封面故事

臺灣網格化觀測日溫度資料之驗證與分析

楊承道 專案佐理研究員 國家災害防救科技中心
翁叔平　教授 臺灣師範大學地理學系

前言

因應全球氣候變遷下威脅日趨加劇的區域極端天候帶來的社會與經濟上衝擊，科技部政策推動的臺灣氣候變遷推估資訊與調適知識平台計畫 (以下簡稱TCCIP計畫) 蒐集整合散佈各單位的測站資料，建置長期且高時空解析度的歷史網格化觀測資料；除了可偵測氣候變遷訊號、提出預警 (周佳等，2012)^[1]，還能夠強化診斷天候事件時空演化的能力，進一步充實氣候變遷資料庫、充分滿足區域氣候模式 (RCM) 調校模式偏差 (Déqué et al.,2007)^[2]、訓練統計降尺度模型 (Wood et al., 2004) ^[3]。網格化觀測資料庫可提供公共衛生、農漁業、植物生態等不同領域的相關研究需求。

資料來源

建立溫度網格化資料庫的測站在臺灣地形圖上的分佈如圖1所示，包含交通部氣象局局屬站、自動站，以及交通部民用航空局的機場測站、農田水利署升格前的農田水利會測站 (以下簡稱農田水利會測站)，還有近幾年新收錄的行政院農業委員會林業試驗所測站、行政院農業委員會農業試驗所管理的農作物災害預警平台收集到的農業測站 (以下簡稱農業測站)；對山區的測站豐度增加有不小的貢獻。溫度測站的總數約500站左右，但是比起平地，中央山脈高山地區的測站密度明顯不足。

圖1、溫度網格化資料庫歷年來所使用的測站，在臺灣地形圖上的空間分布。藍色點：氣象局局屬站和民航局測站；紅色：氣象局自動氣象站；綠色點：農田水利會測站；紫色點：行政院農業委員會林業試驗所測站和農業測站。灰階色階為地形高度。(單位:公尺)

 

圖2是不同單位屬性的溫度測站數目隨時間的變化，整體的測站數目隨時間增加；但1990年以後農田水利會測站的數目逐漸減少 (綠色線條)，雖然1987年開始設站的氣象局自動站資料 (紅色線條)，可稍微彌補農田水利會測站減少的情況，但許多設站於山區的農田水利會測站無後續資料更新，十分可惜。

圖2、 不同顏色線條代表不同單位屬性的溫度測站數目隨時間的變化。藍色線：氣象局局署測站以及民航局測站；紅色線：氣象局自動測站；綠色線：農田水利會測站數目；紫色線：行政院農業委員會林業試驗所測站和農業測站數目；黑色線：全部單位的測站總數。

研究方法

溫度網格化方法主要參考Simolo et al. (2010)^[4] 的研究，利用測站地理資訊，即緯度、經度、高度以及測站間的夾角等參考資料，發展測站資料補遺技術，並以補遺技術為基礎，將位置分佈不均勻的測站溫度資料，內插到1公里解析度的網格點上，產製高時空解析度的日溫度網格化資料；日溫度網格化資料庫包含日均溫、日最高溫、日最低溫三組溫度資料。

將日均溫、日最高溫、日最低溫三組溫度資料視為互相影響的群組，以測站資料補遺技術為基礎，將網格點資料視為缺資料的測站，做網格點資料估計；網格化過程中所使用的參考測站需有上述三組溫度觀測資料才能納入資料估計權重計算。資料估計權重包含距離權重、高度差權重和參考測站間的夾角等三種權重，從中選取權重最大的5個測站的溫度資料，做溫度數值估計，得到網格點上的溫度資料；詳細的權重計算公式與流程可參考翁和楊 (2018)^[5] 的研究中2.3節裡關於測站資料補遺的說明。另外，針對目標網格點和參考測站間的高度差所做的溫度修正，則是依據各月份，區分山區 (高度1000公尺以上) 與平地測站的溫度氣候值與測站高度值，做回歸分析計算得到的環境溫度遞減率經驗值做修正 (表1)。

表1、各個月份，山區與平地測站的環境溫度遞減率經驗值。(單位: ℃/km)

 

