發展氣候、水資源和糧食跨領域整合模式與結合氣候智慧調適演算法之應用－以桃園為例

國立臺灣大學生物資源暨農學院 生物環境系統工程學研究所

碩士論文

Department of Bioenvironmental Systems Engineering College of Bioresources and Agriculture

National Taiwan University Master Thesis

發展氣候、水資源和糧食跨領域整合模式與結合氣候智慧調 適演算法之應用－以桃園為例

Development of Interdisciplinary AgriHydro Model and Application with Climate Smart Adaptation Algorithm - A Case

Study in Taoyuan

林宗毅 Chung-Yi Lin

指導教授：童慶斌 博士 Advisor： Ching-Pin Tung, Ph.D.

中華民國 108 年 2 月

February 2019

謝誌

感謝童老師在碩士期間耐心的指導與給予的機會，幫助我一路從研究問題的形塑到現在 有完整的研究架構與思維邏輯，謝謝老師這段時間的栽培。同時，要特別感謝鍾博士與黃蓉 學姊，不管任何疑難雜症都願意與我一同討論。另外，謝謝陳沛芫學姊、李苑華學姊與曹榮 軒學長，在學術上、國外生活上與國際研討會上，都提供我很大的協助，幫助我踏入國際學 術圈。當然也要謝謝我的好同學們，統計百科、島中人、區塊練小達人、高水好夥伴和國術 社 02 團與氣候行動社元老團等。最後，謝謝爸爸媽媽全力的支持，希望在人生下一段旅程中，

能繼續帶著你們的支持去冒險。另外，謝謝農試所姚博士、中央水海所李老師與國家災害防 救科技中心的資料提供。

摘要

氣候變遷調適風險評估日益受到重視。然而，具體之跨領域及跨治理部門合作框架與量 化調適及風險的評估工具尚未被完整提出。因此，本研究在保有物理性的基礎下建立氣候、

水資源與糧食調適整合評估模式（Agriculture and Hydrology Integrated Assessment Model, AgriHydro），結合氣候智慧調適演算法（Climate Smart Adaptation Algorithm, CSAA），提供一 套跨領域合作之標準流程與量化分析之框架與工具。AgriHydro 包含四個主要的子模式，分別 為（1）多測站氣象合成模式（MultiSiteWthGen）、（2）GWLF 水文模式（Generalized Watershed Loading Function, GWLF）、（3）石門水庫供水系統之系統動力模式與（4）AquaCrop 作物模 式，分別用於氣候情境降尺度、流量模擬、水庫操作模擬與產量及田間需水量的產製，各子 模式驗證結果良好。本研究以桃園為研究區，示範發展架構的操作流程。根據 CSAA，第一 步驟，使用風險模板（Risk Template）解構水資源缺水風險與糧食減產風險之組成因子，並依 跨領域之連結因子，建構作物產量-計畫灌溉用水量-石門水庫於各標的給水量的回饋機制。在 二、三步驟中，以 AgriHydro 分析未來變化趨勢，發現缺水指標（Shortage Index, SI）與減產 率指標（Yield Reduction Ratio, YRR）於未來趨於嚴重，唯二期稻作 YRR 有改善之趨勢。第 四步驟中，根據未來短期（2021 年至 2040 年）糧食生產風險，制定轉作大豆之調適選項，並 分析其在跨領域風險中的改善效用。結果發現轉作大豆於一期稻作能協同改善水資源及糧食 生產風險；於二期作則為競爭關係，YRR 略微增加。然而，相同 SI 改善程度下，二期作僅須 轉作低於 40%之一期作轉作面積。在考量農民偏好種植產量較高的一期稻作與政府希望區域 供水穩定下，本研究建議於二期作實施大豆轉作。此結論呼應自民國 104 年二期大豆收穫面 積在政府政策之推動下，漸增的趨勢。藉由桃園案例的演示，本研究發展的 AgriHydro 與 CSAA 聯合操作之跨領域氣候調適與風險評估框架，能有效量化風險，並支持跨領域決策。希望未 來研究能納入決策過程與監測資訊的回饋機制，形成動態調適路徑，完整呈現 CSAA。

關鍵詞：AgriHydro、氣候智慧調適演算法、多測站氣象合成模式、風險模板、跨領域

Abstract

Climate adaptation and risk assessment have become a significant issue. However, a framework for interdisciplinary collaboration and quantitative adaptation assessment has not been well developed. Therefore, this study proposes a standard climate adaptation risk assessment framework.

To demonstrate the proposed framework, the Agriculture and Hydrology Integrated Assessment Model (AgriHydro) is developed and operates with Climate Smart Adaptation Algorithm (CSAA) as a tool. AgriHydro consists of four sub-models, which are (1) Multi-Site Weather Generator (MultiSiteWthGen), (2) the hydrological model of Generalized Watershed Loading Function (GWLF), (3) a system dynamic model for the Shimen reservoir water distribution system and (4) AquaCrop crop model. The AgriHydro and CSAA are applied to Taoyaun area in Taiwan. In the first step of CSAA, Risk Template is adopted to factorize risk components among water and agriculture disciplines. In the second and third steps, future trend of risks is simulated by AgriHydro. During the fourth step, adaptation options of substituting soybean for rice are tested. Consequently, synergies and trade-offs between SI and YRR were quantitatively displayed. In the short-term future, substitution in 2^nd growing period revealed 2.5 times more efficient in reducing Shortage Index (SI) than in 1^st growing period while it slightly increased Yield Reduction Ratio (YRR). However, the yield reduction risk caused by climate change was lower than the difference of actual yield between 1^st and 2^nd growing periods. Therefore, according to the result, the study suggests altering rice to soybean in 2^nd growing period. This conclusion is parallel to the current agriculture policy promoted by the government. Overall, the Taoyuan case study successfully indicates our proposed framework is valuable in interdisciplinary climate adaptation assessment.

Key words：AgriHydro, Climate Smart Adaptation Algorithm, Multi-Site Weather Generator, Risk

