降雨和风对乘用车燃油消耗影响的估算：基于物理模型的方法

《Scientific African》：Estimation of Rainfall and Wind Impacts on Fuel consumption of Passenger vehicles: A Physical model Approach

　　珍妮特·阿皮亚·奥塞（Janet Appiah Osei）| 拉巴尼·亚当努（Rabani Adamou）| 阿莫斯·T·卡博-巴（Amos T. Kabo-Bah）| 萨蒂亚纳拉亚纳·纳拉（Satyanarayana Narra）| 科宁·皮埃尔-克拉维尔·卡库（Konin Pierre-Claver Kakou）
WASCAL气候变化与能源研究，阿卜杜·穆穆尼大学（Abdou Moumouni University），尼日尔尼亚美

**摘要**
随着气候的持续变化，需要更加关注气候变量对汽车燃油消耗和排放的不利影响。在最近的研究中，采用了各种预测模型来量化天气相关因素对车辆燃油消耗的影响。本文介绍了三种相互关联的基于车辆的物理模型，这些模型利用来自阿克拉的月度天气数据，量化了降雨和风速/风向对四种商用车辆（Matiz、Astra、Pregio和Urvan）燃油消耗的影响。结果表明，逆风和降雨显著增加了燃油消耗，而顺风则有助于减少燃油消耗。在降雨和逆风条件下，燃油消耗的增加幅度分别为2%至10%和4%至16%，具体取决于每月的天气强度变化。相反，由于顺风导致的燃油消耗减少幅度在1%至3%之间，不足以抵消逆风引起的显著增加。降雨和风的综合影响使燃油消耗增加了10%至37%，相对于仅降雨的影响；与逆风的影响相比，增加了5%至66%，具体也取决于每月的强度水平。所提出的模型在分析天气引起的燃油消耗方面表现出良好的性能，可以有效地应用于旅行前估算车辆的燃油使用量。

**引言**
自20世纪中叶以来，加纳的城市人口迅速增长。居住在城市的人口比例逐年显著上升，从1931年的9%增加到1984年的31.3%，最终达到2000年的43.8%。阿克拉是加纳最重要的城市，也是城市化程度最高的城市，因为它在政治、经济和文化结构中占据主导地位[1,2]。该城市的人口增长率每年为4.2%，超过了全国2.7%的增长率[3]。快速的城市化导致了二氧化碳（CO2）排放量的指数级增长，从而增加了城市对气候变化影响的脆弱性，这从最近降雨和风模式的变化中可以看出[[4], [5], [6]]。不稳定的天气条件严重影响了燃油效率，因为即使是微小的波动也会对燃油消耗产生显著影响[7]。

燃油消耗受多种因素影响，这些因素大致分为六类：车辆、行驶、交通、驾驶员、道路和天气相关因素，进一步的细分见图1[8]。在这些因素中，天气是最少被研究的因素[9,10]。在阿克拉，大多数关于燃油消耗和排放的研究主要集中在交通拥堵、行驶时间和行程、驾驶风格以及道路坡度上，而对天气因素的关注较少[[11], [12], [13]]。据作者所知，目前还没有实证数据明确研究天气变量对阿克拉燃油消耗的影响。本研究通过提供首次实证评估，填补了这一关键空白，研究了天气对加纳车辆燃油消耗及相关排放的影响。理解这些影响对于估算运输燃油成本和空气污染至关重要，从而为制定考虑气候变异性的短期、中期和长期交通规划策略提供依据[14,15]。

