随着社会经济的高速发展及更多人更灵活舒适的出行需求, 截止2016年, 我国机动车保有量达2.95亿辆, 已连续8年成为世界机动车产销第一大国(公安部交通管理局, 2017).同年, 全国机动车排放污染物4472.5万t, 其中颗粒物53.4万t(中华人民共和国环境保护部, 2017).我国第一批城市大气颗粒物PM_2.5源解析结果显示, 北京、上海和深圳机动车排放是PM_2.5的首要来源, 机动车等移动源在本地源对PM_2.5的浓度贡献中占比为29%~41%(中华人民共和国环境保护部, 2017).机动车尾气污染已成为我国空气污染的重要来源, 尤其在车辆密集的城市(Chan et al., 2008；Wang et al., 2010), 并被证实对人体的呼吸、免疫系统及心脑血管有害, 并会提高患癌风险(Gauderman et al., 2002；Polosa et al., 2001；Benbrahim-Tallaa et al., 2012；IARC, 2013).而机动车直排的一次污染物, 容易在车流密集的城市街区累积形成高浓度热点区域, 对人体健康造成更大的影响(Wu et al., 2002；Hao et al., 2001；Du et al., 2012).

扩散模型通过对污染物在大气中的扩散过程进行模拟再现, 可以定量的评估一定区域范围内一次污染物的浓度分布.其中, 高斯扩散模型应用最为广泛, 较为常见的有CALINE系列模型、ADMS模型和AERMOD模型及其前身ISC模型等.AERMOD模型于1998年由美国环境保护局(U.S. Environmental Protection Agency, EPA)和美国气象学会(American Meteorological Society, AMS)联合开发, 适用于城市街区尺度的扩散模拟(U.S. EPA, 2015).与其他高斯模型如ISC3、CALINE4相比, AERMOD模型具有接口丰富、模拟结果更接近观测值的优点(Chen et al., 2009；Kalhor et al., 2017), 尤其在高浓度污染区域表现更好(Zou et al., 2010).而与ADMS模型相比, AERMOD是开源免费的, 又具有运行时间更短、运行效率更高的优点(Heist et al., 2013；Hanna et al., 2000).AERMOD模型于2008年被国家环境保护部列为我国环境评价的法规模型(环境保护部环境工程评估中心, 2008).国内已有相关研究运用AERMOD模型模拟机动车源污染物的扩散浓度(严晗等, 2014；薛佳平等, 2010；邱兆文等, 2013), 但模拟尺度往往较小(某几条道路或某十字路口)、分辨率不够高(km级), 且一般采用将道路移动源视为点源或面源的简化处理方法, 即将多条道路排放量分摊到网格计算一个平均排放强度.AERMOD模型在版本12345中加入线源模式(U.S. EPA, 2015), 与面源模拟相比, 线源模拟能够更加真实地体现排放场和城市道路的几何特征及道路边的高浓度特征, 模拟结果更为精确可靠(Cohan et al., 2011).

北京作为全国机动车保有量最大的城市, 从1998年起分阶段地实施机动车污染控制措施(Wu et al., 2011；Wang et al., 2010；Zhang et al., 2014a), 形成“车-油-路”一体化的城市机动车排放控制措施体系(Zhang et al., 2014c; 2014d).特别地, 对2008年奥运会、2014年APEC峰会等重大活动也有对应的空气质量保障方案, 在机动车的污染控制治理方面起到示范带头作用.以往对北京市机动车排放控制的研究往往针对城市机动车排放削减的效益评估, 有关机动车排放对整体区域的影响特别是在交通热点地区的扩散特征研究相对较少.因此, 本研究以北京市为例, 基于本地化的机动车排放清单, 运用AERMOD线源模拟北京市六环内区域, 获得高分辨率(百米级)、网格化、逐小时的机动车源一次PM_2.5扩散浓度, 探讨机动车排放特征、气象条件、临时交通管控措施与PM_2.5扩散浓度时空变化特征之间的关系.

AERMOD模型以行星边界层湍流结构及理论为基础, 根据边界层处于对流或稳定状态, 对污染物浓度在垂直和水平梯度上符合的分布进行合理假设.模型能够对不同排放源(点、线、面、体源、地面源、高架源等)、不同地形(平坦、复杂地形等)、不同环境(乡村、城市环境等)形成的多种排放扩散情形进行模拟预测(环境保护部环境工程评估中心, 2009).AERMOD模型系统包括AERMOD扩散模式、AERMET气象预处理和AERMAP地形预处理3部分.AERMET气象预处理模块通过输入地表反射率、表面粗糙度、热通量比及地面、高空气象观测数据来计算行星边界层参数.AERMAP地形预处理通过多项式差值的方法计算各网格受体点的水平位置和高度参数.气象和地形预处理的计算结果生成调用文件, 由AERMOD扩散模式里的控制流文件调用后进行浓度的扩散模拟, 运行流程如图 1所示.本研究在AERMOD扩散模式里选择线源模式, 该模式通过定位道路起终端、高程坐标和道路宽度, 精确描述每条道路的地理几何特征, 与道路小时排放强度进行一一匹配, 用ArcGIS代替AERMAP进行更为便捷直观的地形预处理, 并用MATLAB辅助完成批量数据的读入和写出工作.