目錄

謝誌 ... I 摘要 ... III Abstract ... V 目錄 ... VII 圖目錄 ... XI 表目錄 ... XV

第一章、 緒論 ... 1

1.1 研究動機 ... 1

1.2 研究目的 ... 3

1.3 論文架構 ... 3

第二章、 文獻回顧 ... 5

2.1 跨領域調適整合評估架構與模式 ... 5

2.1.1 調適步驟與跨領域合作框架 ... 6

2.1.2 模式整合類別與方法 ... 7

2.2 水資源與糧食生產評估 ... 9

2.3 氣象合成模式 ... 11

2.4 作物模式 ... 12

第三章、AgriHydro 各模組使用模式之理論介紹 ... 15

3.1 氣候智慧調適演算法與指標 ... 15

3.1.1 氣候智慧調適演算法 ... 15

3.1.2 風險指標 ... 20

3.2 情境設定模組 ... 20

3.2.1 GCMs 挑選與 GCMs 資料降尺度 ... 21

3.2.2 多測站氣象合成模式 ... 23

3.2.3 社會經濟情境設定 ... 27

3.3 水資源模組 ... 28

3.3.1 GWLF 流量模式 ... 28

3.3.2 系統動力模式 ... 32

3.4 作物模組 ... 34

3.4.1 AquaCrop 作物模式 ... 34

3.4.2 水稻整田用水與湛水深不足之減產機制 ... 37

第四章、 AgriHydro 氣候變遷調適整合評估模式 ... 39

4.1 回饋機制 ... 39

4.1.1 評估模式中的回饋機制 ... 40

4.1.2 決策流程上的回饋機制 ... 41

4.2 AgriHydro 整合架構 ... 41

4.2.1 AgriHydro 農業灌溉計畫用水量與實際供水量之回饋與更新機制 ... 42

4.2.2 其他水源之實際供水比率變動假設說明 ... 44

4.3 AgriHydro 與氣候智慧調適演算法之聯合操作流程 ... 46

第五章、 研究區域介紹與使用資料說明 ... 51

5.1 研究區域介紹 ... 51

5.1.1 研究區背景介紹 ... 51

5.1.2 桃園糧食生產系統與 AgriHydro 農業分區 ... 52

5.2 情境模組之資料使用 ... 54

5.2.1 多測站氣象合成模式資料使用及處理 ... 55

5.2.2 社經情境資料使用及處理 ... 59

5.3 水資源模組之資料使用 ... 60

5.3.1 GWLF 模式之資料使用與參數設定 ... 60

5.3.2 桃園水資源系統之使用資料 ... 61

5.4 作物模組之資料使用 ... 65

第六章、 研究區域 AgriHydro 子模式驗證與合理性說明 ... 73

6.1 情境設定模組 ... 73

6.1.1 多測站氣象合成模式驗證：空間統計特性驗證 ... 73

6.1.2 多測站氣象合成模式驗證：單測站統計特性驗證 ... 77

6.2 水資源模組 ... 82

6.2.1 GWLF 流量模式驗證 ... 82

6.2.2 石門水庫系統動力模式驗證 ... 86

6.3 作物模組 ... 88

6.3.1 AquaCrop 作物模式合理性說明：水稻 ... 88

6.3.2 AquaCrop 作物模式合理性說明：大豆 ... 94

6.3.3 小結 ... 96

第七章、 AgriHydro 模擬結果與討論 ... 99

7.1 未來風險變化趨勢 ... 99

7.1.1 氣候變遷 ... 99

7.1.2 水庫水源量與 SI 指標變化 ... 105

7.1.3 水稻減產風險變化 ... 112

7.1.1 小結 ... 113

7.2 調適選項的制定與模擬的結果與討論 ... 115

7.2.1 調適選項的制定 ... 115

7.2.2 調適選項的模擬的結果與討論 ... 118

7.3 小結 ... 121

第八章、 結論與建議 ... 123

8.1 結論 ... 123

8.2 建議 ... 126

參考文獻 ... 127

附件一、民國 107 年石門水庫灌溉及給水計畫配水量（106 年 11 月 24 日審定版） ... 133

附件二、臺灣桃園農田水利會民國 106 年灌溉計畫表 ... 135

附件三、未來氣候情境平均值修正值變化趨勢 ... 136

附件四、未來各分區氣候情境修正值 ... 138

圖目錄

圖 2-1、不同程度之跨領域名詞示意圖（Jensenius, 2012） ... 6

圖 2-2、TaiCCAT 氣候調適六步驟（科技部，2015） ... 7

圖 3-1、IPCC 對於風險、脆弱度、暴露與危害之核心概念 ... 16

圖 3-2、氣候智慧調適演算法之風險模板示意圖 ... 17

圖 3-3、氣候智慧調適演算法之風險模板操作第一步驟 ... 18

圖 3-4、氣候智慧調適演算法之風險模板操作第二、三步驟 ... 19

圖 3-5、氣候智慧調適演算法之風險模板操作第四步驟 ... 19

圖 3-6、代表濃度路徑（RCPs）之輻射強迫力定義示意圖 ... 21

圖 3-7、GCMs 挑選與 GCMs 資料降尺度之流程圖 ... 21

圖 3-8、二階傅立葉函數迴歸平均值與標準差 ... 25

圖 3-9、模擬值之不連續性 ... 26

圖 3-10、GWLF 模式水平衡關係示意圖（林軒德，2017） ... 28

圖 3-11、CN 值與臨前水分內插關係圖 ... 30

圖 3-12、石門水庫供水系統架構圖 ... 33

圖 3-13、Vensim 桃園供水系統動力模式 ... 33

圖 3-14、AquaCrop 計算流程圖 ... 35

圖 4-1、氣候變遷風險及調適評估研究之整合概念架構圖 ... 39

圖 4-2、整合之回饋機制三維要素示意圖 ... 40

圖 4-3、AgriHydro 整合架構圖 ... 42

圖 4-4、AgriHydro 回饋機制農業用水量計算流程 ... 44

圖 4-5、石門供水區河川概況 ... 45

圖 4-6、AgriHydro 與氣候智慧調適演算法之聯合操作流程圖 ... 47

圖 4-7、水資源風險模板操作 ... 48

圖 4-8、糧食生產之風險模板操作 ... 49

圖 4-9、風險地圖示意圖 ... 50

圖 4-10、三類調適選項於跨領域效用示意圖 ... 50

圖 5-1、近年大規模停灌事件示意圖 ... 52

圖 5-2、研究區域與分區示意圖 ... 53

圖 5-3、桃園氣象站分布圖 ... 57

圖 5-4、溫度相關之氣象變數補遺流程圖 ... 58

圖 5-5、雨量補遺流程圖 ... 58

圖 5-6、石門水庫水位高程-面積-容積 ... 63

圖 5-7、石門水庫運用規線圖 ... 64

圖 5-8、大豆田間作業示意圖 ... 71

圖 6-1、降雨量與降雨事件空間自相關性 SDI 指標模擬驗證結果 ... 74

圖 6-2、溫度空間自相關性 SDI 指標模擬驗證結果 ... 74

圖 6-3、降雨量與降雨事件站間相關性模擬驗證結果 ... 75

圖 6-4、γ與 SDI 對應曲線與修正方法示意圖 ... 76

圖 6-5、溫度站間相關性模擬驗證結果 ... 76

圖 6-6、一階馬可夫鍊參數模擬驗證結果 ... 77

圖 6-7、GWLF 旬尺度石門水庫 2008 年到 2017 年入流量模擬結果 ... 84

圖 6-8、GWLF 旬尺度三峽河 2008 年到 2017 年河川流量模擬結果 ... 85

圖 6-9、2014 年石門水庫水位高程模擬結果（平常年） ... 87

圖 6-10、2015 年石門水庫水位高程模擬結果（乾旱年） ... 87

圖 6-11、2016 年石門水庫水位高程模擬結果（豐水年） ... 88

圖 6-12、民國 97 年到民國 106 年一期水稻驗證結果 ... 89

圖 6-13、民國 97 年到民國 106 年二期水稻驗證結果 ... 90

圖 6-14、一期稻作用水量相關模擬資訊 ... 92

圖 6-15、二期稻作用水量相關模擬資訊 ... 92

圖 6-16、民國 105 年到民國 106 年一期大豆驗證結果 ... 94

圖 6-17、民國 104 年到民國 106 年二期大豆驗證結果 ... 94

圖 6-18、一期大豆用水量相關模擬資訊 ... 95

