ZSNJ机场位于市中心以南直线距离约40 km（地理位置31°43′53.2″N，118°52′16.1″E）的禄口镇，机场标高15 m。根据《2019年民航机场生产统计公报》^[1]，2019年，ZSNJ机场完成旅客吞吐量3 058.17万人次，飞机起降234 900万架次，位列全国（不含香港特别行政区、澳门特别行政区和台湾地区）第11位。此外，ZSNJ机场拥有2条3 600 m跑道，其中南跑道（07/25：3 600 m × 60 m）通常用于降落，北跑道（06/24：3 600 m × 45 m）通常用于起飞。

本研究的监测位点位于南跑道垂直距离176 m的位置（地理位置31°43′2.8″N，118°52′5.3″E），且机场四周被海拔高度不高于200 m的丘陵包围。爱荷华州立大学环境部（IEM）在ZSNJ机场的监测站数据表明^[10]，2018年4月1日至2019年3月31日ZSNJ机场的主导风向为东北偏东（ENE）方向，风向风速等气象数据所处的高度层为平均海拔30 m的位置。HUDDA et al^[11]于美国洛杉矶国际机场的研究表明，机场源颗粒物可以随主导风向扩散至机场周边16 km的范围，且顺风向10 km处的颗粒物数量浓度显著增加4倍。因此，本研究中监测位点的位置在机场源污染物扩散的范围内。

统计得出，2018年4月1日至2019年3月31日ZSNJ机场起降航班262 124架次，涉及60多种机型，以A320、B738和A321这3种机型为主，主要机型的数量累计占总机型数量的77.6%，其中机型占比少于0.1%的机型累计不超过0.3%。原始数据的进港航班131 081架次，离港航班131 043架次，但因飞机黑匣子记录的部分航班缺失机型、发动机编号、航班时刻等信息，所以需要对原始航班数据进行清洗。经数据清洗后，有效进港航班114 202架次，有效离港航班117 011架次。然而，历史航班数据库无发动机数量和编号信息，本文利用SQL server 2019数据库管理系统，借助python语言将历史航班数据库中的机型与BADA数据库中的机型关联，得出每种机型对应的发动机编号和数量，见表1。

本研究中的监测实验于2019年3月30日16:00～18:00执行，所使用的监测仪器为中国攀藤科技的颗粒物浓度监测仪PMS 3003。PMS 3003采用激光散射原理，利用基于米氏理论的算法计算出单位体积内空气中不同粒径的悬浮颗粒物个数，进而换算为颗粒物质量浓度，单位为μg·m⁻³，采样时间间隔为1 s。

机场污染源是指在机场内运行或在机场周边范围内活动的污染源，主要包括航空涡轮喷气式发动机、APU、GSE、以及机场周边高速路。ICAO规定，从地表至混合层高度约3 000 ft的范围称作LTO循环的范围，一个标准的LTO循环由进近、滑行（滑入和滑出）、起飞和爬升4个阶段构成。本文主要研究LTO循环内以HC、CO、NO_x、以及PM_2.5为主要污染物的机场污染源排放清单。

（1）利用ICAO公布的B类简单方法计算航空发动机HC、CO、NO_x的排放量。由于ICAO公布的DATA BANK数据库中无发动机的PM排放指数，且ZSNJ机场实际监测位点获取的PM数据为PM_2.5的质量浓度，因此，本研究利用FAA一阶近似算法计算PM_2.5的排放量，见式（1）。

式（1）中，E_ij表示j型航空器污染物i的排放总量/g，i∈I，且I为污染物HC、CO、NO_x的集合；TIM_jk表示j型航空器在k模式下的运行时间/s，k∈K，且K为LTO循环中进近、滑入、滑出、起飞、爬升的集合；FF_jk表示j型航空器的发动机在k模式下的燃油流率，kg·s⁻¹，数据来源于DATA BANK；EI_ijk表示j型航空器的发动机在k模式下污染物i的排放指数，g·kg⁻¹,数据来源于DATA BANK；N_j表示j型航空器的发动机数量/台，数据来源于BADA。此外，为精准计算历史航班实时的排放与扩散，比对监测位点的理论扩散值与实际监测值，提高监测位点污染物浓度的预测准确度，本研究基于时间窗和航空器运行模式优化TIM_jk计算方法，根据航班计划表中航班实际接（离）地和挡（撤）轮挡时间优化TIM_jk时间窗。

