原文传递
高架桥对街道峡谷内PM2.5及CO垂直扩散分布的影响研究
| 论文题名： | 高架桥对街道峡谷内PM2.5及CO垂直扩散分布的影响研究 |
| 关键词： | 高架桥;PM2.5浓度;CO浓度;垂直扩散分布;主成分分析;神经网络;广义加性模型 |
| 摘要： | 近年来，随着我国城市汽车保有量和燃油消耗量的迅速攀升，城市中心区域的空气质量和生态环境急剧恶化。相关研究表明，道路机动车排放的污染物给周围居民的身体健康和工作生活带来了极大的威胁，而且为了缓解城市用地规模的限制，很多高大建筑群拔地而起，人们居住在不同的楼层会吸入不同数量的交通尾气。因此，探讨城市道路两侧污染物垂直空间分布的特征，有利于廓清污染物的影响机制，对于控制污染物蔓延、改善居民生活质量具有重大的意义。 高架路是上海非常典型的一种道路模式，既有文献对诸如“道路峡谷”、“水平污染物扩散”以及“交叉口的污染物影响”研究较多，但缺乏对高架道路两侧污染物的垂直扩散规律和污染物浓度变化影响因子等相关研究。本研究以上海市中环高架路边的一座大厦为观测点，对该建筑9个不同的高度点上的PM2.5和CO浓度进行观测，并与测量的背景浓度作比较，得到PM2.5和CO浓度的增量。接下来，本研究借助相关便携式移动监测设备，采集了微观尺度下的交通、气象、位置等数据。同时，在实验监测数据的基础上，提取影响高架路沿侧交通污染物垂直扩散分布的主要因素，并建立了两种道路交通污染物浓度垂直分布预测模型，包括“基于主成分分析的神经网络模型”和“半参数广义加性模型”。以上两种模型可以很好地处理污染物扩散的非线性问题，具有较为准确的预测能力，而且对输入参数的准确度依赖程度较低，有效地弥补了污染物扩散模型在道路微观尺度上预测的不足。 最后，研究比较分析了两种预测模型的结果与实际数值，得出结论:基于主成分分析的神经网络模型对道路污染物垂直浓度分布情况预测的精度最高。经过分析，原因是主成分分析通过对原始变量进行降维处理，消除了神经网络模型输入变量的相关性，实现了统计意义上的有效性与精确性。 |
| 作者： | 高雅 |
| 专业： | 交通运输工程 |
| 导师： | 彭仲仁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 上海交通大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