圖 6-19、二期大豆用水量相關模擬資訊 ... 96

圖 7-1、未來各 GCM 與 RCP 組合下的各月溫度平均值參數修正值（Delta） ... 101

圖 7-2、未來各 GCM 與 RCP 組合下的各月雨量平均值參數修正值（Ratio） ... 102

圖 7-3、未來各 GCM 與 RCP 組合下的各月溫度標準差參數修正值（Ratio） ... 103

圖 7-4、未來各 GCM 與 RCP 組合下的各月雨量標準差參數修正值（Ratio） ... 104

圖 7-5、石門水庫旬入流量變化趨勢 ... 106

圖 7-6、三峽河旬流量變化趨勢 ... 107

圖 7-7、公共給水 SI 值未來趨勢變化 ... 109

圖 7-8、桃園灌區灌溉給水 SI 值未來趨勢變化 ... 110

圖 7-9、石門灌區灌溉給水 SI 值未來趨勢變化 ... 111

圖 7-10、桃園區第一期稻作 YRR 未來趨勢變化 ... 114

圖 7-11、桃園區第二期稻作 YRR 未來趨勢變化 ... 114

圖 7-12、一期糧食生產風險地圖（基期） ... 116

圖 7-13、一期糧食生產風險地圖（短期 RCP2.6 保守情境） ... 116

圖 7-14、不同比例之大豆種植面積於一期作與二期作之調適選項效用比較 ... 120

表目錄

表 2-1、以模式觀點定義不同程度之跨領域名詞 ... 6

表 2-2、各國政府或組織於起始階段所提出之調適步驟彙整比較 ... 8

表 3-1、AM1 與 AM2 之值 ... 30

表 3-2、農業常用水量名詞定義 ... 35

表 3-3、Aquacrop 於本研究之必要輸入參數... 36

表 5-1、桃園及石門農田水利會灌區面積與 AgriHydro 農業分區 ... 54

表 5-2、石門水庫入流量模擬雨量站與氣象站資料 ... 56

表 5-3、三峽河入流量模擬雨量站與氣象站資料 ... 56

表 5-4、短期未來公共給水社經情境設定 ... 59

表 5-5、GWLF 模式參數設定 ... 60

表 5-6、淨水場供水能力與區域 ... 62

表 5-7、石門水庫各月份日蒸發量 ... 63

表 5-8、民國 97 年至民國 106 年桃園地區水稻產量與收穫面積統計資訊 ... 65

表 5-9、民國 97 年至民國 106 年桃園地區大豆產量與收穫面積統計資訊 ... 66

表 5-10、民國 97 年至民國 106 年桃園地區水稻災害事件統計資訊 ... 66

表 5-11、桃園農作時期 ... 67

表 5-12、水稻在不同生長階段的臨界溫度需求範圍 ... 68

表 5-13、桃園水稻參數參考值與 AquaCrop 模式設定值 ... 68

表 5-14、桃園大豆參數參考值與 AquaCrop 模式設定值 ... 69

表 5-15、水稻各時期湛水深 ... 70

表 5-16、AquaCrop 大豆灌溉檔設定 ... 71

表 6-1、多測站氣象合成模式雨量分佈挑選 KS 檢定與模擬結果測試 K-W 檢定結果 ... 79

表 6-2、多測站氣象合成模式氣溫月平均值雙尾 T 檢定結果 ... 80

表 6-3、多測站氣象合成模式氣溫月標準差雙尾 F 檢定結果 ... 81

表 6-4、GWLF 不同時間尺度下的驗證結果 ... 83

表 6-5、水稻單位面積產量驗證結果 ... 91

表 6-6、水稻生育日數、需水量與雨量模擬結果 ... 93

表 6-7、大豆單位面積產量驗證結果 ... 95

表 6-8、大豆生育日數、需水量與雨量模擬結果 ... 97

表 7-1、各月份與各測站雨量及溫度在不同未來時段與 RCP 的平均值修正值 ... 100

表 7-2、各水庫用水標的之 SI 指標未來變化趨勢 ... 112

表 7-3、水稻一、二期作之 YRR 指標未來變化趨勢 ... 113

表 7-4、各農業分區基期與短期未來（2021 年至 2040 年）作物減產率 YRR 比較 ... 117

表 7-5、不同調適選項於作物產量減產率與公共給水缺水指標之風險改變 ... 121

第一章、 緒論

1.1 研究動機

根據 2015 年 6 月 15 日通過之「溫室氣體減量及管理法」（簡稱溫管法或溫減法），環保 署於 2017 年 2 月 23 日正式核定「國家因應氣候變遷行動綱領」，明列我國因應氣候變遷的十 大基本原則，其中要求各相關部會針對能源、製造、運輸、住商、農業及環境等六大部門與 災害、維生基礎設施、水資源、土地使用、海岸、能源供給及產業、農業生產及生物多樣性、

健康等八大領域，分別提出「所屬部門溫室氣體排放管制行動方案」與調適後續執行的推動 或行動方案，以達到減緩與調適兼籌並顧的精神與國家永續發展之目標。然而，因為具體的 跨領域及跨治理部門合作框架與機制尚未被完整提出，以至目前仍無法達成實務上的跨領域 與跨治理部門合作。

在學術研究方面，氣候變遷於各領域的相關研究日益增長，風險評估也逐漸從單領域的 衝擊（Impact）分析到跨領域的減緩（Mitigation）與調適（Adaptation）評估。跨領域研究中，

不同質化與量化的方法被發展使用，其中量化方法大致可分為兩類，一類是資料導向（Data- driven）之建模方式，包含統計迴歸與機器學習等；另一類是以物理機制為基礎的建模方法，

包含物理模式和機制模式等。其中，資料導向的建模方法，雖然可透過訓練的方式抓取物理 模式中可能被忽略或被簡化的因子間關係，進而增加短期預測或現況推估結果的準確度，但 在長期變遷的跨領域模擬中可能較不具優勢，原因包括，第一，統計特性與現行因子間的線 性或非線性關係於未來變遷下可能改變，如天氣型態、作物品種、管理方式、土地利用變遷 等；第二，於長期規劃與可調適的目的下，所建構之模式需要具有可操作性；換句話說，須 保留相應可操作的參數，使之能配合調適選項更動，例如作物品種、種植時間、供水設施等，

而這是資料導向型模式較難達成的功能。歐盟計畫 CLIMSAVE 與 IMPRESSIONS （P. Harrison, Holman, & Berry, 2015; P. A. Harrison et al., 2018）在考量複雜物理模式的計算成本與整合複雜

度下，透過詮釋模式（Surrogate Model）與資訊流的方式，提供網頁版的即時模擬資訊；然而 該類模式依然犧牲了部分操作性與未來變遷的統計特性變化。因此，物理性整合模式於長期 調適規劃中較佔優勢。

建構具回饋機制之整合評估模式相對困難，但卻是必要的。然而，以物理模式建構跨領 域的整合評估模式，多以建立模式間資訊流作為連結，在模擬決策的時間尺度下，建立即時 回饋的整合評估模式是相對較少的，困難原因主要在於複雜性，包括（1）物理模式本身的複 雜度與（2）既有模擬程式所使用的程式語言的不一致性與開放性，許多程式是以執行檔方式 提供，不公開原始碼。這些阻礙使得建構具回饋機制的整合評估模式相對困難。然而在跨領 域的風險評估與調適規劃中，即時回饋的整合評估機制更能即時反應不同領域中相互影響之 過程，進而反映出各領域風險間的競合關係，藉此，能較合理地制定適當的調適方案，以因 應未來變遷。綜合上述觀點，本研究試建立具回饋機制之強跨領域物理性整合模式，搭配氣 候智慧調適演算法（Climate Smart Adaptation Algorithm, CSAA），提供一套跨領域合作之流程 與量化分析之框架。

本研究擇以桃園為施作範例。根據水利署民國 101 年《強化北部水資源分區因應氣候變 遷報告》，因為人口的增加與工業的發展，使桃園整體需水量大增；其中又以工商業增幅最大，

尤其桃園航空城的規劃可能導致未來用水需求大增，影響此區域水資源供給的平衡。在農業 部分，氣候變遷下因雨量及溫度的改變，導致農業需水量及產量發生變化，而農業用水量的 變化則會回饋石門水庫供水系統，影響公共給水的缺水風險。此外，傳統休耕的節水補助政 策可以減少農業用水量，但同時也會降低糧食產量，連續性休耕更會衍生出其他的社會問題。

根據以上評估，2013 年至 2016 年政府實施「調整耕作制度活化農地計畫」，試圖改善連續休 耕問題，並於 2016 年二期作時，開始試辦並推廣「對地綠色環境給付」之補助政策，鼓勵復 耕並獎勵具競爭力的轉作作物。基於上述理由，本研究配合「對地綠色環境給付」之補助政 策，以桃園作為研究區，針對水資源及糧食生產兩領域做為本研究發展框架的案例示範，探

