氣候變遷下的亞洲 – 極端事件與夏季季風

全文

(1)國立臺灣師範大學地球科學所博士論文. 指導教授：陳正達博士. 氣候變遷下的亞洲 – 極端事件與夏季季風 Changing climate in Asia – Extreme events and summer monsoon. 研究生：童裕翔.

(2) 摘. 要. 近年研究全球極端事件發生頻率的趨勢重點多放在全球平均值的表現，亞洲地區的內容則不多。當使用模式資料分析極端事件時，改變資料解析度造成的空間頻散效應(areal reduction)造成分析結果錯誤常被忽略。夏季極端降雨事件(如颱風)降雨型態，發生時間多涵蓋於的亞洲夏季季風(Asian Summer Monsoon, ASM) 所伴隨的大量而持續性的氣候型態降雨。過去用模式降雨資料分析亞洲季風推演時間常因為東亞地區缺乏降雨的系統性誤差而失去預報準確率。因此，本研究將應用一般極值分布(Generalized Extreme Value distribution, GEV)，把溫度與降雨的極端值轉換為可能性指標(Probability Index, PI)，減少各別模式間的不確定性與因改變解析度造成的空間頻散。另外，ASM 的肇始(消退)時間則將 5 天的氣候降水平均(Climatology Pentad precipitation Mean, CPM)轉換為季風降雨指標比(ratio of monsoon precipitation index, RPI)，並運用各別模式的特徵門檻值，表現其季風肇始能力。觀測極端溫度變化趨勢空間分布發現，全球低溫事件比高溫事件有較多的正趨勢含蓋範圍且變化幅度較大，而模式的各種溫度指標都普遍正趨勢。亞洲地區氣候長期趨勢而言，極端低溫事件頻率(TNn 與 TXn)在減少，說明氣候變遷(暖化)的趨勢。而極端高溫事件部份，夜晚高溫(TNx)在 1980 年代後頻率開始增加，但白天高溫(TXx)沒有明顯的趨勢。觀測極端降雨資料(rx1day)在人口稠密的亞洲地區陸地，1990 年代為上升的趨勢。模式則無明顯的趨勢。在改變模式解析度的過程中，各別模式在原始解析度即應取得其極端指標，以避免產生空間頻散效應，失去模式原本應有的強度表現。從模式降雨資料分析亞洲季風推演(肇始、消退與持續)時間的分析，發現使用各別模式特徵門檻值比固定門檻值的預能力更好； CMIP5(Couple Model Intercomparison Project Phase-5)的結果比 CMIP3(Couple Model Intercomparison Project Phase-3)更好，特別是在熱帶強降雨的區域。應用觸發對流方式的參數化.

(3) 法(bulk|CAPE)的模式於季風降雨推演變化能有較好的表現。季風覆蓋面積雖然模式驗證結果相較觀測為低估，但強度則有很高的相似性，說明模式可以在有季風訊號的區域準確描述季風強度與降雨型態。兩種不同暖化情境下，ASM 肇始時間稍微提早；消退時間則是明顯推遲，印度半島附近區域持續時間主要因為消退時間的推遲。而在東北亞地區與西北太平洋(West-North Pacific, WNP)東部則因肇始時間提早同時消退時間也延後，使得持續時間延長的幅度較大。由不確定性分析也得到未來可能發生(likely)的類似結果，且強暖化情境愈嚴重推遲與延長的情況愈明顯。本研究在夏季季風的未來推估部份若能增加定性上的分析，將有助於完整描述氣候變遷下的亞洲夏季季風。關鍵字：氣候變遷(climate change)、極端事件(extreme event)、季風肇始(monsoon onset)、一般極限值(GEV)。.

(4) 目. 錄. 表說……………………………………………………………………………. I. 圖說……………………………………………………………………………. I. 第一章前言…………………………………………………………………. 1. 第二章資料使用與分析方法………………………………………………. 4. 2.1 資料使用………………………………………………………………. 4. 2.1.1 觀測資料…………………………………………………………. 4. 2.1.2 模式資料…………………………………………………………. 5. 2.2 分析方法………………………………………………………………. 6. 2.2.1 極端事件指標……………………………………………………. 6. 2.2.2 可能性指標(Probability Index, PI) ………………………………. 6. 2.2.3 亞洲夏季季風肇始與消退………………………………………. 7. 2.2.4 統計分析…………………………………………………………. 8. 第三章模擬過去氣候的驗證………………………………………………. 9. 3.1 極端指標………………………………………………………………. 9. 3.1.1 解析度變化的效應………………………………………………. 9. 3.1.2 極端溫度…………………………………………………………. 10. 3.1.3 極端降雨…………………………………………………………. 12. 3.2 亞洲夏季季風(ASM) …………………………………………………. 13. 3.2.1 觀測與模擬的降雨氣候型態……………………………………. 13. 3.2.2 季風降雨指標比(RPI)的應用……………………………………. 14. 3.2.3 深對流參數化法(deep convection scheme)分類討論……………. 15. 3.2.4 肇始(onset)、消退(retreat/withdraw)與持續(duration) …………. 15. 3.2.5 夏季季風的強度與覆蓋區域驗證………………………………. 19. 第四章亞洲夏季季風未來推估……………………………………………. 21. 4.1 肇始、消退與持續時間………………………………………………. 21. 4.2 季風覆蓋範圍與強度的變化…………………………………………. 22. 4.3 季風大尺度環流場的變化……………………………………………… 24 第五章結論…………………………………………………………………. 25. 參考文獻………………………………………………………………………. 27. 圖表……………………………………………………………………………. 30.

(5) 表. 說. 表 2.1.1 CMIP CGCM 模擬資料使用列表。下表為本篇使用 CMIP5(18 個)與 CMIP3(15 個)的模式代號、名稱、深對流參數化法與全球網格解析度，並表列各別模式(含 CMAP、MMEs)與 GPCP 間的統計相關係數，包括：空間相關係數(cor)、均方根誤差(rmse)、hit rate(hit)與 threat socre(threat)。其中 CMIP5 與 CMIP3 的模式名稱用大寫與小寫區分。Hit rate 與 threat score 的計算是定義在亞洲夏季季風的涵蓋範圍(50°E-180°E, 0°-50°N)。粗體字表示為同一統計係數排名前 5 名的模式。表 2.1.1 (續 1) 表 2.1.1 (續 2) 表 3.1.1 全球區域劃分表(參考 Kharin and Zwiers(2005)) 表 3.2.1 觀測(橫)與模式(縱)在網格點上可能出現的狀況表。兩者都出現訊號為 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。表 4.1.1 表列用於未來推估使用 20 個 CMIP5 模式，挑選原則是 3 種情境(hist、 rcp45 與 rcp85)都要有一致的系集成員資料。其中包含 8 個地球系統模式 (ESMs)(有星號標示者)與其它 12 個 CGCM。其中 r1i1p1 代表為系集成員的代號。為使分析結果一致，同一個模式必須使用相同的系集成員。圖. 說. 圖 2.2.1 極端指標轉換為 PI(probability Index)過程圖。藍線是從 50 年的極端指標 (Te)的 3 個 GEV 特徵參數μ、σ與ξ，反求得其累積機率分布(CDF)。每個極端指標都可得到相對應的 PI 值。極端降水(rx1day)也是用相同方法。圖 2.2.2 模式夏季季風肇始的門檻值由 CDF 求得的方法。以某一網格點(30°N, 120°E)為例。圖中紅線為觀測年降雨量 RPI 的 CDF、藍線為模式。觀測資料門檻值(𝑄𝑜 =5mm/day)的𝑅𝑃𝐼𝑜 相對應其 CDF 分布(紅線)得到𝑃𝑜，再由 I.

(6) 模式的 CDF 藍線反求其𝑅𝑃𝐼𝑚 ，同時亦可得特徵門檻值𝑄𝑚 。圖 3.1.1 降雨極端指標(rx1day)解析度與空間平均值關係分布圖。(a)TRMM(50°S – 50°N)從原始資料改變解析度後再計算得到的極端指標(紅色)，與直接從極端指標改變解析度(黑色)的空間平均值。(b)、(c)為 CMIP3 與 CMIP5 各別模式熱帶地區(30°S – 30°N)空間平均。(d)、(e)為熱帶以外的區域。(接續下一頁) 圖 3.1.1(續) 不同的模式使用不同的符號表示。圖 3.1.2 模式 rx1day 雜訊比(signal to noise)分析。觀測(TRMM 與 GPCP)與模式 (CMIP3 與 CMIP5) (解析度同為 T42)依照表 3.1.1 分區域的空間平均值。圖 3.1.3 觀測降雨(APHRO 與 TRMM) rx1day 的氣候平均空間分布與統計機率分布。(a)、(b)為原始解析度；(c)、(d)為 T106；(e)、(f)為 T42(單位：mm/day)。 (g)、(h)為不同解析度的統計機率分布圖(黑色為 T42；紅色為 T106；藍色為原始解析度)。圖 3.1.4 APHRO 亞洲季風區 rx1day 與其 PI(probability Index)空間平均的距平值關係圖。(a)原始解析度資料 rx1day(mm/day)與 PI(%)的散佈圖。(b)、(c)分別為 1951 – 2000 rx1day 與其相對應 PI 距平值。黑線為原始解析度，紅線為 T106，藍線為 T42。圖 3.1.5 觀測(hadex2)與模式(CMIP5 MME)極端溫度(TNn, TNx, TXn, TXx)的 PI 趨勢(%/yr)空間分布。(a)、(b)為夜最低溫(TNn)；(c)、(d)為夜最高溫(TNx)； (e)、(f)為日最低溫(TXn)；(g)、(h)是日最高溫(TXx)。圖右上角的 3 組數字分別表示圖中正趨勢、負趨勢與總和網格數。圖 3.1.6 亞洲季風區(15°S – 55°N, 60°E – 160°E)觀測(hadex2)與模式(CMIP5 MME)極端溫度(TNn, TNx, TXn, TXx)[K]與其 PI[%/yr]距平值。左側為 PI，右側為極端溫度。(a)、(b)為夜最低溫(TNn)；(c)、(d)為夜最高溫(TNx)； (e)、(f)為日最低溫(TXn)；(g)、(h)是日最高溫(TXx)。. II.