图 1(Fig. 1)

图 1 AERMOD运行流程 Fig. 1 Running process of AERMOD

AERMOD模型通过再现污染物的物理扩散过程, 能定量模拟一次污染物的扩散浓度.对于典型的交通源一次污染物如黑碳(BC), 选择城市环境和交通环境对特征污染物展开同步监测, 发现其交通环境浓度要显著高于城市环境浓度(Song et al., 2013).严晗等(2014)基于此将AERMOD模型模拟的黑碳扩散浓度与交通环境监测值进行对比, 发现有较好的相关性(监测值与模拟值的比例在[0.5, 2.0]区间的比例为92.7%, Pearson相关系数为0.51), 验证了AERMOD模型对交通污染物一次扩散模拟的准确性.

本研究扩散模拟的清单输入, 采用动态交通流模块耦合本地化排放因子模块计算获得的高分辨率机动车排放清单, 清单能反映实际道路交通流特征下, 机动车逐小时、道路等级的排放强度.其中, 动态交通流模块以实时道路拥堵等级大数据为支撑, 对北京市六环内道路车队的实时速度和流量进行仿真(黄睿昆, 2015).排放因子模块基于道路机动车大气污染物排放清单编制技术指南(中华人民共和国环境保护部, 2014)和EMBEV(Emission factor Model for the BEijing Vehicle fleet)模型, 通过本地化的轻型车台架测试和重型车车载排放测试获得典型工况的排放因子, 并根据实际运行条件进行修正(Zhang et al., 2014b).选取工作日、APEC会议两个排放清单, 在此基础上, 综合考虑季节气候对扩散浓度的影响, 设计两个模拟组进行讨论：①模拟2013年1月(代表冬季)和7月(代表夏季)的工作日, 探讨相同排放清单下不同季节扩散浓度的差异；②模拟同为秋季、气象相近而排放清单不同的APEC会议前(2013年10月工作日)、APEC会议期间(2014年11月3—12日), 探讨相似气象条件下临时交通管控措施效益在扩散浓度上的体现.

本研究地面气象数据来自美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)的国家气象数据中心(National Climatic Data Center, NCDC), 可查找京津冀及周边多个站点历年地面气象数据, 时间精度为0.5 h, 包括海平面压力、测点压力、干球温度、风向、风速等参数.高空气象数据采用国际交换站的数据, 为早7：00、晚19：00两个时刻的分层气象数据, 包括每层的离地高度, 以及大气压、温度、风向、风速等参数.北京市站点编号为54511.对模拟的时间段2013年1、7、10月和APEC期间(2014年11月3—12日)内的气象参数求解平均值, 部分参数缺省某些小时或某些分层的值, 根据《环境影响评价技术导则—大气环境》(环境保护部环境工程评估中心, 2008)的方法进行线性插值.原始数据经过AERMET预处理模块后生成边界层气象数据和廓线气象数据的调用文件.

AERMOD线源模拟所需参数包括每条线源起、终端中点的平面坐标(X_s1, Y_s1)、(X_s2, Y_s2), 以及线源海拔高度Z_s、线源排放强度E、平均排放高度H、线源宽度W(U.S. EPA, 2015).选取北京市六环内全部路段作为本研究排放线源, 同时, 用250 m×250 m正方形网格覆盖整个六环区域, 截取六环内网格36758个, 每个网格中心点作为受体点.受体点相关参数包括每个受体点的平面坐标(X_r, Y_r)和受体点海拔高度Z_r.将高程数据导入ArcGIS, 数据是美国太空总署(NASA)与国防部国家测绘局(NIMA)联合测量绘制的SRTM3数据, 精度为3弧秒(90 m), 利用ArcGIS计算获得线源及接收点的平面和高程坐标.根据《城市规划定额指标暂行规定》(国家城市建设总局, 1980), 设定各级道路单车道宽度.同时, 本研究假设机动车污染物排放全部来自尾气管, 设定污染源排放高度H为一般尾气管的高度(0.4 m).

根据AERMOD线源模拟对排放强度的要求, 将排放清单中每条路段每小时的排放速率(g·s^-1·m^-2)写入HOUREMIS文件, 调用该文件能提供每条线源1天24 h逐时变化的排放强度, 提高模拟精度.通过以上处理获得全部调用文件如图 1所示, 运行控制文件模拟得到北京市六环内250 m×250 m精度的、逐小时的机动车源一次PM_2.5浓度.

