2017, Vol. 37
[PDF全文]
2. 国家环境保护恶臭污染控制重点实验室, 天津 300191
2. State Environmental Protection Key Laboratory of Odor Pollution Control, Tianjin 300191
近10年来, 我国机动车保有量以年均15%的速度迅猛增长(郭宇宏等, 2014).截至2014年底, 南京市机动车保有量达到206.3万辆, 预计未来几年仍将处于高速增长阶段, 机动车尾气污染问题将更加严重, 尤其是机动车对NOx和CO的贡献率处于较高水平(Wu et al., 2011; 姚志良等, 2012), 2013年南京市机动车排放NOx 3.6万t、CO 15.5万t.研究表明, 多数城市机动车NOx和CO排放分担率为40%~80%左右(贺克斌霍红等, 2014), 并且NO2主要受附近机动车排放影响(张敏等, 2009), 道路空气中NOx浓度与车流量有显著关系(Kendrick et al., 2015; 申卫国等, 2010).有研究对南京市路边空气质量与国控监测点NOx、NO2浓度数据的变化趋势进行了分析(张予燕, 2006), 探讨了NO2的时间分布特征、空间分布特征(王占山等, 2015), 并对道路CO浓度的影响因素及空间分布进行研究(李昭阳等, 2005; 刘侃侃等, 2009).以上研究表明, 机动车排放与空气中污染物浓度密切相关.
城市交通活动是机动车排放的重要影响因素, 交通活动用交通流特征进行量化描述, 包括流量、速度和密度三要素(邵春福, 2012).国内外对于交通流的研究多是以不同类型的道路为主体, 应用微波检测器、视频检测、浮动车等交通观测技术, 在重点时段采集样本, 对交通流要素关系开展研究(Zhao et al., 2009; 孙宇星等, 2004; 王子雷等, 2009; 辛飞飞等, 2008; 郑贤清, 2011), 也有学者对交通流的空间分布规律进行了初步研究(秦颖, 2008).目前, 南京市智能交通项目实现覆盖全市路网的交通流信息采集, 可以提供大样本, 覆盖大范围, 明确各型道路的交通流特征及道路上的车队构成与车辆环保技术分布, 从而为分析交通流特征与污染物浓度间的关系提供了便利.
本研究基于南京市网络化双频基站(视频+射频)(张世达, 2013)所采集的过车信息, 应用GIS工具将交通数据与道路信息关联, 建立视频识别车牌号到车辆基础信息的映射关系(李笑语等, 2017).根据道路的空间位置, 研究不同时段交通流的空间分配, 对各型道路逐时交通流特征及车型分布进行对比分析, 进行大样本条件下南京市交通流时空分布特征研究.同时, 结合获取到的南京市国家环境空气质量监测城市站(国控点)的小时监测数据, 分析交通对环境空气质量的影响规律及交通与污染物分布的时空关联性, 以期为交通源大气污染治理提供科学依据.
2 数据采集与分析(Samples and analysis) 2.1 数据采集交通数据：选择南京市双频基站中的自由流式基站474个, 数据采集时间为自2014年1月1日—12月31日, 24 h不间断采集, 以视频数据为基础, 空缺时段用射频识别数据补充, 整合后总共获取过车记录数17亿条.数据内容包括基站编号、车辆通过时刻、车牌号、瞬时车速.同时从相关部门获取南京市车辆基础信息, 信息包括车牌号、车辆类型、燃料类型、机动车排放标准.
大气污染物监测数据：南京市现有9个国控点, 位置如图 1所示, 本研究选取4个站点：瑞金路、中华门、草场门、山西路, 这4个站点分别位于城区4个方位上, 且周边路网密集；选择非交通区, 距离主要道路较远的奥体中心站作为背景点.获取以上站点污染物小时浓度值共4万余条.
 |
| 图 1 双频基站及国控监测站点位置示意图 Fig. 1 RFID & VFID stations and national air quality monitoring stations in Nanjing |
建立过车数据与车辆基础信息间的映射关系, 基于南京市车辆登记信息, 以车牌号作为唯一标识符, 在数据库中将车辆类型、燃料类型、车辆排放标准、车辆登记日期等信息附加到过车数据中, 共有16.5亿条数据进行了基础信息的补充.
