基于回歸模型的道路二氧化碳排放體積分?jǐn)?shù)的估算與驗(yàn)證

吳良華, 舒娛琴, 潘曉榕, 陸毅之

(華南師范大學(xué)地理科學(xué)學(xué)院，廣州 510631)

基于回歸模型的道路二氧化碳排放體積分?jǐn)?shù)的估算與驗(yàn)證

吳良華, 舒娛琴*, 潘曉榕, 陸毅之

(華南師范大學(xué)地理科學(xué)學(xué)院，廣州 510631)

目前，道路CO2排放量的估算研究存在數(shù)據(jù)獲取難、時(shí)空分辨率低等難題．利用排放因子模型法所建立的城市道路碳排放清單，往往不能直接用于對道路實(shí)際碳排放水平的實(shí)時(shí)模擬和預(yù)測．文中利用回歸分析方法，結(jié)合易于獲取的空間變量(即行政街道人口密度、車道數(shù))，建立了實(shí)測道路CO2排放體積分?jǐn)?shù)與相關(guān)因子之間的非線性回歸模型，并分析了CO2體積分?jǐn)?shù)沿道路水平垂直方向的衰減規(guī)律．基于回歸模型，實(shí)現(xiàn)了對研究區(qū)域內(nèi)全部路段早高峰時(shí)段(7:00～9:00)CO2排放體積分?jǐn)?shù)的預(yù)測，經(jīng)驗(yàn)證模型誤差較小，獲得了天河區(qū)CO2體積分?jǐn)?shù)的空間分布．車道數(shù)對CO2排放對體積分?jǐn)?shù)的影響顯著．其研究結(jié)果預(yù)測效果較好，適用性廣泛，有助于城市道路交通碳排放清單的建立和城市碳減排策略的制定．

道路； 二氧化碳； 體積分?jǐn)?shù)； 回歸模型

全球氣候變暖已經(jīng)成為影響人類生存和發(fā)展的重大課題．CO2等溫室氣體排放量的增長，逐漸引起世界范圍內(nèi)的廣泛關(guān)注和探索研究．根據(jù)聯(lián)合國政府間氣候變化專門委員會(IPCC)第四次評估報(bào)告，全球溫室氣體排放總量由1970年287億t CO2當(dāng)量增加到2004年的490億t，2005年大氣中CO2的體積分?jǐn)?shù)達(dá)到379 μL/L，遠(yuǎn)遠(yuǎn)超過了過去65萬年的自然變化范圍[1]．根據(jù)美國夏威夷冒納羅亞天文臺測定的數(shù)值，部分科研人員認(rèn)為，大氣CO2體積分?jǐn)?shù)日均值于2013年5月初已經(jīng)超過400 μL/L．這是人類歷史上自300萬年前以來CO2體積分?jǐn)?shù)首次突破這一關(guān)口[2]．

國際能源機(jī)構(gòu)(IEA)的研究結(jié)果表明，大約30%～40%的直接人為溫室氣體(GHG)排放量來源于城市區(qū)域[3]．煤、石油等化石燃料的使用導(dǎo)致了全球CO2體積分?jǐn)?shù)的升高，其中來自道路交通的CO2排放占了相當(dāng)大的比例．美國環(huán)保局(EPA)的數(shù)據(jù)顯示，2009年，來自道路交通的CO2排放約占美國CO2排放總量的28%[4]．因此，對城市區(qū)域道路交通CO2排放的研究顯得尤為迫切．

國外交通污染物排放模型的研究較為成熟，例如，美國環(huán)保局提出的MOBILE模型，在歐洲廣泛應(yīng)用的COPERT模型，以及由加州大學(xué)環(huán)境研究與技術(shù)工程中心(CE-CERT)、全球可持續(xù)發(fā)展系統(tǒng)研究組織(GSSR)與全球可持續(xù)發(fā)展研究中心(ISSRC)共同合作開發(fā)的IVE模型．Soylu[5]利用COPERT模型建立了土耳其2004年機(jī)動(dòng)車宏觀排放清單．竟峰和張旭[6]使用IVE模型模擬了上海市公交車尾氣排放狀況．畢曄等[7]使用MOBILE進(jìn)行了北京市出租車污染排放分析的研究．宋翔宇和謝紹東[8]根據(jù)COPERT模型建立了中國機(jī)動(dòng)車排放清單．葉身斌等[9]使用IVE模型對天津市機(jī)動(dòng)車污染物的排放特征進(jìn)行了研究．

