在一项以纽约市为对象的研究中，麻省理工学院（MIT）研究人员展示了如何利用现有传感器和移动数据，生成近实时、高分辨率的汽车排放分布图，为地方交通治理和减碳政策提供支撑。相关论文《基于无处不在的数据驱动框架的交通排放估算与政策评估》已发表在《自然·可持续发展》期刊上。

这种新框架生成的排放数据比目前常用的一些方法更加细致。传统方法往往依赖车辆排放的间歇性采样，而该研究则在空间和时间上都实现了更高分辨率。研究团队指出，相比那些只从少量车辆中获取极高精度排放数据的研究路径，他们的方法更具可操作性和可扩展性。

这项工作在城市尺度的粗粒度排放清单与基于单车的精细分析之间搭建了一座“中观”桥梁。

MIT 感知城市实验室首席研究科学家、论文合著者 Paolo Santi 表示：“我们的模型通过整合实时交通摄像头和多种数据源，能够推断出精确到单条道路、具体到一天中每个小时的详细排放地图。”

他补充说：“如此高分辨率的信息，对于评估交通与出行干预措施的效果、支持政策制定非常关键。”

感知城市实验室主任 Carlo Ratti 指出，这项研究“延续了我们实验室在空气质量和其他环境因素超本地化测量方面的探索。通过融合多条数据流，我们达到了几年前难以想象的精度，为政策制定者提供了理解并保护公众健康的强大新工具。”

在隐私保护方面，新方法采用计算机视觉技术识别车辆类型，但不记录车牌号码等个人信息。研究充分利用了城市路口已部署的摄像头等基础设施，从中提取更丰富的车辆流动和污染排放数据。

“最核心的想法，是用城市已经拥有的数据源，以一种经济高效的方式估算交通排放。”前 MIT 感知城市实验室博士后、现任香港城市大学助理教授的胡松华说。

论文作者包括胡松华、Paolo Santi、感知城市实验室研究员 Tom Benson、亚利桑那州立大学交通工程教授周学松、香港理工大学助理教授王安、感知城市实验室访问博士生 Ashutosh Kumar，以及 Carlo Ratti。MIT 感知城市实验室隶属于麻省理工学院城市研究与规划系。

曼哈顿实测

在具体实验中，团队利用了曼哈顿交叉路口已安装的 331 台摄像头图像，以及来自超过 175 万部手机的匿名位置记录。通过车辆识别算法并划分 12 种车辆类型，研究人员能够将 93% 的车辆正确分类。

摄像头图像还提供了交通信号灯对交通流影响的关键信息。信号灯是造成车辆频繁启停的主要原因，而这种启停模式对城市排放有显著影响，却常常在传统排放清单中被忽略。

手机位置数据则刻画了全市范围内的交通流动和单车行程模式。研究团队将摄像头数据、手机数据与已知的排放因子相结合，构建出纽约市的排放估算模型。

“我们只需要把基于现有城市数据源的所有与排放相关的信息输入模型，就可以估算交通排放。”胡松华解释说。

在此基础上，研究人员还评估了不同交通模式和车辆结构变化情景下的排放差异。

例如，他们模拟了若一定比例的出行需求从私家车转向公交车，整体排放会如何变化；在另一个情景中，他们考察了通过拉长早晚高峰时段、减少同一时间上路车辆数量，对排放的影响。

团队还测试了用全市平均排放数据替代细粒度输入的后果。结果显示，相比精细估算，粗略估算的误差范围在 -49% 至 25% 之间。这表明，看似简单的模型简化，可能导致排放估算出现非常大的偏差。

拥堵收费带来的减排效应

研究的一部分情景分析基于现实中的政策变化：自 2025 年 1 月起，纽约市在曼哈顿 60 街以南区域实施拥堵收费。

为评估该政策的影响，团队分别分析了收费实施后第 2、4、6 和 8 周的车辆交通情况。总体结果显示，拥堵收费使交通量减少了约 10%，而排放量则下降了 16% 至 22%。

这一发现与康奈尔大学研究人员此前的结果相吻合。后者曾报告，收费区内细颗粒物（PM2.5）浓度下降了 22%。MIT 团队进一步发现，减排效果在路网中的分布并不均匀：部分主干道的减排幅度更大，而收费区外的变化则更为复杂。

“我们在拥堵收费实施后观察到如此显著的变化。”胡松华说，“这从侧面证明，当政府希望了解新政策是否真正转化为环境效益时，我们的模型可以发挥重要作用。”

可扩展的数据融合框架

研究人员指出，这一方法可以接入更多类型的数据源。在阿姆斯特丹的相关工作中，团队就利用了车辆行车记录仪数据，获取更细致的车辆运动信息。

MIT 感知城市实验室研究与设计副主任 Fábio Duarte（参与多项相关研究）表示：“在我们的模型中，城市里的任何摄像头——无论是几百个交通摄像头，还是成千上万的行车记录仪——都可以转化为实时估算交通排放的有力工具。”

本文内容经麻省理工学院新闻办公室（web.mit.edu/newsoffice/）授权转载，该网站专注报道 MIT 的研究、创新与教学相关资讯。