**下载：** 下载高分辨率图片（301KB）
**下载：** 下载全尺寸图片

**图1. 影响车辆燃油消耗的因素。**

**关于天气相关燃油消耗的现有文献** 明确揭示了气候因素对道路交通运输的急性和慢性影响。根据[16]，温度、相对湿度、风速、降雨量和气压等关键天气因素在降低燃油效率和增加道路排放方面起着重要作用且彼此独立。因此，了解每种天气因素带来的具体风险对于道路交通发展至关重要[17]。特别是降雨和风速已被实证确定为增加燃油消耗和排放的重要因素[18]。这些影响主要通过作用于移动车辆的阻力变化传递，尤其是空气动力阻力[19]。空气动力阻力占汽车运动过程中总能耗的50%以上，使其成为车辆燃油使用和排放的关键决定因素[20,21]。因此，应用燃油消耗模型对于量化天气条件对燃油使用和排放的影响程度至关重要。现实世界的燃油消耗分析具有相当的复杂性，因此依赖于建模和仿真工具。这些工具在评估道路交通运输的环境影响和指导更清洁的运输技术发展方面发挥着基础性作用[22]。

**燃油消耗模型** 主要分为两类：基于车辆动力学的物理预测模型和数据驱动的预测模型。数据驱动模型包括反向传播神经网络、多层感知器网络、长短期记忆（LSTM）网络以及传统的机器学习算法，如回归、随机森林、决策树和支持向量机[23]。数据驱动模型通常受到构建复杂性的限制，从而限制了其在工程应用中的采用[24]。相比之下，物理模型具有较低的复杂性，因此适用范围更广。这些模型是根据车辆内部结构和组件的功能原理推导出的数学公式构建的。物理模型的灵活性允许根据具体的研究兴趣和可用输入数据进行修改[25]。许多研究验证了物理模型在燃油消耗估算方面的透明度和准确性。例如[26]报告称，使用物理模型进行燃油消耗预测时的平均绝对百分比误差（MAPE）仅为5%。然而，物理模型的应用范围往往受到很少包含天气相关变量的限制[24]。尽管一些研究包括了温度和风速，但天气因素很少成为研究的重点。将降雨和风速的影响整合到物理模型中的工作在文献中仍然不够充分。为了解决这一研究空白，开发了一个强调降雨和风的物理模型，以评估天气对阿克拉车辆燃油消耗和CO2排放的影响。

**材料与方法**
**阿克拉案例研究**
阿克拉是大阿克拉地区的首府，估计人口为2,291,352人，占该地区总人口的一半以上。由于人口呈指数级增长，阿克拉被认为是非洲增长最快的都市之一[27]。阿克拉位于北纬5°33′、西经0°15′，北邻Ga West Municipal，南接几内亚湾，西接Ga South Municipal，东邻La Dadekotopon Municipal。该城市的地形包括低地和丘陵，平均海拔在20-70米之间[28,29]。图2展示了阿克拉的概览，包括各个城镇、周边地区和现有的道路网络。

**下载：** 下载高分辨率图片（689KB）
**下载：** 下载全尺寸图片

**图2. 阿克拉都市地图。**

**数据来源**
用于模型开发的天气数据来自加纳气象局。图3显示了1月至12月的月平均降雨量和风速。算法开发中选择的车辆集中在阿克拉最常见的商用乘用车上，这些车辆是通过实地观察确定的。使用了四种主要类型的车辆：两种小型巴士（Pregio和Urvan）和两种出租车（Matiz和Astra）。根据制造商文档提供的车辆技术规格见表1。

**表1. 选定乘用车的规格。**

**建模与仿真过程**
物理模型开发的初始阶段涉及识别物理系统并选择与建模过程相关的关键组件，同时忽略非必要元素。接下来的阶段是制定表示所选组件动态和相互作用的数学方程。然后使用适当的计算工具对模型进行仿真，以生成详细描述系统行为的输出。最后，进行验证过程以评估仿真结果在表示实际物理系统方面的准确性[30]。典型物理模型设计的整体结构如图4所示。

**图4. 一般物理模型的结构。**
根据图4中概述的框架，将表1中详细列出的选定车辆的规格整合到建模过程中。通过基于车辆运动过程中遇到的三种主要阻力（空气阻力、滚动阻力和惯性加速度）开发算法，对车辆系统进行了数学化处理，如图5所示[31]。选择这些算法是因为它们能够有效地关联关键变量，从而准确预测燃油消耗。