然而，交通流邊界難以精準(zhǔn)確定，且機(jī)動(dòng)車排放因子具有極大的可變性，因此，交通碳排放往往難以量化[4]．現(xiàn)有的研究多從宏觀角度出發(fā)，通過車輛行駛里程數(shù)據(jù)并結(jié)合車輛排放因子，得到研究區(qū)域的交通碳排放清單．由于缺少官方排放清單作參考，且用于計(jì)算清單的交通數(shù)據(jù)或難以獲取，或宏觀概要，導(dǎo)致使用交通污染物排放模型所建立的交通碳排放清單難以驗(yàn)證．這種由數(shù)據(jù)與模型相結(jié)合的方法所建立的排放清單，雖然在一定程度上衡量了碳排放的宏觀水平，卻無法精確表征具體道路的某一時(shí)段CO2體積分?jǐn)?shù)及排放量，所以時(shí)空分辨率達(dá)不到實(shí)時(shí)精細(xì)預(yù)測的精度要求．盡管應(yīng)用交通污染物排放模型所建立的交通碳排放清單通過建立合適的回歸模型，可以降解到一定精度的格網(wǎng)范圍內(nèi)，但降解的時(shí)間分辨率通常以年為單位，無法達(dá)到在時(shí)間尺度上精確量化的要求．

本研究跨過交通碳排放清單的估算，直接探索道路早高峰時(shí)段(7:00～9:00)CO2體積分?jǐn)?shù)與影響因子之間的關(guān)系，建立了回歸模型，并通過實(shí)測數(shù)據(jù)對模型進(jìn)行了驗(yàn)證，其結(jié)果達(dá)到了較高的時(shí)空精度．

1　研究區(qū)域

本研究區(qū)域?yàn)閺V東省廣州市天河區(qū)(圖1),天河區(qū)位于廣州市老城區(qū)的東部，是廣州市新城市的中心區(qū)，處于廣州市新中軸線上，總面積約為140 km2．至2012年，天河區(qū)轄管員村、車陂、沙河等21個(gè)行政街道，區(qū)內(nèi)常住人口144.66萬人[10]．轄內(nèi)各種交通資源高度聚集，主干道有天河路、中山大道、黃埔大道、華南快速路和廣園快速路等．

圖1　天河區(qū)行政區(qū)劃圖及其在廣州市的區(qū)域位置

2　研究方法

本文采用回歸分析方法．建立回歸模型的前提是要提取與道路CO2體積分?jǐn)?shù)有關(guān)的因子．本文結(jié)合道路CO2體積分?jǐn)?shù)實(shí)測值解算模型待定系數(shù)，比較各種回歸模型的擬合效果，獲得最優(yōu)的多元回歸模型；最后選取部分路段進(jìn)行實(shí)地觀測，比較分析觀測值與模型預(yù)測值，進(jìn)而評價(jià)模型的可靠性．技術(shù)路線如圖2所示．

圖2　技術(shù)路線圖

2.1回歸模型的探索

回歸因子的選取[11]是建立回歸模型的關(guān)鍵．本文選用車道數(shù)作為道路權(quán)重變量．以道路權(quán)重為單一因子對道路交通碳排放的空間分配進(jìn)行估算的方法，可能會造成城市郊區(qū)和農(nóng)村地區(qū)的估算值偏高．應(yīng)該考慮人口密度存在的地區(qū)差異性[12-13]．本研究試圖尋找路段上CO2體積分?jǐn)?shù)與車道數(shù)、人口密度之間的關(guān)系，將“路段”定義為完整道路被面狀行政街道分割而成的一段道路．

路段CO2體積分?jǐn)?shù)D、車道數(shù)L、人口密度P之間的Pearson相關(guān)性分析結(jié)果表明：路段CO2體積分?jǐn)?shù)D與車道數(shù)L呈正向顯著相關(guān)，與行政街道人口密度P呈負(fù)向顯著相關(guān)，而L與P之間未表現(xiàn)出顯著相關(guān)性(表1)．因此，用車道數(shù)L與行政街道人口密度P解釋CO2體積分?jǐn)?shù)變異是合理的．

表1　因子Pearson相關(guān)性分析結(jié)果

注：**表示在0.01水平(雙側(cè))上顯著相關(guān)．

為定量表示路段CO2體積分?jǐn)?shù)與車道數(shù)、行政街道人口密度之間的關(guān)系，我們先從最簡單的多元線性回歸關(guān)系入手，建立如下模型：

