高時空解析度衛星降雨推估在台灣地區的特性與誤差分析

全文

(1)國立臺灣師範大學理學院地球科學系碩士班碩士論文 Department of Earth Sciences College of Science. National Taiwan Normal University Master’s Thesis. 高時空解析度衛星降雨推估在台灣地區的特性與誤差分析 Evaluation of high temporal and spatial resolution satellite rainfall estimates over Taiwan. 許桀 Jie Hsu 指導教授 : 陳正達博士. 中華民國 109 年 1 月 January 2020.

(2) 致謝首先感謝陳正達老師的指導，訓練我在研究所期間獨立思考的能力，並時常提供我新的研究方向，使我對研究有了啟發。另外，非常感謝劉千義老師與黃婉如老師撥空參與我的論文口試，並不吝提出許多寶貴的意見，讓我的論文更加完整。口試後，也感謝游政谷老師撥空與我討論論文的內容，給了一些寶貴的意見。除此之外，特別感謝騰平學長時常給予鼓勵，尤其針對研究邏輯與程式方面的訓練，適時修正我研究上的表達與呈現方式。另外，也感謝實驗室的世豪學長時常幫忙我解決工作站的連線問題，且不時地提供研究方面的建議。最重要的還要感謝研究室一起奮鬥的同學們亭妤、冠宏、安琪、均奐、名翔與子泰，時常在功課及報告上的交流，讓我不斷地向前邁進。特別感謝臺灣地球科學聯合學術研討會、海峽兩岸青年大氣科學學術研討會、海峽兩岸高校大氣科學學術研討會(竺可禎論壇)給予我許多建議的老師及學者們，讓我的研究更有價值。最後要感謝我的弟弟在電腦硬體與軟體方面上的協助，讓我的電腦效能大大提升。特別感謝父母一路上的支持，讓我無後顧之憂的全心專注在研究方面，並鼓勵我持續朝研究方面發展，且當我遇到困難或低潮時，總是給我一盞明燈，讓我有堅持下去的動力。. I.

(3) 摘要本研究將評估 GSMaP (Global Satellite Mapping of Precipitation)各個版本衛星資料反演台灣不同季節與日循環的降雨表現能力，並根據不同的降雨類型(颱風降雨、午後對流)探討 GSMaP 衛星資料的差異。經分析後發現季節下的空間掌握分布能力以 GSMaP MVK V5 在濕季(梅雨季、夏季、秋季)表現最佳，但是時常有低估的情況發生。另外 GSMaP RNL 與 GSMaP MVK V6 普遍存在高估的情形，所有版本中以 GSMaP MVK V7 的降雨量估計較接近地面觀測資料。日循環的部分，衛星資料與地面觀測資料在乾季的降雨量差異皆不大，但是對於時序變化表現不佳，濕季則是每個版本皆有掌握到一日內最大降雨時段發生在午後，其中以 GSMaP MVK V7 對於梅雨季與夏季的時序變化表現最優越。GSMaP RNL 與 GSMaP MVK V6 在濕季的清晨時段有相當嚴重的高估情形，尤其以夏季最為明顯，經分析後發現 GSMaP RNL 與 GSMaP MVK V6 清晨時段高估主要來自於某些颱風的降雨。第二部分以探討降雨類型為主，分為颱風降雨(Tropical Cyclones Precipitation, TCP)與午後對流(Convection Afternoon Precipitaion, CAP)兩種降雨類型，因衛星資料年份不同，所以分成兩組比較(第一組: GSMaP RNL 與 GSMaP MVK V5，第二組: GSMaP MVK V6 與 GSMaP MVK V7)。在颱風降雨(TCP)中，以 GSMaP MVK V7 的表現最佳，不但在空間分布有一定的掌握外，在所有 GSMaP 版本中針對降雨量估計存在著最小的誤差。午後對流(CAP)中，即使各版本對於平坦或沿海區域的掌握較好，但是時有低估的狀況發生，且對於每小時日循環降雨貢獻掌握存在一定的極限。已知在不同季節下，不同 GSMaP 版本的表現皆不相同外，不同降雨類型的表現也不盡相同，但是從季節、降雨類型的表現中可以發現 GSMaP MVK V7 的 II.

(4) 降雨量估計為所有版本中最穩定的。衛星資料的降雨估計仍存在一定的極限，因此在未來需再針對其他天氣型態或降雨類型做更多的評估，以利使用者在使用 GSMaP 資料評估台灣時有一定的參考依據。. 關鍵字 : GSMaP、季節、日循環、颱風降雨、午後對流. III.

(5) Abstract This study will evaluate rainfall performance of different seasons, diurnal cycles and rainfall types over Taiwan of each GSMaP version in first part. In the second part, we will discuss the performance of each GSMaP version in different rainfall types such as Tropical Cyclones Precipitation (TCP)、Convection Afternoon Precipitaion (CAP). After analysis, although we found that GSMaP MVK V5 had the best spatial distribution in wet season (MJ 、 JA 、 SO) of all GSMaP versions but it always underestimated observation data (Gridded Rain Gauge Data). In wet season, GSMaP RNL and GSMaP MVK V6 are always overestimated, GSMaP MVK V7 had the best rainfall estimation in wet season. In diurnal cycle part, each GSMaP version had low bias in dry season, and they can captured maximum rainfall occurs in afternoon of the day during wet season. Especially, GSMaP MVK V7 had the best timing change in MJ and JA. Among them, GSMaP RNL and GSMaP MVK V6 are severe overestimated over southwestern Taiwan in the morning. However, it has been known that overestimation is mainly caused by some TCP events. In the second part, we mainly discuss CAP and TCP these two rainfall types. Due to GSMaP data had different period in each version. We split two teams : (1) GSMaP RNL and GSMaP MVK V5. (2) GSMaP MVK V6 and GSMaP MVK V7. In TCP part, GSMaP MVK V7 had the best spatial distribution and rainfall estimation in all versions. In CAP part, although all GSMaP version were underestimation, they can captured rainfall in flat and coast area. We know that GSMaP data were poor at perform timing changes in CAP hourly contribution. For all we know, GSMaP had different perform in each version, but we can know GSMaP MVK V7 had most stable rainfall estimation in seasonal and rainfall types. It IV.

(6) illustrated that satellite products can’t perfect to capture rainfall truly, so we need to assessment other rainfall types in the future. It can provide GSMaP user for a reference.. V.

(7) 目錄致謝 ······································································ I 摘要 ·····································································II 表目錄 ·······························································VIII 圖目錄 ·································································IX 第一章前言 ····························································1 第二章研究資料和方法 ·············································4 2-1 台灣地面降雨測站網格化資料 ····························4 2-2 GSMaP 衛星資料 ·············································4 2-3 IBTrACS 全球颱風最佳路徑分析資料 ··················7 2-4 颱風影響台灣時段篩選 ·····································7 2-5 降雨類型的分類 ··············································8 第三章 GSMaP 和地面測站網格化資料分析 ···················9 3-1 空間解析度調整 ··············································9 3-2 GSMaP 各版本資料和地面測站網格化資料特性比較 ········································································9 VI.

(8) 3-3 季節性特色表現 ············································ 11 3-4 日循環特色表現 ············································13 3-5 颱風影響情況下之檢驗 ···································15 第四章降雨類型探討 ··············································18 4-1 降雨類型篩選 ···············································18 4-2 颱風降雨(Tropical Cyclones Precipitation)·············18 4-3 午後對流(Convection Afternoon Precipitaion)·········21 第五章結論 ··························································25 參考文獻 ······························································27 附表 ····································································35 附圖 ····································································42. VII.