(7) 圖 3.1.7 亞洲季風區 rx1day 的距平圖與長期氣候趨勢的空間分布圖。(a)、(b)分別為 PI(單位：%/yr)與 rx1day(單位：mm/day)距平值每 5 年平均變化。紅線為 hadex2，藍線為 aphro，灰線為 CMIP5 MME。(c)、(d)、(e)分別代表 hadex2、aphro、MME 的趨勢空間分布。圖右上角 3 個數值表示方法與圖 3.1.5 相同。圖 3.1.8 GPCP 亞洲季風區域 5 日累積最大降雨(rx5day)與 CPM 最大值(rxp)距平值關係圖。(a) rx5day 與 rxp 之 PI(%)的散佈圖。(b)為 1997 – 2013 rx5day、 rxp 與其相對應 PI 距平值。黑線為 rx5day，紅線為 rxp。圖 3.2.1 觀測與模式(CMIP5 與 CMIP3 MMEs)亞洲夏季季風氣候降雨型態。年降雨量差異(annual range, AR)，5-9 月期間的總降雨量(summer total rainfall, TR)、以及 5-9 月間年降雨比率(annual rainfall ratio of summer, RR)。MME 圖右上角分別表示與觀測資料的相關係數(r)與均方根誤差(rmse)。圖 3.2.2 圖 3.2.1 的 3 個降雨特徵 AR(a)、TR(b)及 RR(c)之各別模式與觀測泰勒分布圖(Taylor Diagram)。紅色符號表 CMIP5，紫色表 CMIP3。其中實心圓點為各別模式；加號為 MMEs；棕色星號為 CMAP 觀測資料。圖 3.2.3 模式(CMIP5 MME)與觀測(GPCP)夏季季風肇始(onset)(左側)與消退 (withdraw)(右側)時間的空間分布圖[單位：ptd]。b、e 使用固定門檻值 (5mm/day)，c、f 使用各別模式的特徵門檻值。模式圖的右上角顯示與觀測資料的相關係數(r)及均方根誤差(rmse)值。圖 3.2.4 各別模式亞洲夏季季風肇始降雨門檻值的空間分布圖[單位：mm/day]。此圖為 CMAP 與 18 個 CMIP5 模式。圖 3.2.4 (續) 15 個 CMIP3 模式。圖 3.2.5 觀測與 MMEs 亞洲夏季季風肇始(a, d, g)、消退(b, e, h)與持續(c, f, i)時間的空間分布與差異[單位：ptd]。左邊為觀測資料(GPCP)；中間為 CMIP5 MME 與觀測的差異；右邊為 CMIP3 MME 與觀測的差異。. III.

(8) 圖 3.2.6 驗證觀測與模式大尺度環流場。陰影區為降雨[mm/day]、等值線為 200 – 500 hpa 厚度[m]，而風標為 850 hPa 風場[m/s]。左(右)邊為 5 月(6 月)平均場。a, b 為使用 CMAP 與 ERA40 觀測資料。c, d 為 CMIP3 MME。e, f 為 CMIP5 MME。圖 3.2.7 夏季季風肇始(a)、消退(b)及持續(c)時間，各別模式使用的深對流參數化(依據表 2.2.1)分類之泰勒分布圖。紅色為 CMIP5 分組，藍色為 CMIP3 分組。正三角形符號表示使用 CAPE 參數化法的模式；倒三角形表示使用 bulk；空心方形表示使用 bulk|CAPE；空心圓表示使用其它分類。黑色實心圓點表示 CMAP 與 MMEs，其中 1 表示 CMAP；2 表示 CMIP5 MME； 3 表示為 CMIP3 MME。圖 3.2.8 模式相對於觀測命中率(hit rate)與預兆得分(threat score)散布圖。a 將兩組 CMIP CGCM 分別以紅(CMIP5)與藍色(CMIP3)表示；黑色星號為 CMAP。 b 將所有模式分為 4 組。綠色正三角為使用 CAPE 參數化法；藍色倒三角形為 bulk；橘色方形是 bulk|CAPE；紅色圓圏為其它種類。另外此圖黑色星號從右上至左下分別為 CMAP、CMIP5 MME、CMIP3 MME。圖 3.2.9 夏季季風強度的驗證。a, b 為觀測(GPCP)與模式(CMIP5 MME) RPI 的空間分布(空間相關係數 r=0.83，均方根誤差 rmse=5.29)。c 為各別模式與觀測(CMAP 與 GPCP)的空間平均柱狀圖(實際值*102)。其中盒鬚圖由上到下 5 個位置代表全部 20 個模式的第 95%、75%、中位數(50%)、25% 及 5%百分位散佈。圖 3.2.10 驗證模式模擬夏季季風覆蓋區域與面積。a 為 GPCP(陰影區)與模式 hist(黑點覆蓋區)空間分布圖。b 為統計觀測與各別模式覆蓋面積[單位： 106km2]。其中盒鬚圖與圖 3.2.7c 定義相同。圖 4.1.1 在未來 rcp45(左邊)與 rcp85(右邊)情境下夏季季風肇始(a)(d)、消退(b)(e) 及持續(c)(f)時間的變化(相對於 hist)推估。紅色為推遲，藍色為提早[單. IV.

(9) 位：ptd]。圖上黑色陰影標記為有 70%以上的模式同意有相同訊號的區域。圖 4.2.1 觀測(GPCP)與 CMIP5 MME 的 hist、rcp45 及 rcp85 情境夏季季風降雨覆蓋區域變化圖(a)。灰色陰影區為觀測；黑色實點含蓋區域為 hist；藍色橫線區域為 rcp45；紅色縱線區域為 rcp85。各別模式在 rcp45 與 rcp85 情境下，夏季季風降雨覆蓋區域的面積相對於 hist 百分比變化率柱狀圖 (b)。藍色為 rcp45；紅色為 rcp85 情境。圖 4.2.2 夏季季風降雨強度的未來推估。a 與 b 分別為 rcp45 與 rcp85 情境下強度的百分比變化率空間分布。藍色表示變強(濕)，紅色表變弱(乾)。圖 4.2.3 各別模式在 rcp45 與 rcp85 情境，夏季季風強度空間平均的百分比變化率。圖 4.2.4 模式在 rcp45 與 rcp85 情境下的夏季季風(降雨)強度與覆蓋面積的變化百分比盒鬚圖(box-whisker plot)。每個盒鬚圖由上到下 5 個位置代表全部 20 個模式的第 95%、75%、50%、25%及 5%百分位散佈。圖 4.2.5 CMIP5 過去(hist)與未來(rcp45)大尺度環流場的變化。左邊為 5 月；右邊為 9 月。a, b 分別為過去(hist)的月氣候平均；c, d 則為未來情境下的變化 (rcp45 – hist)。陰影區為降雨[mm/day]、等值線為 200 – 500 hpa 厚度 [m]，而風標為 850 hPa 風場[m/s]，圖右上角為參考風標。. V.

(10) 第一章前言亞洲大陸地區處在聚集全球大部份人口的北半球，其人口稠密佔世界的比例超過 60%，而土地面積占約全球的 24%，且經濟貢獻全球 GDP 比例為約為 25%。其極端事件的發生對農業、工業與經濟均可能帶來嚴重的損失。降水極端事件發生如洪、旱災所影響之糧食生產及水資源利用；以及溫度極端事件如熱浪與寒潮可能伴隨人類心血管疾病健康所導致的死亡率增加。上述顯示極端事件的發生對人類所帶來的重大影響。近年的研究報告從統計分析觀測或是模式模擬資料發現，最近十年來全球極端事件發生頻率與強度有逐漸增加的趨勢(Kharin and Zwiers, 2005; Min et al., 2011; Orlowsky and Seneviratne, 2012; Min et al., 2013)，但其重點多放在全球平均值的狀況，亞洲地區則著墨不多。另外，從氣候上的觀點，夏季極端降雨事件(颱風、梅雨鋒面…等降雨型態)發生時間多涵蓋於的亞洲夏季季風 (Asian Summer Monsoon, ASM)所伴隨的氣候型降雨(Wang and LinHo, 2002)，且肇始期間常伴隨著大量而持續性的降水。因此本研究將以這 2 種短期而極端與長期而緩慢的天氣與氣候事件為主題，探討亞洲地區過去的氣候與未來的推估。近年來全球暖化伴隨而來的氣候變遷，導致極端事件發生頻率變化的議題受到科學家高度關注。Meehl et al. (2000)就統計上的觀點提出氣候變遷可能導致極端事件發生頻率的增加，溫度的平均值增加或是統計分布上標準差變化，在未來都可能發生極端事件快速增加的情況。Alexander et al. (2006)分析全球測站的觀測資料(1951-2000)發現，冷的極端事件發生頻率為負的趨勢，暖事件發生頻率為正趨勢；而極端降雨事件在空間上的分布則是正趨勢的區域多於負區域，且統計分析不同的年代際的機率分布，也發現有極端事件發生頻率增加的情況。Kharin and Zwiers (2005) 進一步分析 CMIP3(Couple Model Intercomparison Project Phase-3) CGCM(coupled general circulation model)的模擬未來 3 種暖化情境下的極端事件變化，證實這個觀點。Min(Min et al., 2011; Min et al., 2013)則應用統計的方法，將模式中人為因子(工業發展排放溫室氣體、地貌改變…等)與自然因子. 1.

