知識服務 / 電子報 / TCCIP 電子報第042期
TCCIP最新消息 氣候變遷新聞 常問問題 名詞小櫥窗
2020/11/01 臺灣氣候變遷推估資訊與調適知識平台電子報042期 263 點閱人次
封面故事

未來氣候變遷情境下西北太平洋颱風活動之變化

作者:洪若雅 中研院環境變遷研究中心 專任助理
   曾虹穎 中研院環境變遷研究中心 專任助理
   許晃雄 中研院環境變遷研究中心 副主任

 

  聯合國政府間氣候變遷專門委員會(Intergovernmental Panel on Climate Change, IPCC)之第五次評估報告(the Fifth Assessment Report, AR5)統合CMIP5 (Coupled Model Intercomparison Project 5)結果[1]指出21世紀末氣候變遷情境下,全球颱風生成數量可能(likely)減少,但強度、降水可能(likely)上升。多數CMIP5模式由於空間解析度不夠高,因此低估了西北太平洋(WNP)颱風數量與強度[2],但少數較高解析度模式模擬結果則較為接近觀測[3]。有鑒於此,TCCIP計畫使用高解析度(25與50 公里)氣候模式進行長期模擬,獲得較具代表性的WNP颱風活動的未來變遷趨勢。本文介紹計畫使用的模式,比較觀測與模式間差異以瞭解氣候模式對颱風模擬的不確定性,再探討21世紀末極端氣候變遷情境下WNP颱風生成數量與強度之未來變化。

使用資料

  TCCIP計畫合計採用三組高解析度氣候模式資料以觀察西北太平洋未來颱風活動的變化,分別為HiRAM (High Resolution Atmospheric Model)、MRI-AGCM (Meteorological Research Institute- Atmospheric General Circulation Model)及d4PDF(Database for Policy Decision-Making for Future Climate Change),並使用1組觀測資料IBTrACS (International Best Track Archive for Climate Stewardship)與模式資料比較差異,各模式解析度、基期與未來情境模擬組數如表 1所示。未來情境選用RCP8.5二十一世紀末與+4K增溫情境,其中+4K情境可對應於RCP8.5情境,值得注意的是前述均為極端增溫情境之假設,因此模擬颱風活動之變化也較顯著。

HiRAM是美國地球物理流體力學實驗室(Geophysical Fluid Dynamics Laboratory, GFDL)為研究極端天氣事件所發展之全球氣候模式(global climate model),旨在提供具可信度之颱風年際、趨勢變化等模式推估結果[4][5],HiRAM 25 km解析度(c384)模擬未來氣候變遷情境依據CMIP5模式海溫聚類分析(cluster analysis)結果,作為未來情境下之4組系集成員;50 km解析度(c192)之模擬則另有4組初始場與4組海溫個別組合,合計共16組系集成員。

另一組高解析度全球模式為MRI-AGCM [6][7],其為日本氣象廳(Japan Meteorological Agency, JMA)與氣象研究所(Meteorological Research Institute)共同發展並改良之模式,而為了提供未來氣候變遷情境的模擬,更以60 km解析度之MRI-AGCM作為基礎,發展出具有大量系集模擬的模式資料──d4PDF[8],d4PDF於基期與未來情境分別產出100與90組之系集模擬資料,透過大量系集成員的資料解析大氣變化的不確定性與提供較高統計可信度之結果。

 

表 1 TCCIP計畫評估WNP區域颱風使用的氣候模式及其解析度、未來變遷情境與基期、未來情境系集成員數。

 

模式差異分析

  為瞭解颱風生成數量之歷史變化,我們首先計算生成於WNP區域(東經110-180度、北緯0-60度)的觀測(IBTrACS)逐年颱風生成總數如圖 1a,資料期間為1970-2016年。這段期間的颱風變化趨勢為-0.13個/年,且具5%統計顯著性,亦即過去46年間,每10年約減少一個颱風生成。圖 1b-e為基期(1979-2003年,共計25年)颱風生成數量變化,各模式相應於觀測年際變化相關係數約為0.3-0.4間,其中HiRAM多高估颱風生成數量,MRI則低估颱風生成數量,d4PDF的數量雖較接近觀測,然而其相關係數仍僅約0.4。此一結果與相關論文於西北太平洋區域研究之結果近似,顯示高解析氣候模式對颱風數量的年際變化模擬仍有改善空間[9][10]。基期平均之WNP區域各月颱風數量如圖 2,可發現夏、秋季各模式均有低估颱風生成數量之情形。但整體而言,颱風數量之季節變化與觀測一致,模式與觀測間之季節變化相關係數約介於0.6-0.75間,顯示高解析氣候模式可反映出颱風生成數量之季節變化特徵。