D=a0+a1×L+a2×P,

(1)

其中，D為路段上的CO2體積分?jǐn)?shù)，L為路段車道數(shù)，P為行政街道人口密度，ɑi(i=0,1,2)為待定系數(shù)，其中ɑ0為方程截距，表征背景區(qū)域即非道路交通來源的CO2體積分?jǐn)?shù)，在本研究中稱為背景CO2體積分?jǐn)?shù)．車道數(shù)L與路段CO2體積分?jǐn)?shù)D之間的相關(guān)性比行政街道人口密度P與路段CO2體積分?jǐn)?shù)D之間的相關(guān)性更強(qiáng)(表1)，即車道數(shù)L對路段CO2體積分?jǐn)?shù)D具有更強(qiáng)烈的影響，故二次或更高次擬合曲線或能達(dá)到強(qiáng)化車道數(shù)L而相對弱化行政街道人口密度P的效果．L高次項(xiàng)的值與路段CO2體積分?jǐn)?shù)D的T檢驗(yàn)結(jié)果表明：二次項(xiàng)L2、三次項(xiàng)L3更能滿足顯著性要求(表2)．因此，我們構(gòu)造三次非線性回歸方程如下：

D=a0+a1×L+a2×P+a3×L2+a4×L3.

(2)

式(2)可轉(zhuǎn)化為多元線性回歸方程，一次項(xiàng)與二、三次項(xiàng)之間顯然不存在共線性關(guān)系．在回歸方程的解算與預(yù)測值結(jié)果驗(yàn)證過程中，我們發(fā)現(xiàn)，式(2)達(dá)到了比式(1)更好的效果，其預(yù)測結(jié)果更準(zhǔn)確．

表2　樣本T檢驗(yàn)結(jié)果

2.2路段CO2體積分?jǐn)?shù)觀測

天河區(qū)道路CO2體積分?jǐn)?shù)觀測路段的選擇，要考慮城市道路分布模式和城市道路類型．本研究共有12個(gè)觀測路段(表3)，包括了多個(gè)行政街道、不同道路類型和分布模式，涵蓋CO2體積分?jǐn)?shù)在不同環(huán)境條件下的分布情況，其位置參見圖3．觀測儀器是臺灣泰納TN-375型CO2分析儀和Garmin GPS72

表3　觀測路段選取方案

圖3CO2體積分?jǐn)?shù)觀測路段(C01-C12)、驗(yàn)證路段(Y01-Y11)、背景CO2體積分?jǐn)?shù)觀測路段(B01)位置

Figure 3Distributions of CO2volume fractions observation sections(C01-C12), validation sections(Y01-Y11) and the background CO2volume fraction observation section(B01)

型手持式衛(wèi)星定位導(dǎo)航儀．結(jié)合實(shí)際觀測條件，并參考了《環(huán)境空氣質(zhì)量監(jiān)測規(guī)范(試行)》[14]，具體觀測方案如下：

(1)觀測位置.每個(gè)觀測路段按10 m間隔分別布置觀測點(diǎn)，各觀測點(diǎn)均布設(shè)在路段最外側(cè)車道邊線正上方約1.2 m處．

(2)觀測時(shí)間.觀測時(shí)段為工作日早高峰，即非節(jié)假日的周一至周五早7:00～9:00之間．

(3)觀測氣象條件.為盡量消除氣象因素對CO2體積分?jǐn)?shù)的影響，氣象條件均為相對穩(wěn)定的晴天或陰天，風(fēng)力均在3級以下，并無持續(xù)風(fēng)向．

對區(qū)域內(nèi)12個(gè)觀測路段觀測CO2體積分?jǐn)?shù)，共獲得有效數(shù)據(jù)121組．每個(gè)觀測路段各觀測點(diǎn)記錄的結(jié)果均為1 min內(nèi)的平均體積分?jǐn)?shù)讀數(shù)．

2.3道路網(wǎng)數(shù)據(jù)

道路網(wǎng)圖層來源于2012年的廣州市商業(yè)道路導(dǎo)航數(shù)據(jù)．城市道路已根據(jù)《城市道路路線設(shè)計(jì)規(guī)范》[15]進(jìn)行了規(guī)范化的分類，包括快速路、主干路、次干路和支路等基本類型(圖4)．

