气候变化背景下的参考年份方法：演变、应用与未来方向的全面综述

《BUILDING AND ENVIRONMENT》：Reference Year Methods under Climate Change: A Comprehensive Review of Evolution, Applications, and Future Directions

　　

摘要

气候数据在建筑、城市和环境研究中应用广泛。然而，监测系统与数据存储技术的进步使得气候数据集迅速增长，导致其规模过大，在许多具体应用中无法直接使用。这一挑战在未来气候研究中尤为突出，相关模拟可能需要依赖长达百年的逐时数据集。为解决这一问题，参考年方法应运而生，旨在为建筑、城市和环境模拟生成具有代表性的气候输入数据，从而支持对能源消耗、热舒适度、湿度风险和气候韧性的持续评估。在气候变化背景下，这些方法正从传统的典型年数据集向极端年、混合型和未来气候模型不断演进。然而，现有研究主要聚焦于单一数据集的开发或局部应用，对其数学基础、跨领域应用及新兴机器学习方向的系统性综合仍显不足。本文回顾了气候变化条件下参考年生成的演进、方法、应用及未来方向。本研究采用系统且可重复的综述方案，涵盖1970年至2025年8月期间在Scopus、Web of Science、ScienceDirect、IEEE Xplore及Google Scholar数据库中发表的文献。初步筛选出超过350篇出版物，最终保留90篇直接相关研究，并按领域、生成方法、时空尺度及评估变量进行分类。在保留的研究中，建筑能耗与热舒适度是应用规模最大的领域，约占所综述文献的48%，而基于典型气象年（TMY）的统计选择方法则占了参考年生成方法近半数。除这一主导性的经典基础外，综述表明，研究方法已从基于Finkelstein–Schafer和Kolmogorov–Smirnov的统计选择方法，明显转向随机天气生成器、极端年提取、混合变形框架及机器学习辅助方法。统计选择仍是主导方法，尤其在建筑能耗和舒适度研究中，但其依赖有限的历史记录，限制了其对极端事件和非平稳未来气候的代表能力。研究结果表明，未来参考年的开发应迈向自适应、概率化和面向应用的框架，整合气候预测、先进的数据驱动技术和统一的验证标准。这些进展能够支持更稳健的建筑模拟、过热评估、城市气候分析，以及气候响应型设计与政策制定。

引言

"参考年"的概念兴起于20世纪70年代至90年代，当时工程师和气候学家寻求一种具有代表性的气候序列用于模拟和设计目的。早期的定义将典型气象年（TMY）和试验参考年（TRY）形式化为基于长期观测数据构建的合成天气数据集，以重现当地气候条件的统计特征。这些数据集的生成方式是从多十年记录中选取12个"最典型"的月份，并将其拼接成一个单一的代表年份，用以反映某地区或气象站的平均天气行为。本质上，参考年是从历史气象数据中组装而成的合成或代表性年份，用以再现温度、湿度、风速和太阳辐射等关键变量的长期分布特征。它并非记录中的实际年份，而是代表数十年来平均气候条件的分析性构建。

由此定义衍生出三个主要类别：

- 典型年（如TMY/TRY）：反映平均或"正常"气候条件，用于能耗和舒适度模拟。
- 设计年（如DSY）：代表较暖或较冷的条件，通常由百分位极端值定义，用于系统选型或过热分析。
- 极端年（如EWY/ECY）：捕捉接近极端的或概率边界条件，用于韧性和风险评估，尤其是在气候变率加剧的背景下。

自2005年代中期以来，参考年框架已从传统的TMY和TRY数据集扩展至涵盖基于全球和区域气候模型的未来气候参考年[1]。英国CIBSE社区已通过标准化的TRY和DSY系列正式推动这一发展，而较新的方法，如概率和高精度变体（pTRY、pDSY和XMY），则更好地考虑了城市热效应、地形影响及非平稳气候条件。如今，"参考年方法"这一术语广义上指代一系列用于生成代表性天气数据集的统计、随机和混合算法，为历史与未来气候条件下的能耗、舒适度、湿度及城市气候建模奠定实证基础。

参考年方法的引入旨在克服直接使用多十年气候记录进行建筑和环境模拟的局限性。连续的历史数据集往往不完整、不一致，且长时间分析在计算上代价高昂。此外，个别年份可能包含异常天气模式，无法代表典型气候条件，从而导致性能评估出现偏差。为应对这些挑战，研究人员开发了将大量气候数据压缩为单一、统计代表性序列的程序，以保留关键变量的长期分布特征。该方法确保了分析结果能够反映特定地区气候的典型行为，同时避免了直接使用原始数据所带来的低效性和不确定性。

通过标准化气候输入数据，参考年方法还促进了不同研究、工具和地区之间的可重复性和可比性。它们为评估气候对建筑能耗需求、舒适度和环境性能的影响提供了一致的基础，确保所观察到的差异源于设计或运营因素，而非天气数据的不一致性。因此，参考年方法在物理真实性、统计稳健性和计算效率之间取得了实用的平衡。

