台灣區域未來降雨推估的統計降尺度穩定性研究
160
0
0
全文
(2) 致謝 在即將畢業的此刻，我首先要先感謝陳正達老師這兩年半來在研究和論文 上給予的指導與幫助，以及黃婉如老師、鄒治華老師、盧孟明老師、洪志誠老師 口試委員們對於論文內容的悉心指導和寶貴的建議。另外，還要感謝系上的王重 傑老師、簡芳菁老師和黃婉如老師在課堂上給予專業知識的教導，讓我這個在大 學不是讀大氣系的學生能夠習得大氣領域相關的基本和專業知識，進而使我有能 力能夠做我有興趣的大氣科學的研究。 而在這兩年半裡，曾遭遇過許多挫折，也曾動過無數次想要放棄的念頭，但 也都被我一一克服且撐了過來，不過這其中也要感謝幫助我最多的世豪學長，如 果沒有學長在程式上的幫忙和精神上的鼓勵的話，我想我可能也無法走到這步。 同時，也要感謝李彥緯老師給予在程式上的教導與幫助，讓我撰寫程式的能力得 以持續進步。另外，也感謝研究室裡同學的陪伴與幫助，以及修立、騰平學長的 幫助，和美鳳姐與系辦的純棉助教幫我解決學務行政上的問題。 最後要感謝我最重要的家人，在讀研究所的這兩年半裡，不管是在經濟還是 精神層面上都給予我最大的支柱，讓我可以無後顧之憂的做我有興趣的研究並完 成它，沒有你們就沒有今天的我，是你們的支持讓我有勇氣繼續追夢。. I.
(3) 摘要 目前 CMIP5(Coupled Model Intercomparison Project Phase 5)所使用的 氣候模式其空間解析度對於區域性的地區或國家(如台灣)在評估未來氣候變遷 的影響時仍有所不足，此時為了克服氣候模式其解析度較低的限制，降尺度方法 的運用便成為研究區域氣候的必要手段。 統計降尺度方法因其簡便且計算的需求相對較少，因此此方法已廣泛應用於 全球各個區域的氣候研究上且行之有年。而統計降尺度方法在應用於未來氣候推 估的降尺度時，其前提皆是假設過去(或現今)資料所建立的統計關係到未來時仍 是穩定的；然而，近年來氣候變遷日趨嚴重，已有人開始質疑此無法驗證(在無 未來的觀測資料情況下)的前提假設在未來是否仍成立。因此本研究採用"理想模 式"("perfect model")此實驗架構利用高解析度的模式資料(動力降尺度資料) 代替原本降尺度中所使用的觀測資料(因模式資料有模擬未來的部分)，以驗證誤 差修正氣候特徵法(Bias corrected Climate Imprint，簡稱 BCCI)、誤差修正 建構類比法(Bias corrected Constructed Analogues，簡稱 BCCA)和誤差修正 建構類比兼分位映射法(BCCA with quantile mapping reordering，簡稱 BCCAQ) 此三種統計降尺度方法在應用於未來的降尺度時能否遵守上述的前提假設，並比 較不同統計降尺度方法其結果在現在和未來時期的表現，以及在這兩個時期表現 的穩定性。 研究結果顯示，BCCA 此降尺度方法降尺度後的日降雨結果在強度上皆有低 估的情況，BCCI 和 BCCAQ 的結果在強度和極端降雨指標(r1mm、rx1day、rx5day) 的表現上則與原始高解析度的模式資料較相近；至於統計穩定性的評估是以平均 II.
(4) 絕對誤差的比值(未來/現在)是否大於 1 而定，大於 1 即表示統計降尺度方法在 應用於未來的降尺度時，其誤差會比應用於現在時期要來的大，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、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 的統計穩定性表現較差，BCCI 則表現較佳。. 關鍵字:統計降尺度、極端降雨、統計降尺度穩定性. III.
(5) Abstract The spatial resolution of the climate models currently used by CMIP5 is still insufficient for regional regions or countries (such as Taiwan) in assessing the impact of future climate change. At this time, in order to overcome the limitation of the lower resolution of the climate models, the application of the downscaling method has become a necessary approach for studying regional climate. The statistical downscaling method is simple and requires relatively fewer computing resources. Therefore, this method has been widely used in climate research in various regions of the world for many years. The statistical downscaling method when applied to the downscaling of future climate projections, assumes that the statistical relationships established by past (or present) data will remain stable in the future. However, in recent years, climate change has become increasingly serious, and some people have begun to question whether this premise assumption that can’t be verified (in the absence of future observations) is still valid in the future. Therefore, this study uses the "perfect model" experimental design, this experimental design used high-resolution model data (dynamic downscaling data) instead of observation data in downscaling (because the model can simulate the future part) to verify whether bias corrected climate imprint (BCCI), bias corrected constructed analogues (BCCA), IV.
(6) and bias corrected constructed analogues with quantile mapping reordering (BCCAQ) this three statistical downscaling methods can comply with the above that premise assumption when applyed to the future projections downscaling and compare the performance of different statistical downscaling methods in the present and future periods and the stability performance in these two periods. The results of this study show that the BCCA method underestimates in intensity on its daily precipitation results. By contrast, the daily precipitation results of BCCI and BCCAQ are similar to the original high-resolution model data in terms of intensity and extreme precipitation indices. As for the evaluation of statistical stability, it depends on whether the ratio of the mean absolute error (future divided by present) is greater than 1. If the ratio greater than 1 indicates that when the statistical downscaling method is applied to future period, its error will be greater than that applied in the present period, which also represents a violation of the above premise assumption. The three statistical downscaling methods (BCCI, BCCA, BCCAQ) validated by this study all have ratios greater than 1, among which BCCA is the largest, followed by BCCAQ, and BCCI is the smallest. This also means that BCCA performed poorly on statistical stability, and BCCI performed better.. V.
(7) 台灣區域未來降雨推估的統計降尺度穩定性研究 目錄 致謝...............................................................................................................................I 摘要..............................................................................................................................II Abstract.......................................................................................................................IV 目錄.............................................................................................................................VI 圖表目錄................................................................................................................... VIII 第一章 前言.................................................................................................................1 第二章 資料介紹.........................................................................................................8 2.1 高解析度模式資料............................................................................................8 2.2 低解析度模式資料............................................................................................9 第三章 研究架構及方法...........................................................................................11 3.1 研究架構..........................................................................................................11 3.2 統計降尺度方法..............................................................................................13 3.2.1 氣候特徵法(Climate imprint)...........................................................13 3.2.2 誤差校正氣候特徵法(Bias-correction and climate imprint) .................................................................................................13 3.2.3 建構類比法(Constructed analogues) ..............................................14 3.2.4 誤差校正建構類比法(Bias-correction and constructed analogues)..............................................................................................14 3.2.5 誤差校正建構類比兼分位映射法(BCCA with quantile mapping reordering)............................................................................................15 VI.
