間訊號有混雜分不清楚的情形，因此利用變異數最大化旋轉(varimax rotate)，
即旋轉 EOF(REOF)。
取六組主模(mode)進行 REOF 後，得到主模的空間訊號(特徵向
量,eigenvector)和時間訊號(主成份 principle component)，空間訊號部分顯 示 2-2 節定義的梅雨期間「梅雨日」的降水空間分布類型，共有六種降水空間型 態分佈(spatial pattern)。
分析出六種空間型態分佈後，與 2-2 節的「梅雨日」、「梅雨事件」發生日期進行 相關係數分析，根據相關係數大小，進行分類。每個發生日期分別會對應到六種 空間型態分佈。
將發生日期的 1km 日降水網格資料進行平均，得到六種空間型態分佈(mode) 實際降水量的平均雨量分布。同時，讀取六種空間型態分佈發生日期的歐洲中期 天氣預報中心(European centre for Medium-Range Weather Forecasts, 即 ECMWF)六小時為單位的全球再分析環流觀測資料(European
Reanalysis-Interim,即 ERA-Interim)，讀取觀測資料後減掉氣候值得到環流距 平場。
2-2 梅雨日、梅雨事件定義
梅雨指的是每年 5-6 月臺灣發生的降雨事件，降雨型態以梅雨鋒面降雨為主，
以綿綿細雨到強降雨皆有。首先，本研究將 1960 到 2016 年 5-6 月期間雨量總和 大於年雨量總和 30%地區劃分出來如圖 2-2-1，將此定義成「梅雨區」。定義出梅
7
經驗正交函數分析方法(Empirical Orthogonal Function,EOF)，是一種抓 取矩陣中的主成份，以分析多維矩陣資料中的特徵變化，又稱為主成份分析 (Principal Components Analysis,PCA)(龔道溢，2013)，是因素分析方法之一。
凡任一種現象，在未明白結構前，可先搜集許多被認為有關的變數;這些變數之 間，具有強弱不等的相關性。凡相關性強的變數，互相結合為一組，稱為這現象 的主成份（Principal Component），主成份的特徵量（Eigenvalue）越大，能解 釋的變數愈多（梁蘄善,1991）
8
相等最大(Equamax)等，本研究使用最大變異數方法，將 EOF 分析後的主因素進 行旋轉，旋轉經驗正交函數分析方法(rotated-EOF,REOF)
(三)空間相關係數分析
相關係數分析(correlation coefficient)是用來測量變數之間關聯性強弱 的統計方法。相關係數由皮爾森(Pearson)提出，因此又稱 Pearson correlation coefficient)，用於描述變數間相關性的強弱，一般用 r 來表示，相關係數大小 介於-1 至 1 之間，正號表示變數之間存在正相關關係。反之，負號表示變數之 間存在負相關關係。數值大小表示關聯性的強弱，數值越趨向 1 表示相關性越高，
數值越趨向 0 表示相關性越低。
(四)拔靴法
拔靴法(Bootstrap)是一種統計檢定的方法，由 Efron 於 1979 年提出，用來 檢定統計資料的線性趨勢分佈。方法是將統計資料庫中原有的資料排序打散重新 排列，計算打散後的資料分佈趨勢。本研究中，將空間型態分佈發生次數的時間 排列打散，重新排列後計算線性趨勢，並將線性趨勢結果與原始資料所計算的線 性趨勢做比對，以檢驗是否通過信賴水準。
9
圖 2-2-1 1960-2016 年 5-6 月雨量佔全年年雨量≧30%地區
10
圖 2-2-2 1960-2016 年 5-6 月日降水大於等於 50mm 為梅雨日(彩色格子)，顏色 表示網格點數量，梅雨日前後日降水大於 1mm 為梅雨事件(灰色格子)
11