**图5. 显示三种主要阻力的车辆模型。**

**算法力的定义**
**滚动阻力**
滚动阻力是阻碍与表面接触的滚动体运动的力。大约90%的滚动阻力归因于材料滞后，其余部分来自轮胎周围的摩擦损失和空气动力因素[32]。方程1定义了移动车辆的滚动阻力。
**(1) FROLL = f〈1 + v1/47〉mg**

**空气动力阻力**
空气动力阻力是指空气对移动物体施加的阻力。此外，阻力还表示流体对沿流体自由流动方向移动的固体物体施加的力[33]。空气阻力主要由压力阻力和形状阻力组成，其中压力阻力占车辆总空气动力阻力的80%以上[34]。最先进的阻力方程表示为方程2。
**(2) FDRAG = 0.5 * d * A * ρa * v2**

**惯性加速度力**
车辆只有在传动系统提供足够的能量来克服惯性时才会加速，而惯性与车辆质量成正比[37]。处于加速模式的车辆会随着质量和车轮旋转部分一起加速[38]。因此，克服惯性加速度所需的功率用方程3表示。
**(3) FINERTIA = ma**
其中：f = 滚动阻力系数（沥青表面处理道路为0.025）[37]；m = 车辆质量（kg）；g = 重力加速度（9.8 m/s2）；v = 速度（m/s）；a = 车辆加速度（m/s2）；ρa = 空气密度；d = 车辆空气动力阻力系数（kW）；A = 车辆前部面积（m2）

**变量定义**
模型中使用的变量分为三个主要部分：目标变量、主要预测变量和支持预测变量，如图6所示。月降雨量和风速被指定为主要预测变量，而速度（40 km/h，基于加纳推荐的城市限速）和道路路面（沥青表面处理）作为支持预测变量。使用这些变量，进一步开发了基于天气的燃油消耗模型，详见各小节。

**下载：** 下载高分辨率图片（206KB）
**下载：** 下载全尺寸图片

**图6. 定义变量的模型框架。**
该方法引入了一种新的基于物理车辆的建模方法，该方法仅关注车辆动力学，通常被描述为单数据维度模型[23]，通过纳入和强调通常被忽视的天气因素。

**降雨模型**
根据[39]，量化降雨对燃油消耗的影响非常复杂，因此很少被研究。现有研究主要集中在降雨如何影响道路表面，进而影响燃油消耗。然而，降雨通过空气动力学对燃油消耗的影响在文献中仍不充分探索[19,40]。该研究应用了终端速度原理，该原理描述了颗粒在静止空气中下落时的平衡速度，以量化降雨对燃油消耗的空气动力学影响[[41], [42], [43]]。

**图10. 不同终端速度模型**
评估了六种终端速度模型[[44], [45], [46], [47], [48], [49]]，这些模型在方程4至9中定义，并对直径从0.2毫米到5毫米的液滴进行了敏感性分析。图3中的降雨量与相应的液滴直径和终端速度之间的关系如图10所示。

**最佳模型（1950）**
(4) vt = 958[1 ? exp(?(d/0.171)1.147)]
**Kessler（1969）模型**
(5) vt = 1300/d
**Atlas等人（1973）模型**
(6) vt = 965 ? 1030exp(?6d)
**Atlas & Ulbrich（1977）模型**
(7) vt = 1767/d
**Willis（1984）模型**
(8) vt = 4854/dexp(?1.94d)
**Brandes等人（2002）模型**
(9) vt = ?10.21 + 4932/d2 + 7934/d3 ? 2362/d?**
其中：vt = 终端速度（cm/s）；d = 液滴直径（cm）