(8) 第四章 降尺度後之結果分析...................................................................................16 4.1 空間型態相關性之分析...................................................................................17 4.2 平均絕對誤差之分析.......................................................................................25 4.3 降雨值的強度與分布之分析...........................................................................37 4.4 時間序列相關係數之分析...............................................................................46 第五章 極端降雨指標探討.......................................................................................51 5.1 年期間雨日日數..............................................................................................51 5.2 年最大單日降雨量..........................................................................................56 5.3 年最大五日累積降雨量...................................................................................61 第六章 結論...............................................................................................................66 參考文獻.....................................................................................................................71 附錄.............................................................................................................................76. VII.
(9) 圖表目錄 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。...............................76 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)。....................................................................................77 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。................................................................................77 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。.........................................................78 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。.................78 圖 2-1. WRF 模式(3.5.1 版本)動力降尺度物理參數化之設定。..........................79. 表 2-2 本研究所使用之低解析度模式資料(高解析度模式資料升尺度後而得)介 紹。........................................................................................................................79 表 2-3 本研究所使用之低解析度模式資料(原始模式資料)介紹。.....................80 圖 3-1 (a)實際應用統計降尺度方法之流程示意圖，(b)本研究所應用的統計降 尺度流程示意圖。............................................................................................80 圖 3-2 氣候特徵法(CI)之降尺度流程示意圖。.....................................................81 圖 3-3 誤差校正氣候特徵法(BCCI)之降尺度流程示意圖。.................................81 圖 3-4 建構類比法(CA)之降尺度概念(流程)示意圖。.........................................82 圖 3-5 誤差校正建構類比法(BCCA)之降尺度流程示意圖。.................................82 圖 3-6 誤差修正建構類比兼分位映射法(BCCAQ)之降尺度概念(流程)示意 圖。.......................................................................................................................83 圖 4-1 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 VIII.
(10) 始高解析度動力降尺度資料的空間相關性。圖上方數值由左至右分別為最 小值、平均值、最大值。................................................................................83 圖 4-2 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料的空間型態相關係數。圖上方數值由左至右分別 為最小值、平均值、最大值。...........................................................................84 圖 4-3 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原始 高解析度動力降尺度資料的月氣候平均之空間型態相關係數。圖上方數值由 左至右分別為最小值、平均值、最大值。.......................................................84 圖 4-4 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原始 高解析度動力降尺度資料的月氣候平均之空間型態相關係數。圖上方數值由 左至右分別為最小值、平均值、最大值。.......................................................85 圖 4-5 WRF-HiRAM 升尺度部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三種統計 降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料的月氣 候平均之空間型態相關係數。圖上方不同時期後所列的數值由左至右分別為 最小值、平均值、最大值。...............................................................................85 圖 4-6 WRF-MRI 升尺度部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三種統計降 尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料的月氣候 平均之空間型態相關係數。圖上方不同時期後所列的數值由左至右分別為 最小值、平均值、最大值。.............................................................................86 圖 4-7 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其區域平均降雨≧1mm/day 門檻之天數的空間型 態相關係數。圖上方數值由左至右分別為最小值、平均值、最大 IX.
(11) 值。......................................................................................................................86 圖 4-8 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其區域平均降雨≧1mm/day 門檻之天數的空間 型態相關係數。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................87 圖 4-9 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料的空間型態相關係數。圖上方數值由左 至右分別為最小值、平均值、最大值。.........................................................87 圖 4-10 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料的空間型態相關係數。圖上方數值由左 至右分別為最小值、平均值、最大值。.........................................................88 圖 4-11 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料的月氣候平均之空間型態相關係數。圖 上方數值由左至右分別為最小值、平均值、最大值。.................................88 圖 4-12 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料的月氣候平均之空間型態相關係數。圖 上方數值由左至右分別為最小值、平均值、最大值。.................................89 圖 4-13 WRF-HiRAM 原始模式資料部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此 三種統計降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資 料的月氣候平均之空間型態相關係數。圖上方不同時期後所列的數值由左 至右分別為最小值、平均值、最大值。...........................................................89 圖 4-14 WRF-MRI 原始模式資料部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三 X.
(12) 種統計降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料 的月氣候平均之空間型態相關係數。圖上方不同時期後所列的數值由左至 右分別為最小值、平均值、最大值。............................................................90 圖 4-15 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其區域平均降雨≧1mm/day 門檻之天數 的空間型態相關係數。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................90 圖 4-16 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其區域平均降雨≧1mm/day 門檻之天數 的空間型態相關係數。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................91 圖 4-17 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料做了區域平均後的平均絕對誤差(單 位:mm/day)。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................91 圖 4-18 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料做了區域平均後的平均絕對誤差(單 位:mm/day)。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................92 圖 4-19 WRF-HiRAM 升尺度部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三種統 計降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料在做 了區域平均後的月氣候平均之平均絕對誤差。圖上方數值由左至右分別為 XI.
(13) 最小值、平均值、最大值。............................................................................92 圖 4-20 WRF-MRI 升尺度部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三種統計 降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料在做了 區域平均後的月氣候平均之平均絕對誤差。圖上方數值由左至右分別為最 小值、平均值、最大值。................................................................................93 圖 4-21 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料在做了時間平均後的平均絕對誤差之區域分布 圖。由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由左至右 則分別為最小值、平均值、最大 值。....................................................................................................................93 圖 4-22 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料在做了時間平均後的平均絕對誤差之區域分布 圖。由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由左至右 則分別為最小值、平均值、最大 值。....................................................................................................................94 圖 4-23 WRF-HiRAM & WRF-MRI 升尺度部分現在時期與未來時期降尺度後之日降 雨結果與原始高解析度動力降尺度資料在做了時間平均後的平均絕對誤差 比值(未來時期/現在時期)之區域分布圖。由左而右分別為 BCCI、BCCA、 BCCAQ 的結果，圖上方的數值由左至右則分別為最小值、平均值、最大 值。....................................................................................................................95 圖 4-24 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料做了區域平均後的平均絕對誤差(單 XII.