觀測與模式的颱風強度(近中心附近最大風速平均[11])分布如圖 3,由圖中可發現HiRAM的颱風強度分布較接近觀測,MRI與d4PDF則相對高估與低估颱風強度,HiRAMc192平均颱風強度相較觀測約低估9.9%;HiRAMc384則約高估3.4%;MRI高估甚多約28.3%、d4PDF則低估平均颱風強度約26.4%。前述結果顯示模式雖在數量與強度之定量表現上尚有不足,但已可描述颱風的大致特徵與變化,因此後續討論將以定性為主,各模式間的定量差異則視為颱風未來變遷趨勢不確定性的一部分。

 

圖 1 (a)觀測(IBTrACS) 1970-2016年逐年颱風生成數量,淺藍色色塊框選時間為基期(1979-2003年);(b)-(e)藍線分別為HiRAMc192 (Hc192)、HiRAMc384 (Hc384)、MRI-AGCM (MRI)、d4PDF與對應時間之觀測(黑線)基期逐年颱風生成數量與相關係數(r) (註:b與e之藍線為系集成員平均、藍色色塊為系集成員間之標準差範圍。)。

 

圖 2 西北太平洋基期(1979-2003年)各月颱風生成總數平均。圖中黑線為觀測(IBTrACS)、藍線為HiRAMc192、紫線為HiRAMc384、橘線為MRI、綠線為d4PDF。

 

圖 3 西北太平洋基期(1979-2003年)颱風強度機率密度函數圖,圖中黑線為觀測(IBTrACS)、藍線為HiRAMc192、紫線為HiRAMc384、橘線為MRI (MRI-AGCM)、綠線為d4PDF之結果。

 

結果與討論

世紀末極端暖化情境下颱風生成數量將減少

  統合各模式基期(1979-2003)與未來(2075-2099)情境下各25年之颱風生成數量之季節變化如圖 4所示,由圖中可發現各模式夏(JJA)、秋季(SON)之未來颱風生成數量相比於基期減少。Tsou等(2016)透過大尺度熱力與動力環境之結合,應用經調整之潛在生成指數GPI (Genesis Potential Index)研究未來颱風生成數減少之主因,研究結果發現未來情境下GPI呈現負距平,主要原因與中層相對濕度減少及大尺度系統舉升有關,此外,850hPa絕對渦度的減少與季風槽的減弱亦屬次要原因[12]。WNP颱風季(夏、秋)與全年基期颱風生成數量相較於未來情境的變化比例如表 2所示,在未來情境下,WNP區域颱風生成數量均為減少,全年減少比例大致落在42-50%之間,秋季颱風未來減少比率略高於夏季(約42-56%)。此一減少幅度顯著高於IPCC AR5考量A1B情境下WNP颱風數量減少比率。除RCP8.5情境相較A1B情境嚴峻外,可能原因為IPCC AR5分析的模式解析度較低,模擬颱風的能力不足,因此對不同氣候狀態下的颱風活躍度的掌握較差所致。

 

表 2 西北太平洋颱風季基期颱風生成數量相較於未來情境之各模式變化比例(單位:%)。

 

圖 4 西北太平洋基期(1979-2003年,圖中實線)與未來(2075-2099年,圖中虛線)各月颱風生成總數平均。圖中黑線為觀測(IBTrACS)、藍線為HiRAMc192、紫線為HiRAMc384、橘線為MRI、綠線為d4PDF。

 

