《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Ai-driven spatiotemporal urban road transport emission mapping using YOLO and COPERT model
编辑推荐：
实时高分辨率交通排放估算框架在印度特里普蒂市的应用研究，融合YOLOv8目标检测与COPERT v5.0动态建模，通过18个高流量路口的交通数据分析实现93%的车辆分类准确率，生成100×100米网格化排放数据，揭示早晚高峰及夜间货运排放特征，为智慧城市空气质量管理提供可扩展解决方案。
巴达瓦特·布帕尔（Badavath Bhupal）|马努杰·夏尔马（Manuj Sharma）|希曼舒·亚达夫（Himanshu Yadav）|维沙尔·森加尔（Vishal Sengar）|萨姆里迪·贾恩（Samridhi Jain）|苏雷什·贾恩（Suresh Jain）
印度安得拉邦蒂鲁帕蒂（Tirupati）的印度理工学院（Indian Institute of Technology）土木与环境工程系，邮编517 619
摘要
本研究提出了一个高分辨率、实时的框架，用于估算道路上的车辆排放量，以支持城市空气质量管理。该框架在蒂鲁帕蒂智慧城市（Tirupati Smart City）中得到应用，整合了深度学习、实地调查和动态排放模型。通过YOLOv8模型分析了18个高流量交叉口的交通数据，在车辆分类、计数和速度估算方面达到了93%的准确率。在25个战略位置进行的起点-终点（Origin-Destination）调查收集了车辆属性信息，包括车辆年龄、燃料类型和使用情况，从而根据车身类型、燃料类型和印度燃油标准（Bharat Stage）将车辆分为127个类别。利用COPERT v5.0模型和速度相关因素估算了CO、NOx、PM、VOCs、CH4和CO2的排放量。生成的每小时100×100米的排放网格揭示了关键的日变化和空间分布模式，包括高峰时段和夜间货运车辆的排放情况。这一可扩展且可转移的框架超越了传统方法，能够与扩散模型实时结合，为智慧城市规划和有针对性的空气质量干预提供支持。
引言
城市空气污染主要由道路运输排放引起，在像印度这样的快速城市化国家中，这是最严重的环境和公共卫生问题之一（Vishal等人，2025年）。全球范围内，道路运输对城市空气污染的贡献高达45%（Zhong等人，2024年），每年释放近40亿吨二氧化碳当量（Monteiro等人，2024年）。因此，准确、高分辨率地估算这些排放量对于有效的政策制定至关重要。在印度，这一需求尤为迫切，因为该国拥有全球50个污染最严重城市中的42个（IQAir，2024年）。为解决这一问题，国家清洁空气计划（NCAP）针对131个未达到空气质量目标的城市，计划到2026年将PM浓度降低40%（Ganguly等人，2020年）。实现这一目标需要可靠、空间分辨率高且动态变化的排放数据，这些数据应反映实际的道路交通情况，而不是粗略的估算。
现有文献一直指出，广泛使用的排放估算方法在处理印度多样化的交通条件时存在方法论上的局限性。尽管自下而上的方法被广泛采用，但它们仍然依赖于静态的速度假设、粗略的空间尺度或基于人工调查的数据，这限制了它们在拥堵和混合交通环境中的准确性（Li等人，2025年）。像计算机程序计算道路运输排放（COPERT）和国际车辆排放（IVE）模型这样的成熟模型需要高分辨率、实时的交通活动数据才能发挥最佳效果；然而，这类数据在大多数印度城市仍然稀缺。此外，现有研究往往依赖于从浮动车辆或整个车队中得出的平均速度，这可能会掩盖同一类别内的速度差异，从而导致排放估算的不确定性（Biswal等人，2022年）。人工交通计数引入了额外的不确定性，因为存在观察者偏差和有限的采样窗口。
为了克服这些限制，本研究引入了一个新型的、对基础设施要求低且完全自动化的框架，该框架结合了基于深度学习的计算机视觉技术和速度相关的排放模型，以估算印度蒂鲁帕蒂市的车辆排放情况。该研究通过将YOLO目标检测模型得到的车辆分类和计数结果与每类车辆的具体速度估算以及COPERT的速度相关排放因子（EFs）相结合，自动生成了100米×100米空间网格的高分辨率排放清单，并以每小时为时间频率更新数据。通过使用匿名、基于视觉的检测方法，而非车牌识别（LPR）、GNSS轨迹或远程信息处理数据，该框架规避了现有高分辨率方法在印度中等规模城市中应用时遇到的基础设施和监管障碍。
这种方法代表了重要的方法论进步，因为它包含了以下特点：
- ?
