本研究主要目的是藉由"理想模式"的實驗(研究)架構來驗證統計降尺度方 法(BCCI、BCCA 和 BCCAQ)在應用於模式模擬未來的氣候推估資料時是否能維持其 統計穩定性的假設，同時依據三個面向的分析以比較上述三種統計降尺度方法的 表現並評估不同的統計降尺度方法應用於未來降尺度時其統計穩定性的表現。本 研究使用的模式資料主要分為高、低解析度兩種模式資料，高解析度的模式資料 是使用動力降尺度資料(WRF-HiRAM & WRF-MRI)(代替原本的觀測資料)，低解析 度的模式資料則又分為兩部分，分別為高解析度動力降尺度資料升尺度後而得 (簡稱升尺度部分)、原始模式資料部分(HiRAM & MRI)。而在這兩組低解析度模 式資料的降尺度中皆是使用同一組高解析度的模式資料，至於高、低解析度的模 式資料其資料時間皆分為現在時期(1979-2003 年，部分為 1979-2005 年)和未來 時期(2075-2099 年)。
本研究將現在時期和未來時期降尺度後的日降雨結果(升尺度部分、原始模 式資料部分)依據三個面向進行分析，這三個面向分別為空間型態相關性、降雨 值的強度與分布、降雨事件的連續性，表 6-1、6-2 即是將本研究應用於 WRF-HiRAM
& WRF-MRI 的三種統計降尺度方法(BCCI、BCCA 和 BCCAQ)其未來時期降尺度後的 日降雨結果(升尺度部分、原始模式資料部分)在上述三個面向中各個分析指標的 表現統整(而 WRF-HiRAM & WRF-MRI 在此兩部分的降尺度結果皆具有相當高的一 致性，並不會受不同的模式資料而影響其表現，因此此兩表格皆是將 WRF-HiRAM
& WRF-MRI 的結果平均後而得)，表 6-1 為升尺度部分的表現統整，表 6-2 則為 原始模式資料部分的表現統整。而在此僅比較未來時期降尺度後的結果表現主要 是因為在本研究未來時期降尺度後的結果其實就相當於以往傳統在做降尺度時
67
驗證期(validation periods)所得到的結果，而以往在評估並比較統計降尺度方 法的表現時，皆是著重在驗證期降尺度後的結果表現；至於升尺度部分和原始模 式資料部分的表現統整可能會有所不同，但就如第四章第二段所述，基本上原始 模式資料部分的表現統整(表 6-2)是較具參考價值的，而如果此兩部分的表現有 一致性的話則能更加地肯定此統計降尺度方法在此表現上有此特性。
首先，在空間型態相關性上的表現，現在時期皆是以 BCCA 的表現較好，其 次為 BCCAQ，BCCI 則為最差；而到了未來時期時，兩部分的結果在空間型態相關 性上的表現皆有下降的趨勢，升尺度部分變成是以 BCCI 的表現較好，其次為 BCCA，BCCAQ 則為最差，原始模式資料的部分則仍是以 BCCA 的表現較好，其次 為 BCCI，BCCAQ 則為最差；在季節上的表現，不管是現在還是未來時期這三種統 計降尺度方法的結果皆是在 4〜10 月(溼季)的表現較差、11〜3 月(乾季)的表現
68
計降尺度方法皆違反了統計穩定性的假設。而以機率分布圖(PDF)和累積機率分 布圖(CDF)則可看到，不管是現在還是未來時期，BCCA 相較於高解析度的動力降 尺度資料和 BCCI 與 BCCAQ 皆有小雨發生機率較高，中、大雨發生機率較低的情 形，也就是 BCCA 的結果在降雨強度上皆有低估的情況，且在未來時期會更嚴重，
這也是 BCCA 應用於未來時期誤差增長較多的原因。
再來，在降雨事件連續性的表現上，升尺度部分的現在時期是以 BCCA 的表 現較好，其次為 BCCAQ，BCCI 則較差，而到了未來時期時，則變成正好相反過來；
至於原始模式資料部分則是在現在和未來時期皆是以 BCCA 的表現較好，其次為 BCCAQ，BCCI 則較差，不過在此兩部分的結果皆顯示到了未來時期時，BCCA 其降 雨值的時間序列相關係數下降的最多，其次為 BCCAQ，BCCI 則下降的最少，此也 凸顯了 BCCA 此統計降尺度方法其統計穩定性較弱的問題，再加上 BCCA 的日降雨 (rx5day)的表現上，BCCA 的結果在現在和未來時期皆有低估的情形，至於 BCCI 和 BCCAQ 的結果在強度上相較於 BCCA 則是與高解析度動力降尺度資料較相近的 (雖然部分結果其氣候平均值有稍微高估的情況)。不過這三種統計降尺度方法皆 能掌握高解析度動力降尺度資料其雨日日數到未來時期時有減少的現象、年最大 單日降雨量和年最大五日累積降雨量到未來時期時有增加的趨勢，並反映在降尺 度後的結果上。
69 證了三種統計降尺度方法(BCCI、BCCA 和 BCCAQ)在應用於未來的降尺度時其統計 穩定性的表現能否遵守上述的前提假設，而評估的方式是以平均絕對誤差(MAE) 的比值(未來/現在)是否大於 1 而定，如比值大於 1 即表示統計降尺度方法在應 用於未來時期時的誤差相較應用於現在時期是要來的大，此也代表違反了上述的 前提假設，而本研究所驗證的三種統計降尺度方法(BCCI、BCCA 和 BCCAQ)其比值 皆大於 1，其中 BCCA 最大，其次為 BCCAQ，BCCI 則最小，此也表示 BCCA 的統計
70
般的表現。而由於統計降尺度方法應用於原始模式資料部分未來時期的結果表現 (表 6-2)是較具參考價值的，因此藉由表 6-2 可看出 BCCA 此統計降尺度方法相 較於 BCCI 和 BCCAQ 在應用於台灣的降尺度研究上其整體平均結果的表現是較佳 的，但在升尺度部分和原始模式資料部分皆顯示 BCCA 此方法在極端降極端降雨 指標和統計穩定性的表現上仍有其問題和隱憂，這也表示現今在應用統計降尺度 方法於評估未來區域氣候特徵時須更謹慎的使用與解讀且其統計穩定性同時是 一大考驗。
71
參考文獻