(11) (火山爆發、太陽黑子的變動…等)的訊號分離，證實造成極端事件頻率增加的主要貢獻為模式中的人為因子。當使用模式資料分析極端事件時，特別是多模式系集平均 (Multi-Model Ensemble mean, MME)，值得注意的是改變資料解析度所造成的空間頻散效應 (areal reduction)。Chen and Knutson (2008)提到處理極端指標的過程，改變解析度要特別注意空間頻散因子可能造成分析結果錯誤的後果。如何應用可能性指標 (Probability Index, PI)分析極端值處理解析度改變所伴隨之空間平均值變化的問題(特別是極端降水)在本文 3.1 節亦會討論。本研究對於極端事件頻率的討論，在溫度指標方面使用夜最低溫(cold night, TNn) 、夜最高溫(warmest night, TNx)、日最低溫(cold day, TXn)及日最高溫(warmest day, TXx)；在降水指標方面則使用單日最大降雨(maximum 1-day precipitation, rx1day)。而我們使用的可能性指標分析方法，已經應用於許多過去類似的研究(Min et al., 2009; Zwiers et al., 2010; Min et al., 2011; Min et al., 2013)。為什麼要使用降雨量做為夏季季風肇始指標的評斷因子？在亞洲的許多國家，夏季季風的肇始即表示每年的防汛期的開始。Wang and LinHo (2002)提到夏季季風的降雨除了是季節變化時能量轉換的重要因子之外，也可以做為量測季風肇始的指標。相較於使用環流的大尺度環境場因子(風場、壓力場、溫度場…等) 做為指標偵測亞洲夏季季風強度、肇始時間及推演的方法(Wang et al., 2008; Li and Zhang, 2009)，使用降雨因子的方法更為準確而一致性，且用於驗證模式模擬結果則更為廣泛使用(Kitoh and Uchiyama, 2006; Sperber et al., 2012; Kitoh et al., 2013)。但也有許多質疑使用降雨因子做為模式模擬季風肇始指標，除了因為模式本身降雨的系統性誤差之外，許多模式模擬都低估東亞地區的季風降水量的情況(Sperber et al., 2012; Kitoh et al., 2013; Lee and Wang, 2014)。為減少模式間系統性誤差，本篇研究參考 Kitoh and Uchiyama (2006)的標準化做法，經由年降雨量的累積機率函數 CDFs(cumulative distribution functions)求得各別模式的特徵肇始. 2.

(12) 的門檻值。對於季風肇始降雨空間分布，Lin et al. (2008)分析 14 個 CMIP3 CGCM 模擬結果，發現模式使用不同深對流參數化法(deep-convection scheme)，主宰著季風降雨的空間分布。因此我們將依據各別模式所使用的深對流參數化法分組分析確立這個論點，做為將來分析季風降雨選擇模式的參考依據。近年發表對於使用降雨資料分析季風的未來推估研究(Hsu et al., 2012; Kitoh et al., 2013; Lee and Wang, 2014)，大多局限在全球的變化，對於各別地區(如亞洲地區)雖然有提到但多只概略描述，主要原因是受限於分析模式模擬過去氣候的夏季季風時，系統性誤差導致驗證結果不佳。本篇研究雖然只著重在亞洲地區，但時空解析度更高、驗證結果更好，將使得用在未來推估的可信度更高。此外 2 種不同程度的暖化情境被使用(詳細描述在 2.2 節)，將用來比較不同程度的暖化所造成的各種效應(如季風降雨區域與強度的變化)。我們參考 IPCC AR5 針對模式未來的推估，不使用絶對性的結果，相對不確定性分析方法(Mastrandrea et al., 2011)將可提供一種可能發生的情況。本篇論文的結構大致如下：第二章描述使用資料與分析方法，第 3.1 節描述從觀測與模式驗證亞洲的極端事件發生情況與趨勢，而亞洲的夏季季風降雨的驗證在第 3.2 節。第 3.3 節則是未來的氣候變遷的背景下推估，以及第四章的結論。. 3.

(13) 第二章資料使用與分析方法本研究目的為分析過去長期天氣與氣候觀測資料得到之極端事件，比較 CMIP3 與 CMIP5 對過去長期氣候模擬資料，進而對其未來氣候變遷背景下之模擬資料分析。觀測與模擬資料的描述如下：. 2.1 資料使用. 2.1.1 觀測資料對於極端溫度與降雨事件發生頻率分析，將使用長期(1951-2000)而持續的日溫度觀測資料。本研究使用英國氣象哈德雷中心(Met Office Hadly Centre)搜集長期地面測站觀測每日溫度資料產製全球氣候極端指標 HadEX2(global climate extreme indices)。使用其中 4 種溫度指標包括有每日夜最低溫(cold night, TNn)、日最低溫(cold day, TXn) 、夜最高溫(warmest night, TNx)及日最高溫(warmest day, TXx)；而降雨指標則是用單日最大降雨(maximum 1-day precipitation, rx1day)。全球測站極端溫度指標資料內差成為全球 3.75 °X 2.5°(longitude X latitude)解析度之網格(Donat et al., 2013)。另外為進一步分析亞洲地區極端降水事件與夏季季風肇始指標，使用的是美國國家環境預報暨大氣研究中心 (NCEP/NCAR) 的 CMAP[Climate Prediction Center (CPC) Merged Analysis of Precipitation]；美國國家太空總署(NASA)產製之 GPCP(Global Precipitation Climatology Project)，兩者解析度同樣為全球 2.5 °X 2.5 °；日本水氣與自然研究組織暨氣象局[Research Institute for Humanity and Nature (RIHN) and the Meteorological Research Institute of Japan Meteorological Agency (MRI/JMA)]搜集亞洲地區雨量觀測站資料產製之 APHRODITE(以下為 aphro) 其解析度為 0.25 °X 0.25°。以上 3 筆資料使用區間同樣為 1981-2000。另外 NASA 與日本航太探測局 (Japan Aerospace Exploration Agency, JAXA) 合作產製 TRMM(The Tropical Rainfall Measuring Mission)的日降水資料，資料區間為 4.

(14) 1997-2007。但應用於極端指標的分析比較，同為測站分析資料但不同解析度的 HadEX2 與 aphro，使用的資料為 1951-2000。. 2.1.2 模式資料使用世界氣候研究計畫(World Climate Research Programme, WCRP)提供目前全球各氣象組織最先進的全球模式模擬資料。目前現有資料是從地球系統網格聯合會(Earth System Grid Federation, ESGF: http://pcmdi9.llnl.gov/esgf-web-fe/)資料庫所下載之全球日最高溫 (daily temperature maximum) 、日最低溫 (daily temperature minimum)以及日降雨量(daily precipitation)，使用的資料區間與觀測資料(hadex)一致同為 1951-2000。為了與新一代模式組結果比較，本研究使用 2 個世代的全球模式資料組合：較早的版本 CMIP3(Coupled Model Intercomparison Phase - 3)的 15 個模式以及最新版 CMIP5 Coupled Model Intercomparison Phase - 5) 的 23 個模式(如表 2.1.1 所列)。過去氣候模擬結果對極端指標的驗證部份，CMIP3 是使用 20C3M(20th Century climate simulation, 以下稱為 20c3m)，CMIP5 則是 Historical(以下稱為 hist)實驗模擬。另外對於模式中不同加溫程度對未來的季風變化的推估，本研究則是使用 CMIP5 的 RCP 4.5(Representative Concentration Pathway)及 RCP 8.5。不同於 CMIP3，CMIP5 對未來的氣候模擬的處理方式是採用相當加熱率方法，RCP 4.5(以下稱為 rcp45)為全球溫室氣體排放穩定的加熱率方式，在 2100 年時達到相當於太陽對地球輻射加熱率為 4.5w/m2；RCP 8.5(以下為 rcp85)則是高排放溫室氣體的情境下，至 2100 年達到相當於 8.5 w/m2(Meinshausen et al., 2011)。在驗證模擬結果部份，使用 1981-2000 期間的資料；未來的推估則是使用 2081-2100。在 3.2 節的亞洲夏季季風肇始與消退指數，是使用 5 天的氣候降水平均 (Climatology Pentad precipitation Mean, CPM)為分析基礎資料[單位：pentad(以下簡稱 ptd)]。. 5.

