2005; Min et al., 2011; Orlowsky and Seneviratne, 2012; Min et al., 2013)，但其重點 多放在全球平均值的狀況，亞洲地區則著墨不多。另外，從氣候上的觀點，夏季 極端降雨事件(颱風、梅雨鋒面…等降雨型態)發生時間多涵蓋於的亞洲夏季季風 (Asian Summer Monsoon, ASM)所伴隨的氣候型降雨(Wang and LinHo, 2002)，且 肇始期間常伴隨著大量而持續性的降水。因此本研究將以這 2 種短期而極端與長 期而緩慢的天氣與氣候事件為主題，探討亞洲地區過去的氣候與未來的推估。
近年來全球暖化伴隨而來的氣候變遷，導致極端事件發生頻率變化的議題受 到科學家高度關注。Meehl et al. (2000)就統計上的觀點提出氣候變遷可能導致極 端事件發生頻率的增加，溫度的平均值增加或是統計分布上標準差變化，在未來 Phase-3) CGCM(coupled general circulation model)的模擬未來 3 種暖化情境下的 極端事件變化，證實這個觀點。Min(Min et al., 2011; Min et al., 2013)則應用統計 的方法，將模式中人為因子(工業發展排放溫室氣體、地貌改變…等)與自然因子
2
(火山爆發、太陽黑子的變動…等)的訊號分離，證實造成極端事件頻率增加的主 要貢獻為模式中的人為因子。
當使用模式資料分析極端事件時，特別是多模式系集平均 (Multi-Model Ensemble mean, MME)，值得注意的是改變資料解析度所造成的空間頻散效應 (areal reduction)。Chen and Knutson (2008)提到處理極端指標的過程，改變解析度 要特別注意空間頻散因子可能造成分析結果錯誤的後果。如何應用可能性指標 (Probability Index, PI)分析極端值處理解析度改變所伴隨之空間平均值變化的問 題(特別是極端降水)在本文 3.1 節亦會討論。本研究對於極端事件頻率的討論，
在溫度指標方面使用夜最低溫(cold night, TNn) 、夜最高溫(warmest night, TNx)、
日最低溫(cold day, TXn)及日最高溫(warmest day, TXx)；在降水指標方面則使用 單日最大降雨(maximum 1-day precipitation, rx1day)。而我們使用的可能性指標分 析方法，已經應用於許多過去類似的研究(Min et al., 2009; Zwiers et al., 2010; Min et al., 2011; Min et al., 2013)。
為什麼要使用降雨量做為夏季季風肇始指標的評斷因子？在亞洲的許多國 家，夏季季風的肇始即表示每年的防汛期的開始。Wang and LinHo (2002)提到夏 季季風的降雨除了是季節變化時能量轉換的重要因子之外，也可以做為量測季風 肇始的指標。相較於使用環流的大尺度環境場因子(風場、壓力場、溫度場…等) 做為指標偵測亞洲夏季季風強度、肇始時間及推演的方法(Wang et al., 2008; Li and Zhang, 2009)，使用降雨因子的方法更為準確而一致性，且用於驗證模式模擬 結果則更為廣泛使用(Kitoh and Uchiyama, 2006; Sperber et al., 2012; Kitoh et al., 2013)。但也有許多質疑使用降雨因子做為模式模擬季風肇始指標，除了因為模 式本身降雨的系統性誤差之外，許多模式模擬都低估東亞地區的季風降水量的情 況(Sperber et al., 2012; Kitoh et al., 2013; Lee and Wang, 2014)。為減少模式間系統 性誤差，本篇研究參考 Kitoh and Uchiyama (2006)的標準化做法，經由年降雨量 的累積機率函數 CDFs(cumulative distribution functions)求得各別模式的特徵肇始
3
的門檻值。對於季風肇始降雨空間分布，Lin et al. (2008)分析 14 個 CMIP3 CGCM 模擬結果，發現模式使用不同深對流參數化法(deep-convection scheme)，主宰著 季風降雨的空間分布。因此我們將依據各別模式所使用的深對流參數化法分組分 析確立這個論點，做為將來分析季風降雨選擇模式的參考依據。
近年發表對於使用降雨資料分析季風的未來推估研究(Hsu et al., 2012; Kitoh et al., 2013; Lee and Wang, 2014)，大多局限在全球的變化，對於各別地區(如亞洲 地區)雖然有提到但多只概略描述，主要原因是受限於分析模式模擬過去氣候的 夏季季風時，系統性誤差導致驗證結果不佳。本篇研究雖然只著重在亞洲地區，
但時空解析度更高、驗證結果更好，將使得用在未來推估的可信度更高。此外 2 種不同程度的暖化情境被使用(詳細描述在 2.2 節)，將用來比較不同程度的暖化 所造成的各種效應(如季風降雨區域與強度的變化)。我們參考 IPCC AR5 針對模 式未來的推估，不使用絶對性的結果，相對不確定性分析方法(Mastrandrea et al., 2011)將可提供一種可能發生的情況。
本篇論文的結構大致如下：第二章描述使用資料與分析方法，第 3.1 節描述 從觀測與模式驗證亞洲的極端事件發生情況與趨勢，而亞洲的夏季季風降雨的驗 證在第 3.2 節。第 3.3 節則是未來的氣候變遷的背景下推估，以及第四章的結論。
4 溫度觀測資料。本研究使用英國氣象哈德雷中心(Met Office Hadly Centre)搜集長 期地面測站觀測每日溫度資料產製全球氣候極端指標 HadEX2(global climate extreme indices)。使用其中 4 種溫度指標包括有每日夜最低溫(cold night, TNn)、
日最低溫(cold day, TXn) 、夜最高溫(warmest night, TNx)及日最高溫(warmest day, TXx)；而降雨指標則是用單日最大降雨(maximum 1-day precipitation, rx1day)。全 球測站極端溫度指標資料內差成為全球 3.75 °X 2.5°(longitude X latitude)解析度 之網格(Donat et al., 2013)。
另外為進一步分析亞洲地區極端降水事件與夏季季風肇始指標，使用的是美 國 國 家 環 境 預 報 暨 大 氣 研 究 中 心 (NCEP/NCAR) 的 CMAP[Climate Prediction Center (CPC) Merged Analysis of Precipitation]；美國國家太空總署(NASA)產製之 GPCP(Global Precipitation Climatology Project)，兩者解析度同樣為全球 2.5 °X 2.5
°；日本水氣與自然研究組織暨氣象局[Research Institute for Humanity and Nature (RIHN) and the Meteorological Research Institute of Japan Meteorological Agency (MRI/JMA)]搜集亞洲地區雨量觀測站資料產製之 APHRODITE(以下為 aphro) 其 解析度為 0.25 °X 0.25°。以上 3 筆資料使用區間同樣為 1981-2000。另外 NASA 與 日 本 航 太 探 測 局 (Japan Aerospace Exploration Agency, JAXA) 合 作 產 製 TRMM(The Tropical Rainfall Measuring Mission) 的日降水資料，資料區間為