討如何以 CSAA 解析桃園複雜的水資源與農業中糧食生產的跨領域問題，並以本研究發展之 氣後、水資源與糧食整合評估模式（Agriculture and Hydrology Integrated Assessment Model, AgriHydro）量化跨領域風險的競合關係與轉作大豆之調適方案的效用。

1.2 研究目的

為提供標準分析流程與量化資訊支持跨領域、跨尺度之調適計畫的制定與決策，同時迎 合「國家因應氣候變遷行動綱領」之需求，本研究目的為：

一、建構強跨領域的調適整合評估模式：AgriHydro 二、演示 AgriHydro 與氣候智調適演算法的聯合操作流程

三、討論並分析大豆轉作對於桃園水資源與農業跨領域風險的影響

藉此，提供一套跨領域合作之流程與量化分析之框架。同時，以桃園為研究區，示範本發展 架構之實際操作流程，探討轉作大豆之調適方案與檢視「對地綠色環境給付」之補助政策可 帶來之潛在效益與水資源缺水風險及糧食生產減產風險之競合關係。

1.3 論文架構

本論文架構共分為八章，一、二章為緒論與文獻回顧，形塑出本研究之動機、目的與價 值。第三、四章為本研究之方法，第三章著重於介紹 CSAA 和 AgriHydro 中三個模組所使用 到的模式與其理論說明，三個模組分別為情境設定模組、水資源模組與作物模組；第四章則 介紹 AgroHydro 的整合過程與方法，並說明其與 CSAA 的聯合操作流程。由於本研究使用的 資料眾多，因此獨立出第五章，介紹桃園研究區的背景、三個模組中所使用到的資料以及各 子模式的參數設定，並於第六章針對三個模組使用到的子模式作驗證與合理性說明。第七章 則為本研究示範案例的結果呈現與說明，其中敘述與分析流程是依照第四章中的聯合操作流 程之步驟進行，用以演示本研究發展之框架的操作流程。最後於第八章提出結論與建議。

第二章、 文獻回顧

本研究欲針對跨領域調適規劃發展一套跨領域合作之流程與量化分析之框架。因此，本 章藉由收集國內外文獻，了解整合框架、國外與桃園地區水資源與糧食生產的現行研究和 AgriHydro 子模式之選擇，協助本研究能較全面的提出一套氣候變遷調適跨領域合作之操作 流程與量化分析之框架。首先回顧跨領域調適整合評估架構與模式，針對整合框架與模式建 構方法收集文獻，並定義不同程度的跨領域名詞。同時，彙整國內外針對水資源與糧食生產 的相關研究，用以定位本研究之價值與動機。而後，回顧氣象合成模式與作物模式的類型、

應用性與發展演進，說明本研究模式挑選之原因。

2.1 跨領域調適整合評估架構與模式

跨領域泛指整合各領域之資訊，然而跨領域可以再依整合程度進一步細分，Jensenius

（2012）提五種不同程度之跨領域分級，由連結程度低到高分別為單領域（Intradisciplinary）、 多領域 （Multidisciplinary）、弱跨領域（Crossdisciplinary）、強跨領域（Interdisciplinary）與 超領域（Transdisciplinary）（圖 2-1），作者從團體合作的角度說明 Intra 為相同領域之工作者 處理該領域的問題，Cross 為從單領域工作者的角度去參考並了解其他領域的觀點，Multi 為 不同領域的工作者一起合作，以各自專業共同處理問題，Inter 為將各領域方法整合並合成新 方法，Trans 則為重新定義一個全新之整合框架，使領域間不再有領域之分。而本研究延續此 概念，定義不同模式之整合程度，如表 2-1 所示。根據此分類，本研究發展之 AgriHydro 屬 於強跨領域，以決策時距（年）回饋水庫農業灌溉用水資訊。

圖 2-1、不同程度之跨領域名詞示意圖（Jensenius, 2012）

表 2-1、以模式觀點定義不同程度之跨領域名詞

中文名詞 英文名詞 定義（以模式觀點）

單領域 Intradisciplinary 只適用於特定單一領域，資訊無法與其他模式交流。

多領域 Multidisciplinary 模式間無實質資料上的交流，僅參考其他模式之結果設 定相應模式參數。

弱跨領域 Crossdisciplinary 模式間存在資訊流，資料格式統一且能互相傳遞，然而 並非即時溝通。

強跨領域 Interdisciplinary 模式間，資料可在小於等於模擬時距或小於等於決策時 距即時合成並傳遞，多數該類模式具有領域間良好的回 饋機制。

超領域 Transdisciplinary 模式間不再有明確邊界，所有資訊為同步更新產出，可 視為全新領域之單一模式。

2.1.1 調適步驟與跨領域合作框架

本研究除了跨領域模式之建立外，欲提供一套跨領域調適規劃之評估流程。藉由回顧各 國之調適步驟與框架，以制定或融合出適用本研究之流程框架。調適評估流程於發展初期階 段，各國政府或組織所提出的調適步驟整理如表 2-2，各國的分析流程雖然名詞或步驟數目 上各異，然而內涵極為相似。於 2015 年科技部 TaiCCAT 計畫中，台灣也提出 TaiCCAT 氣候 調適六步驟（圖 2-2），分別為界定問題與設定目標、評估與分析現況風險、評估與分析未來 風險、界定與評估調適選項、規劃與執行調適路徑及監測與修正調適路徑。然而，Preston, Westaway, and Yuen (2011)透過回顧 57 篇調適規劃報告與 19 個調適規劃流程，指出多數回顧 的研究報告中，並未清楚考量非氣候因子；也缺乏經濟上的考量與跨層級及跨治理部門的概

念來討論調適力。本研究整體調適評估流程框架可以分成三個維度，分別為調適步驟（縱向）、 跨領域（橫向）與跨層級（治理維度），於縱向部分採用 TaiCCAT 氣候調適六步驟，並以國立 臺灣大學生工所永續發展研究室所發展之氣候智慧調適演算法（Climate Smart Adaptation Algorithm, CSAA）中的風險模板，將跨領域與跨層級的概念融入調適評估流程中，並完整納 入非氣候因子（見 3.1.1 節），補足先前框架的不足。

圖 2-2、TaiCCAT 氣候調適六步驟（科技部，2015）

2.1.2 模式整合類別與方法

整合模式在氣候變遷研究中逐漸受到重視，而整合方式有二（1）直接將其他領域的物理 機制直接納入自己的模式主體中，例如 Soil and Water Assessment Tool（SWAT）將 Erosion- Productivity Impact Calculator（EPIC）作物模式經過些微修改後寫入其主程序中，成為 SWAT 中的一部份（Krysanova & Arnold, 2008），此類作法的整合效果最好，能達到強跨領域的跨領 域程度，使資料可在小於等於模擬時距即時傳遞；另一種是（2）將既有獨立的各領域模式以 資訊流方式結合至同一個系統中，例如 Bithell and Brasington（2009）以此方式結合三個既有 模式，分別為自給農業代理模式、動力森林代理模式與能夠產製流域空間中土壤濕度與水文 資訊的水文模式，分析人口成長對於森林面積遭砍乏後的生態衝擊與可用水量變化，此種結 合方式相對來說整合複雜度沒有前者高，也是大部分研究所採取之方式。

