知識服務 / 電子報 / TCCIP 電子報第083期
知識小櫥窗 TCCIP最新消息 氣候變遷新聞 好評推薦
202 點閱   1 位讀者喜歡這篇文章
封面故事

氣候變遷對臺灣中風發生率改變量推估:以全球暖化程度2°C和4°C為例

吳威德 國家衛生研究院 國家環境醫學研究所 助研究員
陳念佳 國家衛生研究院 國家環境醫學研究所 研究助理
張郁瑩 國家衛生研究院 國家環境醫學研究所 研究助理
河野美空 國家衛生研究院 國家環境醫學研究所 研究助理

前言

隨著全球氣候變遷加劇,氣溫逐漸升高,極端高溫的現象變得越來越頻繁。這些看似普通的天氣變化,實際上正影響著我們的健康。特別是在臺灣這樣的亞熱帶地區,高溫不僅讓人感到不適,還可能引發嚴重的健康問題,例如中風。根據 2021 年全球疾病負擔研究顯示,中風是全球第二大死因和失能調整後生命年 (Disability-adjusted life years , DALYs) 第三大原因[1]。1990年至2019年間,中風發生率、盛行率、死亡人數和失能調整後生命年分別大幅增加70.0%、85.0%、43.0%和32.0% [1]。現有證據強調短期環境溫度變化所導致的各種生理變化,包括血壓、發炎、壓力程度和免疫功能的變化。

氣候變遷可能導致腦血管疾病模式發生變化,預計這一趨勢將持續存在並影響未來的全球健康風險。然而,大多數研究仍然依賴死亡率作為主要結果,並利用代表性濃度路徑 (Representative Concentration Pathway , RCP) 模擬 [2][3][4]。這可能會因非以疾病發生為主,並未考量社會因素方面差異而導致偏差。為了加深我們對氣候變遷對腦血管疾病影響的理解,我們開發出缺血性和出血性中風發生率與高溫情形聯繫起來的暴露-遲滯-反應效應模型。並根據不同的全球暖化程度(Global Warming Level , GWL) 2°C與4°C下,相較於1995-2014年間推估未來中風的發生趨勢,並區分受長期高溫引發中風影響的區域,本研究已發表於國際期刊[5],本文主要引述該發表論文之內容。

研究對象及設計

利用國家健康保險研究資料庫 (National Health Insurance Research Database, NHIRD) 確定2001 年至2020 年臺灣中風相關急診就診情況「中風疾病診斷碼為ICD-9-CM 430至438或 ICD-10-CM I60至I69」。所有中風相關急診的患者共計1,781,712名。

僅考慮初次中風事件,排除復發性中風事件患者(共661,917名),居住在離島患者(共 5,321名),沒有保險資料患者(共9,900名),或無法配對的患者(共 4,500名)。最終研究對象包括 1,100,074 名初次中風病例和 2,200,148 名非中風自我對照組。在這個設計中,每個受試者都作為自己的對照,每次與中風相關的急診就診都被歸類為一個病例。這種方法有助於減輕性別和吸煙習慣等因素,從而根據年齡和健康狀況等特徵評估極端溫度對組間的影響。根據中風相關急診就診事件發生前的三週和五週,考慮星期幾和季節,為每個病例配對兩個對照日。這種設計減少了事件發生後可能出現的潛在誤差,例如疾病復發時間。

環境暴露變項來源

環境暴露以每日溫度為主要變數,利用臺灣氣候變遷推估資訊與調適知識平台(Taiwan Climate Change Projection Information and Adaptation Knowledge Platform ,簡稱TCCIP)提供的2001年至2020年網格化觀測日資料[6][7],包括日平均氣溫、日最高氣溫、日最低氣溫。 此網格化方法涉及整合臺灣953個氣象站的訊息,包括氣象署、農田水利署、林試所、農試所、民航局及台電等多個單位所提供之測站資料。該方法提供了詳細的當地氣候資料,但有一些限制,其中包括極端值的潛在問題、時間的變化、以及原始站資料固有的空間差異。為了解決這些局限性,TCCIP 進行了交叉驗證實驗,以評估產生網格每日溫度資料的不確定性。大部分地區誤差普遍低於1℃,而中央山脈部分地區誤差超過4℃,顯示站點密度較低導致資料不確定性較高,然而臺灣的主要人口中心主要集中於平坦地區,因此這些地區的資料可用性仍然很高。