(9) 表目錄表 2-1 研究中使用的地面測站降雨網格化資料(Rain Gauge)與 GSMaP 各個版本資料的年份長度。……………………………………………………………………35 表 3-1 客觀比較之統計方法。CC 為相關係數(Correlation Coefficient)，RMSE 為均方根誤差(Root Mean Square Error)，ME 為平均誤差(Mean Error)，Relative bias 為相對偏差，Absoloute bias 為絕對偏差，相關係數的完美值為 1，誤差的完美值則為 0，偏差的完美值也為 0。……………………………………………………….36 表 3-2 GSMaP 各版本資料氣候平均場降雨水平空間分布與地面觀測資料的相對偏差與絕對偏差(單位為百分比(%))。...……………………………………………37 表 3-3 地面觀測資料與 GSMaP 各版本資料之台灣五季氣候空間(a)降雨平均值 (b)相關係數(c) 均方根誤差(d)平均誤差。單位為 mm/day，表(d)平均誤差之括號內為百分比(%)。……………………………………………………………………38 表 3-4 地面觀測資料與 GSMaP 各版本資料之台灣五季中之平均一日內每小時變化時間的(a)降雨平均值(b)相關係數(c) 均方根誤差(d)平均誤差。單位為 mm/hr，表(d)平均誤差之括號內為百分比(%)。…………………………………………….39 表 3-5 地面觀測資料與 GSMaP 各版本資料之台灣濕季(MJJASO)中之平均一日內每小時變化時間的(a)降雨平均值(b)相關係數(c) 均方根誤差(d)平均誤差。單位為 mm/hr，表(d)平均誤差之括號內為百分比(%)。(同表 5 濕季部分)。 …..................................................................................................................................40 表 3-6 地面觀測資料與 GSMaP 各版本資料之台灣濕季(MJJASO)無颱風影響之平均一日內每小時變化時間的(a)降雨平均值(b)相關係數(c) 均方根誤差(d) 平均誤差。單位為 mm/hr ，表 (d) 平均誤差之括號內為百分比 (%)。…………………………………………………………………………..……41 VIII.

(10) 圖目錄圖 2-1 GSMaP 與地面觀測資料颱風影響時段之定義範圍(台灣海岸線向外延伸 300 公里)。……………………………………………………………………………42 圖 3-1. 將地面測站降雨網格化資料 0.0125°x0.0125°升尺度 (Upscaling) 成. 0.1°x0.1°後，再選取台灣陸地格點(黃色區域)並 Mask，GSMaP 各版本資料也 Mask 同樣區域以公平比較。………………………………………………………………43 圖 3-2 Rain Gauge,GSMaP RNL,GSMaP MVK V5,GSMaP MVK V6,GSMaP MVK V7 在台灣陸地區域上選取 265 個格點所有時間點的機率密度函數(Probability Density Function, PDF)，橫座標為雨量(mm/hr)、縱座標為每個時間點每個格點的雨量值取對數。單位為 mm/hr。……...………………………………………………44 圖 3-3 台灣之氣候平均場降雨水平空間分布與統計值。(a)為地面觀測資料，(b)(e)為 GSMaP 各版本資料:(b)GSMaP RNL (c)GSMaP MVK V5 (d)GSMaP MVK V6 (e)GSMaP MVK V7。單位為 mm/day。………………………………………………45 圖 3-4 台灣五季氣候平均場降雨水平空間分布。(a)為地面觀測資料，(b)-(e)為 GSMaP 各版本資料 :(b)GSMaP RNL (c)GSMaP MVK V5 (d)GSMaP MVK V6 (e)GSMaP MVK V7。單位為 mm/day。………………………………………………46 圖 3-5 區域平均之台灣降雨每小時變化。(a)冬季(b)春季(c)梅雨季(d)夏季(e)秋季。 Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)，GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為 mm/hr。…………………………………………………………………………….47 圖 3-6 梅雨季降雨(a)地面觀測資料日平均與(b)-(e)GSMaP 各版本資料之差異 (GSMaP - Rain Gauge)時間、空間變化。(a)地面觀測資料日平均，(b)-(d)為 GSMaP 各版本資料與地面觀測資料差異(difference) (b) GSMaP RNL (c) GSMaP MVK V6 IX.

(11) (d) GSMaP MVK V5 及(e) GSMaP MVK V7。時間為當地時間 L，單位為 mm/hr。 ………………………………………………………………………………………..48 圖 3-7 夏季降雨(a)地面觀測資料日平均與(b)-(e)GSMaP 各版本資料之差異 (GSMaP - Rain Gauge)時間、空間變化。(a)地面觀測資料日平均，(b)-(d)為 GSMaP 各版本資料與地面觀測資料差異(difference) (b) GSMaP RNL (c) GSMaP MVK V6 (d) GSMaP MVK V5 及(e) GSMaP MVK V7。時間為當地時間 L，單位為 mm/hr。 ………………………………………………………………………………………..49 圖 3-8 秋季降雨(a)地面觀測資料日平均與(b)-(e)GSMaP 各版本資料之差異 (GSMaP - Rain Gauge)時間、空間變化。(a)地面觀測資料日平均，(b)-(d)為 GSMaP 各版本資料與地面觀測資料差異(difference) (b) GSMaP RNL (c) GSMaP MVK V6 (d) GSMaP MVK V5 及(e) GSMaP MVK V7。時間為當地時間 L，單位為 mm/hr。 ………………………………………………………………………………………..50 圖 3-9 區域平均之台灣濕季(MJJASO)降雨每小時變化。(a)梅雨季(b)夏季(c)秋季。Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)，GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為 mm/hr。…………………………………………………...……………………......51 圖 3-10 區域平均之台灣濕季(MJJASO)無颱風影響降雨每小時變化。(a)梅雨季 (b)夏季(c)秋季。Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)， GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為 mm/hr。…………………..………………………………………......52 圖 3-11 濕季(MJJASO)颱風影響台灣時段在每個小時的平均樣本數。(a)梅雨季 (b)夏季(c)秋季。藍色(2000-2010 年)柱狀為地面觀測資料和 GSMaP RNL，橘紅色 (2000-2010 年)為 GSMaP MVK V5，黃色(2014-2018 年)為 GSMaP MVK V6 和 X.

(12) GSMaP MVK V7，藍、紅、黃線條則分別為 2000-2013 年、2000-2010 年、20142018 年 00-23 時的樣本數平均。時間為當地時間 L。…………………………….53 圖 3-12 區域平均之台灣濕季(MJJASO)下颱風影響時段每小時累積降雨的平均。 (a)梅雨季(b)夏季(c)秋季。Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)，GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為 mm/hr。………………………...……………………….54 圖 3-13 區域平均之台灣濕季(MJJASO)每小時累積降雨的貢獻百分比。(a)梅雨季 (b)夏季(c)秋季。Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)， GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為%。…………………………………………………………………..55 圖 3-14 區域平均之台灣濕季(MJJASO)無颱風影響時段每小時累積降雨的貢獻百分比。(a)梅雨季(b)夏季(c)秋季。Rain Gauge(灰柱)，GSMaP RNL(藍線)，GSMaP MVK V5(綠線)，GSMaP MVK V6(黃線)，GSMaP MVK V7(紫線)。縱軸表示雨量值。時間為當地時間 L，單位為%。…………………………………………………56 圖 4-1 颱風影響台灣時段下，陸地區域上 265 個格點的機率密度函數(Probability Density Function, PDF) 。(a) 2000-2010 年的 Rain Gauge、GSMaP RNL、GSMaP MVK V5 (b) 2014-2018 年的 Rain Gauge、GSMaP MVK V6、GSMaP MVK V7，橫座標為雨量(mm/hr)、縱座標為每個時間點每個格點的雨量值取對數。單位為 mm/hr。……………………………………………………………….………………57 圖 4-2 颱風降雨(TCP)之 Rain Gauge(橫軸)與 GSMaP 各版本資料(縱軸)散點圖。 (a) GSMaP RNL(b) GSMaP MVK V5(c) GSMaP MVK V6(d) GSMaP MVK V7。單位為 mm/hr。………………………………………………………………………….58 圖 4-3 濕季(5~10 月)颱風降雨(TCP)下 GSMaP 各版本資料相對 Rain Gauge 在 Bin XI.