(14) 位:mm/day)。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................96 圖 4-25 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料做了區域平均後的平均絕對誤差(單 位:mm/day)。圖上方數值由左至右分別為最小值、平均值、最大 值。....................................................................................................................96 圖 4-26 WRF-HiRAM 原始模式資料部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此 三種統計降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資 料在做了區域平均後的月氣候平均之平均絕對誤差。圖上方數值由左至右 分別為最小值、平均值、最大值。.................................................................97 圖 4-27 WRF-MRI 原始模式資料部分現在和未來時期 BCCI、BCCA 和 BCCAQ 此三 種統計降尺度方法降尺度後之日降雨結果與原始高解析度動力降尺度資料 在做了區域平均後的月氣候平均之平均絕對誤差。圖上方數值由左至右分 別為最小值、平均值、最大值。......................................................................97 圖 4-28 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料在做了時間平均後的平均絕對誤差之區 域分布圖。由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由 左至右則分別為最小值、平均值、最大值。...................................................98 圖 4-29 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料在做了時間平均後的平均絕對誤差之區 域分布圖。由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由 左至右則分別為最小值、平均值、最大值。..................................................99 XIII.
(15) 圖 4-30 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期與未來時期降尺度後 之日降雨結果與原始高解析度動力降尺度資料在做了時間平均後的平均絕 對誤差比值(未來時期/現在時期)之區域分布圖。由左而右分別為 BCCI、 BCCA、BCCAQ 的結果，圖上方的數值由左至右則分別為最小值、平均值、最 大值。..............................................................................................................100 圖 4-31 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的機率分布 圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的英文代 稱後所列的三個數值分別為中位數、平均值、最大值。...........................101 圖 4-32 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的累積機率 分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的英 文代稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................101 圖 4-33 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的機率分布 圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的英文代 稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................102 圖 4-34 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的累積機率 分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的英 XIV.
(16) 文代稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................103 圖 4-35 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的機 率分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的 英文代稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................103 圖 4-36 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的累 積機率分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方 法的英文代稱後所列的三個數值分別為中位數、平均值、最大 值。...................................................................................................................104 圖 4-37 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的機 率分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方法的 英文代稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................105 圖 4-38 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其所有時間所有網格降雨值≧1mm 的累 積機率分布圖。圖上在原始高解析度動力降尺度資料名稱及統計降尺度方 法的英文代稱後所列的三個數值分別為中位數、平均值、最大 值。..................................................................................................................105 XV.
(17) 圖 4-39 WRF-HiRAM & WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其每個網格的降雨值所計算的時間序列相關係 數圖，由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由左至 右則分別為最小值、平均值、最大值。.......................................................106 圖 4-40 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原 始高解析度動力降尺度資料其每個網格的降雨值所計算的時間序列相關係 數圖，由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數值由左至 右則分別為最小值、平均值、最大值。.......................................................107 圖 4-41 WRF-HiRAM & WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其每個網格的降雨值所計算的時間序 列相關係數圖，由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數 值由左至右則分別為最小值、平均值、最大值。....................................108 圖 4-42 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結 果與原始高解析度動力降尺度資料其每個網格的降雨值所計算的時間序 列相關係數圖，由左而右分別為 BCCI、BCCA、BCCAQ 的結果，圖上方的數 值由左至右則分別為最小值、平均值、最大值。.....................................109 圖 5-1 WRF-HiRAM 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 XVI.
(18) 大值。..............................................................................................................110 圖 5-2 WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數(r1mm)(單 位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資料、BCCI、 BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左至右則分別 為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百 分比，所有圖上所列的三個數值分別為最小值、平均值、最大 值。..................................................................................................................111 圖 5-3 WRF-HiRAM 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 大值。..............................................................................................................112 圖 5-4 WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數(r1mm)(單 位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資料、BCCI、 BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左至右則分別 為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百 分比，所有圖上所列的三個數值分別為最小值、平均值、最大 值。..................................................................................................................113 XVII.
(19) 圖 5-5 WRF-HiRAM 原始模式資料部分現在時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 大值。..............................................................................................................114 圖 5-6 WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結果與原始高解 析度動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 大值。..............................................................................................................115 圖 5-7 WRF-HiRAM 原始模式資料部分未來時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 大值。..............................................................................................................116 圖 5-8 WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結果與原始高解 XVIII.
(20) 析度動力降尺度資料在做了時間平均(氣候平均)後的年期間雨日日數 (r1mm)(單位：天)。圖的上排由左至右分別為原始高解析度動力降尺度資 料、BCCI、BCCA、BCCAQ 降尺度後之結果的年期間雨日日數，圖的下排由左 至右則分別為低解析度模式資料的年期間雨日日數、BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均值、最 大值。..............................................................................................................117 圖 5-9 WRF-HiRAM 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................118 圖 5-10 WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................119 圖 5-11 WRF-HiRAM 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 XIX.
(21) (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................120 圖 5-12 WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................121 圖 5-13 WRF-HiRAM 原始模式資料部分現在時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................122 圖 5-14 WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結果與原始高解 析度動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 XX.
(22) 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................123 圖 5-15 WRF-HiRAM 原始模式資料部分未來時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................124 圖 5-16 WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結果與原始高解 析度動力降尺度資料在做了時間平均(氣候平均)後的年最大單日降雨量 (rx1day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大單日降雨量，圖的下排 由左至右則分別為低解析度模式資料的年最大單日降雨量、BCCI、BCCA、 BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最小值、平均 值、最大值。..................................................................................................125 圖 5-17 WRF-HiRAM 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨量 (rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖的 XXI.
(23) 下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................126 圖 5-18 WRF-MRI 升尺度部分現在時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨量 (rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖的 下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................127 圖 5-19 WRF-HiRAM 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度 動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨量 (rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖的 下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................128 圖 5-20 WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原始高解析度動 力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨量 (rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺度 資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖的 下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 XXII.
(24) BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................129 圖 5-21 WRF-HiRAM 原始模式資料部分現在時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降 雨量(rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降 尺度資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量， 圖的下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................130 圖 5-22 WRF-MRI 原始模式資料部分現在時期降尺度後之日降雨結果與原始高解 析度動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨 量(rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺 度資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖 的下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................131 圖 5-23 WRF-HiRAM 原始模式資料部分未來時期降尺度後之日降雨結果與原始高 解析度動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降 雨量(rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降 尺度資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量， 圖的下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 XXIII.