道路網(wǎng)圖層經(jīng)與天河區(qū)行政區(qū)劃圖層疊加分割處理后，共獲得5 795條路段．全部路段中，支路占95.74%，次干路占1.35%，主干路占0.71%．

2.4人口密度數(shù)據(jù)

天河區(qū)行政街道圖層在2009年天河區(qū)行政區(qū)劃地圖的基礎(chǔ)上矢量化獲得，人口數(shù)據(jù)來源于2010年天河年鑒[16]．?dāng)?shù)據(jù)顯示，石牌、棠下、天河南等8個(gè)街道常住人口總數(shù)均達(dá)10萬人以上，其中石牌街道以27.7萬人居首．獵德、鳳凰、元崗的人口數(shù)量位于后3位．五山、石牌和天河南的人口密度位列前3位，其中五山街道列第1位(7萬人/km2)，鳳凰、沙東和新塘這3個(gè)街道的人口密度位于后3位(圖5)．

圖4　天河區(qū)道路網(wǎng)

圖5　天河區(qū)行政街道人口密度

3　結(jié)果與分析

3.1回歸模型分析

應(yīng)用SPSS工具對121組樣本數(shù)據(jù)進(jìn)行解算，得到多元非線性回歸方程的可決系數(shù)R2=0.206，統(tǒng)計(jì)量F=7.527(顯著性水平α=0.05)．雖然回歸方程的可決系數(shù)不是很理想，但統(tǒng)計(jì)量F值通過了回歸方程顯著性檢驗(yàn)(F>F0.95(4,116)=2.45)，F(xiàn)值是回歸方程回歸效果好壞的度量[17]．回歸方程的各參數(shù)估計(jì)值、標(biāo)準(zhǔn)差、置信區(qū)間見表4．

表4多元非線性回歸模型參數(shù)估計(jì)值

Table 4Parameter estimates of the multivariate nonlinear regression model

參數(shù)估計(jì)標(biāo)準(zhǔn)差95%置信區(qū)間下限上限a0557.09291.028376.801737.384a134.49468.803-101.780170.768a2-0.0010.000-0.0010.000a3-1.46515.411-31.98829.058a4-0.0961.047-2.1691.978

3.2背景CO2體積分?jǐn)?shù)ɑ0值的驗(yàn)證

空氣中的CO2來源多樣，本研究將空氣中的CO2分為道路交通來源的碳排放和非道路交通來源的碳排放．非道路交通來源的碳排放即為本研究的背景CO2體積分?jǐn)?shù)ɑ0．

背景體積分?jǐn)?shù)觀測路段應(yīng)選取為相對孤立、地形平坦開闊的區(qū)域，周圍半徑盡可能大的范圍內(nèi)應(yīng)無機(jī)動(dòng)車道和運(yùn)行狀態(tài)的機(jī)動(dòng)車．本實(shí)驗(yàn)的背景體積分?jǐn)?shù)觀測路段選取了位于棠下街道岑村附近的科韻路路段(表3)，路段周圍是空曠的菜地．沿垂直道路方向每隔5 m設(shè)1個(gè)觀測點(diǎn)，共計(jì)21個(gè)點(diǎn)．觀測結(jié)果表明，CO2體積分?jǐn)?shù)具有三次曲線衰減的趨勢：

D=654.291 4-3.759 1×d+0.051 1×d2-

0.000 2×d3,

(3)

其中，d為觀測點(diǎn)到路段邊緣的垂線距離，D為相應(yīng)觀測點(diǎn)的CO2體積分?jǐn)?shù)，回歸曲線可決系數(shù)R2為0.947．距離70 m以后，CO2體積分?jǐn)?shù)值衰減至554 μL/L左右開始趨于平緩(圖6)，此值視為本研究的背景CO2體積分?jǐn)?shù)值，與式(2)解算的系數(shù)ɑ0值(557 μL/L)接近，誤差率僅為0.542%，表明方程系數(shù)ɑ0值的準(zhǔn)確性較高．

圖6　開闊路段垂直于道路方向CO2三次衰減曲線

Figure 6Cubic decay curve of CO2volume fractions along the direction perpendicular to the section of an open road

