麻省理工学院的研究团队近日在《自然·可持续发展》期刊发表论文，介绍了一种利用现有传感器和移动数据实时监测城市交通排放的新模型。该模型能够生成高分辨率的排放图像，精确到单条道路和具体时段，为地方交通政策制定和减排措施评估提供支持。

new york city traffic

这项研究通过整合实时交通摄像头、匿名手机位置数据等多种信息源，构建了一个数据驱动的交通排放估算框架。与依赖间歇性采样或小规模车辆分析的传统方法相比，新模型在实用性和可扩展性方面更具优势，能够填补城市范围排放清单与个体车辆详细分析之间的数据鸿沟。

麻省理工学院Senseable城市实验室首席研究科学家Paolo Santi表示：“我们的模型通过将实时交通摄像头与多种数据源相结合，可以推断出非常详细的排放地图，精确到单条道路和一天中的某个小时。”实验室主任Carlo Ratti补充道：“通过整合多个数据流，我们可以达到几年前难以想象的精确度——为政策制定者提供了理解并保护人类健康的有力新工具。”

在纽约市曼哈顿的实证研究中，团队利用331个路口摄像头图像和超过175万部手机的匿名位置记录，结合车辆识别技术，成功将93%的车辆归入12个类别。手机数据提供了交通模式的宏观与微观信息，而摄像头则捕捉了交通信号对车辆行驶的影响，这些因素共同影响了排放估算的准确性。

前Senseable城市实验室博士后、现香港城市大学助理教授胡颂华指出：“我们只需要根据现有的城市数据源输入所有与排放相关的信息，就可以估算交通排放。”模型还模拟了多种交通情景，如出行方式转变和高峰时段调整，结果显示排放估算对数据精细度敏感，简化处理可能导致显著误差。

研究团队应用模型评估了纽约市曼哈顿拥堵收费政策的效果，发现实施后交通量减少约10%，排放下降16-22%，与康奈尔大学关于细颗粒物水平降低的研究一致。胡颂华强调：“我们看到在拥堵收费开始后出现了这些巨大的变化。我认为这表明，如果政府真的想知道一项新政策是否转化为现实影响，我们的模型会非常有帮助。”

该模型在保护隐私方面采取谨慎措施，使用计算机视觉识别车辆类型而不记录车牌号码。此外，团队在荷兰阿姆斯特丹的拓展工作中利用仪表盘摄像头数据，进一步丰富了车辆移动信息。Senseable城市实验室研究与设计副主任Fábio Duarte表示：“通过我们的模型，我们可以使城市中使用的任何摄像头——从数百个交通摄像头到数千个行车记录仪——成为实时估算交通排放的强大设备。”这项研究展示了数据融合技术在环境监测领域的潜力，为全球城市交通管理和减排策略提供了新工具。

出版详情：作者：Peter Dizikes, Massachusetts Institute of Technology；标题：《Researchers measure traffic emissions, to the block, in real-time》；发表于：《Nature Sustainability》(2026)；期刊信息: Nature Sustainability