(13) 為 10mm/hr 之偏差合鬚圖，其中(a)為 2000~2010 年之 GSMaP RNL(藍)與 GSMaP MVK V5(綠)；(b)為 2014~2018 年之 GSMaP MVK V6(淺藍)與 GSMaP MVK V7(桃紅)。單位為 mm/hr。…………………………………………………….59 圖 4-4 2000~2010 年濕季(5~10 月)颱風降雨(TCP)所有案例時間點之合成平均，其中 (a) Rain Gauge (b) GSMaP RNL (c) GSMaP MVK V5 。單位為 mm/hr。…………………………………………………………………………….....60 圖 4-5 2014~2018 年濕季(5~10 月)颱風降雨(TCP)所有案例時間點之合成平均，其中 (a) Rain Gauge (b) GSMaP MVK V6 (c) GSMaP MVK V7 。單位為 mm/hr。…………………………………………………………………….…………61 圖 4-6 颱風中心進入台灣海岸線向外延伸 300 公里內之所有時間點位置(紅點)，藍色方框分別為颱風中心進入 7 個不同區域(N、NE、W、C、E、SW、SE)的時間點位置。……………………………………………………………………………62 圖 4-7. 2000~2010 年颱風中心在 7 個不同區域(N、NE、W、C、E、SW、SE)時. 間點之台灣降雨合成平均分布，其中(a) Rain Gauge (b) GSMaP RNL (c) GSMaP MVK V5。單位為 mm/hr。…………………………………………………………...63 圖 4-8. 2014~2018 年颱風中心在 7 個不同區域(N、NE、W、C、E、SW、SE)時. 間點之台灣降雨合成平均分布，其中(a) Rain Gauge (b) GSMaP MVK V6 (c) GSMaP MVK V7。單位為 mm/hr。………………………………………………....64 圖 4-9. 颱風降雨(TCP)之 Rain Gauge(橫軸)與 GSMaP 各版本資料(縱軸)散點圖。. (a)GSMaP RNL(b)GSMaP MVK V5(c)GSMaP MVK V6(d)GSMaP MVK V7。單位為 mm/hr。…………………………………………………………………………….65 圖 4-10 台灣 (a) 北部以及 (b) 中南部區域地形圖。單位為公尺 (M)。…………………………….…………………………………………………….66 XII.

(14) 圖 4-11 台灣夏季發生午後對流 (CAP) 頻率之空間分布。 (a)2000~2010 年 (b)2014~2016 年。單位為 hr/JA。………………………………………….………...67 圖 4-12 發生午後對流事件下，陸地區域上 265 個格點所有時間點的機率密度函數(Probability Density Function, PDF) 。(a) 2000-2010 年的 Rain Gauge、GSMaP RNL、GSMaP MVK V5 (b) 2014-2018 年的 Rain Gauge、GSMaP MVK V6、GSMaP MVK V7，橫座標為雨量(mm/hr)、縱座標為每個時間點每個格點的雨量值取對數。單位為 mm/hr。……………………………………………………………….………68 圖 4-13 午後對流(CAP)之 Rain Gauge(橫軸)與 GSMaP 各版本資料(縱軸)散點圖。 (a) GSMaP RNL (b) GSMaP MVK V5 (c) GSMaP MVK V6 (d) GSMaP MVK V7。單位為 mm/hr。………………………….……………………………………………69 圖 4-14 午後對流(CAP)下 GSMaP 各版本資料相對 Rain Gauge 在 Bin 為 10mm/hr 之偏差合鬚圖，其中(a)為 2000~2010 年夏季(JA)之 GSMaP RNL(藍)與 GSMaP MVK V5(綠)；(b)為 2014~2016 年夏季(JA)之 GSMaP MVK V6(淺藍)與 GSMaP MVK V7(桃紅)。單位為 mm/hr。…….………………………………………………70 圖 4-15. 2000~2010 年夏季(JA)午後對流(CAP)所有案例時間點之合成平均，其. 中(a) Rain Gauge (b) GSMaP RNL (c) GSMaP MVK V5。圖(a)紅色方框分別為北部 CAP 與中南部 CAP。單位為 mm/hr。………………………….……………………71 圖 4-16. 2014~2016 年夏季(JA)午後對流(CAP)所有案例時間點之合成平均，其. 中(a) Rain Gauge (b) GSMaP MVK V6 (c) GSMaP MVK V7。圖(a)紅色方框分別為北部 CAP 與中南部 CAP。單位為 mm/hr。………………………………………….72 圖 4-17 台灣北部夏季(JA)午後對流(CAP)所有案例每小時的降雨量累積。(a)分別為 2000~2010 年地面觀測資料(灰柱)、GSMaP RNL(藍線)與 GSMaP MVK V5(綠線)；(b)分別為 2014~2016 年地面觀測資料(灰柱)、GSMaP MVK V6(黃線)與 XIII.

(15) GSMaP MVK V7(紫線)。縱軸表示雨量值。橫軸為當地時間 L，單位為 mm。 ……………………………………………………………………………………..…73 圖 4-18 台灣中南部夏季(JA)午後對流(CAP)所有案例每小時的降雨量累積。(a)分別為 2000~2010 年地面觀測資料(灰柱)、GSMaP RNL(藍線)與 GSMaP MVK V5(綠線)；(b)分別為 2014~2016 年地面觀測資料(灰柱)、GSMaP MVK V6(黃線)與 GSMaP MVK V7(紫線)。縱軸表示雨量值。橫軸為當地時間 L，單位為 mm。 ………………………………………………………………………………………..74. XIV.

(16) 第一章前言過去的觀測主要使用地面測站來觀測降雨，但是地面觀測容易有山區測站不足的情形，即便使用雷達來觀測鄰近海域的天氣系統，但是雷達針對洋面上的天氣系統仍存在距離上的限制，且易受地形因素產生觀測上的死角。上述兩種觀測方式對於大範圍全面性的觀測有一定的限制，因此使用衛星來觀測降雨有其必要性，除了觀測區域的覆蓋率高以外，更能夠觀測到海面上的降雨系統，在降雨系統進入陸地前能夠有所掌握，並能夠彌補陸地山區測站不足的情形。雖然衛星資料具備觀測覆蓋率高的優勢，但是衛星產品仍在發展階段，對於降雨的掌握能力還須更多的評估與驗證，使其達到與地面觀測資料相近的結果，才能證明衛星對於降雨系統的掌握是有一定的準確性。台灣位處於西北太平洋區域，除了受到颱風這種洋面上移入的天氣系統侵襲以外，台灣受季節性因素所影響的季風、鋒面、午後對流更是降水貢獻來源(Chen and Chen, 2003)。其中在台灣 5 月至 6 月期間，經常受到梅雨鋒面影響(Yeh and Chen, 1998)。除了梅雨季(5 月至 6 月)之外，7 月至 8 月期間時常受颱風影響，為台灣主要的降雨季節(夏季)(Chen and Chen, 2003)。林與洪(2013)分析指出台灣降雨集中在 5 月至 10 月，主要來自梅雨季(5 月、6 月)、颱風季前期(7 月、8 月)和颱風季後期(9 月、10 月)的貢獻，是為濕季。然而過去研究討論台灣降雨特色多半使用測站資料，發現台灣的降水特色有季節性變化且不同季節受到不同系統的影響(Chen and Chen, 2003)。除了探討季節性以外，日夜交替的海陸風差異更是降水日變化的因素之一(Chen et al., 1999)。由於測站資料無法全面性地表現全台降雨分布，而且無法完全掌握海上系統移入的時序變化，須透過台灣陸地實際測站觀測資料與衛星資料產品的比較才能瞭解衛星對實際降雨的估算能力與分布情形。過去研究大多想瞭解 TRMM (Tropical Rainfall Measuring Mission)降雨資料的降水特色與日變化表現(Kummerow et al., 1998; Kishtawal and Krishnamurti, 2001; 1.