世紀末極端暖化情境下颱風強度將增加

  圖 5為基期與未來情境下颱風強度分布,由圖中可發現各模式未來情境之颱風強度分布向右(高風速)移,HiRAM在較低強度颱風之最大風速分布無明顯變化,然而中間強度颱風(模擬強度25-45 m/s)比例減少、較強颱風比例增加(模擬強度45 m/s以上);MRI模擬的未來變化特徵與HiRAM近似,而d4PDF的未來颱風強度則整體均呈上升變化。未來颱風強度變化比率部分,HiRAM大致增加2%以內、MRI與d4PDF則分別增強7與12%,除HiRAMc384外,其餘模式之強度變化均通過1%顯著性統計檢定,顯示未來氣候變遷情境下颱風強度可能增強,與IPCC AR5結果一致。

  總結前述,西北太平洋颱風的未來變遷特徵為颱風數量減少,減少比例約為38-56%間,而颱風強度提升,強度增加比率約為2-12%。顯示未來情境下颱風數量雖可能減少一半,但世紀末整體颱風強度可能相較基期提升,宜審慎防範較強颱風致災的可能。

 

圖 5 各模式西北太平洋基期與未來情境下之颱風強度機率密度函數圖。(註:圖中實線代表基期、虛線代表未來;藍線為HiRAMc192、紫線為HiRAMc384、橘線為MRI (MRI-AGCM)、綠線為d4PDF之結果)。

 
參考文獻
 
  1. IPCC, 2013: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 1535 pp.
  2. Yokoi, S., C. Takahashi, K. Yasunaga, and R. Shirooka, 2012: Multi-model projection of tropical cyclone genesis frequency over the western North Pacific: CMIP5 results, Sola, 8, 137-140.
  3. Camargo, S. J., 2013: Global and regional aspects of tropical cyclone activity in the CMIP5 models, J. Clim., 26(24), 9880-9902.
  4. Harris, L. M., and S.-J. Lin, 2014: Global-to-regional nested grid climate simulations in the GFDL high resolution atmospheric model, J. Clim., 27(13), 4890-4910. 
  5. Zhao, M., I. M. Held, S.-J. Lin, and G. A. Vecchi, 2009: Simulations of global hurricane climatology, interannual variability, and response to global warming using a 50-km resolution GCM, J. Clim., 22(24), 6653-6678.
  6. Murakami, H., R. Mizuta, and E. Shindo, 2012: Future changes in tropical cyclone activity projected by multi-physics and multi-SST ensemble experiments using the 60-km-mesh MRI-AGCM, Clim. Dyn., 39(9-10), 2569-2584.
  7. Mizuta, R., O. Arakawa, T. Ose, S. Kusunoki, H. Endo, and A. Kitoh, 2014: Classification of CMIP5 future climate responses by the tropical sea surface temperature changes, Sci. Online Lett. Atmosphere, 10, 167-171.
  8. Mizuta, R., A. Murata, M. Ishii, H. Shiogama, K. Hibino, N. Mori, O. Arakawa, Y. Imada, K. Yoshida, and T. Aoyagi, 2017: Over 5,000 years of ensemble future climate simulations by 60-km global and 20-km regional atmospheric models, Bull Am Meteorol Soc, 98(7), 1383-1398.
  9. Seo, E., M. I. Lee, D. Kim, Y. K. Lim, S. D. Schubert, and K. M. Kim, 2019: Inter‐annual variation of tropical cyclones simulated by GEOS‐5 AGCM with modified convection scheme, Int J Climatol, 39(10), 4041-4057.
  10. Zhao, M., I. M. Held, S.-J. Lin, and G. A. Vecchi, 2009: Simulations of global hurricane climatology, interannual variability, and response to global warming using a 50-km resolution GCM, J. Clim., 22(24), 6653-6678.
  11. 氣象局颱風百問18.颱風的強度是如何劃分的?https://www.cwb.gov.tw/V8/C/K/Encyclopedia/typhoon/index.html
  12. Tsou, C.-H., P.-Y. Huang, C.-Y. Tu, C.-T. Chen, T.-P. Tzeng, and C.-T. Cheng, 2016: Present Simulation and Future Typhoon Activity Projection over Western North Pacific and Taiwan/East Coast of China in 20-km HiRAM Climate Model, Terr. Atmos. Ocean. Sci., 27(5), 687-703.