对工作日的模拟结果显示, 冬季的一次PM_2.5模拟日均值为2.94 μg·m^-3；夏季为1.95 μg·m^-3.两季六环内平均扩散浓度和工作日排放量的24 h变化曲线如图 2所示, 整体来看, 两季浓度夜间均远高于日间, 与排放量日间平均高于夜间40%的昼夜变化趋势相反.这是由于地表比热容低, 日出后地表升温快, 近地表的热空气上升与上方的冷空气发生混合, 利于污染物的垂直输送, 而日落后, 地表同样降温快, 混合层高度降低, 污染物难以扩散故浓度高(Turner, 1994).浓度的峰值往往对应地出现在排放量的峰值时刻, 又受到气象扩散条件(太阳高度角、风速、风向、云量、温度等)的影响, 不同季节会呈现出不同的峰值特点.两季夜间模拟浓度均在23：00和凌晨2：00—3：00达到峰值, 受到该时段内中重型货车密集出行形成的排放高峰和夜间扩散条件不利的双重作用, 峰值浓度是日均浓度的1.4~2.9倍.日间模拟浓度两季有所不同, 冬季在7：00和17：00达到峰值, 分别为6.80和5.00 μg·m^-3, 是日均浓度的1.7和2.3倍, 这两个峰值时间对应早晚上下班车流量高峰时段, 两时段的排放量分别是日均排放量的1.3和1.6倍.而在相同的排放条件下, 以上两个时刻夏季模拟浓度仅分别为0.89和0.40 μg·m^-3, 是日均浓度的45.9%和20.9%.这是由于夏季日照时间长, 早晚上下班车流量高峰仍处在良好的扩散条件下, 污染物快速向垂直方向扩散, 大大缓冲了排放带来的影响, 故未形成浓度峰值.

图 2(Fig. 2)

图 2 夏季和冬季工作日机动车一次PM2.5扩散浓度及排放量的逐时变化规律 Fig. 2 Hourly dispersion concentration and emission of vehicular primary PM2.5 on winter and summer weekdays

北京在APEC峰会期间(2014年11月3—12日)实施了一系列临时交通管控措施, 主要包括：①本市各级党政机关、事业单位和国有企业等的机动车全天停驶70%；②渣土车与黄标车全天禁止在市行政区域内道路行驶；③本市机动车3：00—24：00在本市行政区域内道路实行单双号限行；④货运机动车、拖拉机、三轮车等6:00—24：00禁止在六环路以内道路(含六环路)行驶, 低速载货汽车、拖拉机和三轮汽车0：00—6：00点禁止在五环路以内道路(含五环路)行驶；⑤京B号牌摩托车全天禁止在五环路以内道路(含五环路)行驶(北京市人民政府, 2014).模拟结果显示, APEC峰会前六环内日均一次PM_2.5浓度为2.91 μg·m^-3, 而峰会期间的日均浓度仅为1.46 μg·m^-3, 较峰会前下降近50%.这是由于APEC期间采取了上述严格的机动车控制措施, 大幅减少了在路行驶车辆, 特别是控制外地高排放货车进京, 改善了交通运行状况, 降低了机动车的PM_2.5排放总量, 峰会期间较峰会前日均排放量削减近70%.图 3展示的是两种情景24 h的PM_2.5浓度变化, 两条曲线昼夜变化趋势基本同步.7：00—16：00扩散条件好, 两个阶段的PM_2.5浓度都处于相对较低的水平.而在夜间和早晚高峰时段内, APEC会议期间浓度不仅有可观的削减, 且浓度在早高峰(如6：00)、晚高峰(如19：00)和夜间(如3：00)等排放量突出和扩散条件相对较差的时段增长趋势显著降低, 特别是晚高峰, 较工作日延后且基本未显峰, 浓度降低了60.2%.各项措施的效益累积在凌晨5：00达到最大, 该时刻APEC情景下PM_2.5浓度较工作日削减最多(66.6%).