(17) Nesbitt and Zipser, 2003)。Chokngamwong and Chiu (2008)分析了 TRMM 不同版本降雨產品在泰國降水的比較，除了針對不同版本的特性分析以外，更有效提供改進 TMPA(TRMM Multisatellite Precipitation Analysis)的演算法。在台灣地區的部分，有學者發現 TRMM 降雨資料能夠掌握台灣夏季降雨的日變化(Kishtawal and Krishnamurti, 2001)。陳與黃(2017)也針對不同衛星資料評估全台降雨季節性與日變化特色，發現 TRMM 在四季的空間分布較其它衛星產品好，且得到較好的空間相關係數。在日變化特色能力表現部分，也同樣以 TRMM 在四季下的時序相關最佳。說明台灣這個區域在四季下皆以 TRMM 的表現能力最好。礙於 TRMM 的時間解析度只有 3 小時一筆資料，無法完整呈現逐時的降水特徵，空間解析度相對近期釋出的衛星降雨產品也顯得較粗糙(0.25°x0.25°)，對於空間上的降水掌握能力有限。隨著衛星資料日新月異地進步，時間、空間解析度也隨之提高，愈來愈多衛星資料被用來評估與驗證不同地區的降水，其中 Global Satellite Mapping of Precipitation(GSMaP; Kubota et al. ,2007; Ushio et al. ,2009)為當今時間、空間解析度較高的衛星資料產品之一，但是過去研究在不同區域、不同季節也時常出現高估或低估的情形。Tian et al.(2010)發現 GSMaP 能夠良好地掌握美國夏季降水分布，但始終高估夏季降水和低估冬季降水，並且發現高估的情況時常來自於某些強降水事件。Prakash et al.(2015)使用 GSMaP 評估了印度西南季風帶來的降水，發現整體降水低估了約 22%。另有研究指出 GSMaP 不但高估小雨事件也低估了強降雨事件(Hur et al., 2016)。除了季節性差異外，衛星資料對於山區降雨常有低估的情況(e.g., Kwon et al., 2008; Kubota et al., 2009; Sohn et al. 2010, 2013)。從以上研究得知 GSMaP 產品針對不同地區、不同季節的降雨表現能力也有所差異。然而，過去研究顯少針對 GSMaP 不同版本的差異進行探討，因此需透過 GSMaP 產品的檢驗，找出選定之研究地區最合適的版本。在 2014 年之前的研究 2.

(18) 大多使用 GSMaP MVK 第五版的演算法(Prakash et al., 2015; Hur et al., 2016; Setiawati and Miura, 2016)，且多數研究發現 GSMaP MVK 第五版演算法常有低估陸地實際測站觀測資料的情形(Seto, 2009; Shrestha et al., 2011; Setiawati et al., 2013)。從上述研究也說明了 GSMaP MVK 第五版演算法具有一定的誤差情形，直到 2014 年後第六版與第七版釋出後才得以延續使用 GSMaP 產品研究 2014 年後的降雨特色。即便有更多的版本釋出，但是尚未有研究同時針對「不同版本在同一地區的表現」做過多的描述，本研究將藉由陳與黃(2017)分析台灣季節性降雨日變化的時空特性做為基礎，前半部從季節性探討到降雨日循環分布情形，後半部則深入探討颱風降雨與午後對流的降雨掌握能力，並透過 GSMaP 產品不同版本的差異性，提供後續使用 GSMaP 系列產品研究台灣降雨特性作為參考依據。. 3.

(19) 第二章研究資料和方法 2-1 台灣地面降雨測站網格化資料(Gridded Rainfall Analysis based on Rain Gauge) 本研究使用的地面降雨觀測資料，為國家災害防救科技中心(National Science and Technology Center for Disaster Reduction, NCDR)透過客觀分析方法將地面降雨測站網格化之後的產品(Gridded Rainfall Analysis based on Rain Gauge，以下簡稱為 Rain Gauge)，其資料來自中央氣象局局屬站、中央氣象局自動雨量站、民用航空局測站、空軍測站、經濟部水利署、農田水利會、台灣電力公司資料。資料時間範圍為 2000 年至 2018 年(表 2-1)，網格化後的空間解析度為 0.0125°x0.0125°，時間解析度為每小時一筆，垂直一層，經緯度範圍為 120°E 至 122.0125°E;21.8875°N 至 25.3125°N。由於是地面降雨測站網格化之後的資料，所以只有陸地區域有值。. 2-2 GSMaP (Global Satellite Mapping of Precipitation)衛星資料 GSMaP (Global Satellite Mapping of Precipitation) 為 JAXA/EORC (Japan Aerospace Exploration Agency/Earth Observation Research Center)全球降水分布 Near-Real-Time(GSMaP-NRT)的再分析產品，其資料有助於天氣、氣候與水文等研究。GSMaP 主要的特色是結合全球衛星微波(microwave)和紅外線(Infrared)合成出來的資料，再透過演算方法所產製的降雨產品。除此之外，2014 年 3 月發射 GPM (Global Precipitation Measurement) 衛星所掛載的雙頻降水雷達 (Dualfrequency Precipitation Radar; DPR)將加入到 Version 6(v6)、Version 7(v7)的演算版本中。GPM DPR 透過雷達回波 Ka-Band(35.5GHz)得到雨滴或冰晶不同粒徑大小， 4.

(20) 但是 Ka-Band 在強降水中顯得相對較弱，反倒 Ku-Band(13.6GHz)雖然無法從冰晶粒徑得到回波，但是在強降水中得到相對較強的回波。以上兩種頻率(Ka-Band 和 Ku-Band)，可以清楚瞭解不同高度的降雨率。在本研究中使用到 GSMaP 系列產品 GSMaP MVK(Global Satellite Mapping of Precipitaion Moving Vector with Kalman filter) 及 GSMaP RNL(Global Satellite Mapping of Precipitaion Reanalysis Product)。MVK 系列產品是利用雙向變形技術與 Kalman filter model 的方法所產生。Kalman filter model 是基於兩個連續的 IR (Infrared)圖像進行二維交叉相關係數的計算，再找出兩個時間點相關性最大的區域去計算第二個時間點降水位置相對於第一個時間點降水位置的距離及方位，如此便完成了降水帶兩個時間點的平移向量。除了對空間做修正，還須對降水強度做修正，由於微波反演的資料時間解析度不高，反觀紅外線資料有較高的時間解析度(每 30 分鐘一筆)，但紅外線主要是透過亮度溫度(Tbs)來判斷雲頂高度，然而雲頂高度越高亮度溫度越低，並不能完全代表該區域發生強降雨，因此紅外線亮度溫度所反演的降雨具有很大的變異量，所以需再導入 Kalman filter 以重新分配權重的方式對降雨強度做修正(Ushio et al., 2009)。當今全球降水觀測任務最新的演算法 GPM-GSMaP Version 7，為用來校正降雨率，目的是基於 GSMaP 計畫提供研究使用高時間、高空間解析度的全球衛星降水資料，由日本科學與技術機構(Japan Science and Technology Agency, JST)研發，目前 GSMaP 由日本宇宙航空開發機構((Japan Aerospace Exploration Agency, JAXA)降水觀測任務(Precipitation Measurement Mission, PMM)科學團隊所持有。. GSMaP MVK (Global Satellite Mapping of Precipitaion Moving Vector with Kalman filter):. 5.

