《BUILDING AND ENVIRONMENT》:Room-level overheating disparities and the limits of passive-design attribution in humid subtropical Australian homes: a year-long field study
编辑推荐:
气候变化加剧了住宅过热风险,然而在湿润亚热带气候下,关于被动式设计性能的现场证据仍然有限。本研究监测了澳大利亚湿润亚热带气候区(Climate Zone 3)的24户住宅,并使用基于新有效温度(New Effective Temperature, ET*)衍生
气候变化加剧了住宅过热风险,然而在湿润亚热带气候下,关于被动式设计性能的现场证据仍然有限。本研究监测了澳大利亚湿润亚热带气候区(Climate Zone 3)的24户住宅,并使用基于新有效温度(New Effective Temperature, ET*)衍生的不舒适度(Degree of Discomfort, DD)指标——不舒适度时数(Degree Hours of Discomfort, DhD)和最大不舒适度(Maximum Degree of Discomfort, DDmax)——量化了过热程度。不舒适度时数(DhD)是超过自适应舒适阈值累积的严重程度加权度量,最大不舒适度(DDmax)则捕捉峰值热应激事件。研究人员在住宅层面分析了客厅与卧室的差异,分解了逐时不舒适度(DD)方差,评估了基于住户分组(household-level grouped)的机器学习模型,并探索了经天气调整后的残差与被动式设计特征之间的关联。客厅积累的过热程度显著高于卧室(平均不舒适度时数(DhD)分别为2309°C·h和563°C·h)。在23户匹配住宅中,21户的客厅不舒适度时数(DhD)超过卧室不舒适度时数(DhD)(配对中位差为1769°C·h),且所有匹配住宅的客厅最大不舒适度(DDmax)均超过卧室最大不舒适度(DDmax)(中位差为2.24°C)。住宅间差异仅解释了客厅逐时不舒适度(DD)方差的9.0%和卧室方差的5.1%。在基于住户分组(household-level grouped)验证下,仅含天气/时间的随机森林(Random Forest)模型提供了最强的可迁移逐时不舒适度(DD)预测能力(客厅R2=0.346;卧室R2=0.282);仅含被动式设计特征的模型呈现负值或接近零的R2,且未能改善预测。经天气调整后,被动式设计关联有限。最清晰的队列层面信号是较大住宅中客厅残差过热较低(ρ=-0.496,p=0.014),这可能反映了较低的外表面积-楼面面积比或相关的类型学差异,而非设计效应。二元特征信号稀疏且属于探索性分析。卧室指标承载了更大的舒适模型不确定性。研究结果将时间上的过热预测与谨慎的住宅层面设计归因区分开来。
**论文解读文章**
**研究背景与问题**
自1910年以来,澳大利亚平均气温已上升1.47°C,加剧了夏季住宅过热风险,对老年等脆弱人群构成健康威胁,并推高制冷能耗与停电风险。为在不增加能耗的前提下缓解过热,气候响应型被动式设计策略(如优化朝向、遮阳、通风和保温)被广泛倡导。然而,被动式设计在实际环境中的性能仍缺乏充分理解。在澳大利亚,《国家住宅能源评级计划》(Nationwide House Energy Rating Scheme, NatHERS)评估住宅能源性能,但近期研究表明,若未充分考虑被动冷却能力、通风和当地气候条件,高评级或高保温住宅仍可能经历严重过热[6,7]。一项针对全球被动式住宅的系统综述发现,湿润亚热带(Cfa)气候下,尽管符合严格能效标准,过热风险仍然很高[8],凸显了气候特异性实证研究的必要性。现有现场证据在过热评估指标、房间特异性过热模式以及被动式设计归因方法上存在三方面空白:第一,湿润亚热带住宅过热的现场测量证据稀缺,且现有研究较少使用基于生理学的指标;第二,房间特异性过热证据矛盾,温带研究强调卧室,而澳大利亚亚热带证据指向客厅;第三,在考虑天气和时间暴露后,将实测过热归因于固定被动式设计特征仍存在方法论困难。本研究旨在通过为期一年的现场监测,量化澳大利亚湿润亚热带气候区(Climate Zone 3)24户住宅的房间特异性过热,比较客厅与卧室的过热负担,并探索被动式设计特征与过热严重程度之间的经天气调整关联。论文发表于《BUILDING AND ENVIRONMENT》。
