文献阅读 | 人口变化和能源的可持续性增加了印度城市化的冷却需求相关风险

题目

Population changes and sustainability of energy drive cooling demand related risks in urbanized India

作者

Aradhana Yaduvanshi, Riddhi Singh*, Rohini Kumar 

期刊

Energy & Buildings

时间

Feb 2022

一作

单位

Department of Civil Engineering, Indian Institute of Technology Bombay, Mumbai 400076, India

链接

https://doi.org/10.1016/j.enbuild.2022.111891

研究背景

全球变暖给印度的能源政策带来了新的挑战。全球变暖导致的气温上升、人口增长和生活方式的改变，都大大增加了制冷的能源需求。印度近三分之一的电力是由家庭和商业部门消耗的，其中就包括了制冷需求。由于全球变暖和经济发展，随着空调安装和使用的增加，制冷需求对电力消费的贡献在未来几年内将急剧增加。比如，根据国际能源署的预测，到2050年，印度人可能使用近10亿台空调设备。到2040年，制冷的电力需求可能会增加六倍，用电高峰会在清晨达到高峰。目前，印度的80%的电力是火电，且能源贫困的问题普遍存在，能源获取力差且并不可靠。因此，印度的能源政策需要同时应对能源分配的可持续性和公平性，同时还要响应号召减少温室气体的排放。

在全球变暖的背景下，高温热浪的极端天气频发，增加了未来印度的制冷能源需求，因此政府应该考虑和设计全球变暖条件下的各方面信息。空气温度和相对湿度是影响建筑能耗的主要气候变量。制冷需求日（CDD）的概念经常被用来评估只能需求的可能变化，但是还没有研究在风险框架内考虑CDD以衡量人口的暴露和潜在的脆弱性。本文作者首先利用观测数据，分析了历史时期印度各地的CDD的时空趋势，以了解和分析冷却需求的变化。此外，作者用人均GDP来代表满足能源需求增长的能力，利用降尺度的气候模型输出和两个不同的脆弱性指标来量化与未来CDD上升相关的风险。

研究方法

1.     CDD计算方法

CDD是一定时期内日平均温度与特定参考温度之间的累积差异。本文使用的CDD计算公式如下：

温度Td（t）是日平均温度[℃]，Tb是参考温度[℃]，t是一年中第一天到第n天的每一天的指数。多年的CDD值是通过对所有年份的年度CDD值进行平均得到的。所选的参考温度应该充分代表在特定气候下出现制冷要求的阈值。对于本文所研究的印度，作者采用的是文献中的18℃为制冷和供暖的参考温度。

2.     风险评估框架

本文在定义风险时考虑了危险（Hazard）、暴露(Exposure)和脆弱性(Vulnerability)三个方面。危险是一种可能对人、财产和环境造成损害的自然现象。暴露被定义为环境危害对一群人或系统的影响程度。脆弱性是指暴露的系统或人对损害的易感性，且物理、社会和经济条件决定了容易受到危险的破坏性影响。所以可能会发生暴露但不脆弱的情况。比如，居住在受热浪影响地区的人是否可以应对这一自然灾害取决于是否有足够的制冷手段。本文使用以下公式表示危险、暴露和脆弱性指标相关的风险。

危险是用评估时间段内的年平均CDD值来量化的，而暴露则是对应CDD地区人口。脆弱性则是更关键、也是更难量化的一个因素。作者考虑了在制冷能源需求方面可能影响人口的与上升的度日有关的两个方面。第一，是人口可用于应对制冷需求上升的经济水平；第二，是与可再生资源相比，由不可再生资源提供的冷却能源的相对数量。人均GDP经常被用来描述人口应对高温压力（Heat Stress）的能力。人均GDP值越高，风险得分越低，因为收入水平高的人群通常更有能力应对更高的温度。其次，从可持续发展的角度来看，能源的来源变得至关重要。在全球变暖的大背景下，极端高温的可能性频率变高、持续时间更长。严重依赖非可再生资源的地区，可能会因碳排放增加而带来更大的风险。由于数据的局限性，基于能源的脆弱性指标的比较仅限于五个城市化地区，而基于人均GDP的风险指标则在十个城市化地区进行比较。

研究发现

图1. 印度年平均CDD值

根据上文所述的CDD计算方式，1951-2019年印度各地区的年平均CDD值的范围为586℃到3863℃（图1a）。印度北部大部分地区的CDD年均值最低，主要是因为这些地区以山地为主，气候较冷。然而，尽管印度西北部地区是沙漠，但印度半岛东部地区的CDD值才是最高的（>3000℃）。这是因为沙漠地区的冬季温度较低，这些以沙漠为主的地区的CDD值就会低于印度半岛东部地区。研究还发现，近年来，年CDD值明显上升（图1b）。自1980年以来，少数地区的年平均CDD值已超过4000℃。

 图2. 三种情景下印度CDD变化

本文还模拟预测了三种情景下未来印度的CDD变化。在三个变暖水平下，以CDD值代表的制冷需求预计在印度所有地区都会增加（图2）。在1.5℃、2℃和3℃升温水平下，大部分（90%）地区的年均CDD可能分别在2006-2076年增加5-14%、2016-2089年增加13-80%和2035-2096年增加22-160%。可以看出将全球变暖限制在1.5°C以下是明显有助于减少极端高温的。在1.5°C气候变暖的世界中，只有24个地区的年平均CDD可能超过4000°C，但在2.0°C（3.0°C）气候变暖的世界中，这一数字上升到46（159）（图2，灰色阴影地区）。