(21) GSMaP 的產品結合了微波和紅外線資料而成，並使用卡曼濾波方法(Kalman filter model)稱之為 GSMaP MVK。研究使用到的演算法版本有 Version 5、Version 6、Version 7 三種版本，分別對應到 GSMaP MVK V5、GSMaP MVK V6、GSMaP MVK V7 。演算法所使用到的微波輻射資料包含 GPM-Core GMI、 GCOMW/AMSR2、DMSP 所屬的 SSM/I 和 SSMIS、NOAA 所屬的 AMSU-A/-B 和 MHS、 MetOp 所屬的 AMSU-A 和 MHS 以及地球同步衛星紅外線成像儀。GSMaP MVK V6、GSMaP MVK V7 為 2014 年 3 月發射 GPM 衛星後所發展出來較新演算法的降雨產品。GSMaP MVK V6 改進了 AMSR2 降雨的演算法，其中包含針對陸地的部分發展了新的演算法，尤其是對沿海區域的暖雨發展新的演算方式，並加入了 DPR/GMI 的資料。GSMaP MVK V7 則改進了 GPM/DPR 資料的演算法、高緯度降雪估算方法和 NOAA 多顆衛星掛載 sensor 的降雪/冰地的區域，尤其修正了陸地區域的降雨演算。GSMaP 降雨產品的空間解析度為 0.1°x0.1°，時間解析度為每小時一筆，垂直一層，資料所涵蓋的範圍為 0.05°E 至 359.95°E；59.95°S 至 59.95°N，其中 Version 5 版本資料時間範圍為 2000 年 3 月至 2010 年 11 月；Version 6、Version 7 版本資料時間範圍為 2014 年 3 月至 2018 年 10 月(表 2-1)。. GSMaP RNL (Global Satellite Mapping of Precipitaion Reanalysis Product): GSMaP RNL 與 GSMaP MVK 第六版相同的演算方法(Ushio et al. 2009)，將所有可用衛星的微波輻射資料進行計算，包含 GPM-Core GMI、TRMM TMI、Aqua AMSR-E、GCOM-W/AMSR2、DMSP 所屬的 SSM/I 和 SSMIS、NOAA 所屬的 AMSU-A/-B 和 MHS、MetOp 所屬的 AMSU-A 和 MHS 以及地球同步衛星紅外線成像儀，但增加了 JRA-55 (Japanese 55-year Reanalysis)的資料輔助作為再分析數據。其空間解析度為 0.1°x0.1°，時間解析度為每小時一筆，垂直一層，資料所涵蓋的範圍為 0.05°E 至 359.95°E；59.95°S 至 59.95°N，資料時間範圍為 2000 年 3 6.

(22) 月至 2014 年 2 月(表 2-1)。. 2-3 IBTrACS (International Best Track Archive for Climate Stewardship)全球颱風最佳路徑分析資料本研究中使用全球颱風最佳路徑分析資料(International Best Track Archive for Climate Stewardship, IBTrACS, Knapp et al., 2010)第四版，時間解析度為三個小時一筆。IBTrACS 為世界氣象資料中心(The World Data Center Meteorology;WDC)集合全世界區域氣象中心( Regional Specialized Meteorological Centers;RSMCs)和其他機構所收集歷史上熱帶氣旋最佳路徑的數據，並將不同數據合併為一個產品，且每年每個區域氣象中心會歸檔其監測特定區域的熱帶氣旋位置、強度和其他相關參數以作為可用之數據。. 2-4 颱風影響台灣時段篩選為了選取颱風侵台時段，因此引用了台灣氣候變遷科學報告(盧等，2011)的定義:以台灣海岸線延伸出的三百公里為界線(圖 2-2)，凡颱風中心進入此範圍且停留長達 12 小時以上者視為影響台灣之颱風。本研究使用 IBTrACS (International Best Track Archive for Climate Stewardship)的最佳路徑去判斷颱風中心在該時間點是否有籠罩在此範圍內，在此範圍內的颱風所帶來的降雨則視為台灣受颱風影響的降雨。因此在本文所使用到的研究資料時段所示(表 2-1)，地面觀測資料 2000 年至 2014 年 12 月；GSMaP RNL 為 2000 年 3 月至 2014 年 2 月；GSMaP MVK V5 為 2000 年 3 月至 2010 年 11 月；GSMaP MVK V6、GSMaP MVK V7 則是 2014 年 3 月至 2018 年 10 月。並將以上各降雨資料與篩選後影響台灣颱風之 IBTrACS 路徑資料重疊時間點挑出，2000 年至 2018 年西北太平洋之颱風共 581 個，經篩選後剩下 128 個颱風，是為影響台灣之颱風，其中濕季(5 月至 10 月)占了 123 個颱風，因此接下來將著重探討濕季(5 月至 10 月)的部分，並分為「有颱風影響之 7.

(23) 降雨」、「無颱風影響之降雨」種類型。. 2-5 降雨類型的分類降雨事件來自於不同降雨類型的貢獻，因此根據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時間點作為分類依據(e.g., Wang and Chen, 2008; Huang and Chan, 2014; Huang and Chen,2015)。將降雨類型分類為颱風降雨(Tropical Cyclones)、午後對流(Diurnal Convection)、鋒面對流(Frontal Convection)與南風對流(Southerly Convection)。在本研究中主要使用到Huang et al. (2016)篩選出的午後對流雨日 (Diurnal Convection)進行分析，且受限於衛星資料版本年份不同與各種降雨類型事件在不同時間下有所差異，所以在各個降雨類型下將衛星資料分成兩組與地面觀測資料比較，GSMaP RNL與GSMaP MVK V5為第一組(2000~2010年)；GSMaP MVK V6與GSMaP MVK V7(2014~2016年)則為第二組。雖然GSMaP RNL的資料從2000年3月~2014年2月，但是為了與GSMaP MVK V5公平比較，所以只選取 GSMaP RNL資料至2010年的部分。另外，雖然GSMaP MVK V6與GSMaP MVK V7的資料年份長度從2014年3月~2018年10月，但是Huang et al. (2016)篩選出的午後對流雨日(Diurnal Convection)只到2016年，因此只使用GSMaP MVK V6與 GSMaP MVK V7至2016年的資料。. 8.

(24) 第三章 GSMaP 和地面測站網格化資料分析 3-1 空間解析度調整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 GSMaP 各版本資料同樣的空間解析度(圖 3-1)，最後將 GSMaP 各版本資料皆選取台灣陸地區域共 265 個格點進行分析。. 3-2 GSMaP 各版本資料和地面測站網格化資料特性比較為了驗證 GSMaP 各版本資料與地面測站網格化資料的誤差與相關性，因此本研究使用(表 3-1)的計算方法驗證 GSMaP 各版本資料，相關係數(CC)用於評估衛星資料與地面觀測資料空間上與時序變化的一致性，均方根誤差(RMSE)是為探討衛星資料和地面觀測資料量化後之誤差大小，平均誤差(ME)用於衛星資料和地面觀測資料之間的平均差異，相對偏差(Relative bias)為衛星資料和地面觀測資料之間的偏差以百分比方式表示，絕對偏差(Absolute bias)為衛星資料和地面觀測資料之間的偏差絕對值後，再以百分比的方式表示。為瞭解所有資料點在不同降雨率下的分布，首先針對地面觀測資料與 GSMaP 各版本資料在不同時間區間下所有格點的次數累積，在不同降雨率次數標準化(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， 9.