(25) 小值、平均值、最大值。..............................................................................132 圖 5-24 WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結果與原始高解 析度動力降尺度資料在做了時間平均(氣候平均)後的年最大五日累積降雨 量(rx5day)(單位：mm)。圖的上排由左至右分別為原始高解析度動力降尺 度資料、BCCI、BCCA、BCCAQ 降尺度後之結果的年最大五日累積降雨量，圖 的下排由左至右則分別為低解析度模式資料的年最大五日累積降雨量、 BCCI、BCCA、BCCAQ 的絕對誤差百分比，所有圖上所列的三個數值分別為最 小值、平均值、最大值。..............................................................................133 表 6-1 本研究所使用的三種統計降尺度方法(BCCI、BCCA、BCCAQ)應用於 WRF-HiRAM & WRF-MRI 升尺度部分未來時期降尺度後之日降雨結果與原始 高解析度動力降尺度資料在各個分析指標的表現統整。表格中括號內的數 值即為在 WRF-HiRAM & WRF-MRI 這兩組資料的表現平均後所得，紅色分析 指標代表在升尺度部分和原始模式資料部分具有一致性。.......................134 表 6-2 本研究所使用的三種統計降尺度方法(BCCI、BCCA、BCCAQ)應用於 WRF-HiRAM & WRF-MRI 原始模式資料部分未來時期降尺度後之日降雨結果 與原始高解析度動力降尺度資料在各個分析指標的表現統整。表格中括號 內的數值即為在 WRF-HiRAM & WRF-MRI 這兩組資料的表現平均後所得，紅 色分析指標代表在升尺度部分和原始模式資料部分具有一致性。...........135. XXIV.
(26) 第一章 前言 根據美國國家海洋暨大氣總署(NOAA)對於全球平均氣溫的統計分析顯示，截 至 2018 年的統計分析，全球平均氣溫最高的五年也就是最近的五年，第一到第 五高溫年依序為 2016、2015、2017、2018、2014 年，且前十大高溫年皆是出現 自 1998 年之後，加上近年來氣候極端與異常事件發生的頻率有增加的趨勢，氣 候變遷儼然已成為一事實，使得近年來氣候變遷的研究不再只是侷限於探討未來 全球氣候平均值的改變，極端事件的議題探討也逐漸受到重視，因極端事件(如: 熱浪、豪雨、洪水、乾旱等)往往對人類社會影響快速且甚劇，且聯合國氣候變 遷政府間專家委員會(Intergovernmental Panel on Climate Change，簡稱 IPCC) 於 2012 年的 SREX 報告中指出極端事件發生頻率的增加與否皆會受到平均值和變 異數的改變以及氣候變化而影響(圖 1-1)，美國環保智庫憂思科學家聯盟(Union of Concerned Scientists)根據 SREX 報告中科學家提出證據的一致性，將氣候 變遷與極端天氣事件的連結強度用證據充分程度表現製作出一張圖表(圖 1-2)，圖中證據充分的極端事件包含極端高溫（熱浪）、海岸溢淹、極端降雨以 及乾旱，此表示氣候變遷將導致這些極端事件的發生頻率增加。而雖然目前氣候 模式發展已趨於成熟，能根據不同的代表濃度途徑(Representative Concentration Pathways，簡稱 RCPs)未來情境模擬未來的氣候特徵之推估，但 在區域尺度的特徵描述上仍然不足(Washington et al.,2000)；而區域氣候模式 (RCMs)雖然在區域尺度上具有相當強的特徵描述能力，但仍還是有許多系統性誤 差的問題存在(Themeβl et al.,2010)，此時，降尺度方法就成為在評估未來區域 氣候特徵時的重要方法。 代表濃度途徑(RCPs)(途徑所指的是濃度的變化歷程)為 IPCC 於第五次評估 1.
(27) 報告中提出是用來重新重新定義四組未來變遷的情境，分別為 RCP2.6、RCP4.5、 RCP6 和 RCP8.5，並以輻射強迫力(radiative forcing)在 2100 年與 1750 年之間 的差異量當作指標性的數值來區分之。之所以被命名為 RCP2.6 的情境意味著每 平方公尺的輻射強迫力在 2100 年增加了 2.6 瓦，而 RCP4.5、RCP6.0 與 RCP8.5 則代表每平方公尺的輻射強迫力分別增加了 4.5、6.0 與 8.5 瓦。在這四種情境 中，RCP2.6 為暖化減緩的情境(輻射強迫力在 2100 年呈減少趨勢)；RCP4.5 與 RCP6.0 是屬於穩定的情境(輻射強迫力的變化在 2100 年呈較為穩定狀態)； RCP8.5 則是溫室氣體高度排放的情境(輻射強迫力在 2100 年呈持續增加趨勢)。 相較於第三次評估報告與第四次評估報告所考慮的情境，這四種情境所能涵蓋層 面更廣。除了設定了逐年的溫室氣體濃度，同時根據整合評估模式、簡化氣候模 式、大氣化學模式以及全球碳循環模式的組合計算，每個 RCP 情境可以估算出人 為溫室氣體排放量，並提供土地利用變遷的空間分布以及各區域空氣汙染物的排 放量。然而，雖然這些 RCP 情境已經涵蓋了相當廣的輻射強迫力範圍，但仍有其 不足之處，特別是與氣溶膠相關的部分。 目前大多數的 CMIP5(Coupled Model Intercomparison Project Phase 5) 模式與地球系統模式都使用各 RCP 情境所設定的溫室氣體濃度變化來進行氣候 推估的模擬。到了 2100 年，在 RCP2.6 情境中，二氧化碳的濃度會達到 421 ppm； RCP4.5 情境會達到 538 ppm；RCP6.0 情境會達到 670 ppm；而 RCP8.5 情境則會 達到 936 ppm。然而，2019 年 5 月 11 日夏威夷莫納羅亞火山天文臺（Mauna Loa Observatory）的感測器記錄顯示，地球大氣中的二氧化碳濃度已達到 415.26 ppm，且自 1960 年代以來，地球大氣中二氧化碳濃度每年增長的速率約為 0.6 ± 0.1ppm，而過去十年，二氧化碳濃度每年增長的速率則接近 2.3ppm，也就是說 2.