溫度資料氣候值分析

依氣象上的雨季劃分，分成春季 (2~4月)、梅雨季 (5~6月)、夏季 (7~8月)、秋季 (9~10月) 和冬季 (11、12、1月)，共五個季節，計算日溫度網格資料在不同季節的氣候平均值分佈 (圖3)：日均溫、日最高溫、日最低溫三組溫度資料皆表現出暖季溫度較高、冷季溫度較低的季節性差異；臺灣西部平原的溫度由南往北遞減的現象在春、冬季最為明顯。除了地形高低對山區與平地間的溫度影響，溫度值的分布，還可看出都市熱島效應對都會區的影響以春、冬季的日最高溫尤為明顯。臺灣西部沿岸局部地區的溫度受海、陸風影響，和離海岸較遠的區域相比，有不同的溫度分佈差異；例如雲林、彰化沿海附近區域的日最高溫在春、冬季時，白天受海風影響溫度較低。上述現象皆可在溫度網格觀測資料的氣候場空間分布中表現出來，關於更多的臺灣的溫度分布特徵可參閱文章後面延伸閱讀。

圖3、溫度網格觀測資料在不同季節的氣候場分布，由左至右分別為春季 (2~4月)、梅雨季　(5~6月)、夏季　(7~8月)、秋季　(9~10月)　和冬季　(11、12、1月)，上排為日均溫、中排為日最高溫、下排為日最低溫。(單位:℃)

不確定性分析

最後是探討溫度網格化資料庫產製過程中，可能的誤差來源與不確定性分析；下面將分析兩項主要誤差來源，提供資料使用者做參考。

• 網格化方法的不確定性：透過”leave-one-out”的交叉驗證 (cross validation) 實驗，量化產製網格資料使用的資料補遺技術的不確定性，即評估測站估計值與觀測值間的均方根誤差 (RMSE)。如圖4所示，圖中顯示日均溫與最低溫在平地的誤差大都在1℃以下，最高溫在平地的誤差稍微大一點，約在2℃以內。山區的誤差較大，最大可達4℃左右，凸顯山區測站豐度對資料不確定性的影響，特別是日最高溫在山區的誤差量，比起日均溫和日最低溫，有相對較高的情況。

• 測站資料網格化時的不確定性：在測站溫度資料網格化的過程中，所用的資料補遺方法，可同時記錄估計網格點上的溫度時，所使用附近參考測站的溫度資料標準差 (standard deviation) 和相距目標格點的平均距離作為評估網格點資料不確定性的參考。當標準差和平均距離越小，代表參考測站間的距離較近、資料性質也較一致，不確定性就越小；反之，如果標準差和平均距離越大，代表參考測站間相距較遠或高度差較大，溫度資料差異較大，估計出來的網格點資料不確定性就越大，也同樣凸顯測站密度對資料不確定性的影響。

圖4、不同季節，由左至右分別為春季 (2~4月)、梅雨季 (5~6月)、夏季 (7~8月)、秋季 (9~10月) 和冬季 (11、12、1月)，經過交叉驗證實驗後，測站估計值與觀測值間的均方根誤差 (RMSE)，做空間內插後的空間分布，上排為日均溫、中排為日最高溫、下排為日最低溫。(單位:℃)

分析所有網格點記錄的參考測站溫度資料標準差和距離目標格點的平均距離，以每10年為區間，先計算各月份的平均值，再減掉整體60年資料的各月份平均值後，計算全臺所有格點的平均，分析資料庫整體的不確定性隨時間變化的情況。取日均溫資料的1、4、7、10月當範例，如表2和表3所示，隨著時間增加，各月份參考測站的溫度資料標準差和測站平均距離大致呈現由正值轉負值的趨勢，代表隨時間演進，測站密度逐漸增加，網格資料的不確定性隨之減少。1980年至1989年期間測站平均距離反而呈現增加情況，和圖2的測站數目變化在此期間呈現減少的情況有關，再次顯示測站密度對資料不確定性的影響。日均溫資料的其它8個月份也呈現相似的結果。以相同方式對日最高溫與日最低溫網格化資料庫做相同的分析，其結果和日均溫的分析結果一致 _(表略)。

表2、參考測站的日均溫資料之標準差距平值。(單位:℃)

表3、參考測站距目標格點的平均距離距平值。(單位:公里)