(25) 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 相對於其它版本超過 200mm/hr 的降雨率沒有修正限制的情形。除此之外，地面觀測資料降雨率最大的格點也只落在 150.5mm/hr 的 bin 之中。就以上述 PDF 的分布得知 GSMaP 衛星資料對於台灣區域少數格點的強降雨部分確實存在嚴重高估的情況。接著針對衛星資料與地面觀測資料分析台灣年平均降雨量的空間分布作為初步空間探討(圖 3-3)。結果發現台灣年平均降雨量降雨區主要集中在北部、東北部以及南部山區部分(圖 3-3a)。藉由地面觀測資料比對 GSMaP 各版本資料差異，發現 GSMaP 各版本資料除了 GSMaP MVK V5 降雨區集中在南部以外，其它版本資料主要降雨區都集中在台灣西南側。整體來說，GSMaP 各版本資料對於台灣山區的掌握能力不佳。另外，東北部區域降雨的分布以 GSMaP RNL 與 GSMaP MVK V6 的掌握較好。從年平均降雨的相對偏差值(表 3-2)來看，GSMaP RNL 與 GSMaP MVK V6 分別高估 7.31%與 5.98%外，GSMaP MVK V7 低估了 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 10.

(26) 有最大降雨率的限制。. 3-3 季節性特色表現過去林與洪(2013)將台灣全年劃分為雨量貢獻較多的梅雨季(5、6 月,MJ)、夏季(7、8 月,JA)、秋季(9、10 月,SO)，是為濕季，其中夏、秋兩季又分別為颱風季前期與後期。冬季(11、12、1 月,NDJ)、春季(2、3、4 月,FMA)則為雨量貢獻較少的乾季。從本研究中的地面觀測資料而言，降雨約有 78%來自 5 月至 10 月間的貢獻，確實為台灣主要的降雨月份，與過去林與洪(2013)的研究提到台灣在 5 月至 10 月間的降雨以梅雨、颱風的貢獻為主相符。由於降雨在台灣不同季節下有不同的空間分布特色，因此想瞭解 GSMaP 是否也能呈現出台灣的季節性降水空間分布，因此接下來將以季節性的角度去評估 GSMaP 的表現特色。過去 Chen and Chen (2003)研究台灣季節性降雨特色，提到台灣的降雨受季風影響相當大，冬季因東北季風影響且受地形抬升等因素，為較穩定的層狀性降雨，降雨區域以北部和東北部為主。春季的天氣逐漸趨向不穩定狀態，此時東北季風減弱，漸轉為西南季風，降雨主要分布在中部山區以及北部區域。梅雨季期間盛行西南風，而大氣環境的不穩定度也隨之增大，降雨型態轉為對流性降雨。受到滯留鋒面影響，梅雨季為所有季節中降雨頻率最大的季節(Kerns et al., 2010)，且降雨受中央山脈地形影響，山區與西部區域為主要降雨區。夏季的環境熱力條件為所有季節中最不穩定的(Kerns et al., 2010)，降雨受颱風與西南季風影響(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 11.

(27) 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西側(圖 3-4)，對於台灣中部山區與南部山區的降雨掌握能力不佳。從夏季分布情形來看，GSMaP 各版本資料皆表現出在台灣西南側區域有較大的降雨特徵，與過去研究(陳與黃，2017)其它衛星資料在夏季的分布情形類似。而在秋季時，除了 GSMaP RNL 的分布是以東北與西南兩個降雨特徵外，其它版本的降雨皆呈現台灣東側延伸至南部、西南部區域的分布情形。整體而言，GSMaP 各版本資料對於秋季東北部迎風面降雨區皆有掌握。進一步比較地面觀測資料與 GSMaP 各版本資料在各個季節平均的空間相關係數(表 3-3b)，發現 GSMaP RNL 相對於其他版本在冬季的空間相關係數(以下簡稱 CC)較好，且在各個季節都維持 0.58 以上。而 GSMaP MVK V5 在冬季與 GSMaP MVK V6 在梅雨季的 CC 極低，可能是因為 GSMaP MVK V5 對於冬季北部降雨分布與 GSMaP MVK V6 在梅雨季對中部山區掌握較差的關係所導致。另外，可以看出 GSMaP 各版本資料在春季的空間相關係數皆比其它季節來得好，原因可能是 GSMaP 各版本資料對於北部及中部山區的分布掌握較佳。以濕季整體來看，GSMaP MVK V5 有最好的 CC。若再以平均誤差(以下簡稱 ME) 來分析 GSMaP 各版本資料與地面觀測資料在不同季節平均場空間分布的高低估情形(表 3-3d)，可發現 GSMaP MVK V5 在每個季節皆嚴重低估地面觀測資料，與前一章節描述 GSMaP MVK V5 低估的結果一致。GSMaP RNL 在夏季嚴重高估，GSMaP MVK V6 在濕季皆高估，乾季皆低估，GSMaP MVK V7 則是在乾季 12.

(28) 與地面觀測資料比較相近。除了 ME 比較高低估外，接著透過均方根誤差(以下簡稱 RMSE)計算 GSMaP 各版本資料與地面觀測資料的誤差大小(表 3-3c)，結果顯示 GSMaP 各版本資料在濕季的誤差相當大，尤其 GSMaP RNL 在夏季相對於其他版本的誤差大小更是明顯。綜合上述分析，GSMaP 各版本資料對於山區降雨的掌握度不佳以及梅雨季分布情形較不一致以外，若以乾濕兩季比較的情形下，在乾季下各版本的分布以 GSMaP RNL 分布較良好，在濕季下各版本的分布以 GSMaP MVK V5 分布較良好。另外，在春季下 GSMaP 各版本資料對於中部山區降雨的部分掌握相當優越，因此空間分布與地面觀測資料都相當接近。在各個季節統計的部分，GSMaP RNL 雖然在各個季節都有不錯的 CC，但是在冬春兩季(乾季)有嚴重低估、夏季嚴重高估的情況；GSMaP MVK V5 除了冬季以外，在其它季節也有不錯的 CC，只是 GSMaP MVK V5 在各個季節皆有嚴重低估與較大的誤差情形發生。另外， GSMaP MVK V6 與 GSMaP MVK V7 在春季有良好的 CC 以外，其它季節的 CC 都不高。除此之外，在各個季節下透過 RMSE 與 ME 的計算結果得知 GSMaP MVK V7 的降雨強度與地面觀測資料較接近。. 3-4 日循環特色表現為了瞭解 GSMaP RNL 與 GSMaP MVK V5 是否分別是台灣乾季與濕季降雨日循環表現最好者，且由上一小節的 CC 結果得知，整體而言在乾季下的 GSMaP RNL、濕季下的 GSMaP MVK V5 最能表現出台灣降雨日平均值的空間分布特色，接下來將進行 GSMaP 各版本資料比對地面觀測資料在各個季節日循環中的時空分布表現差異。接下來針對各季節下每個小時全台陸地格點做平均(圖 3-5)，可以發現乾季 (冬、春兩季)的降雨主要發生在夜間與清晨，濕季(梅雨季、夏季與秋季)降雨主 13.