(28) 自 1960 年代以來地球大氣中的二氧化碳濃度除了每年持續增長之外，還有增長 速率越來越快的趨勢，因此本研究在應用統計降尺度方法於未來模擬的氣候推估 資料時將以人類現今的發展模式選用 RCP8.5 情境的未來氣候推估資料進行降尺 度的研究。 動力降尺度(Barnston et al.,1999)方法是藉由提高氣候模式（General Circulation Model，簡稱 GCM）的解析度以獲得高解析度的氣候推估資料，由 於使用較接近真實的地形資料（例如：地形高度、海岸線、土地利用等），因此 較能夠精準地呈現區域範圍的地理及氣候特徵，高解析度也讓模式能模擬出較大 的極值，進而提升模式對極端事件的模擬能力。實際上通常會使用區域氣候模式 （Regional Climate Model，簡稱 RCM）將 GCM 所做的低解析度氣候推估資料作 為邊界條件進行降尺度，以得到動力降尺度後高解析度的氣候推估資料。而之所 以稱為「動力」是因為所用的模式包含了許多物理、化學的參數計算，其目的是 試圖模擬出真實自然環境的運作，而每個參數之間皆會互相影響，且此相互影響 為動態過程，因此所用的 GCM 或 RCM 可說是一種動力模式。此方法的優點在於由 於模式包含了大氣的物理、化學及動力過程，因此對於模擬的結果能以物理機制 做適當的解釋，也能針對極端氣候進行研究(Wang et al.,2008)。而其主要的缺 點則是需要大量的電腦運算資源和儲存空間，且計算相對較耗時，以及模式的物 理參數化可能不夠完善，或是模式所使用的參數化可能隨著解析度的過度提高而 不再適用。 統計降尺度(Von stroch et al.,1993)方法則是藉由過去長期的觀測資料與 氣候模式過去長期的模擬資料，利用回歸與統計分析等方法建立兩者之間長期且 穩定的統計關係(Wilby and Wigley,2000; Chu.,2008)，並利用此統計關係應用 3.
(29) 於氣候模式未來的推估資料上。其優點在於計算的需求相對較少而且方法也相對 簡易，而缺點是模擬的結果無法顯示氣候的物理過程，缺少適當的物理解釋，且 用來作為預報時需要假設未來氣候特徵是統計穩定的，而這個假設一般無法滿足 也無法證明。 無法證明之原因即是因缺乏未來的觀測資料，因此無法證明在未來觀測資料 和模式資料的變數之間仍維持著現有的統計關係；而本研究將透過"理想模式" ("perfect model")的實驗設計(Dixon et al.,2016)利用高解析度的模式資料代 替原本高解析度的觀測資料，便可以用來評估及驗證統計降尺度方法在現在時期 的資料裡所尋找出的統計關係，是否在未來時期的資料裡此統計關係仍維持穩定 的狀態。 而關於統計降尺度的方法，2014 年太平洋氣候影響協會(Pacific Climate Impacts Consortium，簡稱 PCIC)這支加拿大團隊提出誤差校正建構類比兼分位 映射法(BCCAQ)此統計降尺度方法並應用觀測和模式資料於北美洲未來氣候推估 的研究，其依據三個面向進行分析，而三個面向分別為: (1) 事件的連續性(sequencing of events) ― ETCCDI(極端氣候指標) correlation (2) 值的分布與強度(distribution of values) ― ETCCDI Kolmogorov-Smirnov D-statistic (K-S test) (3) 空間結構(spatial structure) ― spatial autocorrelation 三個面向後所列即為 PCIC 所用之分析方法，其結果所通過檢定的百分比整體表 現相較於以往所發展出來的統計降尺度方法(如:BCCI、BCCA、BCSD)皆較好(Sobie et al.,2014)。 4.
(30) 圖 1-3 即為 PCIC 在報告裡依據上述此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，圖下所列的英文簡稱即為統計降尺度方法， QMAP 即為 BCCI，而由圖可看出，雖然 BCCAQ 並不是在每個分析面向通過的百分 比皆最高，但以整體來看，BCCAQ 所通過的檢定累積百分比為最高。 表 1-1 則為將圖 1-3 中的統計降尺度方法依據在三個分析面向所通過的檢定 百分比表現化為排名之表格。由表中更可看出，雖然 BCCAQ 並非在各個面向表現 皆最好，但平均整體而言，BCCAQ 的表現為最好，而表中不同的統計降尺度方法 在各個面向的表現其實也反映了其方法的特性，如 BCCA 的做法是尋找觀測和模 式資料之間降雨分布的關係，因此其在空間(Spatial)面向上的表現會較好；而 QMAP(即 BCCI)的做法較能保留原始模式資料日連續性的變化以及降雨強度，因 此其在連續性(Sequencing)和值的分布(Distribution)面向上的表現會較好；而 BCCAQ 簡單地來說其在做法上則是結合 BCCA 與 BCCI，具有截長補短的特性，因 此其在三個分析面向上皆有不錯的表現，也使得在整體平均的表現上為最佳。關 於不同統計降尺度方法較詳細的介紹將於第三章第二節(3.2)做完整的說明。 而 BCCAQ 此統計降尺度方法自提出之後便陸陸續續有研究將它和其他的統 計降尺度方法應用於北美洲其中較小的區域以比較降尺度後的結果(Werner and Cannon,2016；Sobie and Murdock,2017)；中國南京大學也在 2018 年出了兩篇 關於應用 BCCAQ 和其他統計降尺度方法(BCSD、BCCI、CDF-t)於觀測和模式資料 中的溫度和降雨於中國的氣候研究(Yang et al.,2018)，其中一篇為利用過去的 觀測和模式資料作為驗證以比較不同統計降尺度方法其降尺度後結果的表現，另 一篇則是利用這些不同的統計降尺度方法以過去的觀測和模式資料所建立的統 計關係為基礎所做的中國未來氣候推估的降尺度結果。而從 Yang et al.(2018) 5.
(31) 在利用過去的觀測和模式資料以比較不同統計降尺度方法的這篇結果來看， BCSD、BCCI 和 BCCAQ 降尺度後的結果表現皆是不錯的，但以整體來說 BCSD 的表 現更為突出，而 BCCI 和 BCCAQ 的結果在極端氣候指標(ETCCDI)上的表現相差不 多，唯一較大的差異在於降雨的機率分布(PDF)，BCCAQ 降尺度後的降雨結果其 機率分布相較於 BCCI 的結果是較接近於觀測資料的。至於未來氣候推估的部 分，BCCI 和 BCCAQ 降尺度後的推估結果不管是在溫度或是降雨的部分其趨勢、 機率分布和極端氣候指標皆是非常相近的，不過其仍是如以往應用統計降尺度方 法於區域氣候的研究並比較不同統計降尺度方法的表現，因此其前提皆是假設統 計降尺度方法其統計穩定性在未來仍是穩定的，所以也並沒有探討到統計降尺度 方法其統計穩定性的問題。 因台灣目前所應用於未來氣候推估的統計降尺度方法仍以改良過的誤差校 正空間分解法(BCSD)為主，而 BCCAQ 為更新的方法，且經過 PCIC 應用於北美洲 並比較 BCCAQ 和 BCSD(未經改良的)的結果表現顯示 BCCAQ 的整體表現優於 BCSD。因此本研究將採用"理想模式"的實驗架構(Dixon et al.,2016)應用 BCCI、BCCA 以及 BCCAQ 此三種統計降尺度方法於台灣區域降尺度的研究，並探 究 BCCAQ 降尺度後的結果是否的確具有結合 BCCI 和 BCCA 各別優點的趨勢，以及 本研究之主要目的是要驗證並評估 BCCI、BCCA 以及 BCCAQ 此三種統計降尺度方 法在應用於未來氣候推估資料的降尺度時，其統計穩定性的表現是否仍遵守現在 在應用統計降尺度方法於未來氣候推估時的前提假設(stationarity assumption)。而目前這部分的探討尚少(Vrac et al.,2007； Hertig and Jacobeit,2013； Dixon et al.,2016)，雖然以往在評估統計降尺度方法的表現 時，會將降尺度所用的資料時間區分為兩部分，一部分為校準期(calibration 6.