**主要关键技术方法**
研究人员采用六阶段工作流程:第一阶段,在24户住宅中部署环境传感器(HOBO MX1104数据记录器监测干球温度、相对湿度、光强度等,并集成自制黑球温度传感器计算平均辐射温度 Mean Radiant Temperature, MRT;青萍温湿度传感器安装在空调送风口)和智能手机舒适调查(每周1-4次“此刻此地”问卷,记录热感觉、活动水平、服装热阻等),监测期一年(2023年3月至2024年4月)。样本通过社交媒体、当地广播、教会组织及西部丘陵地区议会招募,来自昆士兰州西部丘陵地区五个城镇,涵盖不同人口学特征。第二阶段处理数据,推导季节性个人参数(代谢率Metabolic rate, Met和服装热阻Clothing insulation, clo)、识别空调使用事件、编译过热数据集并对被动式设计特征进行流行度过滤(保留至少5户有、5户无的特征)。第三阶段基于ET*(采用pythermalcomfort 3.9.8库计算,结合干球温度、MRT、相对湿度、空气速度、Met和clo)开发自适应舒适模型,并计算不舒适度(Degree of Discomfort, DD)、不舒适度时数(Degree Hours of Discomfort, DhD)和最大不舒适度(Maximum Degree of Discomfort, DD
max)。第四阶段通过时间分析、客厅-卧室配对比较、逐时DD方差分解和敏感性分析表征过热模式。第五和第六阶段采用基于住户分组的交叉验证(household-level grouped cross-validation)、特征集消融(feature-set ablation)和经天气调整的住宅层面残差分析,区分可迁移的时间预测与探索性的住宅间被动式设计关联。
**研究结果**
**4.1 热舒适**
- **4.1.1 调查结果**:共收集1185份热舒适调查。客厅中感到“暖”到“热”的比例(35.8%)高于卧室(28.7%),而卧室中感到“凉”到“冷”的比例(34.2%)高于客厅(26.5%),表明客厅更易过热。
- **4.1.2 基于ET*的自适应舒适模型**:采用de Dear等人[44]的月线性回归法,分别建立客厅和卧室的ET*与热感觉投票(Thermal Sensation Vote, TSV)回归模型。客厅的舒适有效温度(Comfort Effective Temperature, CET)模型为CET = 0.20T
outmm + 18.97(R2=0.421,p<0.05),卧室为CET = 0.33T
outmm + 16.68(R2=0.458,p<0.1)。基于80%可接受率,客厅舒适上限为0.1966 T
outmm + 22.9176,卧室为0.3294 T
outmm + 21.4336。卧室模型R2较低且p值仅边缘显著,提示卧室舒适阈值存在不确定性。
**4.2 基于DhD和DD
max的过热评估**
- **4.2.1 现场测量过热模式**:客厅平均DhD为2309°C·h,卧室为563°C·h,客厅显著高于卧室。月-小时热图显示客厅过热更频繁且时间范围更广,卧室过热更集中。
- **4.2.2 客厅与卧室配对比较**:在23户匹配住宅中,21户客厅DhD超过卧室DhD(中位配对差1768.7°C·h,Wilcoxon检验p=2.38×10
-6);所有23户客厅DD
max超过卧室DD
max(中位差2.24°C,p=2.38×10
-7)。
- **4.2.3 逐时DD方差分解**:单因素方差分析显示,客厅逐时DD的住宅间方差仅占9.0%(ICC=0.094),卧室占5.1%(ICC=0.053),表明大部分DD变异源于住宅内部的时间波动,而非住宅间差异。
**4.3 机器学习与经天气调整的被动式设计关联**
- **4.3.1 机器学习特征集消融结果**:基于住宅分组6折交叉验证,仅含天气/时间变量的随机森林模型在客厅(池化R2=0.346)和卧室(池化R2=0.282)中表现最佳;仅含被动式设计特征的模型R2为负或接近零;组合模型未改善预测,且住宅均值R2均为负值,表明模型无法有效排序未见过住宅的平均过热强度。