表 2-2、各國政府或組織於起始階段所提出之調適步驟彙整比較 單位 TaiCCAT 氣候調適六

步驟 Adaptation 6 Steps

英國氣候調適計畫 UKCIP

聯合國氣候變化綱要 公約

UNFCCC

聯合國發展規劃署 UNDP-APF

歐盟氣候調適平台 The Adaptation Support

Tool

年份 2013 年 1997 年 -- 2003 年 2009 年

平台 連結

http：

//taiccat.ncu.edu.tw/intr o/super_pages.php?ID=

intro0

http：

//www.ukcip.org.uk/wiz ard/

http：

//unfccc.int/focus/adapt ation/items/6999.php

--

http：//climate- adapt.eea.europa.eu/adap

tation-support-tool

步 驟

1 界定問題與設定目標 開始 觀察 調適計畫的範圍界定

與設計 準備調適基礎

2 評估與分析現況風險 評估現況脆弱度

評估

現況脆弱度之評估

評估未來風險與脆弱度

3 評估與分析未來風險 評估未來脆弱度 評估未來氣候風險

4 界定與評估調適選項

評估調適選項

建構調適策略 界定調適選項

評估調適選項

5 規劃與執行調適路徑 規劃

持續調適過程 執行

執行

6 監測與修正調適路徑 監測與回顧 監測與評估 監測與修正

有別於以上兩種結合方式，在考量複雜模式所需的計算時間之下，部分學者提出第三種 方式：詮釋模式，這種簡化模式可以有效降低使用者的操作門檻，也可以增進運算效率（Razavi, Tolson, & Burn, 2012）。在氣候變遷研究中，CLIMSAVE 與 IMPRESSIONS 計畫（P. Harrison et al., 2015; P. A. Harrison et al., 2018）應用此方法建構網頁版整合分析平台。此種方式雖然可 以客製化子模式間的接口，使該整合模式具有一定程度的操作性，同時做到以拖拉控制鈕的 方式即時生成結果，然而使用上，會非常大程度的受設計者的建制方式限制其可調控的範圍 及結果可變化的範圍，這部分可能限制使用者的探索空間。因此本研究試著以第二種整合方 式為基礎，建置第一種整合方式的整合模式，維持其物理性與可操作性。

2.2 水資源與糧食生產評估

在水資源及糧食生產整合評估相關研究中，有些研究單純以氣候變化分析該變化對於產 量的影響，例如氣候變遷下，季風帶來的降雨頻率降低，造成水稻產量受到影響（Auffhammer, Ramanathan, & Vincent, 2012）；有些則進一步以作物模式模擬最佳化作物種類配置，同時提供 產量與灌溉需水量的資訊（Davis, Rulli, Seveso, & D’Odorico, 2017），然而尚未真正將作物模 式連結到水資源模式，考慮水資源風險變化對於糧食產量的影響；McNider et al. （2015）以 網格化 DSSAT 作物模式（GriDSSAT）結合區域水文模式 WaSSI，使由 GriDSSAT 產製的灌 溉需水量能即時提供給 WaSSI 模式，同時分析各分區作物端造成自然水文可供水量的供水壓 力，與水文端依當時天氣狀況和各用水標的之需求量反應出灌溉可供水量，探討缺水逆境如 何影響作物產量，並將該資訊用於區域管理的決策上。該篇研究以更新時距小於等於決策時 距達到強跨領的整合程度，而本研究基於此水資源與糧食生產的整合基礎上，進一步增加水 庫元件（系統動力模式）與情境模組，將水庫操作與氣候變遷等因子納入到整合系統中，評 估未來風險。有研究指出，承接結合既有作物模式與水資源模式之想法，整合簡單的作物模 式與水文模式，容易因過度簡化，限制使用上的精確度，然而整合複雜模式，因為需要的大 量資料以校驗與執行模式，會提高使用整合模式的門檻。因此提出結合機制型模式 AquaCrop

作物模式與概念式（或分布式）水文模式，在維持一定的推估能力下（產量與水資源），降低 資料的需求量（Van Gaelen, Vanuytrecht, Willems, Diels, & Raes, 2017），並指出 Matlab 開源版 AquaCrop-OS（Foster et al., 2017）的釋出可以使整合程度提高，提供更具自由度的操作性。

本研究考慮此觀點，同樣採用較簡易的分布式水文模式 GWLF 模擬流量。GWLF 在與複雜模 式 SWAT 於月尺度下的驗證表現並無顯著差異（Qi et al., 2017），於作物模式則使用 AquaCrop，

這點將於 2.4 節中進一步回顧說明。

國內相關研究中，尚未以強跨領域之整合方式同時分析桃園缺水風險與農業糧食減產風 險。科技部民國 104 年《氣候變遷調適科技整合研究計畫 TaiCCAT》糧食生產部分以 DSSAT 模擬 HadGEM2-AO GCM 情境下台南市烏山頭水庫灌區水稻田的水稻產量與田間需水量，模 擬結果顯示田間需水量於一、二期稻作中，在一期稻作插秧日提前 10 至 20 天的情況下，有 顯著的下降，二期作差異不大；水稻產量也無明顯差異。於此計畫中雖然依照氣候調適六步 驟，進行水資源及糧食生產跨領域之問題界定，然而其所使用之模式與結果中，並未真正將 水資源模式與 DSSAT 整合，整合程度比較偏向多領域與弱跨領域，僅參考其他領域之結果變 化，並將 DSSAT 模式輸出結果提供給其他領域使用。於桃園市中，有許多關於埤塘（劉振宇，

2004；洪佳瑩，2006）、灌溉系統（蔡欣妤，2008；林喬莉，2010；許良偉，2011）、糧食產量

（陳亭羽，2012）與石門水庫供水系統（水利署，2015）的相關研究。然而真正結合作物模 式與水資源模式做跨領域分析的研究較少，其中有結合 CropWAT 與未來水庫入流量超越機率 分析，探討調整耕期、灌溉期距、錯開日數等不同灌溉管理模式對於枯水期農業用水的影響

（馬家齊，2015），但其並沒有針對產量做風險評估。因此，本研究希望以此做為切入點，探 討農業糧食減產風險與石門水庫各用水標的缺水風險相互影響的競合關係。

2.3 氣象合成模式

氣象合成模式被廣泛運用於產製長時間氣象資料，其中 Richardson Type 氣象合成模式 WGEN（Richardson, 1981; Richardson & Wright, 1984）被廣泛應用於美國地區，其他較常見的 氣象合成模式如 ClimGen（Stöckle, Nelson, Donatelli, & Castellvì, 2001）、WeaGETs（Chen, Brissette, & Leconte, 2012）等，多以 WGEN 為原型被發展出來。其中，ClimGen 將 WGEN 中 被固定的參數 A 矩陣變成可依地區動態計算，見式(3.14)，並以樣條函數（Spline Function）

替換傅立葉函數（Fourier Funtion）用於迴歸年週期函數，結果上各自有優缺點，並沒有 ClimGen 較 WGEN 表現較好之定論（Castellvi & Stöckle, 2001）。WeaGETs 則針對日雨量與日最高、最 低溫，在 WGEN 之基礎上，提供更多的模擬功能供使用者選擇，其中包含提供最高至三階馬 可夫鍊的降雨事件參數估計。然而該研究指出在大部分情況下，一階馬可夫鍊已經足夠維持 其統計特性；在溫度模擬方面，WeaGETS 提供以條件機率方式模擬日最高、最低溫，避免序 率模擬時，最高溫低於最低溫之情形發生。此外，WeaGETs 還以 Spectral Correction Approach 成功捕捉低頻週期變化；在參數估計上有別於 WGEN 與 ClimGen 以月尺度估計，WeaGETs 是以兩星期做為參數估計時間單位。本研究根據上述回顧，根據氣象合成與氣候情境降尺度 之需求，選擇維持月統計的時間尺度，並增加對數常態與韋伯雨量分布於單測站氣象合成的 步驟中。

為產製具空間相關之多測站氣象合成資料，透過文獻回顧，模擬方方法大致可分為（1）

將雨量連結至大氣環流的變動中，並以條件機率與空間共變矩陣模擬；（2）非均勻隱藏馬可 夫鍊模式（Nonhomogeneous Hidden Markov Model） （Bellone, Hughes, & Guttorp, 2000）；（3）