(15) 2.2 分析方法 2.2.1 極端事件指標本研究定義的極端溫度與降水指標是以每年為計算頻率。其中溫度是使用每日最高溫(daily maximum temperature, TX)與日最低溫(daily minimum temperature, TN)；而降水則使用每日降水(daily precipitation, P)做為以下指標的計算：(1) 溫度指標：夜最低溫(cold night, TNn) 、夜最高溫(warmest night, TNx)是以每天的最低溫(TN)為計算基礎。另外日最低溫(cold day, TXn)及日最高溫(warmest day, TXx)則是用每天的最高溫(TX)計算每年的溫度極端指標。(2) 降水指標：每年的單日最大降雨量(maximum 1-day precipitation, rx1day)。以上 4 種溫度指標與 1 種降雨指標將被用來做以下的極端分析所使用。. 2.2.2 可能性指標(Probability Index, PI) 在分析多模式系集平均(MME)的過程中，特別是比較觀測與模式資料於極端指標上的變化時，常遇到的問題是：當使用各別模式的資料，伴隨而來的多種不同解析度，如何真實呈現極端指標的大小與強度(特別是空間平均)而不受解析度變化所導致的空間頻散。我們另外於 3.1 節會討論到。其中之一的解決方式是使用可能性指標(PI)。它是將極端指標標準化成 0 – 1 範圍內，依據一般極值分布 [generalized extreme value(GEV) distribution] ，使用最大概似法 (maximum likelihood method)(Kharin and Zwiers, 2005)求得 PI。做法與過去文獻 (Min et al., 2009; Min et al., 2011)相同：. 上述的方程式中得到 3 個 GEV 特徵參數μ、σ與𝜉，再反求得其 CDF 分布。從 50 年之中的年極端指標(Te)，經由 CDF 分布可得到一個相對應的 PI 值(圖 6.

(16) 2.2.1)。此做法已經應用於比較觀測與模式的資料(Kharin and Zwiers, 2005)。使用上特別注意的是此方法只適用於符合極限值理論 GEV 分布的極端指標。. 2.2.3 亞洲夏季季風肇始與消退季風肇始期間的 5 日氣候降水平均值(CPM)特徵在過去的文獻中(Wang and LinHo, 2002)已經有許多介紹。他們使用 5-9 月期間的總降雨量(total rainfall, TR)、年降雨量差異(annual range, AR)以及 5-9 月間年降雨比率(annual ratio, RR) 定義亞洲夏季季風推演時間的門檻值(Wang and LinHo, 2002; Sperber et al., 2012; Lee and Wang, 2014)。本研究用在觀測資料(CMAP 與 GPCP)部份的門檻值同樣是 5mm/day。為描述亞洲夏季季風的時-空特徵，根據(Wang and LinHo, 2002)的方法，我們移除了高頻的天氣相關的訊號，保留並重組 CPM(P)前 12 個博立葉模態， ̅̅̅̅̅ 並減去 1 月的降雨(𝑃 𝐽𝑎𝑛 = 𝑃1−7 )目的是去除赤道地區非季風區域，最後針對每個網格點用全年降水(𝑃𝑡𝑜𝑡𝑎𝑙 )做標準化的動作得到季風降雨指標比(ratio of monsoon precipitation index, RPI) RPI =. 𝑃 − ̅̅̅̅̅ 𝑃𝐽𝑎𝑛 𝑃𝑡𝑜𝑡𝑎𝑙. 在 Wang and Lin(2002)所定義為當 CPM 大於固定門檻值 5mm/day(𝑄𝑜 )的時間點為季風肇始(onset)；開始小於 5mm/day 時則為消退(withdraw)；而介於肇始與消退期間則為持續期(duration)。因模式在季風的降雨量，無論是時間或空間上都普通存在著系統性誤差 (Kim et al., 2008; Inoue and Ueda, 2009)，做用固定門檻值將不適合於所有模式的季風降雨移行時間的偵測。這裡介紹使用觀測與模式 CPM 累積機率分布 (cumulative distribution functions, CDFs)比對(圖 2.2.2)，從觀測資料的門檻值 (𝑄𝑜 =5mm/day)回朔各別模式門檻值(𝑄𝑚 )。此方法所產生的模式自身季風降雨特性門檻可以有效減少因為系統性誤差所帶來的不確定性。過去的研究也有使. 7.

(17) 用過類似的方法消除各別模式間的系統性誤差(Kitoh and Uchiyama, 2006)，但使用固定門檻值對於近赤道的季風區無法處理。亞洲夏季季風肇始時間降雨特性偵測，固定門檻 (fix-threshold) 與各別模式自身門檻值 (model-dependent threshold)對多模式系集平均(Multi-Model ensemble Mean, MME)的結果影響，請參考 Tung et al. (2014).. 2.2.4 統計分析當用於多個模式之間的比較，我們計算觀測與各別模式資料之間的空間均方根誤差(Root Mean Square Error, rmse)與相關係數(Correlation Coefficient, r)，目的是用來表現在泰勒分布圖(Taylor Diagram)(Taylor, 2001)。分別定義為： 1 𝑛 ̅ ̅ ∑ 𝑛 𝑡=1(𝐴𝑡 − 𝐴)(𝐵𝑡 − 𝐵 ) r= √1 ∑𝑛𝑡=1(𝐴𝑡 − 𝐴̅)2 × 1 ∑𝑛𝑡=1(𝐵𝑡 − 𝐵̅ )2 𝑛 𝑛 𝑛. 1 rmse = √ ∑(𝐴𝑡 − 𝐵𝑡 )2 𝑛 𝑡=1. 其中觀測(A)與模式(B)的空間分布值𝐴𝑡、𝐵𝑡 分別被使用於以上 2 個統計值的計算。. 8.

(18) 第三章模擬過去氣候的驗證. 3.1 極端指標. 3.1.1 解析度變化的效應過去許多文獻中把重點放在氣候變遷背景下的模式極端指標變化時，在分析系集平均過程中，必須要改變各別模式解析度使其變為一致，因而忽略各別模式在改變解析度的過程中所產生之空間頻散效應(special dimension reduction)。當我們關注於極端指標的空間平均值隨著每年變化的同時，有必要對於過程中可能流失的訊息要小心處理，而極端降水指標在這部份就特別敏感(Chen and Knutson (2008)。以下用 rx1day 做為例子。本節的討論是以高解析度的衛星觀測資料(TRMM：0.0625°X 0.0625°)的氣候平均值做比較。圖 3.1.1a 為 rx1day 在 2 種不同解析度變化過程中，空間平均值的衰減率。紅色表示先將資料內差為橫座標(X 座標)相對應的解析度再取其 rx1day 的空間平均；黑色則是在原始解析度就取得 rx1day 後做解析度改變。結果發現是以後者的處理方式最能維持指標的強度表現。同樣使用氣候平均值比較模式原始解析度可解釋 rx1day 的強度，於相對較強的熱帶降雨區 (圖 3.1.1b, c) 與較弱副熱帶降雨區 (圖 3.1.1 d, e)各別討論。總體而言 CMIP5 表現的比 CMIP3 好，原因是模式處理與強降雨高度相關積雲參數化較好(Tung et al., 2014)，特別是在熱帶地區；另一個原因就是解析度較高，較能解析豪大雨的強度。若比較副熱帶，此區域常出現的大尺度降雨則 CMIP3 與 CMIP5 的降雨強度差異不明顯。我們參考 Kharin and Zwiers (2005)將全球分為 7 個大陸區域另加入 2 個全球降雨特徵區(赤道及赤道以外區域)，同時加入 2 種觀測資料(TRMM 與 GPCP)，進一步做模式的雜訊比(signal to noise)分析(圖 3.1.2)。模式之間差異度較小多是在中、高緯度區域，副熱帶(EXT)、亞洲中部(ASI)、歐洲(EUR)與北美洲(NAM)，觀測資料都落在 2 個標準差範圍內，除了歐洲(EUR)地區以外。總體而言 CMIP5 比 9.

(19) CMIP3 模式的中位數(medium)較趨近於觀測(GPCP)，但相對於 CMIP3 包含有較多個模式做分析所以變異度較大。在亞洲季風陸地 rx1day 空間分布的結果部份，我們用 2 種不同類型的觀測資料(aphro – 測站資料、TRMM – 衛星資料)做改變解析度的空間頻散效應比較 (圖 3.1.3)。從原始解析度使用保守內差法(consecutive interpolation)，到 T106 及 T42 可以觀察 rx1day 的頻散狀況。在 aphro 的孟加拉地區為例，從原來解析度降雨強度為 140mm/day，T106 變成 120mm/day，T42 則成為 80mm/day。從不同解析度的機率分布圖發現，aphro 約在 50mm/day 以上的降雨量有最大的衰減率， TRMM 則是在 70mm/day，表示改變解析度的空間頻散效應，且值愈大的區域，頻散效應愈明顯。 Min et al. (2009)提出一個利用統計方法減少極端指標因為改變解析度所造成的頻散效應。應用極端指標 GEV 分布特性，計算單一網格(及其附近區域)介於數值 0 – 1 之間的可能性指標(PI)，此標準化過程能將不同解析度的各別模式，其極端指標強度因空間內差所造成的不確定性(如圖 3.1.1b, c 所示)減至最小。Min et al. (2013)應用 PI 指標分析觀測資料(HedEX)，發現全球極端溫度(TNn, TNx, TXn, TXx)距平值與其對應的 PI 指標有 0.99 以上極高的相關性。應用於 aphro 亞洲季風區降雨極端指標(rx1day)(圖 3.1.4)，其相關係數僅為 0.739 是因為降雨的空間頻散效應比溫度更明顯，另一原因是區域性的資料(相對於全球)不確定性較大。雖然使用降雨 PI 指標的效果不明顯，但從年距平圖可看到改變解析度之後的差異。圖 3.1.4b 為 rx1day 改變解析度的距平圖，發現解析度改變愈大，距平變化愈大，如 T42 解析度的 1999 年 T106 距平有出現奇異值(T42 與原始解析度 r=0.817)；相較其 PI 指標(圖 3.1.4c)，改變解析度並不影響其距平值表現趨勢(T106 r=0.948; T42 r=0.948)。. 3.1.2 極端溫度本節使用全球 HadEX2 與 11 個 CMIP5 模式(bcc-csm1-1, CanESM2, CCSM4, 10.

