东亚被认为是受全球变暖和气候变化影响最脆弱的地区之一，已经经历了极端气候事件的显著增加，这对建筑环境和建筑退化构成了日益增长的风险[1]、[2]、[3]。全球变暖显著改变了气候系统中的水循环，导致某些地区的极端水文气候事件强度和频率增加，同时建筑材料的耐久性相应下降[2]、[4]、[5]。因此，了解气候变化对建筑性能的影响，特别是由于气候暴露导致的潜在退化，对于应对未来的气候变化以及提前制定适应或缓解策略至关重要[6]。
评估未来变化对建筑性能的影响依赖于气候预测[5]、[6]、[7]、[8]、[9]、[10]、[11]。评估气候变化对建筑性能和退化长期影响的一种常见方法是模拟未来气候情景下的湿热性能，以预测退化模式[5]、[7]、[10]。然而，这些长期湿热响应研究需要大量的数值模拟，这既耗时又计算要求高[8]、[11]、[12]、[17]。为了减少计算工作量，已经提出了多种方法，通过仅分析特定目的的气候数据来简化气候暴露的评估[11]、[12]、[13]、[14]、[15]、[16]。例如，Cornick和Dalgliesh[19]提出了湿度指数（MI）来映射建筑围护结构上的湿度负荷严重程度。Salonvaara等人[20]研究了不同气候参数对北向建筑围护结构预测湿度性能的影响。Zhou等人[16]引入了气候指数（CI）来评估建筑环境中湿润与潜在干燥的比例。这些指数描述了气候及其对建筑的潜在影响，同时不同程度地反映了湿度暴露[8]、[11]、[15]。尽管如此，这些指数都无法完全复制基于详细响应的研究结果，但可以作为代理指标，便于跨学科应用中的快速和可交流的分析[17]、[18]。
利用气候预测进行湿热模拟的主要挑战是收集可靠的气候数据并评估未来气候预测中的不确定性[5]、[19]。由于某些大气过程的复杂行为难以复制，所有气候预测都存在一定程度的不确定性[3]、[6]、[20]、[21]、[22]。物理现象的简化、数值限制、参数化方案和分辨率等因素都会导致气候模型对外部强迫数据的响应有所不同。不确定性可以分为三大类：模型不确定性、情景不确定性和气候系统的随机内部变异性[6]、[23]、[24]、[25]。
对于给定的强迫情景，模型不确定性来自通用环流模型（GCMs）和降尺度区域气候模型（RCMs），后者也可以用不同的建模链进行估计[2]、[24]。全球气候模型（也称为通用环流模型）是评估气候变化的关键工具，通过模拟主要气候系统组成部分及其相互作用[26]、[27]。然而，由于GCMs通常以较粗的空间分辨率（100公里至300公里）描述气候演变，因此通过降尺度技术得到的区域气候模型（RCMs）应用于提高气候模拟的分辨率，其分辨率可低至50公里，甚至达到10公里[23]、[28]、[29]、[30]、[31]、[32]、[33]、[34]。RCMs在模拟区域气候方面相比GCMs具有显著优势，主要是因为其高分辨率和能够生成多变量之间物理上一致的数据集[22]、[28]、[36]、[37]、[38]、[39]。例如，RCMs对中国当前和未来气候的预测更为准确，特别是在极端气候方面[31]、[38]、[39]。RCMs中的温度和降水模式比驱动全球气候模型（GCMs）更准确[33]，但GCMs的大尺度偏差或误表示也会在区域气候中体现出来。此外，GCMs的粗分辨率往往无法捕捉到详细的中尺度过程，而这些过程通过RCMs可以更好地得到解决[41]。然而，作为降尺度的边界输入，准确的GCMs对于确定区域气候模型的性能和准确性至关重要[22]。
情景不确定性源于未来温室气体排放的变化，这取决于人类的行为和社会经济发展。为了捕捉不确定性的影响，气候模型中包含了多种排放情景，以模拟潜在的未来气候条件。此外，内部变异性不确定性是由于自然气候变异性之间的混沌和非线性相互作用导致的，从而导致不同的气候变化信号[6]、[21]、[22]、[23]、[24]。虽然可以通过细化人为强迫来减少情景不确定性，通过改进地球系统建模来提高模型不确定性，但由于气候系统的混沌本质，内部气候变异性带来的不确定性是不可减少的[23]、[24]。
为了避免因气候预测的不确定性而导致可预测的失败，在进行建筑模拟之前评估气候预测的可靠性变得越来越重要[38]、[41]。通过将历史模拟与观测数据比较，可以评估每个单独的气候变化预测中的固有偏差和不确定性。通常，通过集合成员的分布及其差异来评估气候模型的不确定性[3]、[6]、[20]、[22]。然而，偏差在不同地区和模型之间存在差异[27]、[42]、[43]、[44]。例如，Park等人[28]评估了东亚夏季极端事件的多个区域气候模型，并观察到季节平均值和极端值中的系统性偏差模式。然而，关于东亚气候预测不确定性的全面评估非常少[16]，更不用说它们对建筑环境的影响了。此外，这些偏差在不同排放情景下对未来气候变化的影响程度仍不确定。
偏差校正方法通常用于后处理气候预测，但未能克服气候模型中的主要不确定性，并且严重忽略了潜在的物理过程[38]、[46]。Ayar等人[26]指出，偏差校正方法无法区分由各种不确定性引起的偏差，并将模型偏差与内部变异性混为一谈。Lu等人[48]研究了各种偏差校正方法对湿热性能的影响，尽管多变量偏差校正的效果优于单变量方法，但在考虑变量之间的相互作用时仍无法产生一致的时间序列。当前的建筑模拟仅接收未经偏差校正或未经偏差验证的气候数据，也没有进行性能相关性测试，这大大忽视了偏差对湿热风险的潜在影响。
尽管气候模型预测中的不确定性在大气科学中得到了充分研究，但它们对建筑环境和建筑退化的影响却很少被讨论[6]、[38]。在建筑科学中，量化归因于气候预测不确定性的潜在偏差对性能预测的影响日益受到关注[42]。Nik等人[28]、[30]发现，全球气候模型的不确定性可能导致30年平均含水量的变化高达13%，以及最外层墙体标准差的变化高达28%。区域气候模型（RCMs）由于具有更高的空间分辨率，提供了比粗分辨率GCMs更精确的定量预测[23]、[28]。然而，气候变量与建筑组件的湿热响应之间的关系复杂且非线性[6]、[8]。有限的研究探讨了单个气候变量中的偏差如何传播到湿度暴露条件，并进而影响湿热性能。
为了进一步量化气候模型不确定性带来的偏差如何影响湿度暴露条件和未来气候预测，本研究提出了一个全面的气候数据验证和湿度驱动立面退化评估中的不确定性量化框架。通过将历史气候模拟与观测数据集进行比较，分析了气候模型不确定性对湿度相关退化风险的影响。气象参数和气候指数被空间插值，以评估区域偏差及其对建筑性能预测的影响。此外，还研究了21世纪末的未来气候预测，以量化湿度暴露和退化风险的潜在变化。本研究为建筑模拟和气候适应性设计提供了决策支持框架，确保气候驱动的风险能够有效地整合到有弹性的建筑设计和长期退化评估中。此外，所提出的框架增强了气候建模中的不确定性量化，有助于在建筑环境中进行更可靠的气候风险评估。
