德国与印度对比
德国与印度：热带夜
2014 年热带夜：德国为 0.8 夜，印度为 215.5 夜（CMIP6 气候模型中位数模拟）。 2014 年印度的数值较高，高出 214.7 夜，是德国的 260 倍。
每年夜数 · CMIP6
数据解读
- 自 1950 年以来，在两国都有数据的每一年，印度的数值都更高。
- 根据CMIP6 模型中位数（SSP2-4.5，中间路径），2100 年德国为 8.8 夜，印度为 250.4 夜。
逐年数据
每年夜数 · CMIP6
| 年份 | 德国 | 印度 |
|---|---|---|
| 2014 | 0.8 | 215.5 |
| 2013 | 0.7 | 216 |
| 2012 | 0.9 | 217.4 |
| 2011 | 0.5 | 215.5 |
| 2010 | 0.9 | 215.2 |
| 2009 | 0.5 | 213.7 |
| 2008 | 0.2 | 213.7 |
| 2007 | 0.3 | 213.3 |
| 2006 | 0.3 | 212.5 |
| 2005 | 0.6 | 212.9 |
| 2004 | 0.7 | 214.9 |
| 2003 | 0.6 | 212.1 |
| 2002 | 0.2 | 213 |
| 2001 | 0.5 | 212.2 |
| 2000 | 0.2 | 210.8 |
| 1999 | 0.2 | 211.9 |
| 1998 | 0.1 | 210.3 |
| 1997 | 0.1 | 209.5 |
| 1996 | 0.2 | 207 |
| 1995 | 0.1 | 208.8 |
| 1994 | 0 | 207.1 |
| 1993 | 0 | 206 |
| 1992 | 0 | 203.5 |
| 1991 | 0.1 | 208 |
| 1990 | 0.1 | 209.9 |
| 1989 | 0.1 | 208 |
| 1988 | 0 | 207.3 |
| 1987 | 0 | 207.2 |
| 1986 | 0 | 207.2 |
| 1985 | 0.1 | 205.9 |
| 1984 | 0.1 | 206.7 |
| 1983 | 0 | 203.3 |
| 1982 | 0 | 205.7 |
| 1981 | 0 | 208.4 |
| 1980 | 0 | 205.3 |
| 1979 | 0 | 205.5 |
| 1978 | 0.1 | 204.1 |
| 1977 | 0 | 205.9 |
| 1976 | 0 | 204.6 |
| 1975 | 0 | 202.6 |
| 1974 | 0.1 | 205.3 |
| 1973 | 0 | 205.6 |
| 1972 | 0 | 203.8 |
| 1971 | 0 | 203.6 |
| 1970 | 0.1 | 202.6 |
| 1969 | 0 | 203.6 |
| 1968 | 0 | 201.7 |
| 1967 | 0 | 201.6 |
| 1966 | 0 | 203.9 |
| 1965 | 0 | 202.4 |
| 1964 | 0 | 201.2 |
| 1963 | 0 | 201.8 |
| 1962 | 0 | 203.8 |
| 1961 | 0 | 206.3 |
| 1960 | 0 | 206 |
| 1959 | 0.1 | 206.1 |
| 1958 | 0 | 204 |
| 1957 | 0 | 206.5 |
| 1956 | 0 | 204 |
| 1955 | 0 | 203.2 |
| 1954 | 0.1 | 206 |
| 1953 | 0 | 204 |
| 1952 | 0 | 204.4 |
| 1951 | 0 | 204.3 |
| 1950 | 0 | 206.3 |
CMIP6 模型中位数（SSP2-4.5，中间路径） · 2015–2100
| 年份 | 德国 | 印度 |
|---|---|---|
| 2015 | 0.50–4 | 216.9202.1–228.4 |
| 2016 | 0.80–4.3 | 215202.5–227.6 |
| 2017 | 0.70–5.1 | 216.2202.1–228.5 |
| 2018 | 0.70–3.5 | 218.3204.5–231.4 |
| 2019 | 1.20–5 | 217.4202.3–230.4 |
| 2020 | 1.20–5.7 | 217.6203.1–232 |
| 2021 | 10–6 | 219.7204.5–233.2 |