(20) CSIRO-Mk3-6-0, GFDL-ESM2M, HadGEM2-ES, IPSL-CM5A-LR, MIROC-ESM, MIROC-ESM-CHEM, MRI-CGCM3, NorESM1-M)的極端指標(TNn, TNx, TXn, TXx)資料，運用 PI 指標的轉換得到觀測(hadex2)與 CMIP5 MME 趨勢分布(圖 3.1.5)。(1)夜最低溫(TNn) (圖 3.1.5a,b)，觀測顯示全球有資料的區域 90%為增加趨勢，除了北美洲東部與北歐為減少。MME 同樣有類似結果但趨勢較弱，同時北美洲南部與歐洲西部有負的趨勢。(2)夜最高溫(TNx) (圖 3.1.5c, d)，觀測 80% 區域為增加趨勢除了北美洲內陸與南部地區、歐洲零星區域、中國內陸地區及印度為負的趨勢；MME 則是 99%區域為正的趨勢。(3)日最低溫(TXn) (圖 3.1.5e, f)，正趨勢的空間分布相似於 TNn，只是振輻較大；MME 部份也是類似情況。(4) 日最高溫(TXx) (圖 3.1.5g, h)，觀測正趨勢與負趨勢區域混雜分布；MME 則 98% 為正趨勢區域。整體而言，觀測資料分析得到低溫的極端事件[日最低溫(TXn) 與夜最低溫(TNn)]比高溫極端事件[日最高溫(TXx)與夜最高溫(TNx)]有較多的正趨勢區域且變化輻度較大。而不論是日、夜最高(最低)溫，正趨勢則普遍出現在 MME 各種極端溫度指標。 Min et al. (2013)已計算氣候(1951-2000)的極端溫度指標之全球平均距平值，本文把關注區域放在亞洲季風區(15°S – 55°N, 60°E – 160°E)(圖 3.1.6)。極端溫度的每 5 年平均值與其 PI 變化一致，且極端指標轉換為 PI 更能突顯距平的變化。 TNn 與 TXn 訊號(圖 3.1.6a, e)同樣是觀測變化幅度比模式的更大，但兩者在 1960 與 1970 年代各出現正的振幅變化。大約以 1980 為轉折時間點，之前為負距平而之後轉為正距平，且 TNn 比 TXn 有更明顯的轉折變化。模式雖然同為正趨勢增加變化，但幅度很小。TNx 模式與觀測的距平變化(圖 3.1.6c)大概一致；1980 年代後轉為正距平。而在 TXx 的結果(圖 3.1.6g)，觀測與模式距平變化頻率雖有時間差，但同樣 1955 年前為正距平，直到 1980 年代前正負上下振盪變化沒有明顯趨勢，但觀測 1980 年代後則為增溫的趨勢，模式則到了 1990 年代末為正趨勢。從 50 年氣候長期趨勢而言，亞洲地區好發於冬天的極端低溫事件頻率(TNn. 11.

(21) 與 TXn)在減少，說明氣候變遷(暖化)的真實證據。好發於夏天的極端高溫事件部份，夜晚高溫(TNx)在 1980 年代後頻率開始增加，但白天高溫(TXx)沒有明顯的趨勢。結果與 Min et al. (2013)分析全球的變化趨勢相似。. 3.1.3 極端降雨使用 PI 分析降雨極端指標(rx1day)的全球變化趨勢，過去的研究(Min et al., 2011)已經被討論過。本節將把重點放在亞洲季風區。觀測部份使用 2 筆相同時間長度(1951-2000)，且同樣由地面測站產製但不同解析度的觀測資料(hadex2 與 aphro)分析。hadex2 涵蓋區域多為亞洲人口密度高的地方；aphro 則增加亞洲內陸乾旱與熱帶多雨陸地區。模式部份與 3.1.2 節極端溫度所描述使用的 11 個模式資料相同。圖 3.1.7 說明亞洲季風區 rx1day 與其相對應 PI 的 5 年平均距平值，並表現 rx1day 之 PI 趨勢的空間分布。從觀測資料的距平值(圖 3.1.7a, b)發現，2 筆資料雖因空間分布上(覆蓋範圍與解析度)的不同，rx1day 在過去 50 年沒有明顯的上升趨勢。出現正(負)極值的時間點有差異，是因 aphro 另外涵蓋多雨的熱帶陸地與乾旱的中國內陸地區。值得注意的是 hadex2 在 1990 年代開始是上升的趨勢而 aphro 在 1990 年代末表現為負的，說明在人口稠密的亞洲地區於近 10 年的 rx1day 強度為增加的情況。從趨勢的空間分布(圖 3.1.7b, c)發現，2 筆觀測同樣都有資料覆蓋區域，其空間上趨勢差異度不大(如：中國北部為負、南部為正趨勢)。aphro 顯示中國內陸乾旱地區與印度半島 rx1day 為正；熱帶印尼群島為負(東部為正)趨勢。MME 的年距平值沒有明顯趨勢，但在 1990 年代則出現和 hadex2 同為正趨勢(圖 3.1.7a)，在空間分布(圖 3.1.7e)趨勢的變化輻度不明顯(介於-0.2 與 0.2 間)。亞洲夏季季風肇始到消退期間帶來的降雨與極端降雨的關係也是本研究想討論的重點。上述已證明過極端指標與其相對應 PI 有很高的統計相關(圖 3.1.4)，因而引申到以下的分析。以同樣是極端降雨指標 5 日累積最大降雨(rx5day)與季風肇始期間 CPM 最大值(rxp)為例，圖 3.1.8a 顯示 2 者距平值的統計關係。同樣 12.

(22) 使用 GPCP(1DD version 2) 1997 – 2013 年間的觀測資料於氣候上的夏季季風肇始區域(定義詳述於 3.2 節)的分析結果，rx5day 與 rxp 距平徝有很好的統計相關(迴歸系數 reg=1.04；相關係數 cor=0.97)。另外從逐年的距平值(圖 3.1.8b)發現 2 者同樣都有準 2 年的振盪，而於 2006 年有最大的正距平。由 rxp 與 rx5day 兩者幾乎同相位的變化，可以得到季風肇始期間所帶來的累積而持續性降雨與極端降雨事件有著密不可分的關係。. 3.2 亞洲夏季季風(ASM) 本節將先針對模式模擬過去氣候與觀測資料做驗證，並對過去應用在這方面的研究方法(Sperber et al., 2012; Kitoh et al., 2013)做改進與比較，以提高對未來氣候推估的可信度。. 3.2.1 觀測與模擬的降雨氣候型態 Hsu et al. (2011)發現 GPCP 在陸地上較接近測站觀測的雨量站結果，在海面上則因為演算法的不同與 CMAP 有些許差異，建議在分析季風降雨時，使用 GPCP 會較接近真實情況。我們即以 GPCP 做為模式驗證的參考值，另外加上 CMAP 輔助比較。 Wang and LinHo(2002)使用 CMAP 資料，在亞洲季風區 CPM 的夏季降雨型態(第二章所定義 AR、TR 與 RR)，定義夏季季風的影響區域範圍，以及肇始(或消退)的門檻值(5mm/day)。比較 MMEs(CMIP3 and CMIP5)與觀測資料在氣候上季風降雨型態的空間分布(圖 3.2.1)。CMIP5 的 MME 相較於 CMIP3 有較高的 r 值以及較低的 rmse，值得注意的是 CMIP3 與 CMIP5 的 AR 在東北亞(中國長江口、韓國及日本)地區有明顯的低估情況，即使 CMIP5 MME 有些許改善，說明有許多模式在此區域缺乏季風降雨訊號。但 MMEs 的夏季降雨比率(RR)有很高的相關性(CMIP5 – 0.89、CMIP3 – 0.87)。從泰勒分布圖驗證 CMIP3 與 CMIP5 個別模式的結果(圖 3.2.2)，CMAP 與 GPCP 雖然同是觀測資料，但因演算法與資料 13.