戴俐卉、洪景山、莊秉潔、蔡徵霖與倪佩貞，2008：WRF 模式臺灣地區土地利用 類型之更新與個案研究。大氣科學，36，43-62。
Barnston, A.G., M.H. Glantz, and Y. He, 1999: Predictive Skill of Statistical and Dynamical Climate Models in SST Forecasts during the 1997–98 El Niño Episode and the 1998 La Niña Onset. Bulletin of the American Meteorological Society,80,217–244,https://doi.org/10.1175/1520-0477(1999)080<0217:PSOS AD>2.0.CO;2
Bukovsky, M. S., and D. J. Karoly, 2009: Precipitation Simulations Using WRF as a Nested Regional Climate Model. Journal of Applied Meteorology and Climatology, 48, 2152–2159.
Cannon, A.J., S.R. Sobie, and Murdock T.Q., 2015: Bias Correction of GCM
Precipitation by Quantile Mapping: How Well Do Methods Preserve Changes in Quantiles and Extremes?. Journal of Climate, 28, 6938–6959,
https://doi.org/10.1175/JCLI-D-14-00754.1
Ciais, P., C. Sabine, G. Bala, L. Bopp, V. Brovkin, J. Canadell, A. Chhabra, R. DeFries, J.
Galloway, M. Heimann, C. Jones, C. Le Quéré, R.B. Myneni, S. Piao and P.
Thornton, 2013: Carbon and Other Biogeochemical Cycles. In Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V.
Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
Chen, J.-H., and S.-J. Lin, 2011: The remarkable predictability of inter-annual
variability of Atlantic hurricanes during the past decade. Geophysical Research Letters , 38, L11804.
Chu, J.-L., H. Kang, C. –Y. Tam, C. –K. Park, and C. –T. Chen, 2008: Seasonal forecast for local precipitation over northern Taiwan using statistical downscaling. Journal of Geophysical Research: Atmospheres, 113, D12118,
https://doi.org/10.1029/2007JD009424
Dixon, K.W., Lanzante, J.R., Nath, M.J. et al.,2016: Evaluating the stationarity
assumption in statistically downscaled climate projections: is past performance
72
an indicator of future results?. Climatic Change, 135: 395-408, https://doi.org/10.1007/s10584-016-1598-0
Dockrill, P.,2019: It’s Official: Atmospheric CO2 Just Exceeded 415 ppm For The First Time in Human History. Science Alert
Fowler, H.J., Blenkinsop, S., Tebaldi, C.,2007: Linking climate change
modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology, 27(12):1547–1578 Gutmann, E., T. Pruitt, M. P. Clark, L. Brekke, J. R. Arnold, D. A. Raff, and R. M.
Rasmussen, 2014: An intercomparison of statistical downscaling methods used for water resource assessments in the United States. Water Resource Research, 50, 7167–7186, doi:https://doi.org/10.1002/2014WR015559.