暴露-遲滯-反應模型與推估

本研究採用了地理資訊系統Geographic Information System , GIS空間統計將這些高解析度氣候資料與區域層級資料整合,建立了2001年至2020年期間的綜合鄉鎮級氣候資料庫,並在案例交叉研究中採用非線性遞延分配模型Distributed Lag Nonlinear Models , DLNM來研究溫度與中風之間的關聯,確定了對中風發生率變得顯著的溫度閾值。並結合廣義估計方程式Generalized Estimating Equations , GEE 模型將超過每日最高溫度閾值的累積天數與每個地區的年中風發生率相關聯。使用全球氣候模式Global Climate Model , GCM對全球暖化程度2℃86組子集合和4℃26組子集合,進行鄉鎮層級平均變化進行未來推估,詳細計算方式可參考本篇研究[5]

主要結果

研究包括647,129 名(58.8%)男性和452,945 名(41.2%)女性因中風到急診就診,大多數病例為中年以上,其中45 至64 歲有344,265 名(31.3%),65 至84 歲有538,944 名(49.0% )為中風患者。出血性中風佔278,404例(25.3%),而缺血性中風佔482,034例(43.8%)。與對照組相比,病例在春季和夏季具有較高的平均、最低和最高日溫度參數,而在秋季和冬季則表現出較低的數值。觀察到每日最高氣溫高於 34°C 和每日最低氣溫低於 15°C 開始對中風發生率產生顯著影響圖一。圖二所示,如果全球暖化程度達到2°C,臺灣各鄉鎮平均每年超過34°C的天數將增加到約38天。而若全球暖化程度達到4°C,這個數字將攀升至約93天。這意味著,未來將有更多日子面臨極端高溫,進而提高中風的風險。

 

圖一、每日最高溫度(左)與每日最低氣溫(右)的暴露-遲滯效應曲線: 使用DLNM模型遲滯天數 0-13天之整體中風發生累積風險。
藍色線為各溫度的風險值,灰色區域為95%信賴區間,灰色區域須完整高於1才表示有顯著風險)

 

圖二、 最高氣溫>34℃的天數分佈(左:基期、中:GWL 2°C、右:GWL 4°C)

 

圖三利用日最高氣溫34℃閾值的GEE模型,推估中部地區的缺血性中風發生率變化最顯著的是南投和名間,其次是中南部的莿桐、斗南、斗六和林內。隨著全球暖化程度升高 4°C,這些地區的影響預計將進一步擴大,像臺中、新竹、宜蘭和臺東等地區,受高溫影響的缺血性中風發生率變化會特別顯著。在與溫度相關的淨發生率中,缺血性腦中風的增加幅度最高,從GWL 2℃時的7.80%上升至GWL 4℃時的36.06%。具體而言,對於GWL 4°C 下的缺血性中風,與溫度相關的年發生率從基期(1995-2014)的102.02±0.48位個案/每10 萬人增至138.29±8.78位個案/每10 萬人。

 

圖三、 GEE 模型估計每日最高溫度閾值34°C的缺血性中風發生率變化分佈使用基期(左:基期、中:GWL 2°C、右:GWL 4°C)

 

氣候變遷對中風發生率衝擊說明

根據上述圖三顯示,在全球暖化程度4°C下,臺中、新竹、宜蘭和臺東地區與熱相關的缺血性中風發生率的變化最為顯著。研究發現了未來溫度變化的顯著空間變化,特別是在 GWL 4°C 的情況下。快速城市化和都市熱島效應的相互作用可能會加速氣溫飆升,從而加劇臺中和新竹等高度發展地區未來高溫暴露的健康危害風險。暴露在高溫下會引發血管舒張、週邊循環增加和流汗,導致脫水、血液黏度增加和膽固醇升高,進而提高缺血性中風的風險。上述結果也觀察到缺血性中風的熱效應影響相對較大,對於老年人和慢性病患者易脆弱族群需特別關注。