**图7. 评估模型的性能。**Atlas和Ulbrich提出的模型表现出更优的线性度，并获得了最高的R2值0.99，优于其他模型，因此被选为该研究的最佳终端速度模型。因此，提出了一个新颖的数学算法来量化降水对车辆燃油消耗的影响，该算法在方程10中有所体现。此外，方程11表示燃油消耗如何随雨滴的终端速度变化。该模型定义了无风条件下的降雨情况，如图8所示，其中雨滴被描绘为垂直下落。(10)Q(l100km)=bsf*10?2(Froll*Finertia*[0.5.d.A.ρa.(v+vt)3]*v2)ηT.ρf.v+[1+(v+vt)2β下载：下载高分辨率图像（209KB）下载：下载全尺寸图像图7. 终端速度模型的性能。下载：下载高分辨率图像（211KB）下载：下载全尺寸图像图8. 下落的雨滴和运动中的车辆风向。对Q关于下落速度求导：(11)?Q?vt=bsf*10?2*Froll*Finertia*(0.5.d.A.ρa.v.3(v+vt)2)ηT.ρf+2(v+vt)β其中：Bsf = 制动特定燃油消耗，ηT = 变速箱效率，ρf = 燃油密度，β = 常数。风模型风对燃油消耗的影响取决于风向和风速[50]。定义了两个方向类别：逆风和顺风，如图8所示。通过应用方程12来确定风效应，该方程考虑了基本方向。(12)фW=ws.cos?(h?(ф+wd)其中；W = 风效应；ws = 风速（m/s）；wd = 风向；h（rad）= 风和车辆运动的方向角。提出的用于量化风对燃油消耗影响的模型在方程13中给出，而方程14描述了燃油消耗如何随风效应变化。(13)Q(l100km)=bsf*10?2(Froll*Finertia*[0.5.d.A.ρa.(v?W)3]*v2)ηT.ρf.v+(1+(v?W)2β)对Q关于风效应求导：(14)?Q?W=bsf*10?2*Froll*Finertia*(0.5*d.A.ρa.v.?3[v?W]2)ηT.ρf?2(v?W)β仿真环境仿真使用SimPy（一个基于过程的离散事件仿真框架）在Python中运行。选择SimPy是因为它能够通过事件调度来模拟时间依赖的过程，使其适合于模拟月度天气因素（特别是风速和降雨）对商用车辆燃油消耗的影响。仿真涉及系统地改变每月的降雨量和风输入，同时保持速度和道路路面的恒定。为了模拟雨风相互作用，开发了一个结合两种效应的复合模型，并在方程15中展示，方程16显示了燃油消耗如何随风和雨滴终端速度的综合影响而变化。(15)Q(l100km)=bsf*10?2(Froll*Finertia*[0.5.d.A.ρa.(v?(W+vt))3]*v2)ηT.ρf.v+[1+(v?(W+vt)]2β)对Q关于下落速度和风效应求导：(16)?Q?(W+vt)=bsf*10?2*Froll*Finertia*[0.5.d.A.ρa.v.?3(v?(W+vt))]2ηT.ρf?2[v?(W+vt)]β收集了在指定条件下的仿真输出，包括详细的燃油消耗指标，并对其进行了解释和验证。图9描述了如何应用所提出的模型来模拟商用车辆的燃油消耗。下载：下载高分辨率图像（377KB）下载：下载全尺寸图像图9. 仿真过程框架。模型验证2023年9月至10月期间，在阿克拉的Kwame Nkrumah Circle沿预定路线使用三辆商用车辆——Chevrolet Matiz、Opel Astra和Toyota HiAce进行了实地试验，这一时期的特点是降雨频繁。环境天气数据来自附近的综合气象站。燃油消耗是通过仪表板读数手动测量的。每次试验前，每辆车的油箱都加满至容量，最终消耗量是通过重新加满油箱并测量使用量来确定的。为了分离单独的天气效应，在以下条件下记录了观察到的燃油消耗数据：仅在降雨有显著影响且风影响可以忽略的情况下记录的消耗；同时有明显风和降雨的情况下记录的消耗；以及仅有风的情况下记录的消耗。然后，在数据调整后，将观察到的值与模型预测值进行比较，以确保每个模型都能准确表示相应的天气因素。模型性能使用R2、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行评估，如方程17至22中所定义。接近1的R2值表示模型精度很高，而MAE和MAPE分别衡量实际误差和相对误差[18,51,52]。(17)Yˉ=1n∑i=1nYi(18)MST=1n∑i=1n(Yi?Yˉ)2(19)MSE=1n∑i=1n(Xi?Yi)2(20)R2=1?MSEMST(21)MAE=1n∑i=1n(Xi?Yi)(22)MAPE=1n∑i=1n[Xi?Yi/Yi]其中：Xi是第i个预测值，Yi是第i个观测值；?是观测值的平均值；MST是平方和的平均值；n是预测结果的数量。除了实地实验外，还使用一次一个因素的变化方法进行了敏感性分析，以评估天气因素对模型输出的影响。分析使用标准化回归系数（SRC）、误差范围（MoE）、置信区间（CI）和标准差（SD）进行解释。所有计算都在Jupyter Notebook环境中使用Python编程语言和自定义开发的脚本完成。二氧化碳排放量的确定二氧化碳排放量是使用模拟输出和IPCC 2006指南中规定的默认排放因子估算的。由于加纳没有特定的国家排放因子，因此采用了默认值。方程23展示了尾气二氧化碳排放量的计算。(23)CO2 (kg-CO2eq) = Ff × EFCO2 × GWPCO2其中：Ff = 预测燃油消耗（TJ）；EFCO2 = 排放因子，分别为汽油69300（kg/TJ）和柴油74100（kg/TJ）；GWP是全球变暖潜力，取值为1 [53]。结果与讨论研究结果提供了关于降雨和风速对加纳商用车辆燃油消耗和排放影响的第一个实证证据。采用的新方法在生成稳健结果方面被证明是有效的，这些结果将在以下小节中详细阐述。降雨和风对空气动力阻力的影响天气变量影响车辆的空气动力阻力，这最终影响燃油消耗和排放[19,21]。确定空气动力阻力需要量化雨滴的方向和终端速度，如图10所示。观察到降雨与雨滴直径和终端速度之间存在线性关系。具体来说，降雨量每增加1毫米，雨滴直径增加0.197毫米，终端速度增加0.413米/秒。