動力降尺度之情境資料

本研究的災害風險圖之氣候變遷情境資料，主要是來 TCCIP 計 畫所產製之動力降尺度高解析度網格雨量資料。氣候變遷情境資料應 用於風險圖分析之流程，如圖 2.2.1 所示。由於臺灣的資源與技術，

無法尚未自行發展全球大氣環流模式，故本研究先行採用日本氣象廳 之氣象研究所(Meteorological Research Institute, MRI) 發展的高解析 度 大氣環流 模式 (Atmospheric General Circulation Model ， 簡稱為 MRI-JMA AGCM)模擬出的氣候推估結果，作為初始場及邊界條件進 一步進行動力降尺度以獲得更高解析度之資料以應用於臺灣。

16

圖 2.2.1 淹水與坡地風險圖之氣候變遷情境資料評估流程

MRI-JMA AGCM 係根據日本氣象廳原有用在天氣預報作業的數 值模式所發展而成，水平解析度約為 20 公里，為一非常高解析度的 全球模式。此模式採分段模擬(又稱為時間切片，time slice)基期 (1979~2003 年)，近未來(2015~2039 年)以及世紀末(2075~2099 年)等 三個時期的氣候推估，所使用之氣候變遷情境為 A1B 情境。

由於全球大氣環流的模擬，需要耗費的時間與經費相當高，故各 國再模擬多是選擇分段模擬的方式，進行氣候變遷情境推估。日本 MRI-JMA AGCM 的模式，是以 1979~2003 年視為在未受到氣候變遷

17

衝擊下的比較基準，由於大氣模擬模式的不確定性相當高，故模擬時 多是以 20 年~30 年期間的平均特性代表該時期的氣候特性，進而為 了讓人類感受到二氧化碳排放濃度是會明顯造成氣候變異的衝擊，讓 決策者能提早做出相關的因應對策，故各國在模擬時會進行近未來的 模擬，日本模式則是以 2015~2039 年可能的二氧化碳的排放情境，表 示近未來可能造成的氣候變遷衝擊。另外，由於氣候變遷是屬於長時 間的衝擊且不確定性較高，二氧化碳濃度的改變對氣候變遷造成的影 響，需要數十年才易看出氣候的變化，故多數國家再進行大氣環流模 式模擬時，會進一步模擬世紀末可能的氣候變遷情形，在日本的模式 中則是以 2075~2099 年期間表示世紀末可能的氣候特性。

由於 20 公里的解析度對於呈現台灣集水區尺度之降雨事件空間 特性仍顯不足，故 TCCIP 計畫以美國大氣研究中心(NCAR)所發展的 天氣研究與預報模式系統(Weather Research and Forecasting modeling system，簡稱為 WRF 模式)進行區域動力降尺度，產製出水平空間解 析度為 5 公里、時間解析度為 1 小時之降雨推估資料(該資料後續簡 稱為 MRI-WRF)，此資料於全臺灣共 1566 個網格。

由於 MRI-WRF 動力降尺度所模擬之降雨資料，無法模擬歷史颱 風發生之時間點，而是嘗試重現歷史颱風之特性，例如路徑、總降雨

18

量、氣壓等。然而動力降尺度所依賴之數理模式並無法百分之百的描 述大氣變化特性，存在所謂的模式不確定性(model uncertainty)，為確 保動力降尺度資料應用於降雨事件特性分析時，能反映觀測資料之統 計特性，本研究利用測站觀測資料對動力降尺度資料進行偏差校正 (bias correction)。

(一)颱風事件雨量資料偏差校正

偏 差 校 正 方 法 採 用 累 積 機 率 密 度 函 數 (Cumulative Density Function, CDF) 對應法(Piani et al. 2010a; Piani et al. 2010b)，其目的在 於 使 MRI-WRF 模 式 推 估 資料 與測 站 觀 測 資料 具有 相 同 之 母體 (population)分布特性，以使模式推估資料與觀測資料具有相同之統計 特性，例如平均值、標準偏差等。校正過程示意如圖 2.2.2 所示，其 中 X 為校正前之 MRI-WRF 推估降雨，Xc 為校正後之降雨。

圖 2.2.2 偏差校正示意圖

19

圖 2.2.2 偏差校正示意圖

由於台灣地區造成淹水災害的強降雨事件主要為颱風事件，故本 研究僅針對颱風季節之降雨事件進行偏差校正。MRI-WRF 動力降尺 度可模擬颱風路徑、氣壓等資訊，故可推估颱風中心位置，並由大氣 領域之定義(颱風中心距離台灣沿岸 300 公里內)決定颱風事件，其在 基期所挑出之颱風事件數共 88 場。測站觀測資料依據相同定義所挑 出的颱風事件則有 109 場。

(二)颱風事件雨量偏差校正結果

為比較颱風降雨事件於偏差校正前後之差異，針對歷史觀測與 MRI-WRF 之颱風事件計算其平均颱風事件總降雨量，結果如圖 2.2.3 所示。可發現相較於觀測資料的特性而言，MRI-WRF 在校正前的總 降雨率明顯偏低，而校正後其平均總降雨量與觀測之分布較為接近，

由此可知偏差校正改善了 MRI-WRF 於颱風事件降雨量低估的問題。

20

測站觀測 MRI-WRF 校正前 MRI-WRF 校正後

圖 2.2.3 校正前後颱風事件平均總降雨量比較

(三) 降雨資料頻率分析

經過偏差校正後的 MRI-WRF 時雨量序列，以每個網格為單元，

計算連續 24 小時降雨量之年最大值序列，進行水文頻率分析。

針對不同時期(基期、近未來、世紀末)分別計算每年之連續 24 小時之年最大值序列(例如：基期為 25 年，則有 25 筆年最大值資料)，

並推估此年最大值序列之統計分布，推估過程中選用極端值一型、對 數常態與皮爾遜第三型分布(PT3)等。經統計檢定後，大部分網格點 皆通過檢定為 PT3 分布，而後根據不同目的之需求設定降雨門檻值，

例如 600mm 或 350mm 等，透過前述所推估之 PT3 理論分布，利用 下式計算連續 24 小時累積雨量超過門檻值(例如：𝑥_𝑇=600mm)之超越 機率，其中 T 為重現期：

P(X ≥ 𝑥_𝑇) = ¹

𝑇 (式 2.2.1)

21

依據不同災害特性，設定降雨門檻值，以計算降雨指標於三個推 估時期發生之機率，以淹水災害風險圖為例，即計算 25 年當中，連 續 24 小時累積雨量超過 600mm 發生之機率(P(X≧600))作為危害度 指標；而坡地災害風險圖中之則是以連續 24 小時雨量超過 350mm 發 生之機率(P(X≧350))作為危害度指標。

22