| 2022 | 1.40–5.7 | 220.5205.8–233 |
| 2023 | 1.10–5.7 | 220.4206.4–233.7 |
| 2024 | 1.20–5.2 | 222.6208.1–236.3 |
| 2025 | 1.90–8.2 | 219.7202.7–236.2 |
| 2026 | 1.90.1–6.5 | 220.2204.2–236.8 |
| 2027 | 1.40–4.7 | 223.6207.1–239 |
| 2028 | 1.50.1–5.5 | 222.1205.1–235.7 |
| 2029 | 20.1–6.4 | 225.4210–240.3 |
| 2030 | 1.60–6.1 | 222.7207.3–235.6 |
| 2031 | 1.40–5.4 | 223.8207.1–237.8 |
| 2032 | 1.50.1–7.6 | 225.9210–240.5 |
| 2033 | 1.70–6.8 | 223.8209.3–235.4 |
| 2034 | 2.10.2–8.3 | 225.8210–242.7 |
| 2035 | 1.70.1–6.9 | 224.9210.6–240.9 |
| 2036 | 2.80.1–7.8 | 224.2210.4–240.3 |
| 2037 | 2.50–9.2 | 228.3213.6–242.6 |
| 2038 | 2.20.1–9.7 | 228.1212.6–241.4 |
| 2039 | 30–8.9 | 227.4211.9–242.8 |
| 2040 | 2.30.1–7.1 | 227212.2–242 |
| 2041 | 2.40.1–7.9 | 227.1210.7–240.5 |
| 2042 | 2.90.4–8.9 | 229.1214.8–244.2 |
| 2043 | 3.10.1–8.7 | 228.9214.5–244 |
| 2044 | 3.10.2–10.1 | 229.7214.7–244.2 |
| 2045 | 30.1–8.7 | 231.2216.6–246.1 |
| 2046 | 3.10.5–10.9 | 232.6216.2–248.6 |
| 2047 | 4.30.3–10.6 | 232.4215.5–250 |
| 2048 | 3.70.2–12.9 | 235.6218.5–254.3 |
| 2049 | 4.40.2–11.8 | 235.3218.3–249.9 |
| 2050 | 3.10.6–9.3 | 233.5216.6–253.4 |
| 2051 | 2.70.1–9.5 | 234.9218.6–249.9 |
| 2052 | 3.60.2–11.5 | 234219.4–249.3 |
| 2053 | 2.30.4–8.7 | 234.9219.5–252.5 |
| 2054 | 3.50.4–10.3 | 237.2219.4–253.1 |
| 2055 | 3.30.4–11.3 | 237.2220.7–256.6 |
| 2056 | 4.50.7–14.3 | 238.8221.2–254.9 |
| 2057 | 40.4–11.3 | 235.7218.5–253.8 |
| 2058 | 5.80.7–15.5 | 238.8222.8–254.1 |
| 2059 | 5.10.1–15.6 | 241.1224.9–256.2 |
| 2060 | 4.40.6–12.3 | 240.9225.6–255.6 |
| 2061 | 5.31–12.3 | 237.9220.6–253.7 |
| 2062 | 5.51.6–14.2 | 239.9221.2–259.7 |
| 2063 | 5.20.8–13.8 | 239.9222.3–256.1 |
| 2064 | 4.10.5–12.2 | 240223.8–256.3 |
| 2065 | 4.90.3–15.8 | 240.9222.9–257.3 |
| 2066 | 5.30.7–11.8 | 241.5224.1–258.6 |
| 2067 | 7.21.4–17.5 | 241.6224.8–257.9 |
| 2068 | 3.90.9–11.3 | 242.3224.6–262.1 |
| 2069 | 6.11.6–15 | 242.8225.4–259.1 |
| 2070 | 5.80.6–14.9 | 240.1225.3–257.1 |