直径小于1毫米的雨滴下落速度小于4米/秒，直径在1到1.5毫米之间的雨滴下落速度在4.3到5米/秒之间，直径在1.6到2.5毫米之间的雨滴下落速度在5.2到6.5米/秒之间。这些发现与[54]的报告一致，该报告在受控风洞条件下指出降雨强度增加时雨滴尺寸增大。下载：下载高分辨率图像（305KB）下载：下载全尺寸图像图10. 雨滴的终端速度以及顺风和逆风的影响。使用余弦函数量化风向，如方程12中详细说明的，将顺风和逆风效应分别定义为+1和-1[55]。然而，在车辆空气动力学中，尾部对应于负风环境，而头部代表正风条件[50]。因此，量化风和降雨对车辆空气动力阻力的直接影响如图11所示。通过比较基线条件（不包括天气影响）和受天气影响的情景来确定这些效应。结果显示，降雨和逆风显著增加了空气动力阻力，而顺风相对于基线（控制）略微减少了阻力。变量的强度显著影响了车辆所经历的空气动力阻力程度。降雨量较大和风速较强的月份对应于更大的空气动力阻力，反之亦然。下载：下载高分辨率图像（527KB）下载：下载全尺寸图像图11. 降雨和风对车辆空气阻力的影响。6月的降雨量峰值导致空气动力阻力增加了360%，而1月的降雨量最低，仅增加了171.5%。其余月份的空气动力阻力呈现出与图3中所示的降雨量相对应的持续增长趋势，2月增加了251%，3月增加了265.7%，4月增加了284%，5月增加了336.2%，7月增加了236%，8月增加了207%，9月增加了252%，10月增加了318%，11月增加了231.7%，12月增加了177.3%，与对照组相比。同样，[56]观察到当降雨量从8毫米/小时增加到29毫米/小时时阻力明显增加[57]。报告称，在量化降水对移动车辆的影响时，更重的降水会导致空气动力阻力升高。8月的风速峰值导致空气动力阻力增加了7.7倍，而在其余月份，逆风条件下的阻力根据强度增加了4到7倍。相比之下，顺风在所有月份中将空气阻力减少了80-99%。观察到的趋势与[35]和[50]的发现一致，他们报告了基于风向和强度的空气动力阻力类似的变化。在天气因素影响下观察到的空气动力阻力的变化归因于流线形成现象。在空气动力学中，流线描述了空气围绕移动物体的流动模式。逆风和降雨的存在会导致空气扰动和湍流，从而破坏流线。强度越大，扰动越明显，因此空气动力阻力也越大[58]。相反，顺风条件促进了流线的对齐，减少了下游湍流，从而降低了空气动力阻力[59,60]。基于第3.1节描述的空气动力影响，第3.2节中的发现量化了燃油消耗和二氧化碳排放的变化。图12展示了不同车辆在基线（控制）和受天气影响情景下的燃油消耗和二氧化碳排放。基线燃油消耗和排放量明显低于逆风和降雨条件下的排放量，但略高于顺风环境下的排放量。因此，顺风降低了燃油消耗和排放量，而逆风和降雨导致了增加，如图12所示。这一趋势在图13中进一步说明，该图展示了每种天气条件下的排放百分比变化。逆风和降雨条件下的二氧化碳排放百分比显著增加，而在顺风条件下则观察到减少。然而，顺风带来的减少幅度不足以抵消逆风造成的显著增加。因此，在逆风和顺风共同作用下，对燃油消耗和二氧化碳排放的净影响仍然很大。例如，在2月，Matiz车辆在逆风条件下二氧化碳增加了13.45%，而在顺风条件下减少了2.44%，净增加量为11.01%。显著的净增量突显了纵向风的主导影响，尽管顺风有一定的好处。逆风效应的主导性归因于移动车辆需要额外的能量来抵消强风并中和相反的风[19]。同样，[50]的研究观察到在逆风条件下燃油消耗增加了41%，而在顺风条件下仅减少了7.3%。[61,62]的研究报告称，在顺风条件下节省的燃油不足以抵消逆风造成的显著增加。下载：下载高分辨率图像（874KB）下载：下载全尺寸图像图12. 降雨和风条件下的燃油消耗和二氧化碳排放。下载：下载高分辨率图像（509KB）下载：下载全尺寸图像图13. 降雨和风速下的二氧化碳排放百分比。如图13所示，不同车辆对天气条件的影响表现出不同的敏感性。Matiz记录的二氧化碳排放百分比变化最大。天气因素对Matiz排放的影响大约是其他车辆的两倍，这突显了轻型车辆对降雨和风速影响的更大敏感性。车辆类型和规格对燃油消耗和排放的影响不同类型的乘用车在燃油消耗和二氧化碳排放率上表现出显著差异，如图12所示。尽管Matiz对天气条件的敏感性最高，但该模型显示出最高的燃油效率。相对于Astra，Matiz在降雨条件下节省了46.8%的燃油，在逆风条件下节省了45.6%的燃油。在trotro类别中，Pregio车辆在降雨条件下减少了36%的排放，在逆风条件下减少了36.6%的排放，相比之下Urvan减少了36%。观察到的变化强调了车辆规格对燃油消耗和排放率的显著影响。车辆规格主要通过影响运动过程中遇到的三种阻力来影响燃油消耗率[63]。因此，车辆组件的值越大，相关的阻力就越大，最终影响燃油消耗率和排放率。车辆质量影响滚动阻力和惯性加速度力，发动机最大功率影响惯性加速度，而阻力系数和正面面积影响空气动力阻力。每个规格都对总体燃油消耗有独特贡献，个别因素可能会相互抵消或超过彼此，正如Pregio和Urvan之间的比较所清楚地表明的。根据表1，Pregio具有更大的正面面积和更高的阻力系数，然而，由于质量更大和发动机最大功率更高，Urvan显示出更高的总体燃油消耗，从而导致滚动阻力和惯性力的增加。具体来说，Urvan的滚动阻力和惯性加速度分别是Pregio的0.99倍和1.18倍，这显著增加了总燃油消耗和排放量，如图12所示。图15展示了根据各车辆规格确定的三种阻力力的变化情况。考虑到不同的燃料类型，柴油燃料比汽油更省油，这一点通过Astra和Urvan车辆的对比得到了证实，这两种车辆通常都有汽油和柴油版本[64]。在降雨条件下，柴油驱动的Astra的燃油消耗为2.77升/100公里，二氧化碳排放量为7.36千克当量，相比汽油驱动的Astra减少了16.3%。相比之下，汽油驱动的Urvan的燃油消耗为9.45升/100公里，二氧化碳排放量为21.2千克当量，比柴油驱动的Urvan高出19.26%。[65,66]的研究也得出了类似的结果，指出柴油车辆的燃油消耗和二氧化碳排放量较低。柴油车辆更高的燃油效率归因于柴油燃料更高的能量含量。[67]指出，柴油燃料的体积能量含量比汽油高出约11%。

