。关于测试和校准的详细方法在作者之前的研究中有说明（即Gulia等人，2024）。固定和移动监测位置的监测数据总结用于与模型预测的浓度进行比较。在研究区域内的58个地点使用经济实惠的便携式传感器（EPSs）进行了PM2.5和NO2监测，这些传感器安装在了电动三轮车上。2023年2月期间，三辆不同的车辆各安装了三个EPS设备，沿着预定义的路线运行了一周。监测活动从2月6日持续到13日，代表了德里的冬季条件。选择这些地点是为了覆盖所有土地使用类型以及一周内的所有网格。监测计划安排得当，以便在一天中的不同时间对每个地点进行采样。数据采用Go-Stop-Go方法收集，即车辆行驶到选定地点并在监测期间关闭引擎。这种做法符合成熟的移动监测实践，这些实践推荐基于停车或驾驶和停车的采样方式，以提高测量稳定性并减少运动引起的湍流不确定性（Kerckhoffs等人，2025；Maslouski等人，2023；deSouza等人，2020）。

2.2.2 多源污染物特定排放清单

通过现场调查和二手数据集收集详细的源活动数据，以开发高分辨率排放清单（500米×500米网格尺寸），从而计算排放负荷。对该区域进行了实地调查，以识别和划定4公里×4公里范围内的主要污染源。为已识别的来源分别制定了PM2.5和NOx的排放清单。活动数据通过现场调查收集。污染物和特定来源的排放因子被适当采用用于排放计算。活动数据的详细信息，如交通流量、车队组成、网格内的人口数据、网格内的餐馆和其他来源，以及用于计算排放负荷的相应排放因子和数学方程式，提供在补充表S1-S4中。

2.2.3 微气象数据分析

从研究区域内的Father Agnel学校（FAS）安装的天气监测站收集了特定地点的气象数据，而在四个固定监测点和Siri Fort CAAQMS处估算了PM2.5和NOx的特定来源贡献。研究期间的风向图显示在补充图S1中。Cloud cover、太阳辐射和大气压力等参数来自德里的IMD站。

2.2.4 空气质量扩散建模以评估来源贡献

基于开发的排放清单，使用AERMOD模型对研究区域进行了空气质量预测，其中考虑了特定地点的气象数据。该模型为基于网格的区域来源设置了参数，使用特定污染物的网格排放负荷。模型设置了监管选项，并在研究区域内生成了等值线图。

2.2.5 控制方案评估

通过情景建模进行了可行的减排干预措施评估。控制措施的选择基于技术可行性和研究区域的适用性。

2.2.6 不确定性和局限性

采用的方法包括多个组成部分，包括监测、排放清单开发和扩散建模。这些方法的发现存在某些固有的不确定性，下面将进行讨论：

监测：本研究使用了经济实惠的便携式传感器（EPSs），这些传感器已经在Gulia等人（2024）的早期研究中进行了校准并与参考仪器共位。然而，由于环境干扰，仍可能存在测量误差。

排放清单：排放估计依赖于通过现场调查和二手数据收集的活动数据，这些数据可能由于时间变化、有限采样和空间分配假设而存在不确定性。此外，从文献中采用的排放因子可能无法完全反映当地的操作条件。

扩散建模：AERMOD模型假设稳态条件并简化了大气过程，未能完全捕捉环境空气中发生的复杂城市大气化学现象。此外，建模分析是针对NOx浓度进行的，而现场监测是针对NO2进行的。这也引入了一定程度的可比性限制。然而，先前的研究已经证明了AERMOD模型在德里的气候条件和源异质性下的良好性能（Goyal等人，2022；IIT Kanpur，2016）。

