Energy & Buildings 372 (2026) 118241
Downscaling bias-corrected climate projections for future heat and cold stress assessment across local climate zones
Sheng Xu, Fei Guo*, Peisheng Zhu, Hongchi Zhang, Weisi Li, Shiyu Miao, Jun Zhao, Tao Liu, Jing Dong
01 |
研究背景 |
在全球气候变化背景下，极端高温和寒冷事件的频率、强度与持续时间正在发生显著变化。城市集中了大量人口、建筑与基础设施，极端气候对人体健康和城市运行所产生的风险也更加突出。 |
研究重点回答以下四个问题：
·经过偏差订正后，CMIP6能否较可靠地表征未来城市冷热风险？
·2025—2050年寒地滨海城市的极端热、冷风险将如何演变？
·城市内部不同LCZ类型是否会进一步放大未来极端冷热风险？
·哪些街区类型应成为未来城市更新与气候适应设计的重点干预对象？
02 |
研究方法 |
研究构建了一个包含数据准备、多尺度校正、未来极端风险分析以及LCZ尺度未来风险下推的四阶段研究框架，实现从全球气候情景到城市局地尺度热环境风险的逐级转换。 |
图1 本研究的方法框架（原论文 Fig. 1）
（1）多源气候数据与现场实测数据整合
研究主要采用四类数据：
CMIP6气候情景数据：选取MPI-ESM1-2-HR全球气候模式，包括历史时期1995—2014年、独立验证时期2015—2024年以及未来预测时期2025—2050年。未来情景包括SSP2-4.5（中等排放情景）和SSP5-8.5（高排放情景）。主要气象变量包括平均气温、最高气温、最低气温、相对湿度、风速、短波辐射和长波辐射。
ERA5-Land再分析数据：作为城市尺度参考数据，用于CMIP6历史偏差订正和独立验证，同时提取2025年冬夏极端事件期间的逐小时数据。
LCZ现场实测数据：在大连中心城区选取32个现场实测点，覆盖LCZ1、LCZ2、LCZ4、LCZ5-1、LCZ8、LCZ9、LCZ10以及LCZLVC等8类典型局地气候区。冬季和夏季分别选取代表性极端天气过程进行连续观测，仪器统一设置于距地面约1.2 m的人体呼吸高度，以1 min间隔记录热环境数据。
图2 大连局地气候区分类及现场实测点分布（原论文 Fig. 2）
（2）CMIP6气候数据的分阶段偏差订正
由于原始CMIP6结果与实际气候之间存在系统偏差，研究采用基于分位数的偏差订正方法进行修正。历史时期1995—2014年采用Quantile Mapping（QM，分位数映射），用于诊断CMIP6相对于ERA5-Land的历史分布偏差；2015—2024年独立验证期以及2025—2050年未来预测期采用Quantile Delta Mapping（QDM，分位数增量映射），在纠正历史分布偏差的同时，尽可能保留气候模式中的未来变化信号。
温度和湿度变量采用加性QDM处理，风速、短波辐射和长波辐射采用乘性QDM处理，并进一步设置物理边界条件。这种处理方式的核心不是简单调整平均值，而是同时修正变量的整体概率分布及极端尾部特征，从而提高后续极端冷热风险分析的可靠性。
（3）未来UTCI冷热风险构建
在偏差订正后的气象数据基础上，研究进一步构建三个日尺度UTCI指标：UTCIday表征日尺度综合热环境；UTCIhot以日最高气温作为温度输入，表征热端风险；UTCIcold以日最低气温作为温度输入，表征冷端风险。
受CMIP6日尺度数据限制，研究采用统一的遮阴近似方法，即Tmrt = Ta。因此，本文中的UTCI应理解为用于不同情景和年份之间一致比较的日尺度shade-UTCI proxy，而不是完整解析太阳辐射作用后的逐小时UTCI。
在此基础上，研究采用UTCI阈值划分未来热、冷应激：热应激为UTCIhot ≥ 26 ℃，强热风险为UTCIhot ≥ 32 ℃；冷应激为UTCIcold < 0 ℃，强冷风险为UTCIcold ≤ −13 ℃，并进一步识别每一年中极端热和极端冷最集中的月份。