数据过滤只对数据可用性进行标识, 为避免对数据完整性的影响, 不删除数据.① 车牌号过滤：识别车辆所属城市, 开头为“苏A”的车辆为南京市注册车辆, 共16.3亿条, 占全部记录数的90.7%, 标记为南京；无对应城市的车牌号定义为识别错误数据, 占全部记录数1.1%, 标记为无效；其余记录对应为外地车辆, 标记为外地.记录数量前十的数据占总记录数的94.3%, 以上统计结果初步表明车牌号数据质量较好.② 速度过滤：双频基站识别的速度范围为0~100 km·h-1(张世达, 2013), 故超出此范围的速度数据为不可信数据, 此类数据共497.2万条, 占总记录数的0.27%, 对此类数据进行标示, 在速度分析时会剔除这些数据.国控点数据去除空值, 依照拉依达准则去除异常值.
2.3 数据与地图匹配根据基站经纬度, 在地图上标记基站位置, 研究所选基站空间位置如图 1所示.通过基站与道路的匹配, 可将采集到交通流数据分配到城市路网中.用ArcGIS软件, 将基站点与南京路网进行空间连接, 使基站与其最邻近道路进行匹配, 将基站的检测信息作为匹配道路的交通流信息.由于部分基站经纬度信息失准, 产生了错误的关联, 对这部分基站采取手动修正, 将其合理匹配到道路上.处理后, 研究选取的基站覆盖道路长度占南京市区道路总长度的32%.
基站覆盖了不同类型道路, 同时基于空间拓扑关系, 将基站所处位置按照行政区及道路环线进行划分.南京市市辖11个区, 基站位于其中的9个区, 集中于鼓楼区、秦淮区、玄武区、建邺区、栖霞区、雨花台区6个城市核心区, 各行政区不同基站统计如表 1所示.
| 表 1 分行政区基站数量统计表 Table 1 Number of stations based on district division |
 |
南京市路网已建成三环线, 本研究依此划分3个环线区, 即内环线及以内为一环区, 内环线外二环线及以内为二环区, 二环线以外三环线及以内为三环区, 各环线内基站统计如表 2所示.
| 表 2 分环线基站数量统计表 Table 2 Number of stations based on Ring Road |
|
本研究从时间和空间两个维度对交通流及大气污染物监测值进行分析, 对数据的时间和空间属性进行分类定义.时间维度上, 分为日、月、季度3个尺度.以1 h作为研究最小区间间隔, 日尺度分为工作日、双休日、节假日3类, 2014年工作日250 d、双休日88 d、节假日27 d；月尺度为12个自然月.空间维度参照2.3节与地图匹配结果依据行政区划及环线进行分类.
道路涵盖城市道路及公路(依据公路管理条例、城市道路管理条例、道路交通安全法进行分类), 本研究涉及的城市道路包含快速路、主干路、次干路, 公路包括国道及省道共计5类道路, 不同类型的道路, 交通流分布明显不同, 其中，主、次干路主要分布于城区内, 其他类型道路为环线或在城区外围.基于道路类型, 计算不同时间尺度下的速度、流量、密度及车队构成规律, 通过空间划分直观体现不同区域交通流的差异性.分析道路上车型比例与注册数据间车型比例的关系.
