-
随着民航运输业的快速发展,我国境内(不含香港特别行政区、澳门特别行政区和台湾地区)机场数量和旅客吞吐量快速增加。截至2019年,我国境内运输机场共有238个,旅客吞吐量较2018年增长6.9%[1]。作为航空器运输活动的场地,机场具有污染源复杂、污染物种类多的特点。根据美国联邦航空管理局(FAA)的报告:机场污染物排放源主要有航空涡轮喷气式发动机、地面保障设备(GSE)、辅助动力装置(APU)以及机场周边高速路;机场源污染物主要有一氧化碳(CO)、铅(Pb)、二氧化氮(NO2)、臭氧(O3)、颗粒物(PM)、以及二氧化硫(SO2)[2]。此外,世界卫生组织(WHO)研究表明,机场范围内的污染物受主导风向、风速、地形及航空器尾流的影响具有扩散特性,进而诱发机场工作人员、常旅客、机场周边居民患心脑血管和呼吸系统疾病,甚至诱发新生儿低于出生体重或早产[3]。因此,研究机场源污染物的排放与扩散对机场大气环境和相关人群的身体健康具有实际意义。
目前,国内外学者对高斯扩散模型的修正和机场污染物浓度预测的研究分别取得不同程度的进展。高垒等[4]于2017年在南京禄口国际机场(IATA:NKG,ICAO:ZSNJ)的研究中,利用高斯扩散模型计算机场周边4个居民区受体点HC、CO和NOx的年平均浓度,结果表明NOx限制下ZSNJ机场的环境年承载力为365 805架次。夏卿[5]利用高斯扩散模型计算起飞着陆循环(LTO)的污染物扩散浓度,根据风速风向随高度变化的特性修正了风速表达式以提高高斯扩散模型的计算准确度,但作者限于实验条件,未将优化模型的结果与受体点的监测数据做误差分析,结论尚待验证。雷明洁[6]利用高斯扩散模型计算广州白云国际机场周边敏感区的污染物浓度,并结合机场交通流量预测了污染物浓度的时空特性。MAKRIDIS et al[7]利用高斯扩散模型计算了2016年希腊干尼亚机场LTO循环全年的总排放量。TAGHIZADEH et al[8]考虑主导风向的影响,利用高斯扩散模型分别比对伊玛目霍梅尼国际机场和梅赫拉巴德国际机场2011~2016年的污染物排放量。此外,KURNIAWAN et al[9]比对国际民航组织(ICAO)、美国国家环境保护局(EPA)和欧洲环境总署(EEA)等组织,使用不同计算方法量化了航空器污染物排放量上的差异,旨在找到更可靠的方法评估航空器污染物的排放特性。
综上所述,国内外学者在利用高斯扩散模型计算航空器污染物排放方面的研究较多,但考虑机场周边地形和气象因素的随机影响,对高斯扩散模型的修正研究较少。在机场污染物浓度预测方面的研究上,国内外学者采用多种研究方法分别取得了不同程度上的进展。此外,国内外学者在修正高斯扩散模型后未与受体点污染物的实际监测数据做误差分析,修正后的高斯扩散模型的机场适用性和修正结果的可靠性有待评估,结论尚不明确。因此,本研究基于2018年4月1日至2019年3月31日ZSNJ机场的航班计划数据、欧洲空中交通网络管理机构欧控组织(EUROCONTROL)公布的飞机性能建模工具(BADA)以及ICAO公布的航空器发动机基础排放数据(DATA BANK),采用ICAO 9889文件公布的简单计算方法(B类)与FAA一阶近似算法相结合的方式计算机场源污染物的排放量。利用ZSNJ机场的风速风向数据修正高斯扩散模型,基于高斯过程计算并预测机场监测位点的污染物浓度。通过比对修正前后监测位点的污染物浓度的理论值、预测值及监测值,借助一元线性回归分析和显著性检验相结合的方式量化监测位点的污染物扩散浓度误差与高斯过程回归预测的准确度,旨在为修正机场源污染物高斯扩散模型和预测监测位点的污染物浓度提供理论支撑,为实现绿色民航节能减排奠定理论基础和科学依据。
修正高斯扩散模型对机场污染物浓度预测影响
Influence of modified Gaussian diffusion model on airport pollutant concentration forecast
-
摘要: 基于南京禄口国际机场监测位点的实地实时监测数据,采用ICAO的B类方法和FAA一阶近似算法相结合的全新方法,计算了南京禄口国际机场的排放清单。后采用高斯过程回归的方法, 预测了监测位点的污染物扩散浓度,并修正高空风参数优化高斯扩散模型提高监测位点污染物浓度的预测准确度。结果表明,航空器在LTO循环内运行产生的污染物中,NOx和CO占一天中总排放量的比例最大,分别为40.3%和38.8%;10:00~23:00时间段的排放量相对一天中的其他时间段较高,对机场LTO循环的污染贡献率总计83.8%。Pearson系数表明气体污染物浓度与航班量呈强相关,固体颗粒物浓度与航班量呈中等相关。高斯过程回归预测监测位点的浓度时,通过修正高空风可使预测准确度提高且大于98.0%。Abstract: Based on the real-time monitoring data collected from the Nanjing Lukou International Airport site, the ICAO method B and the FAA first-order approximation algorithm are used to calculate the emission inventory of Nanjing Lukou International Airport. The Gaussian process regression method is used to forecast the pollutant diffusion concentration of the monitoring site. The