(29) 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，由於 GSMaP MVK V7 的 CC 與 GSMaP MVK V5 差異不大，透過 RMSE 與 ME 來看，GSMaP MVK V7 的誤差明顯比 GSMaP MVK V5 小很多，因此在夏季的部分以 GSMaP MVK V7 表現較好。透過表 3-4 來看，雖然秋季 GSMaP MVK V6 的 RMSE 和 ME 並非所有版本最佳，但是 CC 卻是所有版本中最佳，則秋季以 GSMaP MVK V6 最能掌握日循環特色變化。從濕季的地面觀測資料來看(圖 35c-e 灰柱)，雖然 GSMaP 各版本資料有掌握到一般常見的午後對流性降雨外，但是在濕季清晨的部分掌握皆相當不一致(圖 3-5c-e)，尤其 GSMaP MVK V6 與 GSMaP RNL 夏季皆有嚴重高估的情形(圖 3-5d)，在梅雨季與秋季也有高估的情況，但都沒有夏季來得明顯。GSMaP 各版本資料除了 GSMaP MVK V5 之外，差異較明顯的部分主要來自於清晨時段，尤其夏季的部分。除了全島平均值以外，接著透過濕季 GSMaP 各版本資料與地面觀測資料的差異(GSMaP 各版本資料-地面觀測資料)分布情形(圖 3-6b-e 至圖 3-8b-e)來比較，可看出降雨日循環的空間分布差異情形。梅雨季、夏季、秋季為前一章節所提到的濕季，除了受各種氣候因素影響之外，午後對流也是該季降雨貢獻之一(圖 36a、3-7a、3-8a)，因此在這三個季節的日降雨主要發生在午後到傍晚期間(14 時 14.

(30) -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)午後對流的空間差異以台灣南部山區低估為主，且同樣發現降雨高估的區域在 GSMaP 各個版本中皆不盡相同。透過 GSMaP 版本資料與地面觀測資料的差異比較，發現衛星資料對於台灣濕季南部山區午後對流之降雨皆有低估情形。另外，除了 GSMaP MVK V5 幾乎都低估外，其它版本說明了晨間降雨高估的訊號在濕季中確實存在，尤其在夏季更為明顯，且從濕季中發現 GSMaP 各個版本日循環差異晨間降雨的分布情形皆相當不一致。從以上分析的結果推測可能受到濕季下某些降雨類型的影響導致晨間出現顯著的偏差，特別是在夏季的部分。然而夏季的降雨類型包括颱風、午後對流與晨間局部環流所引發的降雨，因高估的時段發生在晨間，所以可排除午後對流，且台灣晨間陸地有最大的輻散場，不易產生大範圍的晨間降雨，因此颱風降雨很可能是導致 GSMaP 表現不一致的主因。在接下來的部分因正好有過去客觀定義颱風降雨的方式，所以在下一章節將透過有無颱風影響之降雨情形探討是否為導致其晨間偏差的原因。除此之外，因乾季日循環表現不佳所以不再討論，也因濕季為我們較感興趣發生強降雨的幾個季節，因此在接下來也以探討濕季為主。. 3-5 颱風影響情況下之檢驗颱風降雨對於位在西北太平洋的國家影響甚深，由於地理位置的關係，台灣的降雨來源更是受颱風所影響，因此本章節將探討颱風影響台灣的時段為主。已 15.

(31) 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。首先針對有無颱風影響下，濕季的各個季節平均全島陸地格點做日循環分析 (圖 3-9)，發現夏季與秋季的降雨量有明顯減少的情況(圖 3-10b-c)，尤其在這兩季晨間降雨減少的情況更是顯著。GSMaP RNL 與 GSMaP MVK V6 在夏秋兩季有颱風影響之情況下有嚴重高估的情形，但是在無颱風影響情況下，高估情形減緩了許多，甚至與地面降雨觀測資料較接近，這個結果驗證了颱風影響之降雨確實為夏秋兩季清晨降雨峰值的主要因素。從各項統計結果也顯示在無颱風影響情況下的誤差減小(表 3-6，可與表 3-5 對照差異)。經本小節的分析結果顯示颱風影響降雨大部分來自於夏秋兩季晨間，因此針對各季颱風影響之降雨做了各小時時間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個小時的時間點累積數，其目的是為了檢視颱風是否只集中在晨間時段通過此範圍。從圖 3-11 來看，梅雨季受颱風影響在每小時時間點累積平均樣本數確實較夏、秋兩季少(圖 3-11a)，這也是梅雨季在有無颱風情形下日循環差異改變不明顯的主要原因(3-9a、3-10a)。從夏季與秋季各小時平均時間點累積樣平均樣本數(圖 3-11b、c)來看，24 個小時中每個小時的累積平均樣本數差異不大。從各季颱風影響台灣各小時的平均值(圖 3-12b)也能夠說明夏季 GSMaP RNL 與 GSMaP MVK V6 之反演晨間降雨高估情形來自颱風的貢獻，但是晨間高估的情形並非受時間累積樣本數所影響，說明並非颱風影響台灣的時段都正好發生在晨間，且晨間時間點累積個數的多寡並非造成晨間降雨峰值的主要因素，因此根據圖 3-11、3-12 的結果，反演高估嚴重的情況只集中在某些強颱下。接下來透過表 3-5a、表 3-6a 比較日循環平均值的部分，在梅雨季日循環無颱 16.

(32) 風影響相對於有颱風影響的平均值改變情形差異不大，較明顯的改變還是在夏秋兩季的部分。從表 3-5b、表 3-6b 的有無颱風影響的 CC 來看，除了在颱風影響不大的梅雨季減小外，夏秋兩季的時間相關係數皆有增加的情形，顯示無颱風影響下 GSMaP 各版本衛星資料與地面觀測資料時序列分布較一致。在 RMSE 的部分 (表 3-5c、3-6c)也可得知在夏秋兩季的部分誤差情形減小且更趨近於零(Perfect value = 0)。由於在日循環降雨率的情況下得知 GSMaP 不同版本對於逐時降雨率的掌握相當不一致，因此透過百分比的概念來檢驗 GSMaP 不同版本在每小時的降水貢獻。其檢驗的結果顯示(圖 3-13)在濕季(梅雨季、夏季、秋季)日循環特色表現下 GSMaP MVK V7 不但對於時序變化掌握有一定掌握以外(時間相關係數)，在降雨量貢獻誤差方面也是所有版本之中最小，說明 GSMaP MVK V7 的穩定性優於其它版本。當移除颱風影響台灣時段後(圖 3-14)，更能顯示所有版本對於台灣濕季日循環降雨量貢獻的掌握度，尤其所有版本的表現更趨近一致，顯示 GSMaP 對於颱風降雨量估計的不確定性高。即便如此，在有無颱風影響情況下，都能發現 GSMaP MVK V7 對於降雨量貢獻的有一定的掌握與穩定性高的特性(較小的 RMSE)。上述分析顯示 GSMaP MVK V7 在有無颱風影響情況下對於降雨率的掌握都接近地面觀測資料，說明 GSMaP MVK V7 可能對於颱風降雨量的估計有較準確的掌握，因此在下一章節的降雨類型中將探討 GSMaP 對於颱風降雨所有時間點與空間點對應的表現，再探討到 GSMaP 各版本對於颱風降雨的空間分布。. 17.

