肇始(onset)、消退(retreat/withdraw)與持續(duration)

圖 3.2.5描述觀測(GPCP)與 MMEs 的夏季季風肇始時間演進分析。觀測資料

的肇始消退時間以不同顏色的色帶(May: 25-31 ptd; Jun: 31-37 ptd; Jul: 37-43 ptd;

Aug: 43-49 ptd; Sep: 49-55 ptd; Oct: 55-61 ptd; Nov: 61-67 ptd)表示，使用這個方法 (Wang and LinHo, 2002)的肇始有 2 個特徵時期：第 1 時期：4 月底到 5 月初期間 最早發生於孟加灣東南部，接著降雨帶往北移至中南半島；同時期 5 月中降雨帶 發生在的梅雨鋒面(滯留鋒在台灣與中國稱為梅雨；到日本稱 baiu；到韓國稱 Changma)盛行區域，從台灣、東海、日本南部一直往東北延伸；並且同樣是 5

16 8-10(ptds)，中南半島則是提早 1-2(ptds)。CMIP5 特別的是在印度半島北部差異 不明顯、中部為提早、南部延後；CMIP3 則整個半島都延後。另外 CMIP5 在 度梯度建立較晚(Kawamura, 1998)。在觀測資料部份，在 5 月時於中南半島的上 對流層(200 – 500 hPa)暖化，伴隨出現的西南風引導著夏季季風的水氣傳送，而 5 月時在模式部份則不是很顯著(圖 3.2.6c, e)。也因為相對較弱的西南風而導致無 法建立完整降雨系統，並出現降雨量低估的情況，且暖心也直到 6 月才出現(圖

3.2.6d, f)。儘管模擬的暖心比觀測的較弱(圖 3.2.6b)，但其伴隨傳送水氣的西南風

依然可以提供模式夏季季風的肇始。表示模式模擬的季風降雨與其大尺度環流有 著閉密的關係(Wang and LinHo, 2002; Inoue and Ueda, 2009)。

使用泰勒分布比較各別模式的結果(圖 3.2.7)。在肇始時間空間分布(圖 3.2.7a)，

17

紅色的 CMIP5 群組相較於藍色 CMIP3 群組較高的 r 與較低的 rmse，其代表的 MMEs 也同時展現這樣的結果。另外使用觸發深對流參數化法(bulk|CAPE、

Kuo-Type Moisture Convergence 與 CAPE/threshold)的模式也表現較好的結果(圖 3.2.7a、表 2.1.1)(ACCESS1.0, CNRM-CM5, HADGEM2-ES 與 gfdl_cm2_0)。消退 時間部份(圖 3.2.7b)2 組差異不大，模擬結果較差是使用 CAPE 參數化法 CMIP3 的 ncar_pcm1(r=0.158)。持續時間(圖 3.2.7c)部份，CMIP5 MME(r=0.812)比 CMIP3 MME(cor=0.755)結果較佳。總體而言，模式模擬季風降雨肇始時間(CMIP5：r=0.76, rmse=6.19；CMIP3：r=0.64, rmse=7.13)普遍較困難，相較消退時間(CMIP5：r=0.77, rmse=5.71；CMIP3：r=0.71, rmse=6.25)則有較好的結果。詳細統計係數列於表 2.1.1。持續時間不論是各別模式或 MMEs 都是 3 個季風降雨特徵時間模擬之中 最好的。說明 CMIP CGCM 雖然季風肇始時間結果不佳，但持續時間表示的季風 期間累積降雨時間長短，其可預報度相當高(CMIP5：r=0.81, rmse=6.88；CMIP3：

r=0.76, rmse=7.54)。

模式與觀測的驗證除了計算 2 者相同覆蓋區域做統計運算(相關係數與均方 根誤差)外，模式相對於觀測是否同樣出現季風訊號亦是本研究關心的重點。以 下的分析參考 Sperber et al. (2012)與 JWGFVR(Joint Working Group on Forecast Verification Research)針對模式的預報能力做驗證檢定。先定義以下 4 種狀況：表

3.2.1 為模擬(model)與觀測(obs)可能出現的狀況表。模式出現訊號而觀測也有為

a；模式有訊號而觀測沒有為 b；模式沒有訊號而觀測有為 c；模式沒有訊號而觀 測也沒有為 d。所有的模式分析結果都對應觀測結果得到以下 2 種得分：(1)命中 率(hit rate)算法為(a+d)/(a+b+c+d)。將所有網格點都加入，計算模式命中與不命 中(相對於觀測)的比率；預兆得分(threat score)則是 a/(a+b+c)。去除所有(含 model 與 obs)沒有訊號的網格點，只計算模式命中觀測的比率。若分 2 組 CMIP CGCMs 做比較(圖 3.2.8a)，發現紅色 CMIP5(MME hit rate=0.927; threat score=0.827)相較 於藍色 CMIP3(MME hit rate=0.913; threat score=0.795)較具有預報能力，整體上

18

CMIP5 的各別模式也都比較偏右上角，反映其相較於 CMIP3 有較好的預報能力。

比較 Sperber et al. (2012)(Table 2)季風肇始時間使用固定門檻值分析的結果 (CMIP5 hit rate=0.844, threat score=0.625; CMIP3 hit rate=0.821, threat score=0.573)，發現用模式特徵門檻值的方法，一致性的有較好的預報能力。值 得注意的是另一個觀測資料(CMAP hit rate=0.945;threat score=0.875) 分析結果，

說明 2 筆觀測資料因不同演算法所產生不確定性的結果。詳細預報技術得分統計 係數列於表 2.1.1。

考慮模式使用不同參數化法影響季風降雨的變化，我們用 4.2.3 節的分類方 法做 CMIP CGCMs 預報能力的比較。圖 3.2.8b表示使用包含有觸發深對流機制 的 bulk|CAPE 的參數化法有最好的預報能力；使用整體氣塊通量法(bulk mass flux convection scheme)次之；而多數模式使用的對流可用位能法(CAPE)與其它(other) 參數化法相對較差。相似於 Lin et al. (2008)分析 14 個 CMIP3 模式降雨資料應用 於 MJO(Madden-Julian oscillation)的結果分析所發現，觸發深對流方式的參數化 法於夏季季風降雨推演能有比較好表現。

許多人認為使用權重系集平均法(unequal-weighting MME)或是表現較佳模 式系集平均法(best-models MME)，比等權重多模式系集平均法(equal-weighting MME)的分析結果有較好的結果呈現。Knutti et al. (2010)發現也許在過去氣候模 擬那些表現較好的模式，並不表示同樣的表現結果能完全套用在未來推估，因為

19