forecasting accuracy is improved by modifying the high-altitude wind parameters to optimize the Gaussian diffusion model. The result shows that among the pollutants generated by the aircraft operated in the LTO cycle, NOx and CO emissions accounted for the largest proportion of the total emissions in one day, and the proportions are 40.3% and 38.8%, respectively. The emission during the 10:00~23:00 contributes about 83.8% of the total emission. The Pearson’s coefficients show that the concentration of gaseous pollutants is strongly correlated with the sorties, and the concentration of the solid particles is moderately correlated with the sorties. When using Gaussian process regression to forecast the pollutant concentration, the accuracy could be improved to above 98.0% by modifying the high-altitude wind.
-
表 1 2018年4月1日至2019年3月31日ZSNJ机场起降航班基本信息
序号 机型 发动机编号 架次 占比/% 1 A320 CFM56-5A3 89 060 36.3 2 B738 CFM56-7B26 71 370 29.1 3 A321 CFM56-5B1 29 785 12.2 4 A319 CFM56-5B1 15 244 6.2 5 B752 RB211-535E4 5 893 2.4 6 A20N PW1127G-JM 5 051 2.1 7 B733 CFM56-3-B1 4 835 2.0 8 B38M LEAP-1B28 4 371 1.8 9 B737 CFM56-3C-1 4 173 1.7 10 A333 CF6-80E1A2 2 865 1.2 11 B734 CFM56-3C-1 2 822 1.2 12 A332 Trent 772 2 320 0.9 13 B739 CFM56-7B27 1 640 0.7 14 E190 CF34-10E6 1 614 0.7 15 B789 Trent 1000-A2 833 0.3 16 B772 GE90-90B 750 0.3 17 A21N LEAP-1A29 552 0.2 18 A343 CFM56-5C4 366 0.1 19 B744 CF6-80C2B1F 377 0.2 20 B788 Trent 1000-A2 309 0.1 21 CRJ9 CF34-8C5 251 0.1 23 其他 − 659 0.3 总计 245 140 100.0 注:表中机型的发动机数量,除了机型为B744和A343的是4台,其余都是2台。 表 2 相关性分析和双侧检验结果
污染物 Pearson系数 Sig.(双侧) HC 0.604 0.002 CO 0.612 0.001 NOx 0.606 0.002 PM2.5 0.565 0.004 表 3 ZSNJ机场监测位点PM2.5浓度值
2019-03-30 /μg·m−3${c_{\rm{{PM_{2.5}}}}}$ 监测值 理论值(δ/%) 预测值(δ/%) 17:00 130.84 124.56(−0.048) 111.78(−0.146) 18:00 130.95 131.53(0.004) 123.77(−0.055) 注:δ表示为相对误差。 -
[1] 中国民用航空局. 2019年民航机场生产统计公报[EB/OL]. (2020-03-09)[2020-07-10]. http://www.mot.gov.cn/tongjishuju/minhang/202003/t20200309_3323815.html. [2] KENNEY K, FOWLER C, RATTE M, et al. Aviation emissions and air quality handbook version 3[M]. US. Federal Aviation Administration, 2014. [3] ROSENFELD P E, FENG L G H. Risks of Hazardous Wastes[M]. Boston: William Andrew Publishing, 2011. [4] 高垒, 田勇, 万莉莉, 等. 机场大气环境承载力评估方法[J]. 环境保护科学, 2019, 45(1): 20 − 27. [5] 夏卿. 飞机发动机排放对机场大气环境影响评估研究[D]. 南京: 南京航空航天大学, 2009. [6] 雷明洁. 航空器排放对机场大气环境影响的研究[D]. 