最近臨法（Nearest-neighbor Resampling），然而最近臨法可能無法模擬氣候變遷下的天氣變化，

因為其樣本庫皆為歷史觀測資料（Khalili, Leconte, & Brissette, 2007）；（4）產製具空間相關且 時間上獨立的隨機變數，Wilks（1998）以建立兩兩測站間各月的經驗對應曲線達到此目的。

然而在維持站間空間相關性的同時，其需要大量的運算時間來模擬各對應曲線。因此，有研

究進一步提出以空間自相關性（Spatial Autocorrelation）建立各月對應曲線，如此僅需模擬 12 條曲線即可產製具空間相關之隨機變數（Khalili, Brissette, & Leconte, 2009; Khalili et al., 2007）。 根據本研究現有的測站資料與氣候情境降尺之需求，以空間自相關性之模擬方法產製具空間 相關之隨機變數，做為本研究多測站氣象合成之理論依據。

2.4 作物模式

作物模式可依天氣與生長環境模擬如作物產量與作物需水量等資訊。其中，作物模式可 以分為（1）經驗模式，利用統計建模的方式建立各因子對於產量的關係，（2）機制模式（物 理模式），建立在已知的作物生理機制之上，反映作物在不同環境中生理現象的累積結果。本 處依可調適之需求回顧第二類模式。根據 1985 年到 2010 年 221 篇論文的統計分析結果，最 常用的作物模式為 APSIM、CERES 與 EPIC（White, Hoogenboom, Kimball, & Wall, 2011）。然 而，於水稻產量之模擬，在國內較受歡迎的則為 DSSAT（包含 CERES）（Jones et al., 2003）、 ORYZA2000 （Bouman, 2001），而近期興起的作物模式為美國 FAO 發展的 AquaCrop（Raes, Steduto, Hsiao, & Fereres, 2009; Steduto, Hsiao, Raes, & Fereres, 2009）。DSSAT 與 ORYZA2000 皆屬於光驅動類型的作物模式，利用輻射利用效率（Radiation Using Efficiency, RUE），將光 能轉換成生物量；AquaCrop 則為水驅動模式，以水分產量系數（Water Productivity Coefficient,

WP

在參數數量的比較上，AquaCrop 較 DSSAT 少，且該模式有標準化部分參數（見 3.4.1 節），

因此實質需要校正的參數並不多，同時相對於 DSSAT 使用葉面積指數 LAI（Leave Area Index, LAI），AquaCrop 使用直接從衛星影像換算而得的冠層覆蓋度（Canopy Cover, CC）做為生長 曲線的參數。因此，基於氣候變遷相關研究未來可以直接利用衛星資料做資料同化（Data

Assimilation）的考量，本研究選擇以 AquaCrop 做為 AgriHydro 作物模組中的作物模式，以達 到未來監測與修正等相關應用之目的。

第三章、AgriHydro 各模組使用模式之理論介紹

AgriHydro 為本研究所發展的整合調適評估模式，該整合模式包含三個模組，分別為情 境模組、水資源模組與作物模組。情境模組包含社會經濟情境與氣候情境的設定，其中利用 多測站氣象合成模式，將氣候情境降尺度到各測站的日氣象資料，供其他模組使用；水資源 模組則包含 GWLF 模式與系統動力模式，分別產製供水系統的入流量與模擬水庫操作及各用 水標的的實際給水量；於作物模組，本研究採用 AquaCrop 作物模式模擬作物產量與田間需水 量，並進一步產製灌溉時程，以年為時間尺度回饋水庫各旬之灌溉給水量。本章著重介紹氣 候調適六步驟中各步驟與 AgriHydro 中各子模式的理論方法。首先，本章於 3.1 節說明氣候智 慧調適演算法與本章所使用之風險指標；並於 3.2 到 3.4 節說明 AgriHydro 中三個模組與四個 主要子模式的理論架構。AgriHydro 與氣候智慧調適演算法之聯合操作流程及整合機制將於 第四章介紹。

3.1 氣候智慧調適演算法與指標

3.1.1 氣候智慧調適演算法

本研究採用國立臺灣大學生工所永續發展研究室所發展之氣候智慧調適演算法（Climate Smart Adaptation Algorithm, CSAA），作為本研究之氣候變遷跨領域調適之流程框架。其中以 科技部 TaiCCAT 計畫中的氣候調適六步驟（Climate Adaptation 6 Steps）作為縱向分析架構、

風險模板（Risk Template）作為橫向跨領域分析之工具，並配合氣候調適六步驟中的第五、第 六步驟形成動態調適路徑（Dynamic Adatation Pathway），共三個部份組成 CSAA。本研究使 用風險模板與 AgriHydro 實際操作氣候調適六步驟中的一到四步驟的跨領域量化分析。本節 將針對 CSAA 中的風險模板設計意涵作說明，並於 4.3 節進一步闡明 AgriHydro 與 CSAA 的 聯合操作流程。

風險（Risk）是 IPCC AR5 報告書中的核心因子，為氣候變遷造成有價值之某項事物處於 險境且結果尚不確定的可能性，IPCC 定義風險組成為脆弱度（Vulnerability）、暴露（Exposure）

以及危害（Hazard）（圖 3-1），關係式可表示為風險 = f（危害、脆弱度、暴露）。而風險模板 在此基礎上，將三個風險組成更進一步拆解成各項因子，如圖 3-2 所示。危害在模板中，由 氣候因子與非氣候因子所組成；暴露為保全對象之空間分布；而保全對象依關鍵議題可為人、

物或任何試圖維護之對象；脆弱度則由調適力與敏感度所組成，其中調適力為可以調適更動，

並迎合變化之能力，在不同步驟中，可再細分成治理層級的調適行動與保全對象的自我調適 能力，治理層級的調適行動於第四步驟加入風險模板中，相較於保全對象的自我調適能力，

調適行動在風險模板中會回饋並影響危害，而敏感度則為系統在遭遇危害時的反應程度，敏 感度越高表示遭遇危害時受災情形也越嚴重。以水稻受高溫造成米質下降之關鍵議題為例，

保全對象為稻米；危害中的氣候因子與非氣候因子為氣溫與湛水深管理；暴露為水稻分布的 位置；脆弱度中的敏感度可為水稻品種，因為不同品種可能有不同的耐高溫能力，調適能力 在該議題下不考慮（歸類於敏感度中），而調適行動可為湛水深規則的更換或耕期的調動等。

圖 3-1、IPCC 對於風險、脆弱度、暴露與危害之核心概念

（IPCC, WGII, 2014；科技部，2015）

圖 3-2、氣候智慧調適演算法之風險模板示意圖

氣候調適六步驟是本研究之縱向架構。透過風險模板，各領域可在氣候調適六步驟之基 礎上作橫向跨領域之串接，並且可以藉由解構模板中的因子，設計調適選項並以共同因子連 結各子模式作量化分析。風險模板依據氣候調適六步驟之操作流程如圖 3-3 到圖 3-5 所示。

首先，決定治理層級（中央、地方或社區），應用物質流與資訊流確定利害關係人，並分類成

（1）與治理層級相關（2）與保全對象相關（3）與議題相關單位，討論關鍵詞與文獻蒐集後，

由利害關係人決定出關鍵議題與保全對象。第二、第三步驟，請各專業之利害關係人與專家 填寫各風險組成之因子，由因子選擇或建構模式，並經由模式（可為個別模式或整合模式）

產製現況與未來危害、暴露與脆弱度地圖，進而疊加合成風險地圖；其中，脆弱度由保全對 象針對危害的調適能力與敏感度組成。第四步驟，根據風險與三個風險組成的未來變化趨勢，