(32) periods)，另一部分則為驗證期(validation periods)，以利於能將此兩部分降 尺度後的結果做交叉驗證(cross-validation)，進而評估統計降尺度方法的表現 (Themeβl et al.,2011； Volosciuk et al.,2017)，但這做法並無法評估統計 降尺度方法的穩定性，因校準期和驗證期的氣候狀態可能並不類似於過去和未來 此兩氣候狀態。根據 Wang et al.(2018)的論文中提到目前針對評估統計降尺度 穩定性的方法主要有兩種，一種為使用高解析度的區域氣候模式(RCMs)資料代替 真實的觀測資料("pseudo-reality")，如"理想模式"的實驗設計，另一種則為使 用差異交叉驗證("differential cross-validation")，其做法是將期望能夠反 映出氣候變化的兩個時期分為校準期和驗證期(Teutschbein and Seibert,2013； Salvi et al.,2016)。而如今已有許多研究應用上述這三種統計降尺度方法 (BCCI、BCCA、BCCAQ)於區域氣候的研究，因此本研究想了解 BCCAQ 在應用於台 灣區域未來氣候推估上相較於 BCCI 和 BCCA 是否具有較高的統計穩定性。 本文將於第二章介紹本研究所使用的資料及來源；第三章介紹本研究之研究架構 以及不同的統計降尺度方法；第四章將不同的統計降尺度方法之結果做進一步的 分析，以利於比較不同的統計降尺度方法之表現，並評估不同的統計降尺度方法 其統計穩定性的表現；第五章則是針對不同的統計降尺度方法之結果在極端降雨 指標上的表現做些比較和探討；第六章闡述結論。. 7.
(33) 第二章 資料介紹 2.1 高解析度模式資料 本研究所使用的高解析度模式資料為 WRF-HiRAM (Weather Research and Forecasting - High Resolution Atmospheric Model)和 WRF-MRI (Weather Research and Forecasting - Meteorological Research Institute)此兩種模 式動力降尺度的日平均降雨資料(單位:mm/day)(如表 2-1)，其空間解析度皆為 5km x 5km(約 0.05˚x 0.05˚)，選取的資料空間範圍皆為台灣區域(120˚E~122˚E； 21.5˚N~25.5˚N)，本研究所選用 WRF-HiRAM 此動力降尺度資料現在時期的時間為 1979-2005 年，以及世紀末時期(未來情境 RCP 8.5)則為 2075-2099 年的模擬降 雨結果為主，而所選用 WRF-MRI 此動力降尺度資料的現在時期則為 1979-2003 年，以及世紀末時期(未來情境 RCP 8.5)同樣為 2075-2099 年的模擬降雨結果為 主，吾人便是利用此兩組高解析度的動力降尺度資料來當作本研究統計降尺度中 的高解析度模式資料(代替原本高解析度的觀測資料)。 在此兩種資料中 WRF(Weather Research and Forecasting modeling system) 皆為執行動力降尺度時所使用的區域模式(3.5.1 版本)，此模式為美國大氣研究 中心(NCAR)發展的天氣研究與預報模式系統，模式的水平解析度為 5 公里，為單 層網格，網格數為 380 × 400，垂直方向共有 36 層。模式物理參數化的設定方 面(Bukovsky and Karoly,2009)包括:邊界層參數化採用 Yonsei University scheme、微物理參數化採用 WSM 5-class graupel scheme、Kain-Fritsch 積雲 參數化、近地表面過程的計算採用 Noah land surface module、輻射的計算則 採用 CAM3 的短波及長波輻射參數化、表面層的計算則用 Monin-Obukhov surface layer scheme(圖 2-1)。另外，亦使用一組更貼近臺灣土地使用現況的 8.
(34) 地表資料(戴等，2008)，採用跟隨 WRF 模式所提供的美國地質調查 (USGS)、MODIS (Moderate Resolution Imaging Spectroradiometer)及中鼎工程顧問公司的高 解析度土地利用資料(CTCI)合成而得，使得 WRF 模式在一個較合理的土地利用資 料下進行更精確的模擬。. 2.2 低解析度模式資料 本研究所使用低解析度的模式資料有兩組(如表 2-2、2-3)，一組為高解析 度模式資料經由 CDO 軟體保守內插(First order conservative remapping)後而 得(簡稱升尺度(Coarsen)部分)，升尺度後的兩組動力降尺度資料除了空間解析 度皆轉為 0.25˚x 0.25˚(約為 25km x 25km)之外，其他資料特性(如:時間解析度、 空間範圍、時間範圍)則與高解析度模式資料一致；另一組則是使用 GFDL HiRAM 和 MRI-AGCM 原始的日平均降雨模式資料(簡稱原始模式資料部分)，GFDL HiRAM 為美國普林斯頓大學地物流力動力實驗室(Geophysical Fluid Dynamics Laboratory,GFDL)所發展的一個高解析度全球大氣模式，是一個可以解析雲的模 式，其模擬劇烈天氣系統的能力甚佳(Chen and Lin, 2011)，本研究使用的版本 (C384)為水平解析度約 25 公里(約為 0.23˚x 0.23˚)之非靜力全球模式，選取的 空間範圍同樣為台灣區域(120˚E~122˚E；21.5˚N~25.5˚N)，時間範圍則為現在時 期的 1979-2003 年，以及世紀末時期(未來情境 RCP 8.5)的 2075-2099 年； MRI-AGCM 則為日本氣象廳氣象研究所(JMA/MRI)發展的高解析度全球大氣模 式，此模式可以模擬出強的深對流以及颱風，本研究使用的版本為 3.2 版(Mizuta et al., 2012)，此模式資料的空間解析度則為 0.1875˚x 0.1875˚(約為 20km x 20km)，至於選取的空間和時間範圍則跟 GFDL HiRAM 原始模式資料相同，而本研 9.