Hertig, E. and Jacobeit, J., 2013: A novel approach to statistical downscaling considering nonstationarities: application to daily precipitation in
the Mediterranean area. Journal of Geophysical Research: Atmospheres, 118(2):520–533
Hidalgo, H. G., Dettinger, M. D. and Cayan, D. C., 2008: Downscaling With
Constructed Analogues: Daily Precipitation and Temperature Fields Over The United States. California Energy Commission,PIER Energy-Related
Environmental Research. CEC-500-2007-123.
Hiebert et al., 2018: ClimDown: Climate Downscaling in R. Journal of Open Source Software, 3(22), 360. https://doi.org/10.21105/joss.003601
Hunter, R.D. and R.K. Meentemeyer, 2005: Climatologically Aided Mapping of Daily Precipitation and Temperature. Journal of Applied Meteorology, 44, 1501–
1510, https://doi.org/10.1175/JAM2295.1
Lanzante, J.R., K.W. Dixon, M.J. Nath, C.E. Whitlock, and D. Adams-Smith, 2018: Some Pitfalls in Statistical Downscaling of Future Climate. Bulletin of American Meteorological Society, 99, 791–803,
https://doi.org/10.1175/BAMS-D-17-0046.1
Lavell, A., M. Oppenheimer, C. Diop, J. Hess, R. Lempert, J. Li, R. Muir-Wood, and S.
Myeong, 2012: Climate change: new dimensions in disaster risk, exposure, vulnerability, and resilience. In: Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation [Field, C.B., V. Barros, T.F.
Stocker, D. Qin, D.J. Dokken, K.L. Ebi, M.D. Mastrandrea, K.J. Mach, G.-K. Plattner, S.K. Allen, M. Tignor, and P.M. Midgley (eds.)]. A Special Report of Working
73
Groups I and II of the Intergovernmental Panel on Climate Change (IPCC).
Cambridge University Press, Cambridge, UK, and New York, NY, USA, pp. 25-64 Levi, B., Bridget, L., Edwin, P. et al.,2013: Downscaled CMIP3 and CMIP5 Climate
Projections.
Maraun, D., et al., 2010: Precipitation downscaling under climate change: Recent developments to bridge the gap between dynamical models and the end user, Reviews of Geophysics, 48, RG3003, doi:10.1029/2009RG000314.
─, 2013: Bias Correction, Quantile Mapping, and Downscaling: Revisiting the Inflation Issue. Journal of Climate, 26, 2137–2143,
https://doi.org/10.1175/JCLI-D-12-00821.1
Maurer, E. P. and Hidalgo, H. G., 2008: Utility of daily vs. monthly large-scale climate data: an intercomparison of two statistical downscaling methods, Hydrology and Earth System Science, 12, 551-563,
https://doi.org/10.5194/hess-12-551-2008.
Mizuta, R., H. Yoshimura, H. Murakami, M. Matsueda, H. Endo, T. Ose, K. Kamiguchi, M. Hosaka, M. Sugi, S. Yukimoto, S. Kusunoki, and A. Kitoh, 2012: Climate simulations using MRI-AGCM3.2 with 20-km grid. Journal of the Meteorological Society of Japan, 90A, 233-258
Murdock, T.Q., Sobie, S.R. and James,M.H.,2014: Statistical downscaling of future climate projections for North America. Pacific Climate Impacts Consortium.
KM040-131148/A
Salvi, K., Ghosh, S. and Ganguly, A.R., 2016: Credibility of statistical downscaling under nonstationary climate. Climate Dynamics, 46(5): 1991–2023.
https://doi.org/10.1007/s00382-015-2688-9.
Sobie, S.R. and T.Q. Murdock, 2017: High-Resolution Statistical Downscaling in Southwestern British Columbia. Journal of Applied Meteorology Climatology, 56, 1625–1641, https://doi.org/10.1175/JAMC-D-16-0287.1
Teutschbein, C., Seibert, J. 2013: Is bias correction of regional climate model (RCM) simulations possible for non-stationary conditions? Hydrology Earth System Sciences 17(12): 5061–5077.
https://doi.org/10.5194/hess-17-5061-2013.
Themeβl, M.J., Gobiet, A. and Leuprecht,A., 2011: Empirical-statistical downscaling
74
and error correction of daily precipitation from regional climate models.