（4）LCZ局地修正与未来风险下推
为解决ERA5-Land难以反映城市内部真实街区差异的问题，研究将2025年极端天气期间“现场实测UTCI − ERA5-Land UTCI”定义为局地气候区的热环境差值。夏季采用09:00—21:00时段，冬季采用09:00—17:00时段。
进一步分别提取夏季最大正偏差作为热端修正系数、冬季最小偏差作为冷端修正系数，并将其加入未来城市尺度UTCI序列，从而形成“未来城市尺度气候情景 + LCZ实测局地增量 → 未来LCZ尺度风险边界”的下推路径。
03 |
主要结果 |
（1）偏差订正显著改善了CMIP6气象变量及UTCI的可靠性
未经订正的CMIP6数据在气温、风速和辐射等变量上均存在不同程度的分布偏差，其中风速偏差最为突出。经过QM/QDM订正后，各变量的分布均明显向ERA5-Land靠近。 |
以独立验证期2015—2024年为例，在SSP2-4.5情景下，风速的W1距离由1.61 m/s降至0.05 m/s，QRMSE由1.83 m/s降至0.08 m/s；在SSP5-8.5下，W1由1.57 m/s降至0.07 m/s，QRMSE由1.81 m/s降至0.08 m/s。
进一步传播到UTCI后，订正效果同样明显。SSP2-4.5下UTCI的RMAE由36.00%降至8.09%，SSP5-8.5下则由36.14%降至8.27%。这说明QDM不仅改善单一气象变量，还能够有效抑制原始气候模式偏差向综合人体热环境指标中的进一步传播。
图3 CMIP6偏差订正前后气象变量及UTCI分布对比
（2）未来热风险持续增强，但寒冷风险仍占主导
2025—2050年期间，大连全年人体热环境风险仍然表现出明显的寒地城市特征：冷应激日数始终明显高于热应激日数。
在SSP2-4.5情景下，热应激日变化趋势为+7.82 d/10 year，冷应激日变化趋势为−2.68 d/10 year。其中，未来热风险增加主要来自UTCI 32—38 ℃强热应激区间，其增长达到+5.02 d/10 year，说明中期未来气候变化首先表现为强热天气出现得更加频繁，而不是迅速进入更高等级的极端热环境。
在SSP5-8.5情景下，热应激日变化趋势为+2.43 d/10 year，冷应激日变化趋势为−2.99 d/10 year。总体而言，未来寒冷风险虽然逐渐下降，但并不会迅速消失。大连未来更接近“寒冷风险仍长期存在，同时夏季热风险持续增强”的冷热复合风险格局。
图4 SSP2-4.5与SSP5-8.5情景下2025—2050年冷热应激日变化
（3）ERA5明显平滑了城市内部真实热环境差异
现场观测与ERA5-Land逐小时对比发现，区域尺度再分析数据难以充分反映城市内部不同形态类型之间的热环境差异。夏季白天MAE = 4.64 ℃、RMSE = 6.00 ℃、MBE（Obs − ERA5）= +4.45 ℃；冬季白天误差更大，MAE = 10.32 ℃、RMSE = 12.45 ℃、MBE = +8.63 ℃。
这说明ERA5总体上低估了城市局地尺度的UTCI，同时明显压缩了不同街区之间的昼间变化幅度。特别是在夏季10:00—15:00期间，不同LCZ实测UTCI开始明显分离，而ERA5曲线则相对平缓。因此，仅采用区域尺度气候数据进行风险判断，可能会低估真实的人体冷热暴露。
图5 冬夏典型极端事件期间LCZ实测UTCI与ERA5对比
（4）不同LCZ未来极端冷热风险差异显著
局地下推后的结果显示，不同城市形态在未来气候情景下表现出非常稳定的风险分化：热端风险最高的是LCZ8，冷端风险最高的是LCZ4。 |
热端风险最高——LCZ8：其夏季热端修正系数达到+15.64 ℃，为所有局地气候区中最高。在未来极端热过程中，其UTCI绝对峰值达到52.54 ℃，分别出现在SSP2-4.5情景的2050年和SSP5-8.5情景的2034年。这说明大型低层建筑及其相关地表形态可能显著放大城市热浪风险。