天气强度的影响
天气因素的影响程度取决于不同月份的强度变化。根据[17]的研究，强度是导致车辆燃油消耗和排放的关键因素。从1月份的0.4毫米增加到6月份的5.8毫米，燃油消耗/排放量增加了5%。此外，当风速从1月份的6.5米/秒增加到8月份的9.8米/秒（逆风情况）时，燃油消耗/排放量增加了7.5%；而在顺风情况下，燃油消耗/排放量减少了0.2%。因此，每增加1毫米的降雨量会导致燃油消耗/排放量增加约1%，而每增加1米/秒的逆风会导致排放量增加2.3%。相反，每增加1米/秒的顺风会导致燃油消耗/排放量减少0.06%。图14展示了基于相应天气因素的不同月份的燃油消耗/排放量变化百分比。同样，[68]也观察到较高的降水量对石灰石和粘土卡车燃油消耗有显著影响。利用土耳其的月平均降水量数据，4月份（降水量最大的月份）的燃油消耗最高，而7月份（最干燥的月份）的燃油消耗最低。[69]报告称，随着降雨强度的增加，燃油消耗也呈上升趋势，在强降雨条件下的平均燃油消耗比干燥天气条件下高出53%。[20]还发现风速与燃油消耗之间存在线性关系，风速的增加会导致汽油驱动车辆的燃油消耗显著增加。