3.3路段CO2體積分?jǐn)?shù)D值驗(yàn)證

城市典型交通道路的分布模式一般可分為開闊型、交叉型、峽谷型道路(圖7)，各類型道路其結(jié)構(gòu)各異[18]．開闊型路段較為寬闊，道路兩側(cè)建筑物的平均高度與道路寬度相比較小，建筑物密度較小，間隙較大，建筑物高度參差不齊．城市中最為常見的是平面交叉路口，不同等級的道路相交形成不同的交叉路口．交叉路口是城市交通系統(tǒng)的節(jié)點(diǎn)，交通流匯集，也是交通問題最為突出的地方[19]．峽谷型路段是指周圍建筑物高大，兩側(cè)建筑物平均高度和道路寬度之比大，并且建筑密度較大的道路．隨著城市建設(shè)的加快，街道兩邊建筑物的平均高度增加，密度增大，形成了很多的街道峽谷[18]．

圖7　基本道路3種分布模式

實(shí)測結(jié)果是驗(yàn)證模型可靠性的有效方法．選取了11個(gè)不同分布模式的觀測路段進(jìn)行驗(yàn)證(圖3)．模型的因子主要是行政街道的人口密度、路段的車道數(shù)．來自相同行政街道且車道數(shù)相同的路段CO2預(yù)測值相同，但實(shí)際觀測的結(jié)果卻很難一致，從而導(dǎo)致模型精度的下降．因此，應(yīng)選取不同行政街道、不同車道數(shù)的其他路段(Y01～Y11)的體積分?jǐn)?shù)觀測值驗(yàn)證模型．即觀測路段和驗(yàn)證路段應(yīng)該存在空間位置差異．觀測路段的CO2體積分?jǐn)?shù)值是各個(gè)觀測點(diǎn)實(shí)測值的平均值．標(biāo)準(zhǔn)差是反映一組數(shù)據(jù)離散程度最常用的一種量化形式，是表示精確度的重要指標(biāo)．誤差的標(biāo)準(zhǔn)差σ為20.636 μL/L，11個(gè)點(diǎn)的誤差值都落在2個(gè)標(biāo)準(zhǔn)差范圍內(nèi)，55%的誤差值落在1個(gè)標(biāo)準(zhǔn)差范圍內(nèi)(圖8)．因此，該回歸模型達(dá)到了較高的精度．產(chǎn)生誤差的原因有3點(diǎn)：(1)模型在估算時(shí)僅考慮車道數(shù)與行政街道人口密度，誤差可能來源于氣體擴(kuò)散、車流量等其他相關(guān)因子對CO2體積分?jǐn)?shù)的影響．(2)CO2體積分?jǐn)?shù)預(yù)測值表示該觀測路段的CO2體積分?jǐn)?shù)平均排放水平．而事實(shí)上，同一觀測路段的多個(gè)觀測點(diǎn)的值是在該預(yù)測值附近上下波動(dòng)．(3)相對于研究區(qū)路網(wǎng)密度，觀測點(diǎn)偏少．

圖8　模型預(yù)測值誤差

3.4天河區(qū)道路CO2體積分?jǐn)?shù)的空間特征

經(jīng)回歸模型驗(yàn)證后，可獲得天河區(qū)道路早高峰時(shí)段CO2體積分?jǐn)?shù)的空間特征(圖9)，CO2體積分?jǐn)?shù)邊界為道路外側(cè)邊線，與觀測位置一致.各路段的CO2體積分?jǐn)?shù)總體水平約在542～692 μL/L之間，均值為595 μL/L，中值為602 μL/L，標(biāo)準(zhǔn)差為26 μL/L．

圖9　天河區(qū)早高峰時(shí)段路段CO2體積分?jǐn)?shù)分布圖

Figure 9Distribution of on-road CO2volume fractions in Tianhe district during morning peak hours

小于570 μL/L濃度值的路段占全部路段總長度的8%，主要集中于五山行政街道，尤其是位于華南理工大學(xué)、華南農(nóng)業(yè)大學(xué)校園內(nèi)的道路上，這也與實(shí)際狀況相吻合．這些位于校園內(nèi)的道路車道數(shù)少，車流量小，是造成CO2體積分?jǐn)?shù)偏低的主要原因．石牌行政街道華南師范大學(xué)、暨南大學(xué)校園內(nèi)的道路，CO2體積分?jǐn)?shù)也處于較低水平．