基于GIS的空间插值分析：使用逆距离加权（IDW）技术对监测数据进行了插值，可能会平滑局部峰值。

尽管存在这些不确定性，但在监测、排放清单开发和建模方法中观察到的一致性增强了人们对空气污染水平空间模式和超本地变化的信心，这是本研究的主要焦点。

3 结果与讨论

3.1 研究区域内的空气质量变化

3.1.1 固定位置的传感器监测

使用所有监测日在一天中不同时间的平均值数据生成了空间污染地图。采用逆距离加权（IDW）插值方法进行空间插值。地图清楚地显示PM2.5水平在40到110微克/立方米之间变化（相差2.5倍），而NO2浓度在28到56微克/立方米之间。污染地图的西南侧区域两种污染物的浓度都很高，代表了高交通区域（交通信号）和低-中等收入群体人口（高度密集的地区）。该地区的东南部和南部观测到较高的PM2.5浓度，形成了明显的污染区。这些区域与密集的城市开发和主要交通走廊重合，表明车辆排放和局部人为活动对其有重要影响。中部网格的PM2.5浓度较为适中，而西部和西北部的PM2.5水平相对较低，这些区域以较高的绿色覆盖率和较少的城市活动为特征。此外，污染地图清楚地显示了研究区域内空气质量水平的变化，包括热点（高值）和低值区域。某些网格中观测到的较低值可以归因于存在大面积的绿色植被，这些植被起到了吸收空气污染物的作用。

3.1.2 实时移动监测
除了在固定地点进行监测外，还分析了使用三种EPS在沿道路从一个地点移动到另一个地点过程中记录的实时数据，以评估PM2.5和NO2水平的变化。所有记录的数据（包括污染物浓度和位置坐标）都使用GIS应用程序沿着路线进行了绘制。该路线还标出了主要的交通信号灯，详见Gulia等人2024年的研究。平均PM2.5浓度范围为15至105 μg/m3，而NO2浓度范围为11至80 μg/m3。在研究区域的东南部道路和交通信号灯附近，PM2.5水平较高；而在AIIMS到Hauz Khas（即Sri Aurobindo Marg）路段，NO2水平较高。图3展示了2023年2月6日至13日期间研究区域的PM2.5和NO2浓度地图，显示的值是基于7天监测的平均水平，污染地图是通过空间插值方法生成的。

3.2 排放负荷估算
图4展示了各种来源对总排放负荷的贡献，并在补充表S5中以公斤/天和百分比的形式进行了总结。对于16平方公里的研究区域（4公里×4公里），PM2.5和NOx的总排放负荷分别估计为725公斤/天和1,126公斤/天。对于PM2.5，主要排放源是道路灰尘（42%）和露天焚烧（19%）。其他来源包括车辆（13%）、家庭源（4%）、火葬场（6%）、餐饮业（0.005%）和建筑行业（16%）。对于NOx，车辆是主要排放源，占比高达81.8%，其次是火葬场（7.7%）、家庭源（3.3%）、露天焚烧（6.7%）和酒店及餐饮业（0.5%）。此外，估计的网格排放负荷在研究区域内分布不均，污染地图分别对应PM2.5和NOx，并叠加在Google Street View地图上，详见补充图S2和S3。

图4显示了PM2.5和NOx的总排放负荷来源。PM2.5和NOx的空间分布图显示了研究区域内明显的空间变异性（见图5）。大多数网格单元的PM2.5浓度较低至中等，但在区域西南部观察到明显的热点。相比之下，NOx浓度主要在北部和东南部地区较高，形成了明显的污染热点。对于这两种污染物而言，高浓度区域通常与高交通流量、主要道路网络和密集建筑区相关。中部和内陆地区的浓度较低，这些地区的绿色覆盖率较高，城市活动相对较少。总体而言，地图突显了土地利用、交通密度和城市结构对PM2.5和NOx空间分布的影响，两种污染物的高污染区域存在显著差异。

3.3 空气质量扩散建模
3.3.1 预测污染物浓度的空间分布（基准情景）
图6以等值线的形式展示了预测的PM2.5和NOx浓度的空间分布。预测的PM2.5和NOx的最大地面浓度（max GLC）分别为194 μg/m3和130 μg/m3（注意此处应为NO2的测量浓度）。因此，预测的NOx水平略高于实际监测的NO2水平。预测的PM2.5和NOx浓度范围分别为33至194 μg/m3和18至130 μg/m3，表明研究区域内的污染水平存在显著差异。

3.3.2 基于预测的PM2.5和NOx浓度的来源贡献
在研究区域的四个不同地点预测了PM2.5和NOx的来源贡献。这些地点的详细信息见补充表S6。平均而言，PM2.5的主要来源是道路灰尘再悬浮（42%）和生物质燃烧（39%），其中Prakash Memorial School（PMS）、Institute of Home Economics（IHE）和CAAQMS三个站点的贡献约为44至70%；Green Fields School（GFS）的贡献约为88%，FAS的贡献约为29%。火葬场和露天焚烧在附近监测点也有显著影响，FAS的贡献约为20%，PMS的贡献约为41%。所有五个站点的平均来源贡献分别为：建筑行业21 μg/m3、家庭源0.80 μg/m3、酒店/餐饮业0.88 μg/m3、露天焚烧0.16 μg/m3、车辆5.7 μg/m3、火葬场12.4 μg/m3、家庭源3.7 μg/m3。酒店和餐饮业的贡献在整个研究区域内总体可以忽略不计，各监测点的贡献率最多为1%。