TCCIP計畫產製的溫度網格資料庫是以測站的觀測資料為基礎，從測站點延伸到不同區域面的網格化資料，可提供資料使用者進行更多樣化的分析與研究。溫度網格資料在使用上，山區的測站密度不足，溫度資料不確定性較大，資料使用者需特別注意。目前，日溫度網格化資料庫的水平解析度有1公里和5公里兩種版本，資料長度為1960~2019年，溫度變數有日均溫、日最高溫、日最低溫三組溫度資料，使用者可自TCCIP整合服務平台的氣候變遷資料商店下載。

參考文獻

[1]   周佳、劉紹臣，2012，「全球氣候變遷觀測」，大氣科學，第40期，185-213。

[2]   Déqué M, Rowell DP, Lüthi D, Giorgi F, Christensen JH, Rockel B, Jacob D, Kjellstrom E,de Castro M, van den Hurk B, 2007, An intercomparison of regional climate simulations for Europe: assessing uncertainties in model projections., Climate  Change, 81, 53-70.

[3]   Wood AW, Leung, LR, Sridhar V, Lettenmaier DP, 2004, Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs., Climatic Change, 62, 189-216.

[4]   Simolo C, Brunetti M, Maugeri M, Nanni T, 2010, Improving estimation of missing values in daily precipitation series by a probability density functionpreserving approach., International Journal of Climatology, 30, 1564-1576.

[5]   翁叔平、楊承道，2018，臺灣地區日降雨網格化資料庫(1960~2015)之建置與驗證，臺灣水利，第66卷(第4期)，33-52。

延伸閱讀

(1) 用對資料、選對工具－談資料特性

https://tccip.ncdr.nat.gov.tw/km_newsletter_one.aspx?nid=20180928161943

(2) 交通部中央氣象局-氣候百問11，臺灣一年四季的溫度分布有什麼特徵？

https://www.cwb.gov.tw/V8/C/K/Encyclopedia/climate/climate2_list.html#climate2-04

 

世界經濟論壇：氣候風險是全球未來十年最嚴重的頭號威脅

李惠玲 專案佐理研究員 國家災害防救科技中心
編譯

世界經濟論壇 (World Economic Forum, 簡稱WEF) 在今(111)年1月11日發布了最新的2022年全球風險報告 ^[1] (Global Risks Report 2022)，除了展示與分析全球風險認知調查的結果，並總結在過去兩年COVID-19 大流行的經驗教訓，對 “韌性” (resilience) 進行反思。世界經濟論壇是以基金會方式成立的非營利組織，多年來持續追蹤全球風險專家、世界各國企業、政府組織及公民領袖等對於經濟、環境、地緣政治、社會及科技等五大類別風險的看法，稱為全球風險認知調查^[2]；分析其中的關鍵風險，於每年發布全球風險報告。這些關鍵風險包含追踨調查中突出的風險、浮出枱面的風險警訊，以及潛在風險認知的盲點。

全球未來十年內最嚴重的十大風險

最新的全球風險認知調查結果顯示，氣候風險是全球未來十年最嚴重的頭號威脅；“氣候行動失敗” 和 “極端天氣” 分居未來十年最嚴重的十大風險之第一位與第二位 (圖1)。若以未來2年內而言，“極端天氣” 更是全球短期十大風險之首 (圖2)；2020年全球數個城市經歷了多年未見的極端氣溫，受訪的各國企業、政府組織及公民領袖感受到政府、企業和社會正面臨來自極端天氣事件越來越大的壓力。即使2021年聯合國氣候變化綱要公約組織第廿六次締約國會議 (COP26) 有197 個國家承諾《格拉斯哥氣候公約》和其他具有里程碑意義的目標，預計亦無法實現巴黎氣候協定增溫1.5°C的限定目標。由於COVID-19 大流行造成經濟危機，各國優先考慮的是儘快恢復經濟增長的短期措施，進而推遲應對氣候變遷的努力；此外，COVID-19 大流行造成的地緣政治緊張局勢也將使氣候行動複雜化。也因此，“氣候行動失敗” 的風險成為全球中、長期風險之首 (圖3、圖4)。

