為了公平客觀的比較地面觀測資料與 GSMaP 在台灣的降雨空間分布，因此 先將GSMaP 各版本資料範圍調整成 120.05°E~121.95°E,21.95°N~25.25°N，接著 將地面測站網格化資料由原始解析度 0.0125°x0.0125°升尺度成 0.1°x0.1°，與 標準化(Normalization)後再作機率密度函數(Probability Density Function, PDF)(圖 3-2)，其中標準化是所有格點在不同 bin 中所占的比例，以百分比的方式計算。
由於強降雨率次數相對於整體資料占的比例相當少，因此再對標準化後的次數 (Y 軸)取對數，可以較明顯看出強降雨 bin 的次數分布。結果顯示 GSMaP 各版 本資料在降雨率大於33.5mm/hr 以上每個 bin 值大多以 GSMaP RNL 次數最多。
另外，由於演算法所使用到的衛星傳感器(sensor)不同而有不同的降雨率限制，
10
因此分別在 160mm/hr (AMSU/MHS sensor 限制)與 180mm/hr 有所限制，尤其 200mm/hr 更可以更明顯看出 GSMaP RNL、GSMaP MVK V6、GSMaP MVK V7 對於超過200mm/hr 的降雨率有最大限制，但 GSMaP MVK V5 相對於其它版本 7.85%，GSMaP MVK V5 則嚴重低估 52.66%且絕對偏差值(Absolute bias)的值與 相對偏差相同，代表整個區域的每一個網格點全部小於相對應地面觀測資料的 每 一 個 網 格 點 。GSMaP MVK V5 低 估 的 情 形 則 與 過 去 的 研 究 結 果 相 符 (Seto,2009;Shrestha et al.,2011;Setiawati et al.,2013)。
綜合上述探討，在年平均分布情形方面，GSMaP 各版本資料對於台灣南部 的掌握性較好，其中GSMaP RNL 與 GSMaP MVK V6 也掌握了台灣東北部區域 的降雨，GSMaP MVK V7 則掌握中部山區的降雨特徵。從台灣年平均降雨量的 偏差值大小顯示 GSMaP MVK V5 相對於其他版本資料的誤差最大。PDF 的分 布結果也顯示GSMaP MVK V5 整體降雨強度最弱，但對於強降雨的少數格點具 有嚴重高估的情況，並非如GSMaP RNL、GSMaP MVK V6 與 GSMaP MVK V7
11 風影響(Tao et al., 2000;Chen and Chen, 2003)，以對流性降雨為主要特色，降雨量 在南部山區西側較多。秋季受東北季風影響，東北部區域迎風面為主要降雨區，
降雨型態又漸轉為較穩定的降雨。上述的季節性降雨特色空間分布也能與本研 究中的地面觀測資料相對應(圖 3-4a)，然而 GSMaP 各版本資料(圖 3-4 b-e)在冬 季降雨的部分對於北部掌握能力皆有不同表現，其中 GSMaP RNL 對於東北部 降雨區域掌握最為良好，GSMaP MVK V5 對於東北部沿海區域無法掌握到較大
12
的降雨，GSMaP MVK V6 與 GSMaP MVK V7 則是突顯了中部山區的降雨。
GSMaP 各版本資料對於春季北部降雨分布掌握能力則是相當不錯(圖 3-4)，尤其 GSMaP MVK V6 和 GSMaP MVK V7 對於台灣中部山區的降雨分布的掌握更是 優越。從 GSMaP 各版本資料中可以發現梅雨季降雨分布情形相當不一致，
GSMaP RNL 主要降雨區集中在台灣西南側；GSMaP MVK V5 主要降雨區集中 在台灣南部；GSMaP MVK V6 和 GSMaP MVK V7 主要降雨區則是集中在台灣
13
14
要發生在傍晚。由圖中地面觀測資料得知在乾季日循環分布(圖 3-5a、b)的降雨 平均值日夜差異不大，這是因為乾季主要以層狀性降雨為主，因此並無明顯存 在午後對流的特徵出現。在 GSMaP 衛星資料的部分得知 GSMaP MVK V6、
GSMaP MVK V7 在夜間有略微高估；GSMaP RNL、GSMaP MVK V5 有低估的 情況，但透過平均誤差的計算來看(表 3-4d)，實際差異並非相當大。在濕季(5~10 月)的部分受到颱風、梅雨、午後對流等對流性降雨為主，因此全島平均降雨值 在每個小時的平均皆比乾季來得大。以梅雨季的小時CC(表 3-4b) 與 RMSE(表 3-4c)、ME(表 3-4d)來看，GSMaP MVK V7 在梅雨季的日循環掌握為所有版本之 中最好。雖然夏季的CC 以 GSMaP MVK V5 最好，但是有明顯低估的情形，由
15
-18 時，圖 3-6a、3-7a、3-8a 之紅色方框部分)。然而，透過空間差異(GSMaP 各 版本資料-地面觀測資料)來看，梅雨季(圖 3-6 b-e)與夏季(圖 3-7 b-e)的部分，
GSMaP 各版本資料對於台灣山區的午後對流皆有低估情形，但是對於清晨沿海 地區的降雨反演高估，尤其以 GSMaP RNL 與 GSMaP MVK V6 較明顯。在夏 季，GSMaP RNL(圖 3-7b)清晨反演台灣西側、GSMaP MVK V6(圖 3-7c)清晨反 演台灣東側降雨高估的情形皆相當嚴重(與圖 3-6d 的結果相符)。秋季(圖 3-8)午
16
知過去林與洪(2013)提到夏、秋兩季為颱風季的前後期，且由前述分析得知 GSMaP RNL、GSMaP MVK V6 在濕季清晨有明顯高估的情況，尤其在夏季更是 明顯，高估情況是否為颱風影響之降雨造成，將在本節探討。 點累積平均樣本數分布(Normalization hourly sample size)，為颱風中心經過台灣海 岸線向外延伸三百公里內各小時時間點累積後再除以年份，是為平均每個季節每
17
18 去評估午後對流(Convection Afternoon Precipitaion，簡稱 CAP)與颱風降雨(Tropical Cyclones Precipitation，簡稱 TCP)。雖然在上一個章節已經有探討颱風降雨的部 分，但重點仍是在強調第六版演算法高估的情形，接下來將著重探討午後對流及 颱風降雨，除了評估 GSMaP 不同版本對於降雨類型的掌握能力外，更探討其掌 握能力優劣的可能原因。為了區分不同降雨類型的雨日，在本研究中午後對流 (CAP)的部分，主要依據 Huang et al. (2016)透過日本氣象廳(JMA)的天氣圖、紅外 線雲圖、降雨分布圖與大尺度、局部的大氣環境條件所篩選後的雨日類型作為分 類依據(e.g., Wang and Chen, 2008; Huang and Chan, 2014; Huang and Chen, 2015)。
颱風降雨(TCP)的部分則是透過前一章節篩選的方式(颱風中心進入台灣海岸線向
4-2 颱風降雨(Tropical Cyclones Precipitation)
這部分主要探討颱風降雨的部分，其定義與前一章節相同(颱風中心進入台 灣海岸線向外延伸三百公里範圍內之降雨)。2000~2018 年之所有西北太平洋颱