基于移动监测的微尺度街区交通污染物浓度

《基于移动监测的微尺度街区交通污染物浓度》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于移动监测的微尺度街区交通污染物浓度(申请清华大学工学博士学位论文)培养单位：土木工程系学科：土木工程研究生：宋兵跃指导教师：吴建平教授二○一五年六月UsingMobileMonitoringtoMeasureTraffic-relatedPollutantsinFine-scaleUrbanStreetsDissertationSubmittedtoTsinghuaUniversityinpartialfulfillmentoftherequirementforthedegreeofDoctorofPhilosophyi

2、nCivilEngineeringbySongBingyueDissertationSupervisor:ProfessorWuJianpingJune,2015摘要摘要近20年，持续增加的汽车排放污染物（CO和NOx）正在严重威胁道路出行者的健康，微尺度街区环境的优劣直接关系每一位街区出行者的健康。随着现代城市出行需求的增加，微尺度街区环境越来越成为关注的热点。扩散模型适用于比例均匀的峡谷型街区环境研究，基于流体力学的数值模拟方法可以模拟计算复杂街区内的环境，两类模型在微尺度街区环境的预测效果可验证性不高。移动监测兼顾了固

3、定监测采集数据真实可靠的特点，以其可多地循环监测多维时空数据等优势，逐渐成为研究微尺度街区环境的新方法。本文考虑街区污染物浓度的8个影响因素：风速、风向、温度、湿度、车速、车流量、重车量、街道高宽比，利用移动监测采集微尺度街区数据分析：1）移动监测数据的可靠性，2）假定街区内的气象、交通因素固定不变（理想态），在理想态下，研究移动车速与采样污染物浓度的关系；分析同街区内，移动采样与固定采样的关系。3）假定街区内环境受气象、交通、地貌等因素共同作用（一般态），在一般态下，研究微尺度街区内污染物浓度的参数、非参数预测模型。数据可

4、靠性分析分为静态、动态数据校验，动态数据校验分析显示不同移动车速下的采样浓度可用于表征不同交通模式下人体的暴露水平。理想态下，当移动车速为0

5、物浓度非参数预测模型有神经网络、支持向2量机和随机森林模型回归，建模效果最好的是随机森林模型回归（CO_R=0.98，2NOx_R=0.92），优于神经网络和支持向量机回归。一般态下，采样新街区数据对两个最优模型进行模型验证，幂函数回归的预2222测效果为：CO_R=0.68，NOx_R=0.5，随机森林模型为：CO_R=0.83，NOx_R=0.53，模型验证结果显示微尺度街区浓度最优预测模型为随机森林模型。模型误差分析表明车流量是影响微尺度街区浓度（CO，NOx）预测误差大小的主要因素。微尺度街区内的污染物浓度预测可用于

6、交通环境调控，绿色、健康交通诱导。关键词：移动监测；交通污染物；微尺度；参数模型；随机森林IAbstractAbstractInthelasttwodecades,increasingvehicularpollutants(COandNOx)areseverelythreateningtravelers’healthstatus.Airqualityinstreetmicroenvironmentiscloselyrelatedtoeachtraveler.Withtheincreasingdemandforthetraff

7、ictravelinurbanarea,airqualityinstreetmicroenvironmenthasgainedmoreattentionthaneverbefore.Diffusionmodelissuitableforstudyingtheairqualityinurbanstreetcanyonwithsymmetricalaspectratio,andnumericalsimulationmodelbasedonhydrodynamicscandealwithstreetswithasymmetrica

8、laspectratio，theirpredictingresultsarehardlytobevalidated.Mobilemonitoring,foritshighsamplingresolution,samplingdata’sreliability,aswellasitsabil