 

延伸閱讀

  1. IPCC評估報告中之氣候變遷情境 http://sdl.ae.ntu.edu.tw/TaiCATS/knowledge_detail.php?id=17
  2. CMIP5模式概述 https://www.wcrp-climate.org/wgcm-cmip/wgcm-cmip5
TCCIP最新消息
TCCIP於2020臺灣創新技術博覽會的未來科技館參展

2020年未來科技展於9/24~9/26在世貿一館舉辦的,今年的未來科技展與臺灣創新技術博覽會合辦,除了展示精準健康生態系、電子光電、AI與AIoT應用、智慧機械與材料等領域研發成果,並結合教育部、中研院以及科技部等各單位之科技成果,共同展出。TCCIP今年非常榮幸的由計畫辦公室-國家災害防救科技中心籌備,結合了氣候變遷災害風險調適平台Dr.A-氣候變遷淹水災害風險資訊,以氣候時空旅人為主題,展示了TCCIP的氣候變遷整合服務平台、氣候變遷大數據資料以及後端之風險與調適應用,並製作了 “未來明信片” App,讓參展民眾可以於現場操作,獲得含有關心鄉鎮區未來氣候變遷資訊的未來明信片。連續三日TCCIP於現場印製了超過500份之未來明信片,並與現場民眾互動與交流,以此讓氣候變遷資訊能夠個貼近民眾,讓科技融入生活。

 

 

氣候變遷新聞
「北極」一直以來都是人類用來描述氣候變遷的常用例子之一,但是因為氣候變遷的影響,造成溫度急遽上升、海冰減少,北極正出現新的氣候系統,許多科學家已經用「新北極(New Arctic)」一詞來描述該區迅速變化的景觀。而事實上,北極確實發生了不小的變化,以海冰為例,自1979年開始衛星紀錄以來,北極海冰面......
< 詳細閱讀 >
常問問題
Q : 氣候模式與觀測間之颱風生成數量逐年變化相關係數為何僅0.3-0.4?

由於模式本身之限制,只能模擬出近似渦旋的結構而與觀測有所差異、各氣候模式之特性也不同,因而各模式會以較合適該模式特徵之氣壓差、高層暖心位置、風速等客觀條件進行颱風之定義。此外,氣候模式納入海溫與觀測等資料持續進行模擬的頻率與天氣模式不同,雖氣候模式可模擬出適於模式內部颱風發展之大氣環境,然而其模擬之渦旋結構及強度均與觀測有落差。前述差異均會造成氣候模擬與觀測颱風活動間整體之不確定性(如生成颱風數量、強度等),因此導致模式與觀測間颱風生成數量之逐年變化相關係數較差,雖定量變化之模擬尚有改善空間,但氣候模式仍可為未來氣候變遷風險評估提供警訊。

名詞小櫥窗
不確定性描述(treatment of uncertainty)

IPCC報告中以基於大氣理論、一致結果作為定性證據(Evidence);以統計檢定作為定量的可信度(Agreement),結合定性與定量結果共同作為評估未來風險不確定性之依據,示意如下圖所示,IPCC評估報告中統一以斜體文字描述未來假想情境導致氣候變遷現象發生之關聯性與可信度,依據關聯性由強至弱之敘述:「幾乎可以肯定(Virtually certain)」表示其對應99-100%之機率;「極有可能地(Very likely)」對應90-100%機率;「可能地(likely)」對應66-100%機率;「幾乎沒有(About as likely as not)」對應33-66%機率;「不太可能地(Unlikely)」對應0-33%機率;「不可能地(Very unlikely)」對應0-10%機率;「極不可能地(Exceptionally unlikely)」對應0-1%機率,透過不確定性描述可使評估報告讀者很迅速地瞭解各氣候變遷現象在未來可能發生之機率。


   
圖:可信度、證據與統計一致性間的關係示意圖。越往右上、顏色越深代表可信度越高。一般而言,當許多高品質且互相獨立之推論結果一致性高時,證據越加確鑿。

回上頁