表1展现的是三个指标和风险分数。当使用人均GDP为基础衡量脆弱性和用人口衡量暴露程度时，Chennai、Mumbai和Kolkata的风险指数时最高的。这些城市的风险分数主要由人口和CDD值驱动，而人均GDP（即脆弱性）对2011年的风险分数没有显著效果。虽然Delhi有更多的人口，但Kolkata的CDD值略高，使其在风险分数上的整体风险略高。并且，除了Chennai和Hyderabad这两座城市，另外两个CDD超过3000°-天的地区由于人口较少，暴露度低，并没有出现在前5个最危险的地区。与制冷需求相关的风险是则主要由人口驱动，其次才是CDD值，而人均GDP（即脆弱性）则起着次要作用。

在进一步分析1.5℃变暖水平下的风险分数时，研究发现人口暴露对风险得分的影响显著明显。比如Mumbai，拥有最高的预测人口，尽管人均GDP最高，CDD值第四高，但却获得了最高的风险得分（表2）人口增加对CDD相关风险的影响在2.0 °C变暖情景下更加明显，也是在2.0 °C情景下风险得分和标准化人口之间的皮尔逊相关系数具有统计学意义。此情景下，由于人口众多，Mumbai的风险得分再次达到最高，CDD排名第四。尽管Mumbai的人均GDP最高，但过高的风险得分表明与高温热浪及一系列的相关的灾害很可能会对其人口产生巨大的影响。全球升温达到3.0°C的情景下，危险、脆弱性和暴露指标之间的相互作用更为复杂，但两者都没有与风险分数达到统计学上的显著相关。CDD值高、人口多都有可能使得风险分数急速上升。最具有讽刺意义的是，位于炎热沙漠中的城市地区Jaipur，尽管人均GDP较低，但由于其较低的CDD（寒冷的冬天）和人口，其风险得分均保持最低的。

表1. 三个指标和风险分数

表2. 未来升温情景下的三个指标和风险分数

脆弱性定义的选择对风险分数的高低有很大影响。如果将能源来源作为脆弱性指标的衡量标准，那么，在2011年，Kolkat的风险分数是最高的，而非Chennai。这是由于Kolkata的电力高度依赖非可再生能源，而Chennai则是人均GDP较低。如果考虑三种变暖情景，能源种类对风险得分的影响更加突出（图3）。由于对不可再生能源的高度依赖，Kolkata（5）的风险得分在所有情景下的风险分数中都是最高的，当以能源种类衡量脆弱性时，在3.0℃的变暖水平上达到了9.11分的最高分。同样，Bengaluru在考虑能源来源作为脆弱性指标时，在所有城市地区的每个变暖水平中都获得了第二高的风险分数，但在考虑人均GDP时则是第四高的分数。同样，Jaipur由于人口最少，对非可再生资源的依赖程度最低，因此风险分数总是最低。基于能源的风险分值随着变暖水平的上升而不断增加，而基于人均GDP的风险分值在2.0℃变暖水平时达到最高值，在3.0℃变暖水平时降低。这是由于在3.0℃的世界中，人均GDP急剧上升，弥补了人口增加和CDD的影响。

图3. 三个指标（基于能源的脆弱性） 

研究结论

研究结果表明，将全球变暖水平限制在1.5°C以下有明显的好处。在1.5℃的升温水平下，印度各地不超过10%的行政单位可能会出现年平均CDD超过3690℃的情况。然而，在3.0℃升温水平下，超过这一数值的行政单位接近50%。在使用基于人均GDP的脆弱性指标对十大城市化地区进行比较时，研究发现尽管CDD非常重要，人口在决定风险分数方面也同样重要，使得部分城市即使CDD并没有高于其他城市，但人口使得它们仍然处于高风险。此外，研究发现脆弱性指标的选择对确定风险分数有很大的影响。当考虑能源来源时，城市的风险分数排名发生变化。这也表明了能源政策在缓解这些风险方面将发挥巨大作用。增加可再生能源的使用可能会抵消CDD增加带来的负面后果。

作者最后指出了文章的分析改进方向。首先，CDD并不是一个衡量制冷需求的完美指标，因为CDD主要是温度，没有考虑其他变量，如湿度和太阳辐射，而且这些变量可以提供详细的能源需求信息。未来对湿度指标进行精细的预测将获得更可靠的结论。此外，气候模型对CDD值的再现预测还有待改进，尤其是对寒冷地区的预测。此外，更高尺度、更完整的电力来源数据也有助于提高结果分析。

编辑&排版：周子乔

相关阅读

    1. 文献阅读 | 高温热浪对中国不同劳动力群体的健康影响    2. 文献阅读 | 《蓝天三年行动计划》对中国“2+26”城市减少大气污染和减缓气候变化效果分析    3. 文献阅读 | 气候目标和清洁空气政策对减少中国未来空气污染死亡的作用：一个模型研究    4. 应审慎对待大型系统建模中随处可见的"协同效益"    5. 文献阅读 | 氢和碳捕获、储存和利用在能源去碳化中的价值：来自综合价值链优化的启示

点击“阅读原文”浏览小组主页