解答這個問題前首先必須了解，在TCCIP計畫團隊降尺度之前，原始資料是從哪裡來的。目前世界各國在進行氣候變遷科學研究時，除了部分國家因有強大的研究能量，能夠建立自己的氣候模式之外，其餘國家皆會參考使用IPCC在氣候變遷評估報告中，集合各國頂尖氣候研究中心發展的全球氣候模式。這些氣候模式由許多解釋地球物理、化學、氣候 (大氣、海洋、陸地) 等因子及其交互作用的數學模式組成，模擬地球的氣候系統如何運作，再考量未來可能的社會經濟發展情境 (全球溫室氣體與氣溶膠的未來排放量趨勢)，模擬全球未來的氣候，以提供氣候變遷未來推估資料。
但是這些資料使用較低的空間解析度，空間尺度約為100公里╳100公里的網格，因此僅能呈現出大空間尺度區域差異的結果，例如：東亞區域或美洲區域。

對於土地面積相對小的臺灣而言，多數模式中臺灣幾乎位在一個網格裡，代表整個臺灣的都是同一個數值，甚至在一些模式中臺灣被定義為是海洋，這也代表這些原始資料的解析度並無法呈現臺灣的海陸分布、地形差異，或者較細緻的氣候特性。因此，我們必須進行降尺度，將網格切割的更細緻，以提高解析度，並修正全球氣候模式在臺灣推估值的誤差，才能提供呈現臺灣區域特性的資料，這些氣候變遷未來推估值的準確度也才會提高。

 

 

常見的降尺度方法有2種，一是統計降尺度 (Statistical Downscaling)，另一是動力降尺度 (Dynamical Downscaling)。統計降尺度是使用長期的觀測資料作為基準值 (即推估因子)，與氣候模式過去的模擬資料 (即推估變量) 建立長期且穩定的統計關係，並將此推估因子與推估變量間的統計關係應用到近未來及世紀末的氣候模式推估資料上。當觀測資料的空間密度越高，便能提供更細緻的空間分布狀況去修正解析度較低的模式資料，再使用統計方法修正不同組全球氣候模式資料之間的誤差，以及在降尺度時可能造成的誤差，進而算出臺灣區域的氣候推估值。之所以稱為統計降尺度，即是因為使用的方法在於尋求觀測與模式間的穩定統計關係，兩者關係越穩定，所獲得之降尺度效果也越可信。另一方面，觀測資料的空間密度越高，能夠提供給模式資料的細節就越多，所以在運用統計方法降尺度時，觀測資料的解析度（TCCIP目前可提供5公里網格化觀測資料）直接決定了降尺度結果的解析度。

動力降尺度則是藉由提高氣候模式的解析度，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)，能夠比較精準地呈現小範圍地區的地理及氣候特質，高解析度也讓模式能模擬出較大的極值，提升模式對極端事件的模擬能力。實務上通常會使用區域氣候模式 (Regional Climate Model，簡稱RCM) 將全球氣候模式 (Global Climate Model，簡稱GCM) 所做的低解析度氣候推估資料進行降尺度 (如圖一)。

圖一 動力降尺度從GCM(全球)到RCM(區域)示意圖

之所以稱為「動力」即是因為所用的模式包含了許多物理、化學的參數計算，試圖模擬出整個自然環境的運作，每個參數皆會被其他參數影響，這參數之間的相互影響是動態的，所以所用的GCM或RCM可說是一種動力模式。隨著解析度提高，模式的網格點數目大幅增加，需要非常龐大的電腦運算資源去計算個網格點上個參數的變化，並儲存大量網格點上的資料。動力模式最大的限制之一就來自於電腦運算與儲存資源，隨著科技的進步，動力模式的發展也能與時俱進，當運算效能增加時，整個模式結果的解析度也能隨之提高；另一限制是模式中所使用參數化可能隨著解析度的過度提高而不再適用。

 

 

上述兩種降尺度方式各有優缺點 (如下表)，資料使用者必須針對自身的研究需求決定使用哪種資料。目前TCCIP計畫提供的統計降尺度的未來推估資料有多組模式 (可計算多模式平均值)、多個排放情境，最新的AR6資料還提供不同全球暖化程度的資料組 (全球暖化1.5℃、2℃、3℃與4℃)，資料的解析度為5公里，包含日解析度的溫度與雨量，因此，能夠進行的研究及應用面都較廣。但是，若研究需求是不需要使用多組模式資料、不需要考慮多個排放情境，但可能需要不同時間尺度 (例如：時雨量)、或極端的氣候數值 (颱風事件) 時，則可使用動力降尺度資料，目前TCCIP計畫提供的動力降尺度的未來推估資料亦已提高解析度至5公里的網格資料。

下表為統計與動力降尺度的優缺點比較：

TCCIP計畫目前已經提供了5公里解析度的統計降尺度與動力降尺度資料，但是許多使用者關注的尺度更小，可能需要數百公尺解析度的資料，這也使得許多資料使用者針對「氣候資料的空間解析度」，衍生一個疑問：TCCIP計畫都已經進行資料降尺度了，為什麼不能降到更細的尺度? 難道「降尺度（Downscaling）」不是越細越好?

 

 

提高空間解析度的兩種降尺度方法皆有一些技術限制，這些問題皆影響降尺度的網格資料能到多細緻? 例如：長期觀測資料的數量較少或品質不佳會導致統計降尺度的困難，需要大量電腦運算資源動力降尺度資料未能呈現多組模式結果以幫助決策者進行風險決策。再者，若該地區基礎資料不足 (原始觀測資料空間解析度就粗糙) 或該地區氣候系統模式之參數關係未知 (動力模式的物理參數化可能不再適用)，強行降尺度至更小的空間解析度，雖然一樣產出資料，但所得到之推估數據將可能有可信度低及不確定度高的問題。因此，為求最穩定及最佳化的資料品質，就必須折衷於資料最適合尺度，資料使用者進行衝擊研究時，亦必須了解此推估資料之資料特性與技術限制。