表1展示了所有五个地点PM2.5和NOx的来源贡献，包括浓度和比例，详见补充图S4和S5。

3.4 评估控制措施在减少研究区域污染方面的有效性
考虑到污染负荷和各来源的贡献，提出了不同的控制措施以减少空气污染。这些控制措施是随机选择的，但其可行性和实施难度需要进一步研究。此外，使用降排放空气质量模型评估了每种选定措施的有效性。表2描述了作为污染控制措施的不同情景。

表2 情景描述
| 情景 | 描述 |
|----------------|------------------------------------------|
| S1 | 用CNG汽车替换柴油汽车：将研究区域内的所有柴油汽车替换为CNG汽车。柴油汽车占总车辆的22%，预计替换后CNG汽车的比例将从9%增加到30%。可通过指定低排放区来实现。 |
| S2 | 用电动汽车替换柴油汽车：将柴油汽车替换为电动汽车。电动汽车在总车辆中的比例增加到24%。可通过将研究区域指定为零排放区来实现。 |
| S3 | 通过电气化减少柴油（100%）、汽油（50%）和摩托车的排放：基准情景下，车辆构成包括柴油汽车（22%）、汽油汽车（67%）和CNG汽车（8%）。调整后，车辆构成变为75%汽油汽车、0%柴油汽车、6%电动汽车和20% CNG汽车，以及50%汽油摩托车和50%电动摩托车。 |
| S4 | 减少90%的车辆数量。 |
| S5 | 通过机械清扫清除道路灰尘（减少80%的沉积物负荷）：主要道路的初始沉积物负荷分别为1.6 g/m2、0.9 g/m2、0.7 g/m2和1.1 g/m2，预计减少80%，分别为0.32 g/m2、0.18 g/m2、0.14 g/m2和0.22 g/m2。 |
| S6 | 在酒店和餐饮业用感应加热系统替换LPG炉灶/传统炉灶：研究区域内共有852家酒店、餐厅和露天餐饮业，其中221家为酒店和餐厅，498家为露天餐饮业。建议在所有露天餐饮业中替换LPG炉灶/传统炉灶为感应加热系统。 |
| S7 | 限制露天生物质燃烧：德里冬季常见的一种取暖方式是露天生物质燃烧。研究团队观察到路边避难所多数家庭使用生物质取暖，建议严格禁止这种行为。可通过提高意识、加强监管并向安保人员提供电加热器来有效控制。 |
| S8 | 用电动火葬场替换传统火葬场（燃料排放=0；尸体排放基于现有估算）：建议禁止在火葬场使用木材，改用电动火葬场。 |
| S9 | 通过最佳实践减少70%的建筑活动排放：通过实施建筑现场最佳实践，将建筑活动的排放量减少70%。 |
| S10 | 用电动三轮车替换CNG三轮车。 |
| S11 | 禁止卡车进入研究区域。 |

此外，还估算了每种选定情景下的特定污染物排放负荷，并与基准情景进行了比较（见表S7和S8）。基准情景下PM2.5的总排放负荷为725公斤/天，通过减少90%的车辆进入量降至363公斤/天，通过清除道路灰尘降至490公斤/天，通过限制露天焚烧降至603公斤/天，通过减少建筑活动的逃逸排放降至643公斤/天。同样，通过减少90%的车辆进入量，NOx排放负荷从1,126公斤/天降至288公斤/天；通过用电动汽车替换柴油汽车，NOx排放负荷降至1,066公斤/天。引入CNG汽车可能会增加研究区域的NOx排放负荷。