(35) 究會利用這兩組低解析度的模式資料去和高解析度的模式資料做降尺度，進而得 到兩組降尺度後的結果並加以分析。 而升尺度部分之所以會將高解析度模式資料升尺度至 0.25˚x 0.25˚後當作 低解析度模式資料的原因有二，一為在做統計降尺度時通常會利用較低解析度的 模式資料和較高解析度的觀測資料經由降尺度過程而得到較高解析度的模式資 料(結果)，二則為以台灣範圍較小之區域，通常將資料的空間解析度升尺度至 0.25˚x 0.25˚時，已會將資料受地形影響的因素排除掉(如:降雨)。至於升尺度 部分所做的降尺度因其高、低解析度的模式資料為同一筆只是解析度不同，基本 上不存在模式資料之間的誤差，因此此部分之目的主要是要測試統計降尺度方法 的極限。同時本研究也想要比較不同的統計降尺度方法在應用於模式資料後所得 到的結果能否還原原本保有受地形影響之特徵和其降尺度後結果的優劣，以及統 計降尺度方法應用於世紀末時期的資料是否能維持其表現。. 10.
(36) 第三章 研究架構及方法 3.1 研究架構 本研究之研究架構參照於"理想模式"的實驗設計(Dixon et al.,2016)之降 尺度流程，降尺度流程示意圖如圖 3-1(b)，而上述的"理想模式"並不是指模式 本身的模擬完全沒有誤差，而是指為了研究分析之目的，利用高解析度的模式資 料來代替原本高解析度的觀測資料或是所謂的真值(truth)，因此此降尺度流程 不同於以往實際應用降尺度流程(圖 3-1(a))所用的資料，以往實際應用降尺度 所用之資料一為較高解析度的觀測資料，另一為較低解析度的模式資料，經過降 尺度後得到一較高解析度(解析度同觀測資料)的模式結果；然而，本研究之降尺 度流程所用的資料則為一較高解析度的模式資料和一較低解析度的模式資料，而 較低解析度的模式資料(共兩組)即是使用一組由較高解析度的模式資料升尺度 後而得(簡稱升尺度部分)，而另一組則是原始的模式資料(HiRAM、MRI) (簡稱原 始模式資料部分)，在經過降尺度後即會得到一較高解析度(解析度同原本高解析 度的模式資料)的降尺度結果，而本研究所採用此降尺度流程的原因之一便是要 比較不同的統計降尺度方法在將低解析度的模式資料經過降尺度後所得到的結 果能否趨近、還原成原本高解析度的模式資料所擁有之特徵，並比較不同的統計 降尺度方法所得到之結果在空間和時間上的優劣性。 而本研究之另一項主要目的，便是要評估不同的統計降尺度方法應用在世紀 末(2075-2099 年)時期(RCP8.5)的模式資料時，是否能維持其統計的穩定性 (statistical stationarity)(Fowler et al.,2007)，目前對於此一問題的研究 尚少(Vrac et al.,2007； Hertig and Jacobeit,2013； Dixon et al.,2016)， 以往在實際應用統計降尺度方法於觀測和模式資料不管是現在時期或是未來時 11.
(37) 期模式資料的降尺度時，都是假定觀測和模式資料其現在時期的統計關係在未來 也維持不變同樣適用(Wilby and Wigley 1997)；然而，近年來氣候變遷儼然已 成為一事實，現在時期的統計關係在未來是否仍維持不變已成一大問號，加上由 於缺乏未來的觀測資料，造成統計降尺度應用於模式模擬未來時期資料的可信度 自然成一問題，而本研究所採用"理想模式"的研究架構便可應用統計降尺度的方 法於現在和未來時期的模式資料上，由此便可計算統計降尺度方法應用於未來時 期模式資料上的誤差相較於現在時期是否有增長的趨勢，並評估其統計的穩定性 是否仍可適用於未來。 本研究應用統計降尺度方法於現在時期時，皆是使用現在時期的高、低解 析度的模式資料去做降尺度，而得到的結果會跟現在時期高解析度的模式資料做 比對，並比較不同統計降尺度方法的表現；而在做未來時期的降尺度時，則是使 用現在時期的高解析度模式資料，以及未來時期低解析度的模式資料(共兩組)， 一組為未來時期高解析度的模式資料升尺度後而得(簡稱升尺度部分)，另一組則 為未來時期原始的模式資料(HiRAM、MRI) (簡稱原始模式資料部分)，最後將降 尺度後的結果跟未來時期的高解析度模式資料去做對照，並比較不同統計降尺度 方法應用於未來時期(RCP8.5)的表現。而不管是在現在時期或未來時期的降尺度 過程中皆未使用到未來時期高解析度的模式資料，未來時期高解析度的模式資料 在本研究中的角色較像是未來時期的觀測資料，其用途便是用來讓我們比較不同 統計降尺度方法應用於未來時期(RCP8.5)的表現和評估統計降尺度方法應用於 未來的穩定性。. 12.
(38) 3.2 統計降尺度方法 3.2.1 氣候特徵法(Climate imprint，簡稱 CI) 本方法(Hunter and Meentemeyer, 2005)之流程示意圖如圖 3-2，其降尺度概 念為將低解析度模式的降雨距平值(anomalies)內插到高解析度的觀測資料網格 上，而模式的降雨距平值即是將模式每個網格點上每日的降雨值除上模式長時間 月氣候平均的降雨值而得，並將內插後每個網格上模式的距平值乘上高解析度觀 測資料長時間的月氣候平均值，所得到之結果即為此方法降尺度後之結果。 此方法因為是內插模式連續每日的距平值，因此可以保留原始資料日連續的 降雨變化，也較能表現極端事件的代表(Maraun, 2013)，使其為此降尺度方法之 優點;但此方法不像建構類比法(CA)是以挑選模式和觀測資料之間相近的空間分 布型態為主，且主要是將低解析度的距平值直接內插至高解析度的網格點上，而 這可能會導致結果過度平滑的現象，因此此方法所得到之降尺度的結果在空間協 變性(spatial covariability)上的表現通常會較差(Sobie and Murdock 2017)， 而這也是此降尺度方法之缺點。 3.2.2 誤差校正氣候特徵法(Bias-correction and climate imprint，簡稱 BCCI) 本方法之流程示意圖如圖 3-3，其降尺度概念為將氣候特徵法(Climate Imprint)所得到之結果，再按照月份將氣候特徵法所得到之結果和高解析度的觀 測資料所有年份當月每天的降雨值繪製成累積機率分布曲線(CDF)並依據各個百 分位(quantile)去做誤差校正(quantile mapping algorithms)，進而得到此方 法之降尺度後結果。此方法相較於氣候特徵法之優點在於能將模式通常模擬較弱 的降雨強度向觀測資料修正、增強，並能保留氣候特徵法所擁有之優點。. 13.