針對各因子制定調適選項，評估各調適選項之效用（重新經由模式產製風險地圖）。此時的調 適力會包含調適能力與調適行動兩個層面。藉由此程序在不同情境與時間段之討論可完成第 五步驟，形成調適路徑。最後，可透過現實中即時的監測及修正，完成第六步驟監測及修正 調適路徑的目的，進而形成 CSAA 中動態調適路徑。本研究之案例示範包含上述的一至四步 驟，然而關鍵議題是由本研究透過文獻回顧訂定，並未與利害關係人討論。

由風險模板解構後的各領域因子，為跨領域之關鍵。藉由因子分析，可以找出領域間共 同或獨立的因子，從模式角度，可以幫助使用者了解領域間的資訊流，以便建構弱跨領域或 強跨領域之整合量化評估模式；在調適選項的設計上，各領域間的共同因子能提醒利害關係 人，在考慮這些具跨領域共同因子的調適選項成效時，不能僅關注單領域的風險變化，因為 在降低某領域之未來風險時，可能會加劇其他領域之未來風險，此類現象稱之為「取捨效應」

（Trade-offs）；相反的，某些調適選項則可以同時幫助到不同領域，而此種現象稱之為「協同 效應」（Synergies）。本研究為了更精準量化跨領域間風險之競合關係，建構強跨領域之整合 模式於第七章呈現分析結果。

圖 3-3、氣候智慧調適演算法之風險模板操作第一步驟

定義治理層級（中央、地方或社區），應用物質流與資訊流確定利害關係人，並分類成

（1）與治理層級相關（2）與保全對象相關（3）與議題相關單位，討論關鍵詞與文獻蒐集 後，由利害關係人決定出關鍵議題與保全對象。

圖 3-4、氣候智慧調適演算法之風險模板操作第二、三步驟

請各專業之利害關係人與專家填寫各風險組成因子，經由模式（可為個別模式或整合 模式）產製現況與未來危害、暴露與脆弱度地圖，進而疊加合成風險地圖，其中脆弱度由 保全對象針對危害的自主調適能力與敏感度組成。

圖 3-5、氣候智慧調適演算法之風險模板操作第四步驟

根據風險與三個風險組成的未來變化趨勢，針對各風險組成因子制定調適選項，並經

由模式評估各調適選項之效用（再一次產製風險地圖）。此時的調適力會包含保全對象與治

理層級兩個層面，其中治理層級的調適行動可能會影響危害之未來變化程度。

3.1.2 風險指標

根據本研究之示範案例，制定以下兩個風險指標，分別為代表水資源供水系統於公共供 水（生活用水與工業用水）之缺水風險的缺水指標（Shortage Index, SI）與農業糧食減產風險 的減產率指標（Yield Reduction Ratio, YRR），用以探討水資源供水系統與糧食生產的風險競 合關係，其計算方式如式(3.1)與(3.2)：

( )

2 ,

1 1 ,

, , ,

100

n d

n d

total year n d

n d n d n d

Deficit

SI N Demand

Deficit Demand Supply

= =

    

 =    

  

      

 = −



 

(3.1)

其中，N_{total year}為資料總年數，本研究以 20 年為一組，N_{total year}

= 20

N

,

Demand

Deficit

, ,

, crop type plant date

c t c t

c t c t

Potential Actual

YRR Potential

 − 

=        

其中，

Potential 與

Actual 分別為 c 作物於 t 時間插秧或播種的潛能產量與實際產量，潛能

3.2 情境設定模組

情境設定分為兩部分，第一部分為氣候情境，氣候情境是由不同的大氣環流模式（General Circulation Models, GCMs）在四個不同代表濃度途徑（Representative Concentration Pathways, RCPs）（圖 3-6）下所模擬出的氣象資料。由於 GCMs 的網格解析度較低，依本研究需求，氣 候情境需要經多測站氣象合成模式作時間與空間降尺度，方能產製氣象資料供其他模式使用，

該方法於 3.2.1 與 3.2.2 節中介紹。第二部分為社會經濟情境（Socio-Economic Scenarios），目 前尚未有統一的制定方式，本研究根據桃園示範案例，參照相關機構之報告書，自行設定未 來短期（2021 年至 2040 年）之社會經濟情境，詳細推估方法見 3.2.3 節。

圖 3-6、代表濃度路徑（RCPs）之輻射強迫力定義示意圖

淺灰色區域代表原先整合評估模式（IAM，Integrated Assessment Model）情境 98%的 範圍，深灰色代表 90%的範圍。資料來源：（Van Vuuren et al., 2011）。

3.2.1 GCMs 挑選與 GCMs 資料降尺度

GCMs 挑選與 GCMs 資料降尺度整體流程如圖 3-7 所示。首先決定 GCM、RCP 與未來 時段區間；進行第一階段偏差量校正和空間分類（Bias Correction Spatial Disaggregation, BCSD）

降尺度，產製 5km × 5km 網格化氣象資料；再由該資料計算第二階段多測站氣象合成模式降 尺度之各月份統計參數修正值，包含平均值與標準差，以下分別對 GCMs 挑選與 GCMs 資料 降尺度進行說明。

圖 3-7、GCMs 挑選與 GCMs 資料降尺度之流程圖

GCMs 挑選

根據 IPCC AR5 的報告，"No model scores high or low in all performance metrics, but some

models perform substantially better than others for specific climate variables or phenomena."，沒有 特定的 GCM 模式能在全球都有良好的表現，因此建議，於氣候變遷風險評估時，應採用系集

（Ensemble）的方式。然而，考慮到計算的時間成本與過多的未來變動可能性，本研究認為 應挑選部分於台灣與本研究區桃園表現較好的 GCMs 作為氣候情境之設定，因此本研究採用 北區最適的五個 GCMs（Lin & Tung, 2017）中的四個作為本研究挑選的 GCMs（註：其中 HadGEM2-AO 資料格式不一致，故暫不使用），分別為 NorESM1-ME、CSIRO-Mk3-6-0、CCSM4 與 bcc-csm1.1-m，並搭配最高與最低輻射強迫力之對應 RCPs，分別為 RCP8.5 與 RCP2.6，共 八種 GCMs 與 RCPs 組合的氣候情境設定，於未來時段上可進一步分為四個代表區間，分別 為 2021 年至 2040 年、2041 年至 2060 年、2061 年至 2081 年與 2081 年至 2100 年。

GCMs 資料降尺度

由於 GCMs 的網格解析度較低，需經過降尺度後才能使用，本研究採用兩階段降尺度（圖 3-7）。第一階段為使用 TCCIP 產製經 BCSD 的 5km × 5km 日降雨量與日均溫網格資料，計 算得出空間上各測站鄰近網格點於各月份之日均溫與日降雨量的平均值與標準差修正值，如 計算式(3.3)到(3.6)所示：

, ,

, ,

, ,

Future Stno m P Avg

Stno m

Baseline Stno m

Ratio E P

E P

 

 

=   (3.3)

( )

(

)

, ,

, ,

Future Stno m P Std

Stno m

Baseline Stno m

Std P Ratio

Std P

= (3.4)

,

, , , , ,

D

elta

E T

E T

( )

(

)

, ,

, ,

Future Stno m T Std

Stno m

Baseline Stno m

Std T Ratio

Std T

= (3.6)

其中，

Ratio

Ratio

elta

Ratio

Future

Baseline

在某 RCP 設定下模擬之未來與基期的氣象日模擬資料，下標 Stno 與 m 代表鄰近測站 Stno 的 網格點與第 m 月份於該時段（20 年）的氣象日資料。

第二階段降尺度則是由多測站氣象合成模式（於 3.2.2 節介紹）降尺度到各測站，將氣候 情境修正值轉化為水資源及糧食生產評估可以使用的日氣象資料，其中需包含日降雨量、日 均溫、日最高溫與日最低溫。繁衍未來氣象資料時，本研究假設發生降雨事件的機率不變，