表2中展示了不同控制措施下PM2.5和NOx的来源贡献。

3.5 研究区域内的超局部变化
比较相对于平均浓度的百分比差异，可以清楚地看出每种评估方法如何捕捉4公里×4公里研究区域内的空间变异性（表3）。对于PM2.5，固定位置传感器显示出最高的相对变化（107%），表明某些点存在明显的热点-背景对比。相比之下，移动传感器记录的变化较低但仍然显著（66.7%），表明虽然移动监测可以捕捉到连续的微尺度波动，但会平滑掉极端局部化的峰值。网格级别的排放负荷也显示出相似的变异性（62.2%），表明排放本身在空间上是异质的，但异质性的程度低于测量浓度的变化程度。分散模型预测了中等程度的变性（70.5%），这反映了排放不均匀性和大气混合的综合作用。NOx的情况也类似，固定监测点和移动监测点分别显示了74.4%和65.9%的变异度，而排放负荷和分散模型得出的变异度分别为62.2%和66.1%。

表3 评估方法
污染物 最小值 最大值 差异 平均值 相对于平均值的百分比差异
固定位置传感器（μg/m3）PM2.5 40 110 70 75 70.74
PM2.5 115 64 53 33.57 4.44
移动车辆上的传感器（μg/m3）PM2.5 151 105 90 60 66.67
PM2.5 118 69 45 55.56 5.94
网格式排放负荷（kg/天）PM2.5 54 64 125 5.56 2.20
NOX 54 64 125 5.56 2.20
分散模型（μg/m3）PM2.5 33 194 161 113 3.57 0.50
NOX 181 130 112 74 66.07

基于不同评估方法对研究区域内空气污染物浓度和排放负荷变化的比较分析。百分比四舍五入（不保留小数点）。

在不同污染物和评估方法之间，百分比差异主要集中在相对较窄的范围内（大约62%至107%），表明尽管测量原理存在差异，所有方法都能一致地捕捉到显著的区域内变异性。值得注意的是，排放负荷的变异性（约62%）与移动传感器的变异性（约66%）非常接近，这表明移动监测能够较好地反映由排放驱动的梯度变化。分散模型也与基于移动传感器的估计结果大体一致。然而，固定位置传感器始终报告更高的变异性，这突显了它们对集中源附近超局部峰值的敏感性。总体而言，比较结果显示，尽管每种方法捕捉变异性的分辨率不同，但相对百分比差异显示出研究区域内高空间异质性的普遍模式，这进一步强调了需要采用多种方法进行评估以全面了解超局部空气质量。

**结论**
印度城市中的空气质量存在显著的空间变化，这在设计全面的排放管理策略时构成了重大挑战。这些污染物非均匀的空间分布模式要求对空气质量水平进行准确评估，量化各源的排放负荷，并定量评估特定源干预措施在减少污染方面的有效性。本研究分析了德里某地局部/微观尺度（4公里×4公里区域）的监测污染物浓度、估算的排放负荷以及模拟的污染物浓度。研究结果总结如下：
- 根据监测到的污染物浓度，在一个小面积为16平方公里的区域内观察到了显著的空间变化。PM2.5的浓度范围从40微克/立方米到110微克/立方米（几乎是前者的2.5倍）。
- NO2的浓度范围从11微克/立方米到56微克/立方米（是前者的5倍）。
- 该研究区域PM2.5和NOx的总排放负荷分别为每天725公斤和1,181公斤。对于PM2.5，主要来源是道路灰尘（42%）和露天焚烧（19%）；对于NOx，车辆排放是主要来源（78%），其次是火葬场（12%）。
- 在浓度方面，情景4（研究区域内车辆活动减少90%）和情景3（柴油车（100%）、汽油车（50%）及摩托车（50%）改为电动汽车）下，PM2.5的浓度降低了最多。NOx的减少幅度在情景4中也最高。

比较结果表明，虽然各种方法捕捉变异性的分辨率不同，但相对百分比差异显示出研究区域内高空间异质性的普遍模式，这进一步强调了需要采用多种方法进行评估以全面了解超局部空气质量。
街道层面的微观来源在这些变化中起着非常重要的作用，有时甚至可能是引发严重空气污染事件的根源。为了有效管理城市空气质量，应优先关注这些空气污染热点地区，从微观尺度开始进行空气质量监测。研究建议采取以下策略：
- 使用经济型便携式传感器监测仪作为高效工具，通过混合模式（即同时进行移动和固定监测）来捕捉空气污染物浓度的空间和时间变化。
- 考虑城市内部居住区和土地利用模式的变化以及微观尺度的空气质量监测，同时还需要监测微气象条件。
- 通过实地调查绘制源活动图并制定排放地图应成为管理计划的一部分。
- 应根据污染物的排放贡献及其对空气质量的影响来选择控制措施。这些控制方案应具有良好的成本效益且易于实施。