(23) 來源不同亦可能產生分析結果的不確定性。各別模式間 TR 與 AR 的不確定性於較大，但相關係數多在 0.4 – 0.9 之間，而 RR 則有最好的相關性與最低的均方根誤差。從 MMEs(圖 3.2.1g – i)與各別模式(圖 3.2.2c)的 RR 空間分布分析結果，說明模式低估夏季降雨的區域(東北亞)可能是一致性的系統性誤差(systematic bias)。. 3.2.2 季風降雨指標比(RPI)的應用在 4.2.1 節發現模式在某些區域的降雨量系統性誤差，使得分析季風肇始(消退)時間的失誤或沒有訊號而低估模式模擬結果。而將適用於觀測資料的季風肇始時間門檻值不能一體適用於所有的模式，用以下的分組分析實驗做證明(Tung et al., 2014)。第一組與觀測資料一致的固定值(5mm/day)(fixed-threshlod)作為季風肇始(消退) 門檻值套用所有模式；另一組為使用各別模式的 RR 做標準化後轉換成 RPI，經由與觀測資料 CDF 分布反推得到各別模式的「特色季風肇始(消退) 門檻值」(model-dependent threshold)(圖 3.2.3)。這裡所使用的模式資料為 18 個 CMIP5 模式。比較 MME 肇始時間分析，使用固定門檻值法(圖 3.2.3b)於東北亞地區東海附近沒有出現季風的訊號，且於西北太平洋 (West North Pacific, WNP)140E°以東地區的肇始時間提早(r=0.47)；而用各別模式特色門檻值方法則改進了以上 2 個缺點，相關係數提高到 0.76。另外，模式資料在季風消退時間的分析本身就模擬的不錯，而使用特色門檻值方法同相使相關系數從 0.6 提高到 0.78(rmse 從 8.13 降至 5.59)。從以上的實驗分析發現，使用 RPI 標準化轉換模式降雨資料後，應用由與觀測資料 CDF 比較反推出各別模式的特色門檻值，分析模式的季風肇始(消退)時間，此法可減少模式因季風期間降雨系統性誤差，而錯估其模擬亞洲夏季季風推演與變化的能力。考量應用 CMIP 多模式分析夏季季風特徵降雨的使用者，本文提供各別模式的肇始門檻值做為之後的應用。圖 3.2.4 以 GPCP 的降雨為基礎，將模式資料應用 RPI 轉換，加上其與 GPCP 間的 CDF 關係求得各別模式、各別區域之季風肇 14.

(24) 始特徵門檻值。若以 GPCP 的門檻值(5mm/day)為基準值，小於為模式低估夏季季風降雨的區域；大於則反之。比較另一筆 CMAP 觀測資料，發現陸地(特別是孟加拉附近)與梅雨鋒面降雨區域為低估；在海洋上則多為高估但差異不明顯。模式的部份有 10/18 CMIP5 與 5/15 CMIP3 模式於印度半島為明顯低估的情況； 9/18 CMIP5 與 8/15 CMIP3 模式於 WNP 是明顯高估。總體而言，模式的季風降雨訊號在印度半島太弱而 WNP 則太強，且 CMIP5 比 CMIP3 的模式出現類似的誤差更加明顯。CMIP5 比 CMIP3 在空間相關係數較高是因為多數模式在東亞季風區域有較明顯且合理的降雨訊號(詳述於 3.2.4 節)。. 3.2.3 深對流參數化法(deep convection scheme)分類討論對 CMIP CGCM 模式模擬結果而言，深對流參數化法的使用對夏季季風降雨強度與分布具有重要的影響(Lin et al., 2008)。本節將 2 組全球模式各別所使用的深對流參數化方法列於表 2.1.1 用於以下的討論分析。依據各模式使用的深對流參數化法的特性，大致分為 4 類 – CAPE(convective available potential energy scheme) 為最常用的參數化方法、 bulk(bulk mass flux convection scheme) 、 CAPE|bulk(the hybrid method combining bulk mass flux and CAPE closure scheme) 與其它(other)。. 3.2.4 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 15.

(25) 月中於南海地區的雨帶是北往南移動。第 2 時期：雨帶從孟加拉灣東南部西北向延伸，以及阿拉伯海東北向延伸至印度半島內陸；另外從菲律賓東部向東往 WNP 延伸到 170°E；從 22°N 向北移至中國北部、日本與韓國。季風降雨消退的特徵是從亞洲大陸往海洋大陸的方向(圖 3.2.5b)。季風持續時間因肇始(消退)條件為大於等於(小於等於)5mm/day，亦即表示季風累積持續強降雨的強度與能力。圖 3.2.5c 說明孟加拉灣、中南半島、南海與菲律賓北部季風降雨持續超過 30 (ptds)，以此區域為中心向外遞減；WNP 則是從 20°N，140°E 周圍地區往南、北消退。比較 MMEs 季風降雨推演的 3 個特徵指標與觀測不同。(1)肇始時間(圖 3.2.5d, g)：MMEs 在南海、中國南部、台灣附近海域與日本南部暨附近海域都提早 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 WNP 區域則北部提早，南部延後(或不明顯)。(2)消退時間(圖 3.2.5e, h)：MMEs 在空間分部沒明顯不同，除了孟加拉灣與陸地交接區域，CMIP3 提早，CMIP5 延後。(3)持續時間(圖 3.2.5f, i)：受肇始與消退時間空間分布影響，CMIP5 於印度半島差異不明顯而 CMIP3 則於半島北部持續時間較長。分析觀測與模式大尺度環流場比較降雨氣候型態的不同(圖 3.2.6)。模擬出現季風消退時間推遲的誤差，因為驅動夏季季風的亞洲大陸與印度洋間的南北向溫度梯度建立較晚(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)，. 16.

(26) 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. 17.

(27) 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，因為模式不確定因子[對大氣環流的不了解、模式的參數化法或模式本身結構上的問題…等]的貢獻，表現在各別的不完美模式。而這些不確定性因子，可能在模式長期積分以後累積放大為模式的系統性誤差。作者建議使用系集平均法分析時，為了表現模式不確定性的離散偏差，納入不同結構的模式(使用不同的參數化法、物理過程…等)愈多愈好，且等權重多模式系集平均法是最簡單而安全的作法。由前面描述的模擬季風演變時間結果發現，MME 一直都比各別的單獨模式的結果更好，我們也將依此法應用於未來推估。. 18.

(28) 3.2.5 夏季季風的強度與覆蓋區域驗證過去研究(Hsu et al., 2011; Hsu et al., 2012; Kitoh et al., 2013; Lee and Wang, 2014)經常使用月平均降雨資料定義全球夏季季風區域(Global Monsoon Area, GMA)與強度(Global Monsoon Intensity, GMI)。由亞洲夏季季風肇始時間定義 (2.2.3 節)同時也延伸定義其降雨區域的方法，理由充分且時 – 空解析度更高。由季風降雨的肇始與消退時間分析，可衍伸應用於季風強度(intensity)與季風覆蓋範圍(coverage)在未來情境下的推估。季風強度(monsoon intensity)分析是依據 Hsu et al. (2011)的方法，計算單位面積的季風平均降雨量做為其強度指標，我們將此方法應用於亞洲季風區。不同的是過去是使用月平均降雨資料，我們是使用 CPM 的 pentad 降雨資料。在空間分布部份，本篇則是使用季風肇始 – 消退期間每個格點的平均 RPI 值作為季風強度的指標，原因是使用各別模式資料時，將 CPM 轉換成 RPI 值可減少模式因降雨的系統性誤差，而錯估其模擬季風降雨的能力(如 3.2.2 節描述)。但 RPI 為無因次的降雨指標，所以值愈大表示相對強度愈大。為了與 3.3 節未來推估所使用的模式的結果一致，在本節中描述用於驗證的模式資料(hist)列於表 3.3.1。圖 3.2.9a, b 表示 GPCP 與 CMIP5 MME(hist)氣候型態季風強度的空間分布。比較兩者的差異，強度較大的區域(印度西側、中國東北部與 WNP 東部)分布相似，弱值區域的空間分布也相似，除了中南半島西側比較明顯差異(模式與觀測間的空間相關係數 r=0.83，均方根誤差 rmse=5.29)。圖 3.2.9c 為各別模式季風強度的 RPI 空間平均值。發現 MME(RPI= 3.09)與觀測值(CMAP RPI= 3.11, GPCP RPI= 3.05) 差異很小，且各別模式之間的變異度在 2.67 – 3.73 之間 (ACCESS1-0 與 EC-EARTH 有最大的變異度)，即使中位數為 2.95 與 MME 有些差異，但證明使用 MME 的方法有較佳的預報能力。當觀測資料(GPCP)CPM 降雨量大於 5mm/day 及各別模式大於其特徵門檻值時所定義的夏季季風肇始，同時也表示其為季風(降雨)區域。圖 3.2.10a 為 GPCP、. 19.

(29) CMIP5 MME(hist)季風覆蓋區域。含蓋範圍大略一致，而日本東部海域與亞洲南部近赤道海域觀測資料較廣，但 WNP 附近則模式覆蓋較廣。計算各別模式的季風區域面積[單位: 106km2](圖 3.2.10b)發現，其中有 3 個模式的面積(bcc-csm1-1 是 29.8, CMCC-CM 是 29.4, MRI-CGCM3 是 30.3)為最接近觀測(CMAP 是 30.5, GPCP 是 30.2)，其它模式(17/20)則普通是低估的情況，且 MME 也只有 26.5，由圖 3.2.10a 推測是因為有許多模在東北亞洲地區(中國東海、韓國、日本及其東部海域缺乏降雨訊號造成。但應用在模式方面，相較過去研究 GMA 定義使用的月平均降雨資料，以及使用固定門檻值(5mm/day)分析 CPM，本研究使用的 RPI 分析結果有不錯的進步。. 20.