僅針對各氣象變數的平均值與標準差進行修正。雨量方面為各月平均值與標準差乘上各月的 變化比率值（Ratio）；溫度方面，根據歷史資料分析，日均溫與日最高、最低溫具高度相關性，

且於不同時段區間上並無明顯相關性程度的改變。因此，本處假設其適用於同一個溫度修正 值，日均溫、日最高溫、日最低溫的修正方式皆為各月平均值加上各月變化差值（Delta），各 月標準差乘上各月變化比率值（Ratio），如計算式(3.7)與(3.8)所示：

( ) ( )

,

, , , , ,

,

, , , , ,

P Avg

Adj Stno m Obv Stno m Stno m

P Std

Adj Stno m Obv Stno m Stno m

E P E P Ratio

Std P Std P Ratio

  =  



= 

 (3.7)

( ) ( )

,

, , , , ,

,

, , , , ,

D ^{T Avg}

Adj Stno m Obv Stno m Stno m

T Std

Adj Stno m Obv Stno m Stno m

E T E T elta

Std T Std T Ratio

  =  +



= 

 (3.8)

其中，下標 Adj 與 Obv 代表經修正與歷史觀測資料。

3.2.2 多測站氣象合成模式

為產製空間上多測站的未來氣象日資料，本研究以 Python 撰寫具未來情境校正模組的多 測站氣象合成模式（MultiSiteWthGen）。首先，本研究以 Richardson Type（Richardson, 1981）

為主要單測站模擬架構，在發生降雨（濕天）與沒發生降雨（乾天）的情況下，分別模擬各 類氣象變數，其中降雨事件是以一階馬可夫鍊產製，於每個月計算 P（W）、P（W|W）與 P

（W|D），如式(3.9)到(3.12)所示。

of wet days in month i ( )

days in month i

i

Number

P W

Total

Number of two consecutive wet days in month i ( | )

Number of wet days in month i

P W W

( | )

1 ( | )

P D W = − P W W

( | )

1 ( | )

P W D = − P D D

雨量則以單參數或雙參數之機率分布的反函數產生（Inverse Cumulative Distribution Function , Inverse CDF），如式(3.13)，其中參數估計採用最大似然估計（Maximum Likelihood Estimation, MLE）估計，而如果要使用更多參數的雨量分布，需要提供更高階的動差修正值。

( )

( )

amount

P

F RN

RN

U

其中，

P

布（Uniform Distribution）隨機值。

溫度及其它氣象變數則以一階自迴歸模型條件在濕天與乾天下進行模擬，如式(3.14)，並 以共變異矩陣維持變數間的關係。模擬過程中會先以二階傅立葉函數，以最小平方法迴歸出 日的平均值與日標準差週期項，計算殘差（Residuals）（圖 3-8），如式(3.15)與(3.16)，再以 Cholesky 分解（Cholesky Decomposition）的方式計算式(3.14)中的參數 B，如式(3.17)到(3.20) 所示，產生具變數間相關性的隨機變數。

( ) ( )

, , 1 ,( )

y i

j A

j B

j







( )

,

y i j



,

( )

y i

j

 為 j ×1 的標準常態分佈隨機值向量。

(

)

,

,

y i x i

y i

x i

X

 

= −

,

X





i 屬於 1 到 365 天。

0 1 2

1 2

C sin +C sin 2t

T+D T+D

365 2

Y C t

T

    

= +

    

    

 =



(3.16)

Y 為傅立葉迴歸值；T 為週期；t 為 1 到 365 天； C C C D D

圖 3-8、二階傅立葉函數迴歸平均值與標準差

其中黃色圈圈為標準差的離群值，原因為資料筆數在該天過少導致，因此本研究在 MultiWthGen 利用前後十天資料點的平均值替代該點資料後再進行迴歸，降低偏誤。

1

1 0

A

M M

1

0 1 0 1

T T

BB

M

M M M

( ) ( )

0 0

0

1 1,

,1 1

j M

j





 

 

=  

 

 

(3.19)

( ) ( ) ( ) ( )

1 1

1

1 1

1,1 1,

,1 ,

j M

j j j

 

 

 

 

=  

 

 

(3.20)

M

M



( , ) m n



m n

最後再透過各月的平均值與標準差，將產製的殘差轉換回變數值，如式(3.21)，其中本研 究利用三次樣條插值（Cubic Spline Interpolation）平滑月平均統計值成日尺度，以去除模擬值 之不連續性，如圖 3-9 所示。

( ) ( ) ( ) ( )

, ,

y i d or m d or m y i

X j

 j

 j

 j

圖 3-9、模擬值之不連續性

左邊為濕天的氣溫模擬值，由於變異程度較大不連續性較不明顯，右邊為乾天的氣溫 模擬值，不連續性可以明顯地看出；而藍點是平均值，不連續性可較清楚從乾天模擬中看 出，橘色點為標準差，不連續性沒有那麼明顯；紅色線是二階傅立葉函數迴歸出的週期 項。

在產生氣象資料的時候，除了重現該站的統計特性外，空間上的統計特性也希望被維持。

Khalili et al. （2007）提出純統計的方式延伸單站 Richardson 類型的氣象合成模式至多站氣象 合成模式。本研究應用並調適其方法，建立桃園地區的多站氣象合成模型。該方法主要利用 式(3.22)與(3.23)產製具空間相關的隨機變數，再將各隨機變數放入原單站氣象合成模式中進 行模擬，其中各月的權重矩陣在本研究中是以相關性矩陣經經驗次方加權與列標準化後而得，

本研究設溫度相關參數、雨量與降雨事件的權重經驗次方數，分別為 1、3 與 2（Khalili et al., 2007），目的在於定義該區域的空間自相關性（Spatial Autocorrelation）的方向，而式(3.22)中 的γ是移動平均係數（Moving Average Coefficient），目的在於定義整體空間的空間自相關程 度，空間自相關性於本研究中採用空間相依指標（Spatial Dependence Indicator, SDI）（Khalili,

Brissette, & Leconte, 2009），如式(3.24)。在決定γ的過程中，溫度相關參數因各站間高度相關，

且 SDI 多趨近於 1，所以直接採用各月中γ的最大值進行模擬，雨量及降雨事件則必須先透 過多次模擬建立各月γ與 SDI 的三階多項式迴歸曲線，再以共同歷史觀測年中 365 天各天的 各年平均 SDI 值對應出 365 個γ值進行模擬。

d m

V =   W  + u u

max min

1 1

, ,

( ) ( )

d

m m

d m eig W eig W



  (3.23)

V 為 s×1 的具空間相關隨機變數向量，s 為測站數；γ為 d 天的移動平均參數； W

1 1 1 1

2 1

n n n n

i ij j ij

i j i j

n i i

x w x w

SDI

x n

= = = =

=

=

   



SDI 為空間自相關性指標；n 為測站數； w 為 i 測站對於 j 測站的權重值；

x

x 為測

3.2.3 社會經濟情境設定

根據 IPCC AR5，社會經濟情境（Socio-Economic Scenarios）為對未來整體社會與經濟質 化或量化的描述，且在描述之過程需維持不同空間尺度間的一致性，如全球到地方。台灣目 前尚未有國家或地方統一針對氣候變遷研究之社會經濟情境設定，因此本研究將依需求參考 相關單位之報告書，自行設定未來社會經濟情境。本研究以水資源與農業中的糧食生產作為 跨領域探討對象，其中糧食生產部分為本研究之調適方，工業與民生用水之變化量為本研究 主要的社會經濟情境設定。工業用水部分，由政府經未來工業區開發面積與產業類別推估未 來工業用水量，生活用水則會依照未來可能的人口、每人每日用水量、普及率、抄見率與漏 水率等項目進行推估。考量既有報告的推估並不一致，為講求可信度，參考水利署民國 106 年