参考年数据集作为各类基于模拟的分析的标准气候基础。在建筑领域，它们能够在代表性天气条件下准确估算年能耗、供暖和制冷负荷以及暖通空调系统性能。对于热舒适度、室内空气质量及湿度传递评估同样重要，确保室内环境的评估基于真实的外界驱动因素。通过使用共同的气候基准，设计者和研究人员可以跨项目、跨气候和跨模拟平台一致地比较结果。

除了单体建筑之外，参考年方法还支持城市尺度和政策层面的评估。它们为分析碳排放、可再生能源整合及城市热缓解策略提供了统一的气候基准，有助于可持续性标准和长期适应规划。在此意义上，参考年方法在原始气象观测与应用环境建模之间架起了桥梁，支撑了设计和建设具有韧性且节能的建筑环境的努力。

尽管经过数十年的发展并被广泛应用，参考年方法仍在不断演进，且仍存在若干研究空白，亟需进行全面综述。现有大多数研究聚焦于数据集创建或局部应用，而对其底层数学框架、领域特定适应性及新兴机器学习方法的系统性评估仍然有限。解决这些空白对于统一方法学并提升参考年生成的准确性和适应性至关重要。

为弥补这些空白，本综述受三个研究问题引导：

1. 当前参考年生成使用的数学方法有哪些？其关键假设、优势和局限性分别是什么？
2. 参考年方法在不同应用领域（如建筑能耗、热舒适度、湿热分析、城市气候建模及环境评估）中如何适应？
3. 机器学习在未来参考年开发中可以发挥什么作用，特别是在大规模、非线性及非平稳气候条件下？

据此，本综述旨在：

- 澄清数学基础：识别并比较用于构建参考年的计算、统计和随机方法，突出各自的优缺点、假设及局限性。
- 评估领域特定实施：考察参考年方法在建筑能耗建模、热舒适度分析、湿热模拟、城市气候建模及水文或环境研究等不同领域的适应性调整。
- 探索与机器学习的整合：评估新兴机器学习技术如何补充或变革参考年生成，特别是在处理大规模数据集、捕捉非线性气候模式以及为未来气候评估生成自适应或概率性参考年方面。

通过综合这些维度上的进展，本综述旨在建立一个统一的理解框架，阐明参考年方法如何演进、方法学上的不一致性如何持续存在，以及数据驱动创新如何塑造其下一代发展。

章节节选

综述方法

本综述采用系统且可重复的方案，确保全面覆盖参考年方法及其从1970年至2025年8月期间的演进。文献检索跨越五个核心数据库——Scopus、Web of Science、ScienceDirect、IEEE Xplore和Google Scholar，以实现学科深度和跨领域召回，涵盖建筑、城市和环境研究。初步共识别出超过350篇出版物，包括期刊论文、……

参考年生成方法

参考年的生成依赖一系列数学方法，旨在在单一代表性数据集中体现长期气候数据的统计和时间特征。在讨论这些方法之前，有必要明确参考年所依托的历史和未来气候数据来源，因为数据可用性、时间覆盖范围、空间代表性、变量完整性和预测不确定性都会强烈影响……

能耗表现

在建筑能耗模拟实践中，标准化的参考年天气文件（如美国的TMY2/TMY3、英国的TRY和DSY、国际站点的IWEC和IWEC2、加拿大的CWEC）是估算年负荷和比较系统性能的主要输入。这些数据集将多十年的逐时观测数据压缩为单一的合成"典型"年，通常基于Finkelstein–Schafer（FS）……

与机器学习的整合

机器学习已成为传统参考年生成方法日益重要的扩展手段，因为气候数据集正变得更大、更多样化，且更强烈地受到非平稳气候变化的影响。传统的参考年方法，如基于FS的统计选择、随机天气生成器和变形方法，仍然透明且被广泛使用，但在捕捉非线性关系和高维……方面可能存在局限性

数学框架对参考年保真度的影响

参考年的代表性从根本上受选择过程中使用的数学指标所塑造，如Finkelstein–Schafer（FS）和Kolmogorov–Smirnov（K–S）统计量。这些指标评估变量的累积分布，但最终年份的"典型性"在很大程度上由分配给特定气候指数的权重因子决定。例如，TMY3中对太阳辐射的强调优先考虑了能源生产的保真度，而……

结论

本研究对参考年方法的演进、应用及未来方向进行了全面综述，综合了几十年间从基本统计选择到复杂多变量框架的方法论转变。一个关键发现是，"典型性"的定义已日益专业化，从一刀切的模式转向面向特定领域的数据集，如用于湿热分析的MRY和用于过热评估的DSY。分析……

未引用参考文献

[112] CRediT作者贡献声明

Jiwei Zou：写作——审阅与编辑，写作——初稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据整理，概念构思。Shujie Yan：写作——审阅与编辑，软件，方法论，调查，形式分析。Jing Kong：写作——审阅与编辑，调查，形式分析，数据整理。Abhishek Gaur：写作——审阅与编辑，监督，方法论，概念构思。Lin Wang：写作——审阅与编辑，……

Jiwei Zou | Shujie Yan | Jing Kong | Abhishek Gaur | Lin Wang | Da Yan | Zheng Tan

香港理工大学，建造管理与智能系，中国香港