机动车排放已成为城市地区，尤其是近道路环境中空气污染的主要来源之一。由于城市下垫面构成复杂，单一尺度的空气质量模型难以捕捉到其污染特征。为此，本研究基于流体力学仿真和机器学习方法，建立了一个基于机器学习的街谷风环境参数化方案（MLSCF），并结合多种城市热动力学和化学参数方案，进一步开发了一种多尺度耦合模型（CMAQ-RLINE_URBAN），以50m×50m的分辨率模拟了城市区域NO₂的污染特征，并定量解析了机动车排放对城市道路环境NO₂浓度的影响。结果表明，相比于传统的化学传输模型，耦合模型改善了近道路环境对NO₂浓度的低估，尤其在深街谷的上风向处。在夏季，机动车排放对北京城区NO₂浓度的相对贡献约为39％，并且距道路中心线越近机动车贡献水平显著增加，尤其是城市快速路中央机动车平均贡献率可高达75%。

 

流体力学,机器学习,化学传输模型,多尺度耦合模型