International Journal of Climatology, 31, 1530-1544, https://doi.org/10.1002/joc.2168
Vrac, M., Stein, M.L., Hayhoe, K., Liang, X.Z., 2007: A general method for validating statistical downscaling methods under future climate change. Geophysical Research Letters, 34(18):L18701
Volosciuk, C., Maraun, D., Vrac, M., Widmann M., 2017: A combined statistical bias correction and stochastic downscaling method for
precipitation. Hydrology Earth System Sciences, 21(3): 1693–1719. https://doi .org/10.5194/hess-21-1693-2017.
von Storch, H., E. Zorita, and U. Cubasch, 1993: Downscaling of Global Climate Change Estimates to Regional Scales: An Application to Iberian Rainfall in Wintertime. Journal of Climate, 6, 1161–1171,
https://doi.org/10.1175/1520-0442(1993)006<1161:DOGCCE>2.0.CO;2
Wang, J. and X. Zhang, 2008: Downscaling and Projection of Winter Extreme Daily Precipitation over North America. Journal of Climate, 21, 923–937,
https://doi.org/10.1175/2007JCLI1671.1
Wang, Y., Sivandran, G. and Bielicki, J. M., 2018: The stationarity of two statistical downscaling methods for precipitation under different choices of
cross‐validation periods. International Journal of Climatology, 38: e330-e348.
doi:10.1002/joc.5375
Washington, W. M., Weatherly, J.W., Meehl, G.A. et al., 2000: Parallel Climate Model (PCM) control and transient simulations. Climate Dynamics, 16, 755-774, doi:10.1007/s003820000079.
Werner, A. T. and Cannon, A. J., 2016: Hydrologic extremes–an intercomparison of multiple gridded statistical downscaling methods, Hydrology and Earth System Science, 20, 1483-1508, https://doi.org/10.5194/hess-20-1483-2016,.
Wilby R.L. and Wigley T.M.L., 1997: Downscaling general circulation model output: a review of methods and limitations. Progress in Physical Geography, 21,530–548.
doi:10.1177/030913339702100403
─,and Wigley T.M.L., 2000: Precipitation predictors for downscaling: observed and general circulation model relationships. Journal of Climatology, 20(6):641–661
75
Wood, A. W., Leung, L.R., Sridhar, V. et al., 2004: Hydrologic
implications of dynamical and statistical approaches to downscaling climate model outputs. Climatic Change, 62(1):189–216
─, Maurer, E. P., Kumar A., Lettenmaier D. P., 2002: Long-range
experimental hydrologic forecasting for the eastern United States. Journal of Geophysical Research: Atmospheres, 107:D20,
https://doi.org/10.1029/2001JD000659
Yang, Y., Tang, J., Xiong, Z. et al., 2018: An intercomparison of multiple statistical downscaling methods for daily precipitation and temperature over China:
present climate evaluations. Climate Dynamics, https://doi.org/10.1007/s00382-019-04809-x
─, Tang, J., Xiong, Z. et al., 2018: An intercomparison of multiple statistical
downscaling methods for daily precipitation and temperature over China: future climate projections. Climate Dynamics,52: 6749.
https://doi.org/10.1007/s00382-018-4543-2
76
附錄
https://tccip.ncdr.nat.gov.tw/km_faq_one.aspx?kid=20150408134944 圖 1-1 氣候變遷導致的暖化趨勢如何影響極端事件示意圖。a)當平均值改變時 對極端事件發生機率的影響，b)當變異數改變時對極端事件發生機率的影響，c) 當氣候變化時對極端事件發生機率的影響。
77
（來源: Union of Concerned Scientists 網站 根據: IPCC SREX, 2012 整理）
圖 1-2 氣候變遷對極端氣候事件的影響，根據科學證據充分程度由左至右漸強 (50〜100%的可能性)。
Sobie et al.,2014
圖 1-3 PCIC 於 2014 年報告裡依據三個分析面向所通過的檢定(百分比)比較不 同統計降尺度方法的表現。
78
Sobie et al.,2014
表 1-1 PCIC 於 2014 年報告裡依據三個分析面向所通過的檢定百分比將不同的統 計降尺度方法其表現做比較並排名。
表 2-1 本研究所選用之動力降尺度資料(高解析度模式資料)介紹。
動力降尺度資料 (高解析度模式資料)
WRF-HiRAM WRF-MRI
時間解析度 皆為日平均降雨資料(單位:mm/day) 空間解析度 皆為 5km x 5km(約為 0.05˚x 0.05˚)
區域範圍 皆為台灣區域(120˚E~122˚E；21.5˚N~25.5˚N)
時間範圍
現在時期:1979-2005 年 (升 尺度部分)
1979-2003 年(原始模式資料 部分)
未來時期:2075-2099 年(RCP
未來時期:2075-2099 年(RCP