下载：下载高分辨率图片（229KB）
下载：下载全尺寸图片
图14. 基于天气强度的月度燃油消耗变化。

下载：下载高分辨率图片（278KB）
下载：下载全尺寸图片
图15. 基于规格的不同车辆的阻力力。

降雨和风共同作用的影响量化
根据[17,70]的研究，降雨和逆风的共同作用会引发复杂的车辆流动模式，从而导致空气动力力的显著变化，进而影响燃油消耗和排放量。图16展示了这种交互作用（降雨-逆风）与单独作用之间的关系。由降雨和逆风共同引起的空气动力阻力是仅由降雨引起的阻力的2到4.5倍，是仅由逆风引起的阻力的1.5到6倍，具体数值随月份而变化。在燃油消耗和排放方面，共同作用的影响比单独降雨的影响高出10%到37%，相对于逆风影响则高出5%到66%，具体取决于每月的强度水平。[54]也观察到，当这两种因素同时作用时，影响显著增加。

模型验证结果
基于观测数据与模型预测的比较，误差分析的结果如表2所示。R2值表明，综合模型解释了燃油消耗变化的更大比例。然而，综合模型的平均绝对百分比误差（MAPE）略高，可能是由于模型复杂度增加所致。总体而言，获得的R2值表明所提出的模型与观测数据吻合良好，而MAE和MAPE值反映了较低的绝对和百分比预测误差，特别是在单独的降雨和风模型中。

表2. 野外误差分析结果。

天气因素
R2 MAE MAPE
降雨 0.83 0.28 10.44
风 0.86 0.67 10.64
降雨+风 0.88 0.39 15.45

表3显示了敏感性分析的结果。标准化回归系数（SRC）值表明天气因素与燃油消耗之间存在强烈的正线性关系，说明模型输出对降雨和风速的变化非常敏感。误差范围的最小变化和狭窄的置信区间表明，天气因素对燃油消耗的影响是精确和准确的。