航空发动机的PM_2.5排放指数计算方法，见式（2）。

式（2）中，SN_jk表示j型航空器发动机在k运行模式下产生的烟雾数量；i在该式中表示为PM_2.5。

（2）APU是航空器的动力辅助装置，根据STETTLER et al^[12]于2005年在英国机场的研究表明，APU对机场源PM_2.5的贡献值为6%。本研究采用美国空军环境安全健康风险分析研究所提供的APU运行参数计算污染物排放量^[13]，见式（3）。

式（3）中，E_ij表示j型航空器所配备的APU，其运行产生污染物i的排放总量/g；EI_ij表示j型航空器所配备的APU，其运行产生污染物i的排放指数，g·h^-1；$\bar t$表示APU平均运行时间/h，取0.4 h；N表示每架航空器所配备的APU数量，本研究假设所有航空器均配备1台APU，即N=1。

（3）航空器过站期间需要地面服务车提供相关服务，常用的GSE如航空器牵引车、加油车、传送带车、货运装载车等，其排放计算方法没有统一的标准，本研究采用美国空军环境安全健康风险分析研究所提供的GSE运行参数计算污染物排放量^[13]，见式（4）。

式（4）中，E_i为GSE运行期间污染物i的排放总量，g；EI_ij为j型GSE运行期间污染物i的排放指数，g·h^-1，j∈J，且J为航空器常用的GSE集合；${\bar t_j}$为j型GSE的平均运行时间/h。

本研究以ZSNJ机场06/24跑道中点（地理位置31°44′32″N，118°51′43″E）为原点，水平方向垂直于跑道方向为x轴，取航空器进近方向左侧为正；与跑道平行方向为y轴，取航空器进近方向反向为正；垂直xoy面为z轴，向上为正。此外，LTO循环内运行的航空器、GSE、APU视作线源扩散。利用高斯大气扩散模型计算监测位点的小时污染物浓度，见式（5）。

式（5）中，C(x,y,z,H)为任意位置的污染物浓度，g·m⁻³；E为污染物排放源单位时间内污染物排放量，g·h⁻¹；$\bar \mu $表示为风速，m·s⁻¹；σ_y表示为y轴方向的扩散系数；σ_z表示为z轴方向的扩散系数；L表示为线源长度，m；H表示为监测位点所在的高度，m；x表示为下风向的横向距离，m；y 表示下风向距离，m；z表示航空排放源的高度，m。此外，根据美国国家海洋和大气管理局（NOAA）提供的ZSNJ机场气象数据计算出太阳辐射角并判定大气稳定度，进一步计算出σ_y和σ_z，计算结果，见图1。

统计分析2018年4月1日至2019年3月31日ZSNJ机场的231 213架次有效进离港航班，分别计算航空发动机、APU、GSE的排放清单，汇总得到ZSNJ机场的小时排放清单，因数据样本较大，本文选取2019年3月30日的小时排放清单作为研究对象，见图2。

图2（a）可见，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%。图2（b）可见，NO_x和CO的排放量占一天中总排放量的比例最大，分别为40.3%和38.8%；其次为PM_2.5，占比18.1%；HC占一天中总排放量的比例最小，为2.8%。根据张权等^[14]的研究可知，ZSNJ机场在2016年的首要排放污染物为NO_x，主要集中在9:00～22:00时间段，且多元线性回归分析表明机场排放污染物与航空器小时架次显著相关。此外，李杰等^[15]利用微脉冲激光雷达提取的混合层高度的方式，采用美国EPA方法估算了2016年首都国际机场的排放清单，结果表明NO_x和CO的排放量最多。然而，国际航空运输协会（IATA）表示改进的发动机设计可显著降低NO_x和CO的排放，几乎完全消除了HC和烟气的排放^[16]。由此可见，尽管IATA已通过改善航空发动机性能的方式旨在减少NO_x和CO排放，但受经济因素影响，大部分航空公司未采用新型发动机，导致航空发动机对机场NO_x的贡献率仍然很高。

在获取2019年3月30日全天24 h的污染物排放量和扩散系数后，利用高斯扩散模型计算监测位点3月30日小时污染物扩散浓度。为便于统计分析，本研究将污染物的小时浓度作[0,1]标准化处理，用热力图的形式可视化各污染物在全天24 h内的小时浓度，见图3。

图3可见，热力图的颜色越深则表示污染物的小时浓度越高，以横轴为时间维度量化ZSNJ机场在3月30日全天24 h内的污染情况，因此，ZSNJ机场在10:00～23:00期间的污染情况最严重。图上方的柱状图表示为全天24 h内的小时航班架次，且07:00～23:00的航班架次较其他时段拥挤。02:00～06:00时间段的航班量最少，污染情况也最轻。综上所述，ZSNJ机场的小时污染物浓度受LTO循环内的交通流影响较大。Pearson系数和双侧Sig.检验结果，见表2。