大气污染物数值选择站点监测的CO及NO2浓度小时值, 4个季度各站点小时值时序图如图 2所示.背景点浓度值最低, 在高峰时段变化相对平稳, 由于本研究主要关注移动源污染, 故选取瑞金路、中华门、草场门、山西路这4个站点值减去背景站点浓度, 算得净污染物浓度, 减小其他排放源对结果的影响, 凸显各站点自身变化规律.
 |
| 图 2 各季度分站点监测浓度值 Fig. 2 Seasonal variation of site-specific concentrations |
通过以上数据分析得到不同类型道路4个季度速度及流量变化趋势, 结果如图 3所示.各型道路4个季度的行车速度存在明显差异, 主、次干路第四季度车速最低, 一季度最高, 四季度相较一季度平均车速下降了19%；国、省道一季度车速最高, 国道四季度车速最低, 但省道则是二季度车速最低；快速路二季度车速最低, 四季度车速最高, 与市区内道路趋势相反.总体上, 一季度是交通最为畅通, 而第四季度行车速度较低.
 |
| 图 3 各季度不同类型道路车速(a)、流量(b) Fig. 3 Seasonal speed(a) and traffic volume(b) of different road types |
行车速度的日变化规律受季节影响明显, 除快速路外, 其他类型道路车速变化趋势呈现明显“双谷”形态.4个季度自5：00起, 车速下降趋势显著, 7：00达到最低点, 早高峰时段为6：00—8：00；二、三季度由于日落时间较晚, 晚高峰车速最低点为18：00, 而一、四季度的最低点为17：00.快速路在四季度有早晚高峰区别, 其他3个季度的变化则较为平缓.
结合流量分析, 各类型道路均为第四季度流量最大.主、次干路在流量大的季度车速均会出现较大幅度下降, 说明道路通行能力达到饱和, 一旦流量增加, 便会产生拥堵.流量可以体现季节对出行的影响, 一季度车流量高峰出现在16：30, 二、三季度则为17：00, 而第四季度在16：00便已出现最高峰.快速路及国道第四季度流量较为特殊, 快速路晚高峰16：00的车流量是早高峰8：00车流量的1.25倍, 国道则与此相反, 早高峰是晚高峰车流量的1.12倍, 早晚差异明显.快速路轻型及重型货车多为物流运输车辆, 南京市从2014年10月将货车限行时段延长为7：00—9：00、17：00—19：00这两个时段, 使四季度货车在15：00—17：00形成出行高峰, 叠加晚高峰其他车流, 造成晚高峰流量高于早高峰；国道上车型以小型及大型客车为主, 主要是通勤车辆, 并且研究选取的道路为进城方向道路, 是造成早高峰高于晚高峰的原因.
污染物浓度季度变化规律如图 4所示, 其中, NO2净浓度从一至四季度呈递增趋势, 与车流量变化规律相同, 说明车流量的增加对NO2浓度升高有较显著影响；第三和第四季度0：00—14：00车流量与净浓度数据相关系数分别为0.46和0.52, 同时日变化的2个高值区与车流量高峰期重叠, 反映NO2净浓度波动与车辆活动趋同.CO净浓度第四季度最高, 第一季度最低, 二、三季度有交错, 仍与车流量关系密切, 但日变化趋势高峰不明显, 总体呈逐渐升高的趋势.
 |
| 图 4 各季度NO2和CO净浓度小时变化 Fig. 4 Seasonal variation of hourly concentration |
根据道路通行能力及功能不同, 本研究将主、次干路归为一类, 快速、国、省道归为另一类, 两类道路的车速度及流量月度变化规律如图 5所示.图 5a表明, 主、次道路2月行车速度最高, 流量最低, 而12月车速最低车流量最高.受春节假期影响, 伴随着大量人群的返乡, 通勤出行需求减少, 2月车流量相较其他月份陡降, 车辆减少使行车速度增高.12月临近年底, 市区范围内存在较多的商业活动, 并且伴有圣诞节期间的出行高峰, 使12月成为车速最低流量最大的一个月.