天津: 中国民航大学, 2017. [7] MAKRIDIS M, LAZARIDIS M. Dispersion modeling of gaseous and particulate matter emissions from aircraft activity at Chania Airport, Greece[J]. Air Quality Atmosphere & Health, 2019, 12(8): 933 − 943. [8] TAGHIZADEH S A, SHAFABAKHSH G H, AGHAYAN I. Evaluation of aircraft emission at Imam Khomeini International Airport and Mehrabad International Airport[J]. International Journal of Environmental Science & Technology, 2019, 16(11): 6587 − 6598. [9] KURNIAWAN J S, KHARDI S. Comparison of methodologies estimating emissions of aircraft pollutants, environmental impact assessment around airports[J]. Environmental Impact Assessment Review, 2011, 31(3): 240 − 252. doi: 10.1016/j.eiar.2010.09.001 [10] Lowa Environmental Mesonet. ASOS-AWOS-METAR data[EB/OL]. [2019]. https://mesonet.agron.iastate.edu/request/download.phtml?network=CN__ASOS. [11] HUDDA N, GOULD T, HARTIN K, et al. Emissions from an international airport increase particle number concentrations 4-fold at 10 km downwind[J]. Environmental Science & Technology, 2014, 48(12): 6628 − 6635. [12] STETTLER M E J, EASTHAM S, BARRETT S R H. Air quality and public health impacts of UK airports. part I: emissions[J]. Atmospheric Environment, 2011, 45(31): 5415 − 5424. doi: 10.1016/j.atmosenv.2011.07.012 [13] WADE M D. Aircraft/auxiliary power units/aerospace ground support equipment emission factors[R]. Karta Technology, Inc., San Antonio, TX., 2002: 1-68. [14] 张权, 田勇, 叶博嘉, 等. 基于多元线性回归的机场空气质量影响因素研究[J]. 环境保护科学, 2019, 45(1): 39 − 47. [15] 李杰, 赵志奇, 刘新罡, 等. 首都国际机场航空器排放清单的计算分析[J]. 中国环境科学, 2018, 38(12): 71 − 77. [16] IATA. Local air quality emissions-related charges [EB/OL]. [2020-07-10]. https://www.iata.org/contentassets/1be02a5889fb439c902f654737e89fbe/local-air-quality-emissions-charges.pdf. [17] GU W W, XI C X, LIU R, et al. Spatial air quality prediction using gaussian process[C]//Advanced Science and Industry Research Center. Proceedings of 2018 International Conference on Computer, Communications and Mechatronics Engineering (CCME 2018), Shanghai, 2018: 654-659. [18] ZHOU Y, ZHAO X, LIN K P, et al. A gaussian process mixture model-based hard-cut iterative learning algorithm for air quality prediction[J]. Applied Soft Computing, 2019, 85: 105789. doi: 10.1016/j.asoc.2019.105789 [19] 南京大学气象系湍流组. 火电厂烟流上升和扩散的试验研究[J]. 环境科学学报, 1981, 1(1): 31 − 40. [20] 孙志宽. 高斯烟羽扩散模型再研究[J]. 环境与可持续发展, 2013(5): 107 − 109. doi: 10.3969/j.issn.1673-288X.2013.05.031