表3. 不确定性分析结果。

根据实验和敏感性分析的结果，这些模型可以被描述为稳健且一致的，强调了研究结果的可靠性，并证明了这些模型在实践应用中的适用性，例如在出行前进行离线燃油估算。

结论
本研究基于[31]的物理模型进行了修改，以量化降雨和风对四款汽车（Matiz、Astra、Pregio和Urvan）的影响。该模型主要关注发动机功率和车辆物理规格，并通过整合天气因素作为主要预测变量进行了改进，这比传统的单一维度物理模型[23]有所进步。从加纳气象局获得的降雨数据使用Atlas和Ulbrich（1977）模型转换为终端速度。风速数据进一步根据风向（逆风和顺风）进行了量化。这两种天气因素显著影响了空气动力阻力，最终影响了燃油消耗和排放量。降雨和逆风条件分别使阻力增加了0.8到1.7千瓦，而顺风条件则减少了0.4千瓦。因此，当降雨量从0.44毫米增加到5.84毫米时，燃油消耗和二氧化碳排放量增加了5%；当风速从6.53米/秒增加到9.79米/秒时，在逆风条件下增加了7.5%，在顺风条件下减少了0.2%。模型通过现场实验和敏感性分析验证了其稳健性和有效性，从而增强了研究结果的可靠性。据作者所知，这项研究提供了加纳降雨和风对车辆燃油消耗影响的第一个稳健的实证数据，为未来的研究提供了宝贵的参考。

总体而言，本研究对文献有两个主要贡献：首次对加纳天气对燃油消耗和排放的影响进行了实证评估；并通过整合天气变量，推进了物理车辆建模的发展，使得在不同环境条件下的估算更加现实。未来的研究应纳入侧风和降水引起的路面条件，以进一步研究降雨的空气动力效应以及逆风和顺风的影响。包括这些额外因素将有助于开发多维度的基于天气的车辆模型，从而更全面地分析风和降雨对燃油消耗和排放的影响。

政策意义
研究表明，道路交通与气候变化之间存在恶性循环，气候变化的加剧导致燃油消耗和排放量的增加，进一步加剧了气候变化。因此，国家和地区的交通管理部门必须将天气相关影响纳入交通排放的政策框架中，以支持发展具有气候适应性的交通系统。为了有效整合这些影响，政策措施应包括能力建设计划，鼓励采用提高燃油效率的空气动力附加装置，如涡流发生器、风和雨偏转器等，这些装置通过减少空气动力阻力来提高燃油效率并降低排放量，[59,71]等研究已经证明了这一点。能力建设计划应包括技术培训和宣传项目，强调空气动力装置的应用、性能和运营优势。此外，应鼓励学术机构、交通管理部门和其他相关利益相关者之间的合作，以确保全面项目的有效实施，量化季节性天气变化对交通部门年度温室气体排放的贡献。此类项目应涵盖全国所有注册车辆，以扩大评估范围，并支持制定稳健的气候适应性策略。

此外，长期缓解气候变化需要减少对化石燃料的依赖。通过财政激励措施（如对液化石油气（LPG）等替代燃料的税收减免）优先采用替代燃料，可以刺激消费者对更清洁燃料的选择，从而支持到2060年实现净零排放的国家目标[72]。

数据可用性
数据可应要求提供。

资金支持
本研究得到了西非气候变化和适应性土地利用科学服务中心（WASCAL）的财政支持。

CRediT作者贡献声明
Janet Appiah Osei：概念化、方法论、正式分析、初稿撰写、审稿与编辑。
Rabani Adamou：监督、审稿与编辑。
Amos T. Kabo-Bah：监督、审稿与编辑。
Satyanarayana Narra：监督、审稿与编辑。
Konin Pierre-Claver Kakou：可视化、审稿与编辑。