 |
| 图 5 主、次干路(a)和国、省道(b)月均车流量、车速 Fig. 5 Monthly variation of traffic volume and speed |
图 6展示了每月周末的车流量情况, 12月是全年周末出行量最大的一个月, 证明周末出行增加是导致12月总体流量增大的主要因素.8月与其相邻两个月相比, 流量最大且速度最高, 8月南京举办“青奥会”, 旅游、观赛及运动员出行使市区内流量略有增加, 有效的交通疏导措施使行驶速度上升.如图 5b所示, 快速、国、省道变化趋势与市区内道路不尽相同, 1月车流量最大, 由于31日是除夕, 所以回程高峰集中在1月；8月速度高值的产生与“迎青奥”交通秩序百日整治中对高速公路过境车辆进行远端分流的措施有关；十一“黄金周”的集中出行使得10月流量出现了高点.
 |
| 图 6 逐月周末小时车流量 Fig. 6 Monthly variation of traffic volume during weekends |
各站点NO2及CO各月日均净浓度变化如图 7所示.由图可知, 各站点NO2和CO净浓度变化趋势均呈波浪形, 草场门及瑞金路是监测浓度最高的两个站点.综合各个站点, 1月是全年NO2和CO净浓度最高月, 2月NO2和CO净浓度有明显下降, 同时在6—8月也呈下降趋势, 第四季度NO2和CO净浓度又攀升到高点.1月的高值与气象条件不利于污染物扩散有关, 2月与1月气象状况相似, 但综合交通情况分析, 2月车流量下降明显, 且车速较高, 机动车排放量明显降低, 形成了浓度低谷.四季度由于流量大, 并且扩散条件差, 使得污染物浓度升高.污染物浓度月变化规律总体上与交通状况较一致, 反映监测站周边地区污染物浓度与交通排放关联性强.
 |
| 图 7 各站点污染物净浓度值(a. NO2, b.CO) Fig. 7 Net concentration of pollutants at each site |
按照日尺度分类, 得到各型道路工作日、周末、节假日的车速及流量, 结果如图 8所示.除快速路外, 其他类型道路车辆运行规律基本一致.工作日早晚有明显车速低峰及流量高峰, 表明居民出行集中, 容易造成拥堵.周末及节假日8：00—17：00, 除12：00有较小幅度的车速高峰及流量低峰出现, 其余时段均呈现高流量、低速度状态.节假日里, 市区内出行相对周末更少, 反映为流量的降低和行车速度的提升.而节假日则是旅游及中短途出行的高峰, 因此, 快速路在节假日的车辆运行规律呈现明显双峰形态, 高峰时流量相较平日有近50%的提升, 车速也出现明显下降.各日的早高峰出现时段有较大区别, 工作日在7：00已经达到高峰, 周末则要8：00以后才达到高峰, 节假日的高峰则是出现10：00；不同于早高峰的错峰现象, 晚高峰都是17：00出现, 并且在19：00—20：00有一个平台期, 流量在一段时间内保持稳定, 没有出现下降.
 |
| 图 8 各型道路工作日、周末、节假日车速(a)、流量(b) Fig. 8 Weekdays, weekends and holidays traffic speed(a) and volume(b) of different road types |
污染物净浓度日变化趋势如图 9所示, 工作日与双休日均呈现双峰变化规律.工作日的8：00出现早高峰, 这一时段车流量达到最大, 车速降低, 车辆排放增加, 因而使大气中NO2和CO净浓度增加；随后车流量逐渐降低, NO2和CO净浓度也随之下降, 在交通晚高峰时段, 污染物净浓度又攀升形成晚峰值.与工作日相比, 非工作日早峰值出现时间略有延后, 且高峰较为平缓, 与车流量变化趋势吻合.晚高峰过后的20：00—22：00, 交通流出现一个平台期, 这段时间污染物浓度又有所回升, 随后下降.