(30) 第四章亞洲夏季季風未來推估. 4.1 肇始、消退與持續時間為了方便使用不確定性分析方法於未來氣候推估，我們使用了 20 個模式結果(表 4.1.1)，其中包含有 12 個耦合模式(CGCM) 及 8 個地球系統模式(Earth System Models, ESM)，且要同時有以下 3 個情境模擬資料。用於驗證觀測的過去氣候模擬(hist)，一為增溫情境較緩和的 rcp45 另一為增溫明顯的情境 rcp85。這些 ESM 包含了複雜過程(Earth system models of intermediate complexity, EMICs)，耦合了生化元件以及將海 – 氣 – 陸的碳循環過程做成封閉循環系統，這樣的過程使得地球系統更為真實化，並且減少一些來自模式內部自然加熱(intro-nature forcing)的系統性誤差(Taylor et al., 2011)。比較季風的推演時間、強度、與覆蓋範圍在弱(rcp45)與強(rcp85)的暖化情境下的變化。進一步討論亞洲夏季季風受暖化影響的敏感程度。針對未來情境下不確定性推估，IPCC AR5 的不確定性推估指導手冊 (Mastrandrea et al., 2011)所使用的方法，我們應用於本篇研究。季風降雨推演(包含肇始、消退與持續時間)對未來的推估呈現在圖 4.1.1。在肇始時間變化方面(圖 4.1.1a, d)，就整個季風覆蓋範圍 rcp45 大部份地區肇始時間變化不大，約提早(或推遲)1 – 2 ptd。值得注意的是長江附近、日本南部及南韓有比較明顯的訊號(提早 3 – 4 ptd)。相較於 rcp45，rcp85 則出現改變的幅度變大(東北亞出現提早 4 – 5 ptd、WNP 東部出現提早 5 ptd 的訊號)、推遲的覆蓋範圍變廣的情況(從孟加拉灣往東北延伸到中南半島，一直到中國南部)。在消退時間變化方面(圖 4.1.1b, e)，rcp45 大部份區域是提早或推遲約 1 – 2 ptd，除了印度西南部海域推遲 3 – 4 ptd、台灣附近到日本間的海域為提早 1 – 2 ptd。rcp85 的變化情況較明顯，在整個印度半島都是推遲超過 5 ptd，特別的是台灣到日本、韓國間的梅雨鋒面盛行區域由提早(rcp45)變為推遲 3 – 4 ptd。在持續時間方面(圖 4.1.1c, f)，rcp45 大部份區域為延長的情況，且與消退推遲時間的空間分布一致，延長時間多為 1 – 2 ptd，要注意的是中國東海區域，由於肇始時間提早與消退時 21.

(31) 間推遲的關係，持續時間有延長為 4 – 5 ptd。rcp85 也類似 rcp45 的情況且變化輻度更明顯，特別是東北亞地區、印度半島、WNP 東側持續時間延長到 5 ptd 以上。總體而言，在弱(rcp45)與強(rcp85)的暖化情境下，肇始時間在大部份區域是稍微的提早，但消退時間則是明顯推遲，且持續時間明顯受到消退時間影響(如印度半島附近)。但在東北亞地區不但是肇始時間提早，且消退時間推遲；WNP 東部則因肇始時間提早，使得持續時間延長的輻度較大。依據 IPCC AR5 不確定性分析指導手冊的方法，70%(14/20)以上的模式一致同意有可能發生(Likely)的訊號為：rcp45 與 rcp85 在肇始時間部份只在中國中部長江口附近有訊號；消退時間則 rcp45 在印度半島北部與越南北部推遲約 1 ptd， rcp85 則明顯發生在整個印度半島及其西南海域推遲約 2 – 3 ptd，另中南半島泰國與中國南部、海南島推遲 1 – 2 ptd、韓國與日本約推遲 4 ptd、WNP 東部則推遲 2 ptd。持續時間則 rcp45 與 rcp85 可能發生的區域與其消退時間空間分布相似但範圍較大。簡言之印度半島與部份中南半島地區，在暖化的情境下可能發生 (likely)季風降雨消退時間推遲並延長累積降雨的時間，東北亞不但是肇始時間提早且消退時間推遲，且暖化愈嚴重推遲與延長的情況愈明顯。. 4.2 季風覆蓋範圍與強度的變化圖 4.2.1a 為 GPCP、CMIP5 MME 的 hist、rcp45 以及 rcp85 情境下季風區域合成圖。模擬過去季風的相關結果已於 3.2.5 節描述過。在和緩增溫情境下(rcp45) 季風區域的變化不大，除了一些菲律賓東部海域與 WNP 南部海域等邊緣地區稍微縮減；在印度南部海域與 WNP 北部和東部海域有擴展的情況。在明顯增溫情境下(rcp85)，季風區有向北(中國東北)、東(WNP 東部)與向南(印度南部與中南半島南部)擴展的情況。統計各別模式的季風區域在未來情況下面積變化(圖 4.2.1b) 發現，有 60%(12/20)的模式表示在 rcp45 情境下季風區域面積減小。而有 95%(19/20)的模式表示 rcp85 情境的季風區域面積是增加的。MME 也出現同樣訊號(rcp45 減少 5%、rcp85 增加 15%面積覆蓋範圍)。 22.

(32) 在季風強度(monsoon intensity)未來推估的空間分布(圖 4.2.2a, b)部份。，大部份地區在 rcp45 情境的強度只有稍微增加(約 3%)，除了東北亞些許區域有減弱的訊號；rcp85 則強度變化輻度較明顯，在孟加拉有增加 15%，中國東北增加 9 – 15%；WNP 區域增加 12 – 18%。總體而言，增溫的情況愈嚴重同時反映在可降雨量的增加，可以預期的是季風(降雨)強度增加輻度愈大，只是較明顯的地區會在以上描述的 3 個區域。圖 4.2.3 為各別模式的季風強度在 rcp45 與 rcp85 情境空間平均值百分比變化。rcp45 與其空間分布結果類似，所有模式全部是增強的變化趨勢；另 rcp85 也是一樣的結果但是增加變化幅度。各別模式在強度與面積方面的變化總結在圖 4.2.4 的盒鬚圖上。在強度變化上與過去研究(Kitoh et al., 2013) 分析 rcp45 及 rcp85 在 GMI(global monsoon index)結果一致，rcp85 比 rcp45 變化較大(5.8 – 15.8%, 3.4 – 9.4%)，只是本研究重點在亞洲地區，所以模式間的變異度較大。在面積變化上也與 GMA(global monsoon area)的變化趨勢一致，但各別模式在亞洲季風區，rcp45 的面積改變的變異度較大且不一致(-16.1 – 9.8%)，rcp85 則一致性的增加面積(6.5 – 31.5%)。整體而言在現有暖化的 2 種情境下，由 rcp45 的許多模式(如: CCSM4, CNRM-CM5, MIROC5…等)與其 MME 的面積為減少的變化，但強度卻是增加的情況，發現季風強度的變化與覆蓋範圍(面積)並無一致性的關係，推測亞洲夏季季風降雨區域分布，應該與海 – 陸分布有關，暖化只會增加強度上的變化，而並不會造成整個季風降雨區位置與氣候型態大幅度改變(如亞洲內陸地區並不因暖化的情況而改變其乾燥少雨氣候型態)。至於年際上的變化則須要進一步分析。值得注意的是，比較 rcp45 與 rcp85 季風區塊變化，發現暖化較強的情境(rcp85) 下，延展會南往赤道，西往換日線，東北向往高緯度地區，推測是因這些區域夏季強降雨的事件變多(或是冬季降雨變少)。至於為什麼會有這樣的改變，則是與地球的暖化行為所造成的大尺度環流變化(Hadly cell 或 Walker circulation 變強) 有關。. 23.

(33) 4.3 季風大尺度環流場的變化 Lee and Wang (2014)使用 4 個 CMIP5 最佳模式分析全球季風區域的南北向 Hadly cell 與東西向 Walker cell 環流與平均溫度的關係，發現 Walker 環流每增溫 1°C 強度減弱 1.6%；冬季 Hadly 環流則每增溫 1°C 強度增加 4.1%。Kitoh et al. (2013)也分析 23 個 CMIP5 模式在夏季(從 5 – 9 月)的氣候平均環流場的變化，在亞洲夏季季風地區水氣通量(積分整個垂直大氣柱)的增加，由阿拉伯海東北向往印度半島再向東邊的中南半島，在南海、菲律賓及台灣地區則是西南風方向的增強，再往北延伸到日本與韓國，在 WNP 區域則是由東向西的增加。也就是整個夏季季風環流帶都在增加水汽通量。而輻合增強在區域在印度半島(特別是孟加拉)、東部 WNP 與日、韓等區域，這部份與本文季風強度增加的區域結果一致(圖 4.2.2b)。圖 4.2.5 為 18 個 CMIP5 模式 MME，現今氣候(hist)與 rcp45 未來情境下的大尺度環流場的變化合成圖。比較亞洲夏季季風肇始的 5 月氣候平均場(圖 4.2.5a, c)，在暖化的情境下亞洲大陸與印度洋間的南北向大氣的厚度變大，且愈往赤道方向，高層厚度變化愈明顯，即反映南北溫度梯度變大，使得季風肇始時間提早(如同 3.2.4 節描述，即使模式模擬過去氣候時，季風肇如為延遲的偏差)。季風消退的 9 月氣候平均場(圖 4.2.5b, d)，顯示類似的南北溫度梯度變化特性。值得注意的是在印度半島北部的青藏高原出現厚度梯度較大密度的情況(相對於同緯度其它區域)，表示青藏高原高層因暖化高壓變強，相對於其低層氣旋式環流增強(850 hPa 風場)並引進更多的印度洋伴隨而來的水汽，反應出 9 月氣候平均降雨變多而消退時間延後。. 24.