图 3(Fig. 3)

图 3 2014年APEC峰会前和峰会期间机动车一次PM2.5扩散浓度的逐时变化规律 Fig. 3 Hourly dispersion concentration of vehicular primary PM2.5 before and during 2014 APEC summit

图 4是北京市六环内工作日冬夏季PM_2.5模拟扩散浓度的空间分布, 冬季和夏季日均PM_2.5浓度的中位值分别为2.52和1.45 μg·m^-3, 均小于3.1节中的各网格模拟浓度的算术平均值, 说明浓度在空间上的分布是偏态分布.对浓度总量的累积加和分析表明, 两季日均浓度累积频率关于受体点网格面积累积频率的曲线呈现一定的幂律分布趋势, 65%的浓度集中在30%的网格面积上.从图中可以看出, 两季中高浓度(> 3 μg·m^-3)均主要分布在北侧, 与中高强度的排放更为密集地分布在北侧的特征一致.另一方面, 扩散浓度的空间分布是排放分布和气象条件共同作用的结果, 同样的排放分布在不同的气象条件下会产生不同的浓度分布.将两季进行比较, 发现冬季中高浓度扩散范围较夏季增加约1倍, 这是由于冬季近地层有着更为静稳、不利于扩散的气象条件, 导致沿道路高浓度的PM_2.5衰减梯度降低, 衰减范围变大.同时, 冬季中高浓度范围还向五环外东南侧延伸, 原因是冬季西北风更加盛行, 因此, 下风向出现较高的PM_2.5扩散浓度区域.

图 4(Fig. 4)

图 4 冬(a)、夏(b)季工作日日均一次PM2.5浓度分布 Fig. 4 The spatial distribution of daily mean concentration for primary PM2.5 on winter (a) and summer (b) weekdays

以冬季工作日为例, 研究热点区域的分布如图 5所示, 高浓度的分布清晰地勾勒出路网结构.冬季浓度前5%区域的日均浓度为7.46~70.96 μg·m^-3, 平均浓度为11.18 μg·m^-3, 约为六环内平均浓度的3.8倍, 主要集中在如S216、S213、G101等国道、省道和京平、京津、机场高速等高速路, 以及部分易拥堵的主干道、如安立路、朝阳路、建国路、中关村北大街等.浓度前5%~10%区域的日均浓度为5.99~7.46 μg·m^-3, 平均值为6.62 μg·m^-3, 约为六环内平均浓度的2.3倍, 主要集中在二环到五环的各环路快速路、放射线快速路/高速路和交通繁忙主干道(如西直门大街、复兴路、广渠路等)的附近区域.上述热点地区的交通环境机动车排放一次PM_2.5浓度贡献突出, 应有针对性地实施局地减排措施, 并且引导公众做好污染物的暴露防护.

图 5(Fig. 5)

图 5 冬季工作日一次PM2.5浓度热点区域分布 Fig. 5 Hot spot regional distribution of primary PM2.5 concentration on winter weekday

需要指出的是, 北京市PM_2.5来源贡献复杂, 外地输送和二次生成都占据较大的比例.2014年北京PM_2.5污染源解析结果显示, 区域传输贡献约占28%~36%；在本地源中, 机动车排放约占本地源PM_2.5浓度贡献的31%.二次生成对PM_2.5浓度贡献不可忽视, 有机物、硝酸盐、硫酸盐和铵盐等二次组分占PM_2.5总量的70%以上(北京市环保局, 2014).而城市环境和交通环境监测站点的PM_2.5均为多来源、一次排放叠加二次反应后的总浓度, 因此, 很难直接利用监测数据来验证AERMOD模拟的一次机动车源PM_2.5浓度结果.尽管AERMOD模型并不能模拟机动车排放污染物的化学传输过程, 但将模型模拟获得的一次PM_2.5高分辨率浓度分布特征与区域尺度的空气质量模型如CMAQ进行耦合, 能提高交通源空气质量模拟的准确性和分辨率, 再进一步结合监测数据进行更好的验证分析.

1) 冬季工作日机动车源一次PM_2.5模拟浓度日均值为2.94 μg·m^-3, 夏季工作日为1.95 μg·m^-3.由于日夜扩散条件的差异, 两季24 h浓度变化均呈现夜间高于日间的特点.

2) 工作日机动车源一次PM_2.5的峰值浓度受小时排放强度和气象扩散条件的双重作用, 不同季节呈现不同特点.夏季日照时间长, 上下班车流量高峰时扩散条件好, 日间浓度未形成明显峰值.而冬季扩散条件不利, 工作日日间早晚峰值浓度分别为日均浓度的2.3和1.7倍.

3) APEC会议期间采取渣土车与黄标车全天禁行、3：00—24：00点全市区单双号限行、6:00—24：00点货运车辆禁入六环等多项临时交通管控措施, 使得机动车源一次PM_2.5模拟浓度日均值较会议前削减50.1%, 凌晨5:00有最大削减率(66.6%).

4) 从空间变化来看, 夏冬季工作日机动车源一次PM_2.5模拟浓度均呈偏态分布, 65%的浓度集中在30%的网格面积上.对热点区域进行识别, 发现各环路快速路、易拥堵主干道及省道、国道和高速路附近的PM_2.5扩散浓度最高, 以上路段应成为机动车减排管控的重点关注路段.