 |
| 图 9 工作日及周末污染物逐时变化趋势 Fig. 9 Weekday and weekend hourly pollutants variation |
NO2作为机动车的主要排放污染物, 其与交通流的变化趋势密切相关.以NO2为例, 分析空气质量与车流量小时变化的相关性.本文对瑞金路站点NO2净浓度与附件道路车流量相关性进行分析, 包括1、4、7、10月逐月平均数据, 车流量标化为车流因子, 即小时车流量与日均车流量之比.图 10为4个月NO2净浓度与车流因子时序图.用SPSS软件计算6：00—18：00相关数据, 在显著性水平为0.01条件下, Person相关系数分别为0.709、0.825、0.583、0.475, 因此, 道路车流量与监测NO2净浓度在此时段内存在显著相关性, 但在22：00之后NO2浓度持续升高, 与车流量变化情况相反.早高峰NO2浓度出现峰值, 主要是由于此时为上班时间, 交通拥挤导致机动车尾气的大量排放.随着太阳辐射的逐渐增强, 城市大气边界层升高, 污染物的扩散及稀释增强, 并且午间温度升高, 大气氧化性增强, 一部分氮氧化物参加二次光化学反应, 转化为二次粒子, 所以NO2浓度在14：00左右达到最低值.夜间由于城市边界层高度较低, 大气的稀释能力比较弱, 稳定边界层深厚, 污染物发生累积造成夜间污染物浓度升高.
 |
| 图 10 不同月份车流因子与NO2净浓度变化趋势 Fig. 10 Variation trend of traffic volume and NO2 net concentration |
道路车队构成是影响机动车排放的重要因素, 本研究从车型、燃料类型、车辆排放标准3个方面对车队构成进行分析.
车型分客、货两类, 分别按微、小、中、大4型区分, 总共8类车型；由于道路类型不同, 将主次干路归为一类, 快速、国省道作为另一类, 分类进行分时车型占比统计, 结果如图 11所示.
 |
| 图 11 主次道(a)、国省道(b)车型分布图 Fig. 11 Hourly vehicle fleet composition |
主\次干路中, 小型客车在各时段均为主要车型, 并且在早、晚高峰时段占比相较其他平稳运行时段略有上升, 20：00、21：00的晚间小高峰的主要构成车型也是小型客车.小型客车占比在7：00—14：00期间与NOx浓度变化的Person相关系数为0.88, 而在14：00之后相关系数较小, 与上述分析结果一致.大型客车在5：00—6：00占比高, 可能由于这一时段小型客车上路较少, 而公交等车辆已经开始运营, 使大型客车占比上升.在夜间时段, 重型货车及轻型货车占比明显上升, 在市区内道路上夜间也有较多货车运行.快速一类道路轻型货车占比明显高于主、次干路, 夜间各型货车占比接近或超过25%, 说明这类道路承担了主要的货运任务.夜间车流量与NO2浓度相关性低的原因是夜间车流量小, 交通源对污染物的贡献率低.小型客车仍然是主要车型, 占比呈双峰形态.
燃料种类占比如图 12a所示, 燃料类型占比与车型分布保持吻合, 货运车辆主要是柴油车, 而小型客车主要是汽油车, 其他燃料如天然气、电动等车辆也有少量占比.研究表明, 排放控制水平对机动车排放量有显著影响.图 12b各型排放标准车辆的逐时占比, 其中, 国Ⅳ车辆占比超过50%, 国Ⅲ和国Ⅳ车辆是道路上主要运行车型, 两者占车辆总数的70%, 有近10%的国Ⅱ车辆在行驶, 国Ⅰ车辆占比均在0.5%以下, 仍有部分黄标车在上路运行.
 |
| 图 12 各燃料类型(a)与排放标准(b)车辆逐时比例 Fig. 12 Proportion of vehicle′s fuel type(a) and emission standards(b) |
污染物浓度在3：00—4：00出现一个短暂尖峰, 可能是由于该时段货车比例上升, 造成排放量增大；且NO2高峰与柴油车占比的高峰重合, 高峰时段柴油车中重型货车比例高于45%, 与其他货车合计占比达80%, 说明柴油货车的夜间行驶是造成夜间NO2出现小高峰的重要原因之一.