冷端风险最高——LCZ4：其冬季昼间冷端修正系数达到−6.97 ℃，极端最低UTCI分别达到−42.42 ℃（SSP2-4.5）和−43.86 ℃（SSP5-8.5）。值得注意的是，LCZ4在夏季同样具有较高热风险，其热端增量达到+11.77 ℃，因此表现出较明显的“冬季严寒 + 夏季强热”复合风险特征。
图6 不同LCZ未来极端冷热边界分布
（5）城市平均结果可能明显低估局地极端暴露
LCZ局地修正不仅改变极端风险的强度，也显著改变超过危险阈值的天数。以UTCI ≥ 32 ℃为例，在SSP2-4.5情景下，城市尺度极端热月的中位超阈值天数仅为3.5 d，但LCZ8达到31.0 d，增加+27.5 d；在SSP5-8.5下，城市尺度为6.5 d，LCZ8仍达到31.0 d，即增加+24.5 d。
对于更高的46 ℃阈值，城市尺度中位数在两个情景下均为0 d，但LCZ8分别达到11.0 d和13.5 d。这表明，高等级热风险可能并不是由城市整体气候直接触发，而是由局地城市形态进一步放大形成。因此，“城市平均风险”与人在具体街区真正经历的风险可能存在显著差异。
图7 LCZ局地修正造成的极端阈值超越天数增量
04 |
研究创新点 |
（1）构建跨尺度未来冷热风险下推框架。将CMIP6、ERA5-Land偏差订正结果与LCZ现场实测增量进行耦合，实现从全球气候情景—城市尺度—局地街区尺度的逐级风险传递。 |
05 |
实验所用的具体技术、壁垒与仪器信息 |
（1）具体技术（壁垒门槛和难度）
多尺度气候数据偏差订正与情景保持：对CMIP6未来情景进行QM/QDM偏差订正，需要处理不同月份、不同变量及不同分位点下的概率分布，同时在修正历史偏差的基础上保留未来气候变化信号。技术难点包括历史期—验证期—预测期的严格划分、不同变量采用不同加性/乘性修正方式、极端尾部分布的稳定处理以及物理边界条件控制。
多源异构数据的跨尺度融合：研究同时整合CMIP6全球气候模式、ERA5-Land再分析数据、LCZ空间分类和城市现场微气候实测。不同数据在空间分辨率、时间分辨率、变量定义及数据格式方面存在差异，因此严格的时间匹配、变量转换以及尺度衔接是核心技术壁垒。
现场实测与再分析数据逐小时对齐：研究首先将1 min现场观测数据聚合到逐小时尺度，并与ERA5-Land按照当地时间逐小时严格匹配，再从极端天气窗口中提取最不利热端和冷端边界。其难点集中于多站点数据质量控制、同步时间窗口筛选、缺失值处理以及不同LCZ之间的可比性保证。
未来风险向规划设计边界条件转换：研究尝试将不同LCZ的局地增量转化为未来街区模拟可使用的气候边界条件，为后续生成EPW并输入Ladybug Tools等微气候模拟平台奠定基础，从而建立“气候模式—风险预测—局地修正—设计模拟”的连续数据链条。
（2）所用仪器及数据平台
现场热环境实测仪器：HD32.3TC Thermal Comfort Meter，主要用于测量空气温度、相对湿度、风速和黑球温度等人体热环境参数。现场仪器统一布置于距地面1.2 m位置，并以1 min时间间隔连续采集。
辅助验证仪器：部分点位采用HOBO温湿度记录仪与Kestrel风速仪进行并行数据验证，以提高现场监测结果的可靠性。论文说明相关仪器的量程和精度满足ISO 7726、ISO 7730、ISO 7243及ASHRAE 55等相关标准。
气候数据与计算平台：CMIP6 / ESGF提供未来气候情景数据；ECMWF ERA5-Land提供城市尺度历史及验证期再分析数据；Google Earth Engine（GEE）用于CMIP6与ERA5-Land相关气候数据的提取和处理。
论文未披露上述仪器的具体采购价格，因此不建议在公众号中自行填写未经核实的市场报价。相较于传统实验设备，本研究主要成本更多体现在长期现场实测组织、多源数据预处理、大规模时间序列计算、偏差订正和未来情景分析，以及研究人员的专业技术与时间投入。
🌿 论文信息
Xu, S., Guo, F., Zhu, P., Zhang, H., Li, W., Miao, S., Zhao, J., Liu, T., & Dong, J. (2026). |