(34) 第五章結論在全球暖化的背景下，地處東亞中心位置的台灣應該去了解與調適氣候的變遷，研究與因應未來可能發生的災害更是刻不容緩的工作。亞洲地區的溫度與降雨極端事件發生頻率改變、以及季風的變化更是與我們習習相關。基於上述理由我們做了本篇研究。在溫度部份，觀測資料發現全球低溫極端事件比高溫極端事件有較多的正趨勢含蓋範圍且變化輻度較大，而模式 MME 的各種極端溫度指標都普遍正趨勢。亞洲地區氣候長期趨勢而言，極端低溫事件頻率(TNn 與 TXn)在減少，說明氣候變遷(暖化)的趨勢。而極端高溫事件部份，夜晚高溫(TNx)在 1980 年代後頻率開始增加，但白天高溫(TXx)沒有明顯的趨勢。在降雨部份(rx1day)，觀測 hadex2 涵蓋人口稠密的亞洲地區陸地，在 1990 年代後是上升的趨勢。相對於 CMIP3， CMIP5 模式於熱帶地區極端降雨部份，因處理深對流降雨參數化過程較好，加上提高模式解析度，因此有較佳的表現；而在中高緯區地區則差異不大。過去的研究在處理模式極端指標時，常忽略改變解析度所伴隨的空間頻散效應。由處理高解析度觀測資料的極端指標測詴發現，各別模式在原始解析度即應取得其極端指標，以避免分析過程中因改變解析度所產生空間頻散效應，失去模式原本應有的強度表現。過去的分析在利用模式降雨資料分析亞洲季風推演(肇始、消退與持續)時間時，常因為東亞地區缺乏降雨的系統性誤差而失去預報準確率。在評估季風強度與覆蓋區域時，常僅使用夏季的月平均降雨資料分析。處理這 2 個問題的關鍵在提供空間上準確而高解析度季風演進時間資料來進行分析。使用 RPI 轉換模式降雨資料並標準化後，應用各別模式的特徵門檻值，分析模式的季風肇始(消退)時間，減少模式因季風期間降雨系統性誤差，而錯估其模擬亞洲夏季季風推演與變化的能力。另依據模式使用的深對流參數化法分組分析，所得到結論與 Lin et al. (2008)分析模式模擬 MJO 現象的結果一致，得到觸發對流參數化法(bulk|CAPE). 25.

(35) 的模式，於季風降雨推演能有較好的表現。季風覆蓋面積雖然大部份模式驗證結果為低估，但強度則有很高的相似性，說明只要模式有季風降雨的訊號出現，大都可以準確描述其訊號強度與降雨型態。應用弱(rcp45)與強(rcp85)未來 2 種不同暖化情境的模式資料進行夏季季風推估部份。肇始時間在大部份區域是稍微的提早，但消退時間則是明顯推遲，且在印度半島附近區域持續時間明顯受到消退時間主導。而在東北亞地區與 WNP 東部則因肇始時間提早較明顯，且消退時間也延後，使得持續時間延長的幅度較大。不確定性分析得到未來可能發生(likely)相同類似結果，當暖化愈嚴重推遲與延長的情況愈明顯。本研究在亞洲地區的極端事件與夏季季風多只是定量上的分析與趨勢上的描述，近年來的研究雖然有大略提到大尺度環流的變化特徵，但定性上的分析則還是需要進一步的資料分析研究與模式模擬驗證，將有助於提高預報準確度並更有效的訂定未來的調適策略。. 26.

(36) 參考文獻 Alexander, L. V., Zhang, X., Peterson, T. C., Caesar, J., Gleason, B. and co-authors 2006: Global observed changes in daily climate extremes of temperature and precipitation. J. Geophys. Res. 111. Chen, C.-T. and Knutson, T. 2008: On the Verification and Comparison of Extreme Rainfall Indices from Climate Models. J. Climate 21, 1605-1621. Donat, M. G., Alexander, L. V., Yang, H., Durre, I., Vose, R. and co-authors 2013: Updated analyses of temperature and precipitation extreme indices since the beginning of the twentieth century: The HadEX2 dataset. J. Geophys. Res. 118, 2098-2118. Hsu, P.-c., Li, T. and Wang, B. 2011: Trends in global monsoon area and precipitation over the past 30 years. Geophys. Res. Lett. 38, L08701. Hsu, P.-c., Li, T., Luo, J.-J., Murakami, H., Kitoh, A. and co-authors 2012: Increase of global monsoon area and precipitation under global warming: A robust signal? Geophys. Res. Lett. 39, L06701. Inoue, T. and Ueda, H. 2009: Evaluation for the Seasonal Evolution of the Summer Monsoon over the Asian and Western North Pacific Sector in the WCRP CMIP3 Multi-model Experiments. J. Meteor. Soc. Japan. Ser. II 87, 539-560. Kawamura, R. 1998: A Possible Mechanism of the Asian Summer Monsoon-ENSO Coupling. J. Meteor. Soc. Japan. Ser. II 76, 1009-1027. Kharin, V. V. and Zwiers, F. W. 2005: Estimating Extremes in Transient Climate Change Simulations. J. Climate 18, 1156-1173. Kim, H.-J., Wang, B. and Ding, Q. 2008: The Global Monsoon Variability Simulated by CMIP3 Coupled Climate Models*. J. Climate 21, 5271-5294. Kitoh, A. and Uchiyama, T. 2006: Changes in Onset and Withdrawal of the East Asian Summer Rainy Season by Multi-Model Global Warming Experiments. J. 27.

(37) Meteor. Soc. Japan. Ser. II 84, 247-258. Kitoh, A., Endo, H., Krishna Kumar, K., Cavalcanti, I. F. A., Goswami, P. and co-authors 2013: Monsoons in a changing world: A regional perspective in a global context. J. Geophys. Res. 118, 3053-3065. Knutti, R., Furrer, R., Tebaldi, C., Cermak, J. and Meehl, G. A. 2010: Challenges in Combining Projections from Multiple Climate Models. J. Climate 23, 2739-2758. Lee, J.-Y. and Wang, B. 2014: Future change of global monsoon in the CMIP5. Climate Dyn. 42, 101-119. Li, J. and Zhang, L. 2009: Wind onset and withdrawal of Asian summer monsoon and their simulated performance in AMIP models. Climate Dyn. 32, 935-968. Lin, J.-L., Weickman, K. M., Kiladis, G. N., Mapes, B. E., Schubert, S. D. and co-authors 2008: Subseasonal Variability Associated with Asian Summer Monsoon Simulated by 14 IPCC AR4 Coupled GCMs. J. Climate 21, 4541-4567. Mastrandrea, M., Mach, K., Plattner, G.-K., Edenhofer, O., Stocker, T. and co-authors 2011: The IPCC AR5 guidance note on consistent treatment of uncertainties: a common approach across the working groups. Climatic Change 108, 675-691. Meehl, G. A., Karl, T., Easterling, D. R., Changnon, S., Pielke, R. and co-authors 2000: An Introduction to Trends in Extreme Weather and Climate Events: Observations, Socioeconomic Impacts, Terrestrial Ecological Impacts, and Model Projections*. Bull. Amer. Meteor. Soc. 81, 413-416. Meinshausen, M., Smith, S. J., Calvin, K., Daniel, J. S., Kainuma, M. L. T. and co-authors 2011: The RCP greenhouse gas concentrations and their extensions from 1765 to 2300. Climatic Change 109, 213-241. Min, S.-K., Zhang, X., Zwiers, F., Friederichs, P. and Hense, A. 2009: Signal 28.

(38) detectability in extreme precipitation changes assessed from twentieth century climate simulations. Climate Dyn. 32, 95-111. Min, S.-K., Zhang, X., Zwiers, F. W. and Hegerl, G. C. 2011: Human contribution to more-intense precipitation extremes. Nature 470, 378-381. Min, S.-K., Zhang, X., Zwiers, F., Shiogama, H., Tung, Y.-S. and co-authors 2013: Multimodel Detection and Attribution of Extreme Temperature Changes. J. Climate 26, 7430-7451. Orlowsky, B. and Seneviratne, S. 2012: Global changes in extreme events: regional and seasonal dimension. Climatic Change 110, 669-696. Sperber, K. R., Annamalai, H., Kang, I. S., Kitoh, A., Moise, A. and co-authors 2012: The Asian summer monsoon: an intercomparison of CMIP5 vs. CMIP3 simulations of the late 20th century. Climate Dyn., 1-34. Taylor, K. E. 2001: Summarizing multiple aspects of model performance in a single diagram. J. Geophys. Res. 106, 7183-7192. Taylor, K. E., Stouffer, R. J. and Meehl, G. A. 2011: An Overview of CMIP5 and the Experiment Design. Bull. Amer. Meteor. Soc. 93, 485-498. Tung, Y.-S., Chen, C.-T. and Hsu, P.-C. 2014: Evolutions of Asian Summer Monsoon in the CMIP3 and CMIP5 Models. SOLA 10, 88-92. Wang, B. and LinHo 2002: Rainy Season of the Asian–Pacific Summer Monsoon*. J. Climate 15, 386-398. Wang, B., Wu, Z., Li, J., Liu, J., Chang, C.-P. and co-authors 2008: How to Measure the Strength of the East Asian Summer Monsoon. J. Climate 21, 4449-4463. Zwiers, F. W., Zhang, X. and Feng, Y. 2010: Anthropogenic Influence on Long Return Period Daily Temperature Extremes at Regional Scales. J. Climate 24, 881-892. 29.