3.2 交通流与污染物浓度空间维度分析 3.2.1 交通流空间分布应用ArcGIS软件绘制出日交通流量4个季度的空间分布图.总体上看, 秦淮区、玄武区是交通流量最大的区域, 其中, 流量较大的如龙蟠中路、瑞金路一带是旅游、商务、金融最为密集的地区之一；此外, 行政区间的主要交通连接线, 如玄武大道、二桥高速也是流量较大的路段.各季度对比可以发现, 第一、三和四季度交通流量大的路段分布较为集中；而第二季度流量大的路段明显增多, 且分布范围更广.
根据环线划分后的计算结果, 可得出各环线内道路逐月日均车流量及速度分布规律, 结果如图 13所示.由图可知, 车速由外向内依次递减, 由于三环内道路主要由快速路或国、省道构成, 道路等级较高, 设计通行时速高, 故总体车速水平较其他环线内道路高；而流量大的路段基本位于内环, 超过通行能力造成内环车速最低.交通流量由外而内呈由大到小顺序排列, 内环相较二环路网更为密集, 出行需求更大, 并且通勤出行大多位于内环道路上, 造成内环流量远远高于其他环线；二环、三环流量差异不突出, 反映南京市城市发展范围向外有较大延伸, 使三环内道路也产生较大交通需求.
 |
| 图 13 各环线车速(a)和流量(b)分布 Fig. 13 Ring road′s traffic speed(a) and volume(b) |
根据车流量及各站监测值绘制出流量与浓度空间分布图(图 14、15).总体看, 秦淮、玄武两区站点CO和NO2监测浓度最高, 内环线内站点污染物浓度高于其他环线内站点.在车流量高的道路如龙蟠中路、瑞金路周边的站点, 污染物浓度明显较高, 瑞金路站点处在交通核心区附近, 其监测值一直是各站点中最高的.同时, CO及NO2的浓度空间分布也趋于一致, 以上分析表明, 大气中CO及NO2浓度与交通状况在空间分布上高度关联.
 |
| 图 14 NO2浓度与交通流量空间分布 Fig. 14 Spatial distribution of NO2 concentration and traffic volume |
 |
| 图 15 CO浓度与交通流量空间分布 Fig. 15 Spatial distribution of CO concentration and traffic volume |
1) 南京市2014年不同类型道路车速一季度最高, 四季度最低, 车流量随季度变化明显, 四季度最大；12月车速最低, 车流量最高, 且12月是周末流量最大的月份, 2月车流量最低；车速日小时变化呈“双谷”形态, 而车流量呈“双峰”形态, 且工作日比节假日趋势更明显；“峰谷分布”季节因素影响明显, 冬季出现时间提前.
2) NO2和CO浓度与车流量月、季度变化趋势相近, 车速高、流量低的月份也是污染物浓度的低谷期.NO2净浓度从一至四季度呈递增趋势, 三、四季度早间时段流量与净浓度相关性显著；CO净浓度在第四季度最高, 第一季度最低.不同时间维度下污染物浓度与交通流量有明显关联, 尤其是NO2净浓度在6：00—18：00期间与车流量相关性显著, 其浓度早高峰主要由机动车排放引起.
3) 从车队构成角度来看, 日间小型汽油车占比为85%, 夜间货车比例超过25%；排放标准为国Ⅲ和国Ⅳ的车辆占比为70%.小型客车流量在7：00—14：00之间与NO2净浓度相关系数为0.88；14：00后两者相关性不显著, 这可能与氮氧化物参与二次光化学反应有关；夜间NO2浓度高峰与柴油车占比的高峰重合, 柴油货车是造成夜间NO2出现小高峰的原因之一.
4) 从空间分布角度考虑, 秦淮区、玄武区是交通流量最大的区域, 第一、三、四季度交通流量大的路段分布较为集中, 城市核心功能区道路车流量较大, 内环流量远高于其他环线, 路网密集, 交通拥堵区域污染物浓度明显高于其他区域, 二者在空间上有显著性关联.