基于人工智能的实时视频分析，用于精确的车辆检测和车队分类。
- ?
整合了不同路段的速度信息，以捕捉道路网络的空间异质性。
- ?
每小时排放量分析，以识别排放热点并支持有针对性的减排策略。
- ?
适合城市空气质量管理、温室气体减排和可持续交通规划的高分辨率排放网格。
据作者所知，这是印度首个将基于深度学习的匿名交通感知技术与经过验证的自下而上排放模型相结合的研究，生成了近实时的高分辨率城市交通排放清单。其核心创新在于使用了与实际交通动态直接相关的速度相关排放因子（EFs），从而克服了传统基于车队或平均速度方法的局限性。该框架为寻求数据驱动途径来减少城市空气污染和碳排放的智慧城市提供了一个可扩展、可复制且具有政策相关性的解决方案。
研究区域描述
本研究聚焦于印度安得拉邦蒂鲁帕蒂智慧城市（坐标13°37′43.68″ N, 79°25′9.12″ E），这是一个位于塞沙查拉姆山（Seshachalam Hills）脚下的快速发展的城市中心。该城市的增长主要得益于以蒂鲁马拉·文卡特斯瓦拉神庙（Tirumala Venkateswara Temple）为中心的宗教旅游活动。据预测，到2025年，蒂鲁帕蒂的人口将达到77万，每天还有大约6万至8万名游客前往该神庙（Thandlam）。
车辆年龄分布
在加油站进行的实地调查提供了蒂鲁帕蒂市车辆年龄分布的数据。我们通过注册日期和调查日期之间的差值来计算车辆年龄（Aggarwal & Jain，2015年）。如表1所示，除IPT车辆外，超过45%的车辆类别的使用年限不足五年；而IPT车辆中只有30%符合这一标准。总体而言，超过80%的车辆使用年限在十年以内，而IPT车辆中这一比例仅为52%。
结论
本研究精心开发了一种高分辨率、数据驱动的方法，通过整合2023年蒂鲁帕蒂智慧城市内的道路交通流量、车辆速度特征和使用中的车辆特性，来估算实时车辆排放量。该研究的独特之处在于采用了新颖且成本效益高的数据收集技术：基于深度学习的视频监控车辆检测方法，能够快速准确地统计车辆数量。
作者贡献声明
巴达瓦特·布帕尔（Badavath Bhupal）：撰写原始稿件、方法论设计、正式分析、数据管理、概念构建。
马努杰·夏尔马（Manuj Sharma）：撰写原始稿件、监督工作、方法论设计、正式分析、数据管理、概念构建。
希曼舒·亚达夫（Himanshu Yadav）：撰写原始稿件、方法论设计、正式分析、数据管理。
维沙尔·森加尔（Vishal Sengar）：数据管理、方法论设计。
萨姆里迪·贾恩（Samridhi Jain）：数据验证、软件开发、方法论设计、正式分析。
苏雷什·贾恩（Suresh Jain）：审稿与编辑、撰写原始稿件。
写作过程中使用生成式AI和AI辅助技术的声明
在准备本研究报告的过程中，作者使用了Gemini Google和Grammarly工具来检查语言和语法错误。使用这些工具后，作者对内容进行了必要的审查和编辑，并对出版物的内容负全责。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
BB和VS感谢人力资源发展部（MHRD）分别为他们提供硕士和博士学位的机会。MS感谢印度大学资助委员会（UGC）提供的资深研究奖学金（SRF）。作者还感谢印度理工学院蒂鲁帕蒂分校土木与环境工程系的领导在数据收集期间提供的必要资源。同时，作者也感谢Athur Arun Kumar先生在后勤方面的支持。