COVID-19及其衍生的社會與經濟問題持續延燒；此次全球風險認知調查結果突顯受訪者對社會和環境的擔憂。 “氣候行動失敗”、“極端天氣”、“生物多樣性流失”、“人為環境破壞”、“自然資源危機” 是受訪者認為的前五大長期風險 (圖4)。收入差距可能會加劇社會內部的兩極化和不滿情緒；青年、婦女和低技能工人的 “生計危機” 被受訪者視為短期最嚴重的社會風險 (圖2)；而 “社會凝聚力削減” 在短期、中期及長期不同時間跨度均被受訪者認為是世界的重大威脅 (圖1至圖4)。COVID-19 對健康產生了廣泛的附帶影響，部分原因是其他疾病沒有被優先考慮，包含重度抑鬱症及其他非傳染性疾病；“心理健康惡化” 是受訪者認為在 COVID-19 期間惡化最嚴重的社會風險之一。此外，COVID-19對世界各國境內及跨境的連鎖效應造成全球的緊張局勢。地緣政治緊張局勢也蔓延到經濟領域，“債務危機” 和 “地緣經濟對抗” 等亦是受訪者認知的重大風險。

COVID-19增進人們對數位系統的依賴，也加劇了網路安全的風險，“數位落差” 和 “網路安全威脅” 兩項科技風險是對世界重大短期和中期威脅；但這些風險在長期排名中回落，均未出現在最嚴重的潛在風險 (圖4)，表示風險認知可能存在盲點。

經濟困難、氣候變遷衝擊加劇，以及政治不穩定導致的不安全感將迫使人們背井離鄉，尋求更美好的生活；然而，移民壓力也將加劇國際緊張局勢。“非自願移民” 的社會風險也是受訪者關注的長期風險 (圖4)。

對於韌性的省思

只有不到11%的受訪者認為全球復甦將加速。對於世界的展望，不到4%的受訪者表示樂觀、12%的受訪者保持積極的態度，超過84%受訪者對於世界的前景則是憂心忡忡。

2022年全球風險報告指出將韌性視為一段歷程而非目的，從實際危機中學習，可以讓國家變得更強大、更靈活和更好地準備應對各種重大風險。

2021年因為COVID-19危機，世界各國專注於疫情的有效控制，然而COVID-19大流行及其應對措施，不是政府、社會和企業面臨的唯一挑戰，已經存在的氣候風險更是需要投入關注。許多重大風險需要全社會的整體考量與共同投入；不僅涉及不同部門的參與，還涉及不同部門之間更有效的互動。將政府、企業和社區不同的韌性目標區分出來，將有助於確保面對危機的行動時程一致。

政府、企業或社區的個別韌性目標都需要不同的執行策略，並提供跨部門與跨層級互動的框架，以更有效地利用集體能力，駕馭許多不可避免的取捨。例如：
對政府而言，平衡成本、監管彈性和調整資料共享協定，以確保更敏銳的危機管理，這是激發公私部門來加強互動的基本關鍵；
企業在瞭解政府對面風險的投資規劃與執行策略後，便可以利用供應鏈、行業內的行為準則，將勞動力福利納入韌性目標；
社區則可以協助地方政府，擔負改善溝通並支持基層復原的工作。就組織層面而言，將韌性分析、識別系統漏洞和多樣化的策略交付給基層、並與其他目標連結，都可以幫助領導者建立更好的韌性。

2022年我們仍舊忙著COVID-19疫情的控制與應對，但氣候風險與危機的因應已刻不容緩。蘇黎世保險集團首席風險治理官 Peter Giger 表示：

“氣候危機仍然是人類面臨的最大長期威脅。
若未能對氣候變化採取行動，全球 GDP 可能會縮水六分之一，
而在 COP26 上做出的承諾仍然不足以實現 1.5 攝氏度的溫控目標。
對於政府和企業來說，推動創新、堅定和包容的轉型以保護經濟和人民，
採取行動應對風險，現在還為時不晚。”

-摘自WEF新聞稿^[3]。

​參考文獻 / 延伸閱讀

[1] World Economic Forum ，2022年全球風險報告，取自
      https://www.weforum.org/reports/global-risks-report-2022

[2] World Economic Forum，全球風險認知調查結果，取自
      https://www.weforum.org/reports/global-risks-report-2022/data-on-global-risks-perceptions#report-nav　

[3] World Economic Forum，新聞稿 (11 Jan 2022)，Climate Failure and Social Crisis Top Global Risks 2022，取自：
      https://www.weforum.org/press/2022/01/climate-failure-and-social-crisis-top-global-risks-2022/ ，World Economic Forum

 

喜歡這一期的文章嗎? 給作者一個讚！