郭宇宏, 王自发, 康宏, 等. 2014. 机动车尾气排放对城市空气质量的影响研究—以乌鲁木齐市春节前后对比分析[J]. 环境科学学报, 2014, 34(5): 1109–1117.
|
贺克斌霍红. 2014. 道路机动车排放模型技术方法与应用[M]. 北京: 科学出版社.
|
Kendrick C M, Koonce P, George L A. 2015. Diurnal and seasonal variations of NO, NO2, and PM2.5, mass as a function of traffic volumes alongside an urban arterial[J]. Atmospheric Environment, 122: 133–141.
DOI:10.1016/j.atmosenv.2015.09.019
|
李笑语, 吴琳, 邹超, 等. 2017. 基于实时交通数据的南京市主次干道机动车排放特征分析[J]. 环境科学, 2017, 38(4): 1–16.
|
李昭阳, 汤洁, 孙平安, 等. 2005. 长春市城市道路交通CO污染的空间分布模拟研究[J]. 环境科学研究, 2005, 18(1): 78–82.
|
刘侃侃, 贠延滨, 孙德智, 等. 2009. 北京市典型交通道路CO的污染现状[J]. 城市环境与城市生态, (3):40-42, 2009, 47(3): 40–42, 47.
|
秦颖. 2008. 北京市典型区域交通流量空间分布特征的初步研究[D]. 北京: 北京交通大学
http://cdmd.cnki.com.cn/Article/CDMD-10004-2008080052.htm |
邵春福. 2012. 交通流理论[M]. 北京: 电子工业出版社.
|
申卫国, 王辉, 李志, 等. 2010. 北京市交通道路空气中NOx的污染现状及时空变化规律研究[J]. 环境工程学报, 2010, 4(5): 1139–1142.
|
孙宇星, 陈德望, 吴建平. 2004. 北京市快速环路速度-密度模型研究[J]. 北京交通大学学报, 2004, 28(6): 70–73.
|
王占山, 张大伟, 陈添, 等. 2015. 2013年北京市NO2的时空分布[J]. 环境科学学报, 2015, 35(5): 1529–1536.
|
王子雷, 邵长桥, 荣建, 等. 2009. 北京市主干路基本路段交通流特性及状态分析[J]. 交通信息与安全, 2009, 27(3): 155–159.
|
Wu Y, Wang R, Zhou Y, et al. 2011. On-road vehicle emission control in Beijing: Past, present, and future[J]. Environmental Science & Technology, 45(1): 147–53.
|
辛飞飞, 陈小鸿, 林航飞. 2008. 浮动车数据路网时空分布特征研究[J]. 中国公路学报, 2008, 21(4): 105–110.
|
姚志良, 张明辉, 王新彤, 等. 2012. 中国典型城市机动车排放演变趋势[J]. 中国环境科学, 2012, 32(9): 1565–1573.
|
张敏, 朱彬, 王东东, 等. 2009. 南京北郊冬季大气SO2、NO2和O3的变化特征[J]. 大气科学学报, 2009, 32(5): 695–702.
|
张世达. 2013. 城市机动车排放管理与执法[M]. 北京: 中国环境出版社.
|
张予燕. 2006. 机动车排气污染对城市道路空气质量的影响[J]. 环境研究与监测, 2006, 19(2): 45–47.
|
Zhao N, Yu L, Zhao H, et al. 2009. Analysis of traffic flow characteristics on ring road expressways in Beijing using floating car data and remote traffic microwave sensor data[J]. Transportation Research Record Journal of the Transportation Research Board, 2124: 178–185.
DOI:10.3141/2124-17
|
郑贤清. 2011. 基于交通录像资料的交通流参数测量和模型研究[D]. 上海: 复旦大学
http://cdmd.cnki.com.cn/Article/CDMD-10246-1011183610.htm |