表2可知，Pearson系数表明气体污染物（HC、CO和NO_x）与当日航班架次呈强相关，固体颗粒物（PM_2.5）与当日航班架次呈中等相关。据此，本研究推断机场监测位点的气体污染物浓度受高斯扩散的影响衰弱效应较小，但固体颗粒物因受扩散过程的沉淀和凝聚影响，监测位点的固体颗粒物浓度衰弱效应较气体污染物大。双侧Sig.检验结果表明，研究污染物小时浓度与航班架次之间的相关性具有统计学意义且结果显著。

本研究选取PM_2.5的质量浓度作为预测对象，基于时间序列利用高斯过程回归的方法预测ZSNJ机场监测位点的PM_2.5质量浓度。首先，将2019年3月22日～2019年3月28日的小时PM_2.5浓度作为训练集输入，经高斯过程回归预测2019年3月29日的小时PM_2.5浓度，理论值与预测值的时间序列图，见图4。

利用一元线性回归法分析高斯扩散模型计算的理论值和高斯过程回归的预测值，判断预测模型的可信度。GU et al^[17]和 ZHOU et al^[18]的研究表明，高斯过程回归预测机场PM_2.5和其他气体污染物的浓度效果显著。基于高斯过程回归预测的结果，本研究采用一元线性回归的方法拟合高斯扩散模型的理论值和监测位点的预测值，得到拟合判定系数R²=0.973，说明一元线性回归的拟合效果较好，T检验（P<0.05）和F检验（Sig.F<0.05）均验证模型的可预测性，具有统计学意义，即利用2019年3月22日～2019年3月28日的小时PM_2.5浓度作为训练集预测2019年3月29日的小时PM_2.5浓度的方法是可行的，见图5。

图5可见，该日预测值和理论值的平均值之间仍存在约27.87 μg·m⁻³的误差，因此，该污染物浓度的预测模型需要修正以提高预测准确度。

因此，再将2019年3月29日的小时PM_2.5浓度作为训练集输入预测下一时间段的PM_2.5浓度。因实际监测数据只有2019年3月30日16:00～18:00时段的PM_2.5浓度，故预测2019年3月30日16:00～17:00和17:00～18:00两个时段的PM_2.5浓度，见表3。以PM_2.5浓度监测值作为基准，用相对误差来表示理论值和预测值相对于监测值之间的误差，旨在反映模型计算和预测的准确度。

根据南京大学气象系湍流组^[19]对火电厂烟流上升与扩散的研究和孙志宽^[20]对高斯烟羽扩散模型的研究表明，改进抬升高度的计算及高斯扩散模型计算中平均风速的计算方法可提高高斯扩散模型的计算准确度。根据我国环境影响评价技术导则，抬升高度与平均风速成反比，见式（6）。

式（6）中，W为抬升参量，U_e为抬升高度层中平均环境风速，见式（7）。

一般来说，环境风速呈指数形式随高度升高而增加，其中，p为风速高度指数，见式（8）。

则由上式得出修正后的抬升公式可进一步优化，见式（9）。

式（9）中，分母即是抬升高度，A为风速垂直变化系数，见式（10）。

由此可推出污染物扩散层平均风速$U$，见式（11）。

将上述公式代入高斯扩散模型公式，得到修正后的高斯扩散模型，见式（12）。

式（12）中：

因上文已验证高斯过程回归预测方法的可行性与模型的可预测性，故修正后的高斯扩散模型仅将2019年3月29日的小时PM_2.5浓度作为训练集输入，旨在预测2019年3月30日16:00～17:00和17:00～18:00时段的PM_2.5浓度。修正后的高斯扩散模型的预测结果，见图6。

图6可见，PM_2.5浓度预测的准确度均> 98.0%，较修正前的高斯扩散模型预测准确度提高（相对误差降低）。提高污染物浓度的预测精度不仅对绿色民航运行提供理论参考，而且对机场职业人员和周边居民提供健康指导，并为实现机场空气质量预测平台奠定理论基础。

航空器在LTO循环内运行产生的污染物中，NO_x和CO的排放量占一天中总排放量的比例最大，分别为40.3%和38.8%；其次为PM_2.5，占比18.1%；HC占一天中总排放量的比例最小，为2.8%。此外，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系数表明机场监测位点的小时污染物浓度受LTO循环内航空器架次的影响显著，且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。

利用高斯扩散模型计算监测位点的污染物浓度，并使用高斯过程回归预测监测位点的浓度时，通过修正高空风参数可使预测准确度提高且> 98.0%。