大于670 μL/L體積分?jǐn)?shù)值的路段占全部路段總長度的11%，主要有廣汕一路、廣州大道北(沙東、興華街道段)、廣園快速路(林和、車陂、黃村、珠吉街道段)、中山大道(天園、車陂、前進(jìn)街道段)、黃埔大道(員村、車陂、前進(jìn)街道段)、臨江大道、花城大道、天河北路(林和街道段)等．這些路段本身多是主干路或具有較多車道數(shù)．車輛多、交通量大，是導(dǎo)致這些路段CO2體積分?jǐn)?shù)偏高的主要原因．

4　結(jié)論與展望

本文以廣州市天河區(qū)為研究區(qū)域，通過實(shí)地采集早高峰時(shí)段的道路交通CO2體積分?jǐn)?shù)值，應(yīng)用多元非線性回歸模型，建立了車道數(shù)、人口密度之間的關(guān)系．經(jīng)驗(yàn)證，誤差較小，研究區(qū)CO2排放水平預(yù)測效果較好．表明這種方法是可行的，適用于有限數(shù)據(jù)下預(yù)測較高時(shí)空分辨率的道路交通碳排放體積分?jǐn)?shù)的情況．因此，基于回歸模型的道路CO2排放體積分?jǐn)?shù)的估算解決了車流量數(shù)據(jù)獲取難、模型復(fù)雜化、獲取CO2排放的時(shí)空分辨率低等問題．該方法可推廣建立分時(shí)段的全天候回歸模型．

實(shí)時(shí)交通流量數(shù)據(jù)是影響CO2體積分?jǐn)?shù)的關(guān)鍵因子，但該數(shù)據(jù)獲取難度大．下一步研究會考慮加入易獲取的時(shí)間性因子(例如實(shí)時(shí)路段平均車速、車道占有率)進(jìn)行回歸分析，獲得動(dòng)態(tài)的道路交通CO2體積分?jǐn)?shù)預(yù)測模型．除CO2等溫室氣體外，機(jī)動(dòng)車尾氣中還包含大量的各類污染氣體，如CO、NOx、固體顆粒物等，對它們的精細(xì)量化也值得深入探討與研究．

[1]Parry M，Canziani O,Palutikof J,et al.Climate change 2007: Impacts, adaptation and vulnerability[R]. Cambridge:Cambridge University Press, 2007.

[2]Carrington D. Global carbon dioxide in atmosphere passes milestone level[EB/OL]. (2013-05-10)[2014-03-18].http:∥www.theguardian.com/environment/2013/may/10/carbon-dioxide-highest-level-greenhouse-gas.

[3]Birol F. World energy outlook[R]. Paris: International Energy Agency, 2008.

[4]US Environmental Protection Agency.Inventory of US Greenhouse Gas Emissions and Sinks: 1990-2009[R]. Washington,DC：United States Environmental Protection Agency(EPA)，2011.

[5]Soylu S. Estimation of Turkish road transport emissions[J]. Energy Policy, 2007, 35(8): 4088-4094.

[6]竟峰,張旭.利用IVE模型進(jìn)行公交車尾氣排放分析[J].環(huán)境科學(xué)與技術(shù),2006,29(9):46-48.

Jing F, Zhang X. Analysis of bus exhaust emission using IVE model[J]. Environmental Science & Technology, 2006, 29(9): 46-48.

[7]畢曄, 葛蘊(yùn)珊, 韓秀坤. 基于MOBILE 6.2的北京市出租車排放污染物分析[J]. 安全與環(huán)境學(xué)報(bào), 2007, 7(2): 61-64.

Bi Y, Ge Y S, Han X K. Analysis of emission pollutants from Beijing taxi based on MOBILE 6.2[J]. Journal of Safety and Environment, 2007, 7(2): 61-64.

[8]宋翔宇, 謝紹東. 中國機(jī)動(dòng)車排放清單的建立[J]. 環(huán)境科學(xué), 2006, 27(6): 1041-1045.

Song X Y, Xie S D. Development of vehicular emission inventory in China[J]. Environmental Science, 2006, 27(6): 1041-1045.

[9]葉身斌, 王岐東, 賀新. 天津在路機(jī)動(dòng)車活動(dòng)水平調(diào)查研究[J]. 北京工商大學(xué)學(xué)報(bào): 自然科學(xué)版, 2007, 25(2): 28-31.

Ye S B, Wang Q D, He X. Tianjin on-road vehicle activity study[J]. Journal of Beijing Technology and Business University:Natural Science Edition, 2007, 25(2):28-31.