- **4.3.2 经天气调整的住宅层残差探索**:住宅层平均残差范围客厅为-0.623至0.652 DD单位,卧室为-0.143至0.416 DD单位。总楼面面积与客厅残差呈中等负相关(Spearman ρ=-0.496,p=0.014),即较大住宅残差过热较低。二元特征中,轻质覆层外墙体住宅卧室残差较高(Cliff’s δ=0.588,p=0.036),但组别仅有6户。其余关联未达名义显著性,整体被动式设计特征对经天气调整的住宅间过热差异解释有限。
**4.4 敏感性分析**
- **4.4.1 空气速度敏感性**:将假设空气速度从0.1 m/s提高至0.2和0.3 m/s,绝对过热幅度下降,但住宅排名(Spearman ρ≥0.964)及客厅-卧室对比(所有p<0.001)保持稳定。
- **4.4.2 卧室舒适阈值不确定性传播**:将卧室舒适上限偏移±1.0°C,卧室DhD幅度变化显著,但排名(Spearman ρ≥0.965)及客厅-卧室对比(所有p<0.001)仍稳健。
- **4.4.3 代谢率与服装敏感性**:使用实测值替代季节平均值,ET*平均差异很小(客厅+0.01°C,卧室-0.02°C),DhD变化不超过±5%,排名基本不变(Spearman ρ≥0.99)。
**总结讨论与结论**
讨论部分强调:①方差结构表明,被动式设计特征作为固定属性,其影响只能通过住宅间持续差异或对相同天气的反应差异体现,而非逐时预测;②客厅主导的过热模式与CSIRO澳大利亚住宅数据(Australian House Data, AHD)一致,但不同于温带研究,提示床头特异性过热受气候和行为影响;③被动式设计信号微弱不能等同于其无物理作用,而是受限于特征粒度(基于调查的二元/分类描述符而非连续建筑物理参数)和较小的住宅间方差;④总楼面面积的关联更可能是几何/类型学信号(较小表面积-楼面面积比),而非直接设计杠杆;⑤ET*基DD指标对于潮湿条件评估至关重要,但绝对读值需结合使用场景。
**研究结论(翻译自原文第6节)**:
通过在澳大利亚气候区3(Climate Zone 3)住宅中的一年期现场监测研究,研究调查了客厅与卧室的房间特异性过热模式,并探索了被动式设计特征与过热严重程度之间的经天气调整关联。在该监测队列范围内,可得出以下结论:
- 夏季客厅积累的过热程度显著高于卧室。平均不舒适度时数(DhD)客厅为2309°C·h,卧室为563°C·h,配对住宅层面分析表明,此房间水平对比在大多数监测住宅中一致。这一发现支持在湿润亚热带住宅中进行房间特异性过热评估的必要性。
- 基于住户分组(household-level grouped)的验证表明,天气和时间变量为逐时不舒适度(DD)预测提供了主要的可迁移信号。稳健的被动式设计特征不能作为独立预测因子泛化,且添加到天气/时间变量后未改善预测。这提示,除非验证与住宅层面推断单位一致,否则高频预测不应被解读为被动式设计效应的证据。
- 经天气调整的住宅层残差分析仅提供了有限的被动式设计关联证据。总楼面面积显示出最清晰的客厅关联,而二元特征信号微弱、稀疏且属于探索性。这些发现应被视为队列特异性假设,而非特定材料、布局或地点独立增加过热风险的因果证据。
- 敏感性分析表明,空气速度假设和卧室舒适阈值不确定性影响了不舒适度时数(DhD)和最大不舒适度(DD
max)的绝对幅度,但未推翻客厅-卧室对比的主要结论。这表明房间水平过热模式相对稳定,同时强化了对解释绝对卧室过热幅度时应保持谨慎。
- 研究未识别出减少过热的特定被动式设计特征或干预措施;与楼面面积的单一名义关联与住宅形式和类型学一致,而非可直接操作的设计特征。在该监测的气候区3(Climate Zone 3)队列中,过热主要由时间驱动,客厅承载了更大的累积负担,而特征水平的设计归因未能稳健实现。通过结合高频监测、基于住户分组的验证、特征集消融和经天气调整的住宅层残差分析,该研究展示了一种方法学工作流程,用于区分时间上的过热预测与谨慎的被动式设计归因。因此,被动式设计研究结果应被解读为基于现场、队列特异性的假设,需在更大规模、多年度和更具建筑细节的数据集中进行检验。