(33) 第四章降雨類型探討 4-1 降雨類型篩選在過去研究中，一般評估衛星資料大多是將降雨做季節性分類，然而在各個季節下包含著多種類型的降雨，對於濕季強降雨的部分更是關注的重點之一，且過去顯少透過衛星資料評估降雨類型。因此在本章節中將透過 GSMaP 不同版本去評估午後對流(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外延伸三百公里範圍內之降雨)。由於 Huang et al. (2016)篩選出的午後對流雨日的年份只到 2016 年，且 GSMaP 不同版本的資料年份長度不同，因此午後對流分為兩組(第一組: GSMaP RNL 與 GSMaP MVK V5 為 2000~2010; 第二組: GSMaP MVK V6 與 GSMaP MVK V7 為 2014~2016 年)，颱風降雨也分為兩組(第一組: GSMaP RNL 與 GSMaP MVK V5 為 2000~2010; 第二組: GSMaP MVK V6 與 GSMaP MVK V7 為 2014~2018 年)進行探討。. 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 18.

(34) 風進入定義之範圍內共有 128 個，其中 123 個集中在 5~10 月(濕季)，接下來研究主要探討濕季的部分為主。因 GSMaP 不同版本的年份不同，將分為兩組(20002010、2014-2018)做比較。2000-2010 共 72 個颱風(共計 3051 個小時)，2014-2018 共 27 個颱風(共計 913 個小時)。從颱風中心進入台灣 300 公里範圍內時段下經標準化的 PDF(圖 4-1a 藍色部分、圖 4-1b 黃色部分)分別可以看到 160mm/hr、180mm/hr 和 200mm/hr 有較多格點的次數累積，這樣的結果來自於 GSMaP 演算法中不同種類的衛星有不同的最大降雨率限制，也說明了 GSMaP RNL 與 GSMaP MVK V6 這兩個版本在颱風降雨下時有高估的原因。另外，也可以發現 GSMaP MVK V7(圖 4-1b 紫色部分)在 PDF 的分布中，與地面觀測資料較相近。首先透過散點圖來看(圖 4-2)，GSMaP RNL 與 GSMaP MVK V6 在較弱的降雨下易有高估之情形發生，GSMaP MVK V5 則是在強降雨中有低估的情況，然而 GSMaP MVK V7 的散點圖分析則是不易像其他版本一樣有明顯高低估的情況發生。即使如此，並不能說明 GSMaP MVK V7 這個版本對於台灣地區所有時間點的表現最好。接著透過降雨偏差盒鬚圖的分析來看(圖 4-3)，每個 bin 的 box plot 可以明顯看到偏差的範圍較大，代表 GSMaP RNL 與 GSMaP MVK V6 在較大的降雨中每個小時的降雨估計具有較大的不確定性。因 GSMaP MVK V5 普遍低估，即使在合鬚圖的表現中不像 GSMaP RNL 或 GSMaP MVK V6 對於較強降雨具有如此嚴重的不確定性，但是普遍低估的狀況對於降雨量估計存在著相當大的缺失，尤其又是台灣降雨主要來源的颱風降雨。GSMaP MVK V7 則不如上述其他版本的表現有大量的缺陷，對於降雨率較大的 bin 偏差不如 GSMaP RNL 或 GSMaP MVK V6 具有降雨量估計不確定性大的問題，也不如 GSMaP MVK V5 存在普遍低估的狀況，就穩定性與降雨率偏差而言，GSMaP MVK V7 在不同 bin 的表現較優於其他版本。 19.

(35) 以上的分析主要著重在每個時間點下與地面觀測資料網格點對應的分析，其表現主要以 GSMaP MVK V7 的表現較好，但是衛星資料針對較高時空解析度掌握仍然存在一定的極限。有鑒於每個時間點下 GSMaP 對應地面觀測資料的每個網格點有偏差之情形發生，因此接下來透過長時間的平均狀態來分析颱風降雨的表現。首先從兩組平均降雨分布來看(圖 4-4、4-5)，GSMaP RNL 與 GSMaP MVK V6 對於台灣南部有明顯大範圍高估的情況，GSMaP MVK V5 在全島大部分區域都有低估之情形，且 GSMaP RNL 與 GSMaP MVK V5 的空間表現不如 GSMaP MVK V6 與 GSMaP MVK V7，就 GSMaP MVK V6 與 GSMaP MVK V7 的空間表現(空間相關係數,CC) 差異不大，在平均降雨率呈現的部分還是以 GSMaP MVK V7 的掌握較佳(較小的 RMSE、ME)。除了所有案例時間點的合成平均外，我們感興趣的是颱風中心更接近於台灣或登陸後，GSMaP 能否掌握台灣的降雨空間分布，因此透過台灣中央山脈的走向將台灣大致區分為 7 個區域(N、NE、W、C、E、SW、SE)(圖 4-6)，這樣的檢驗方式也更能夠確定台灣本島降雨來自於颱風。這部分的比較主要是當颱風中心位在這 7 個不同區域中，GSMaP 對於台灣降雨空間分布的表現情形，且這 7 個區域主要受中央山脈所區隔，能夠說明當颱風中心位在中央山脈周遭時，GSMaP 對於台灣降雨空間分布的表現能否與地面觀測資料更趨近一致。在這 7 個區域中 GSMaP MVK V5(圖 4-7c)顯然對於空間表現較不佳(透過空間相關係數得知)，說明 GSMaP MVK V5 不但有低估的狀況，且對於颱風降雨的空間掌握不佳。其它三個版本(圖 4-7b、圖 4-8b,c)主要在 E、W、SE、SW 中對於颱風降雨的表現較佳，顯示當颱風中心位在台灣中部以南的區域中，GSMaP RNL、 GSMaP MVK V6 和 GSMaP MVK V7 較能夠掌握台灣的降雨分布情形。除了空間分布以外，我們更關注在 GSMaP 不同版本對於降雨率的掌握，從這幾個版本 20.

(36) 中仍以 GSMaP MVK V7 的降雨率較接近地面觀測資料(較低的 RMSE、ME)，透過颱風中心在不同區域下的全島平均降雨率也能說明這樣的情況(圖 4-9)，因此整體來說，GSMaP MVK V7 這個版本的演算法最能夠掌握颱風降雨在台灣空間分布或降雨強度的表現。. 4-3 午後對流(Convection Afternoon Precipitaion) 這部分主要探討夏季(JA)午後對流的部分，因此透過 Huang et al. (2016)所篩選出來的 Diurnal Convection (DC)雨日，再使用 Huang et al. (2015)和 Huang et al. (2016a, b)之定義去挑選午後對流(Convection Afternoon Precipitaion，簡稱 CAP)個案。其中 CAP 定義之條件:午後(台灣當地時間 12:00~22:00)之降雨量≧整日降雨量的 80%，午前(台灣當地時間 01:00~11:00)的降雨量≦整日降雨量的 10%。當符合上述條件後，再篩選出該日 12:00~22:00 的測站網格點，是為地面觀測資料 DC 雨日下發生午後對流事件(CAP)。本文中主要研究的 CAP 降雨事件為日降雨大於 10 mm/day，並符合上述所列之條件，因此即便在午前(台灣當地時間 01:00~11:00)有發生強降雨事件，午前總降雨量還必須≦整日降雨量的 10%才能夠符合 CAP 之條件，所以強降雨特徵仍然以發生在午後為主。為了探討 GSMaP 相對於地面觀測資料發生 CAP 時的表現情形，所以在 GSMaP 資料中選取「當地面觀測資料發生 CAP 之時間與空間上相對應 GSMaP 的區域」。在過去林等(2012)提到北部午後對流發生的時間雖然較中南部早，但是中南部區域的午後對流強度較強且持續時間較長。另外，McPherson et al. (1970)指出，凸海岸線有利於海風輻合，凹海岸線則利於海風輻散。然而台灣中南部的海岸線屬於凸海岸線(圖 4-10a)，因此這個區域的海風輻合有助於 CAP 的生成。北部區域的 CAP 則好發於台北盆地與中央山脈北端，中央山脈北端的 CAP 主要受地形 21.