[10]天河區(qū)統(tǒng)計(jì)局. 2012年天河區(qū)國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計(jì)公報(bào)[N/OL]. (2013-07-04)[2014-08-01]. http://tj.thnet.gov.cn/v2008/sjcx/tjnj/.

[11]Shu Y, Lam N S N. Spatial disaggregation of carbon dioxide emissions from road traffic based on multiple linear regression model[J]. Atmospheric Environment, 2011, 45(3): 634-640.

[12]Brondfield M N, Hutyra L R, Gately C K, et al. Modeling and validation of on-road CO2 emissions inventories at the urban regional scale[J]. Environmental Pollution, 2012, 170: 113-123.

[13]Shu Y, Lam N S N, Reams M. A new method for estimating carbon dioxide emissions from transportation at fine spatial scales[J]. Environmental Research Letters, 2010, 5(4): 9pp.

[14]中華人民共和國環(huán)境保護(hù)部. 環(huán)境空氣質(zhì)量監(jiān)測規(guī)范(試行)[EB/OL]. (2007-01-25)[2014-08-01]. http://www.zhb.gov.cn/info/gw/gg/200701/t20070125_100262.htm.

[15]中華人民共和國住房和城鄉(xiāng)建設(shè)部.CJJ 193-2012：城市道路路線設(shè)計(jì)規(guī)范[S]. 北京:中國建筑工業(yè)出版社, 2013.

[16]林道良. 2010天河年鑒[M]. 北京：中華書局, 2010.

[17]宛箏, 李曄, 汪曉露, 等. 多元線性回歸與灰色聯(lián)合模型在湖泊水質(zhì)預(yù)測中的應(yīng)用[J]. 江蘇環(huán)境科技, 2006, 19(S2): 59-61.

Wan Z, Li Y, Wang X L, et al. Application of the combined method of multivariate linearity regression and grey model in forecasting the water quality[J]. Jiangsu Environmental Science and Technology, 2006, 19(S2): 59-61.

[18]劉侃侃. 典型城市交通道路機(jī)動(dòng)車排放CO污染特征研究[D].北京：北京林業(yè)大學(xué), 2010.

Liu K K. The study on the characteristics of CO pollution of motor vehicle emissions in typical urban roads[D]. Beijing:Beijing Forestry University, 2010.

[19]余啟航, 楊濤. 國外城市道路交叉口設(shè)計(jì)[J]. 國際城市規(guī)劃, 2009, 24(5): 56-60.

Yu Q H, Yang T. Intersection design of overseas urban road[J]. Urban Planning International, 2009, 24(5): 56-60.

【中文責(zé)編：莊曉瓊英文責(zé)編：肖菁】

Estimate and Verification of the Concentrations of on-Road Carbon Dioxide Emissions Based on Regression Model

Wu Lianghua, Shu Yuqin*, Pan Xiaorong, Lu Yizhi

(School of Geographical Sciences, South China Normal University, Guangzhou 510631, China)

Current methods for estimating on-road CO2emissions are facing difficulties such as the lack of data and low spatial and temporal resolution. In addition, the inventory established by using emission factors often can not be directly used to simulate or predict the real on-road carbon emission level. The regression method to build a nonlinear regression model between measured volume fractions of on-road CO2emissions and two easily accessible spatial variables namely population densities of subdistricts and numbers of lanes are employed. The attenuation law of CO2volume fractions along the direction perpendicular to an open road in the horizontal plane is analyzed. By using the regression model, the on-road CO2volume fractions of all the sections during the morning peak hours(7:00～9:00) within the study area with small model prediction error is successfully predicted and the CO2volume fractions’ distribution map of Tianhe District is obtained. The analyzing results of the characteristics of the CO2volume fractions’ distribution show that the number of lanes that represent traffic volume significantly affects CO2volume fraction. The findings connote that the achievement of better prediction of on-road CO2volume fractions has a wider applicability and contributes to the establishment of urban on-road carbon emission inventory and the formulation of carbon emissions’ reduction strategies.

road; carbon dioxide; volume fraction; regression model

2014-10-13《華南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)》網(wǎng)址：http://journal.scnu.edu.cn/n

國家自然科學(xué)基金項(xiàng)目(41101184)；教育部留學(xué)回國人員科研啟動(dòng)基金項(xiàng)目

舒娛琴，教授，Email:gis_syq@163.com．

X511

A

1000-5463(2015)05-0147-07