| 2071 | 6.30.6–16.4 | 241.8223.7–260.2 |
| 2072 | 6.21.9–13 | 242.6225.4–259.2 |
| 2073 | 5.51.3–16.2 | 243.8228–259.3 |
| 2074 | 5.50.5–16.7 | 241.6226.9–258.4 |
| 2075 | 6.21.4–18.3 | 243.5226.4–258.2 |
| 2076 | 7.41.1–20.1 | 243.2224.6–259.9 |
| 2077 | 6.31.1–17.4 | 243.7226.6–264.6 |
| 2078 | 6.50.7–21.4 | 246.7230.1–261.5 |
| 2079 | 6.70.6–22.7 | 244.9226.4–261.3 |
| 2080 | 6.51.2–14.9 | 246.7227–263.7 |
| 2081 | 6.60.9–18.5 | 247.5230.4–264.8 |
| 2082 | 7.91.4–22.5 | 244.6227.9–262.3 |
| 2083 | 7.61.3–16.8 | 247.5227.8–265.1 |
| 2084 | 5.91.1–15.9 | 247.3228.3–266.8 |
| 2085 | 6.50.9–17.6 | 246.5227.5–267.1 |
| 2086 | 7.90.8–23 | 245.6227.7–266.5 |
| 2087 | 9.91.1–24.1 | 245.5226.7–266.2 |
| 2088 | 8.92–18.4 | 247229.4–266.9 |
| 2089 | 8.31.9–19.2 | 248.1230–266.3 |
| 2090 | 6.20.8–24.1 | 249228.9–266.4 |
| 2091 | 9.31.3–23.5 | 248.9230–266.5 |
| 2092 | 8.61.7–19.2 | 249.8232.3–267.8 |
| 2093 | 6.20.8–18.2 | 248.1229–266.5 |
| 2094 | 9.32.4–20.4 | 249.1230.6–268.4 |
| 2095 | 9.51.1–24 | 251233.2–270 |
| 2096 | 8.10.2–21.4 | 247.8231.4–269.3 |
| 2097 | 6.40.5–20.1 | 251.1231.4–268 |
| 2098 | 9.31.4–22.1 | 252.3230.8–268.3 |
| 2099 | 8.11.4–20.8 | 248.7230.1–268.3 |
| 2100 | 8.81.9–21.1 | 250.4232.9–266.7 |
分别查看各国
须知
- 一年中气温始终高于 20 °C 的夜晚数，取全国平均。
- 来源：World Bank Climate Change Knowledge Portal, CMIP6 multi-model median。
- 虚线为CMIP6 模型中位数（SSP2-4.5，中间路径），是一种情景而非预报；阴影带为其模型第 10–90 百分位。
- 气候模型值为 CMIP6 各模型的中位数：2014 年及以前按历史排放模拟，此后按中间路径 SSP2-4.5 模拟；它们并非实测数据。
各图层如何运作、数据从何而来，以及它们无法告诉你什么： 历年各国数据
德国与印度对比
健康
人口与社会
经济
教育
政治
冲突
军用
- 军费开支德国：2025 年为 GDP 的 2.27%印度：2025 年为 GDP 的 2.3%
- 军费开支（美元）德国：2025 年为 US$1070亿印度：2025 年为 US$933亿
- 人均军费开支德国：2025 年为 US$1,346印度：2025 年为 US$63
- 军费占政府支出比例德国：2025 年为 4.5%（占政府支出）印度：2025 年为 8.2%（占政府支出）
- 武装部队人员德国：2020 年为 183,000 人印度：2020 年为 307万 人
- 国家实力德国：2022 年为 1.5%（占全球实力）印度：2022 年为 9.94%（占全球实力）
- 武装部队占劳动力比例德国：2020 年为 0.42%（占劳动力）印度：2020 年为 0.58%（占劳动力）
- 武器进口德国：2025 年为 16.3亿 TIV印度：2025 年为 28.6亿 TIV
- 武器出口德国：2025 年为 17亿 TIV印度：2025 年为 8100万 TIV