制冷度日数(Cooling degree days,CDDs)可指示空间制冷能耗与室外热环境,但在全球栅格尺度上同时考虑气温、相对湿度与人口的CDDs分析鲜见报道。据此,本文利用气象、人口、遥感等数据,曼−肯德尔法、相对重要性分析、机器学习等方法在全...制冷度日数(Cooling degree days,CDDs)可指示空间制冷能耗与室外热环境,但在全球栅格尺度上同时考虑气温、相对湿度与人口的CDDs分析鲜见报道。据此,本文利用气象、人口、遥感等数据,曼−肯德尔法、相对重要性分析、机器学习等方法在全球0.25°栅格尺度上开展气温−相对湿度−人口驱动型CDDs时空变化、影响因素与模拟研究。结果表明,①全球基于湿球温度计算的CDDs(CDDs_(wb),CDDs based on wet bulb temperature)在30°N~30°S间除北非与西亚外的不少地区均高于567(℃·d),极高值[1469~2677(℃·d)]主要分布在亚马孙平原、东南亚中南半岛南侧及其以南地区。基于湿球温度与人口计算的CDDs(CDDs based on wet bulb temperature and population,CDDs_(wb_pop))大多低于17×10^(6)(℃·d·人),高值[277×10^(6)~2144×10^(6)(℃·d·人)]主要在恒河平原与印度南端、尼日利亚沿海、越南南北平原与爪哇岛。②1970—2018年CDDs_(wb)与2000—2018年CDDs_(wb_pop)在中高纬度呈现极高年际间变异,全球未来变化趋势多与过去保持强一致性。CDDs_(wb)显著增加(P<0.05)地区主要分布在北非与西亚、澳大利亚、里海东部、印尼西部的一些地区,显著降低区域主要分布在拉美、撒哈拉以南非洲、中国胡焕庸线以南及中南半岛的一些地区。CDDs_(wb_pop)在一些地区显著增加,速率基本小于8×10^(6)(℃·d·人)/a,集中发布在北非、西亚与里海东部的一些地区。③纬度与高程均分别与CDDs_(wb)及其变异系数呈现显著负向与正向偏相关关系(P<0.05);在不同大洲内,年降水量、夏季反照率、增强型植被指数与PM_(2.5)对CDDs_(wb)影响不同,夜间灯光影响不大。CDDs_(wb)实际值与模拟值间R2大多高于0.935,平均绝对误差百分比多小于6.77%,均方根误差在15.63~184.51(℃·d)。展开更多
文摘制冷度日数(Cooling degree days,CDDs)可指示空间制冷能耗与室外热环境,但在全球栅格尺度上同时考虑气温、相对湿度与人口的CDDs分析鲜见报道。据此,本文利用气象、人口、遥感等数据,曼−肯德尔法、相对重要性分析、机器学习等方法在全球0.25°栅格尺度上开展气温−相对湿度−人口驱动型CDDs时空变化、影响因素与模拟研究。结果表明,①全球基于湿球温度计算的CDDs(CDDs_(wb),CDDs based on wet bulb temperature)在30°N~30°S间除北非与西亚外的不少地区均高于567(℃·d),极高值[1469~2677(℃·d)]主要分布在亚马孙平原、东南亚中南半岛南侧及其以南地区。基于湿球温度与人口计算的CDDs(CDDs based on wet bulb temperature and population,CDDs_(wb_pop))大多低于17×10^(6)(℃·d·人),高值[277×10^(6)~2144×10^(6)(℃·d·人)]主要在恒河平原与印度南端、尼日利亚沿海、越南南北平原与爪哇岛。②1970—2018年CDDs_(wb)与2000—2018年CDDs_(wb_pop)在中高纬度呈现极高年际间变异,全球未来变化趋势多与过去保持强一致性。CDDs_(wb)显著增加(P<0.05)地区主要分布在北非与西亚、澳大利亚、里海东部、印尼西部的一些地区,显著降低区域主要分布在拉美、撒哈拉以南非洲、中国胡焕庸线以南及中南半岛的一些地区。CDDs_(wb_pop)在一些地区显著增加,速率基本小于8×10^(6)(℃·d·人)/a,集中发布在北非、西亚与里海东部的一些地区。③纬度与高程均分别与CDDs_(wb)及其变异系数呈现显著负向与正向偏相关关系(P<0.05);在不同大洲内,年降水量、夏季反照率、增强型植被指数与PM_(2.5)对CDDs_(wb)影响不同,夜间灯光影响不大。CDDs_(wb)实际值与模拟值间R2大多高于0.935,平均绝对误差百分比多小于6.77%,均方根误差在15.63~184.51(℃·d)。