(39) 3.2.3 建構類比法(Constructed analogues，簡稱 CA) 本方法(Hidalgo et al.,2008)之流程示意圖如圖 3-4，其降尺度概念為將模式 模擬過去或未來某一天的降雨分布型態，利用計算出最小之標準差(RMSE)以尋找 出與此模式分布型態相加起來最相近的 30 筆(天)升尺度後與模式解析度一致的 觀測資料，接著再利用最小平方法計算並分配此相加起來最相近的 30 筆低解析 度觀測資料的權重，之後再將這些分配好的權重乘上原本那 30 筆(天)未升尺度 前高解析度的觀測資料，最後將這 30 筆資料的結果做相加，所得到的結果即把 它當作是模式降尺度後之結果。 此方法因為是從觀測資料中尋找出 30 筆(天)相加起來與模式資料最相近的 空間分布型態，因此自然能保留並表現出較佳的空間協變性此優點，但也因為是 從長時間(通常為數十年)的觀測資料裡挑選出 30 天乘上權重後做相加以代替原 本的模式資料，因此會無法保留原本模式資料日連續的降雨變化，且這個做法可 能會再重新引入一些偏差(bias)，尤其是當所選取的空間區域範圍越大時，偏差 通常也會越大。而在挑選空間分布型態還有另一項缺點，那就是模式模擬的降雨 強度通常都會較實際觀測弱，因此在挑選那 30 筆(天)觀測資料時，也會挑選出 和模式模擬降雨強度相近的觀測資料;然而，這會造成極端事件的低估(Gutmann et al.,2014)，此方法之優缺點與氣候特徵法(CI)有恰巧相反之意味。 3.2.4 誤差校正建構類比法(Bias-correction and constructed analogues，簡 稱 BCCA) 本方法之流程示意圖如圖 3-5，其降尺度概念為在做建構類比法之前，先將 模式資料和升尺度後的觀測資料按照月份將所有年份當月每天的降雨值繪製成 累積機率分布曲線並依據各個百分位去做誤差校正，做完誤差校正後才接著進行 14.
(40) 建構類比法的步驟，而最後所得到的結果即為此方法降尺度後之結果。而此方法 相較於建構類比法(CA)的優點和 BCCI 一樣，都是能將模式模擬原本較弱的降雨 強度修正至趨向觀測資料的降雨強度，同時也保有建構類比法空間協變性較佳之 優點。 3.2.5 誤 差 校 正 建 構 類 比 兼 分 位 映 射 法 (BCCA with quantile mapping reordering，簡稱 BCCAQ) 本方法(Sobie et al.,2014；Werner and Cannon,2016)之流程示意圖如圖 3-6，其降尺度概念為先各別將模式和觀測資料做 BCCA、BCCI，之後再拿 BCCI 的結果來對 BCCA 的結果同樣按照月份將所有年份當月每天的降雨值繪製成累積 機率分布曲線並依據各個百分位去做誤差校正，做完誤差校正後的結果即為此降 尺度方法之結果。此方法能解決上述氣候特徵法(CI)和建構類比法(CA)各別的缺 點，並同時保留這兩種方法的優點，具有截長補短之特性。 此降尺度方法也是本研究之重點，本研究之目的便是要利用此方法所得到之 降尺度結果與上述的誤差校正氣候特徵法(BCCI)與誤差校正建構類比法(BCCA) 所得到之結果做比較，看看此方法所得到之降尺度結果是否能比上述這兩個統計 降尺度方法之結果更趨近於原本動力降尺度的資料，以便於確認更能應用此降尺 度方法於模式模擬未來氣候變遷以得到區域氣候更接近真實的情況。. 15.
(41) 第四章 降尺度後結果之分析 本研究將降尺度後之結果(升尺度部分、原始模式資料部分)依據三個面向著 手進行分析，分別為: 1. 空間型態相關性 ―空間型態相關係數(Pattern correlation coefficient)。 2. 降雨值的強度與分布 ― 平均絕對誤差(MAE)、機率分布圖(PDF)、累積機率 分布圖(CDF)、極端降雨指標分布圖(時間平均)。 3. 降雨事件的連續性 ―每日降雨值的時間序列相關係數(time correlation) 分析圖。而三個面向後所列即為本研究所使用之分析方法，而在後續的分析探討 中因較具邏輯連貫性吾人會將平均絕對誤差的分析獨立成一節接續在空間型態 相關性的分析之後，極端降雨指標的分析則獨立於第五章討論。 而關於降尺度後此兩部分的結果(升尺度部分、原始模式資料部分)其代表的 涵義並不相同，在升尺度部分因高、低解析度資料為同一筆資料(只是解析度不 同)，基本上不存在模式資料之間的誤差，因此所做的降尺度之目的主要是想測 試統計降尺度的極限，並評估統計降尺度方法的穩定性；至於原始模式資料部分 由於高、低解析度資料不為同一筆資料，其較像以往傳統統計降尺度的應用(觀 測-模式資料)，其降尺度之目的主要是由於將動力降尺度資料當作觀測資料，並 透過動力降尺度前所使用的原始模式資料(HIRAM & MRI)當作模式資料，進而來 訓練統計降尺度方法，希望藉由尋找動力降尺度資料和動力降尺度前的模式資料 之間的統計關係，看看統計降尺度方法能藉由這統計關係多逼近於動力降尺度資 料，因此此部分降尺度後的結果表現其實較具參考價值，而此部分的結果同樣也 可評估統計降尺度方法的穩定性。. 16.
相關文件
Furthermore, in order to achieve the best utilization of the budget of individual department/institute, this study also performs data mining on the book borrowing data
Since Dolby AC-3(abbreviated as AC-3) is the main technology of the surrounding sound format, in this thesis, we proposes a data model for mining the relationship between
Therefore, the purpose of this study is to propose a model, named as the Interhub Heterogeneous Fleet Routing Problem (IHFRP), to deal with the route design
By using the experimental data, this study established four types of bus car following stimulus-response models include the “speed difference base”, the “fifth generation GM
Therefore, a new method, which is based on data mining technique, is proposed to classify driving behavior in multiclass user traffic flow.. In this study, driving behaviors
In this study, teaching evaluation were designed to collect performance data from the experimental group of students learning with the “satellite image-assisted teaching
Keywords: the number of foreign tourists, Panel Data model, one-way error component regression model, two-way component regression
The purpose of this paper is to use data mining method in semiconductor production to explore the relation of engineering data and wafer accept test.. In this paper, we use two