調適策略說明

聯合國政府間氣候變遷專門委員會(Intergovernmental Panel on Climate Change,簡稱IPCC)在第六次評估報告中第二工作組的《衝擊、調適與脆弱度》報告,概述了減輕人類健康風險(包括心血管疾病)的氣候變遷調適策略。這些策略包括改善衛生基礎設施的可用性、增強醫療保健的可近性以及實施災害預警。成功的調適措施可以減少與氣候相關的健康風險。例如,城市綠地可以緩解都市熱島效應,改善身心健康。加強衛生基礎設施和獲得醫療保健的機會可以增強弱勢群體的抵禦能力。局部降溫和預警系統可以最大限度地減少死亡率、發生率和潛在的傳染病爆發。

因此,建議採取積極措施防止氣候變遷對心血管健康的影響。這些措施包括及早採用以證據為基礎的生活方式改變、藥物調整、心血管護理和溝通建議,以幫助臨床醫生和醫療保健專業人員預防與氣候相關的心臟疾病。在國家和機構層面,應實施炎熱天氣健康行動計畫,為患有心血管風險患者提供涼爽的環境、行為建議、藥物調整和有效治療。醫生應識別高風險患者,提供建議,並根據高溫和熱浪調整藥物治療。鼓勵心臟科醫師就氣候變遷對健康的影響向患者提供具體諮詢,進行夏季前的醫學評估,並提供應對高溫的建議,以提高意識和採取保護措施。最後,建議人們在炎熱的天氣裡採取積極主動的行為,例如在最熱時限制戶外活動時間、使用空調和通風、穿著寬鬆的衣帽以及補充充足的水分。

總結

本研究建立中風發生率與溫度之間的暴露-遲滯-反應效應關係,利用兩種全球暖化程度(GWL 2°C 和GWL 4°C)來推估熱相關中風的發生率變化。研究發現,缺血性中風與溫度相關的發生率增幅最大,顯著從GWL 2°C 下的7.80% 上升至GWL 4°C 下的36.06%。GWL 4°C 下將顯著增加臺中、新竹、宜蘭和臺東等地區,與熱相關的缺血性腦中風發生率。

氣候變遷已經導致缺血性中風發生率發生變化,顯現了氣候變遷不僅是一個環境議題,更直接影響到我們的日常健康。隨著全球暖化的持續,極端高溫天數的增加將無法避免,必須及早採取行動,未來需透過有效的政策和公共衛生措施,降低高溫對健康的衝擊。

延伸閱讀

◆ TCCIP電子報073期:忽冷忽熱真”傷心”! 淺談高低溫對臺灣腦心血管疾病之影響
◆ TCCIP氣候專欄:氣候模式GCM、ESM之簡介與兩者異同
◆ 天氣太熱中風機率增66%!避免血黏堵血管,做好6件事預防

 

TCCIP網格化最高溫資料與測站觀測值的差異及原因探討

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

前言

自TCCIP公布網格化觀測溫度資料至今,已累積大量使用者,不論是探討臺灣各地長期溫度變化[1]、極端高低溫對健康的影響[2]、山區溫度變化對森林植被分布的影響[3],或其他不同領域的研究[4][5],網格化溫度資料的出現讓許多受到侷限的研究得以取得重大進展。TCCIP也陸續收到使用者的回饋,反映在使用網格化溫度資料時遇到的一些問題,包含網格化資料與測站觀測資料在溫度極值、年際變化或長期趨勢的不一致,特別是山區資料存在較大不確定性。雖有相關文獻[6]使用不同資料組及氣象變數來驗證山區高溫呈現下降的長期趨勢,但並未探討測站資料來源不同及測站密度隨時間的變化,可能造成資料均一性的問題。

由於全球暖化及都市熱島效應的影響,臺灣近年來極端高溫事件頻繁發生,不少使用者在利用網格化最高溫資料進行研究時,發現資料對極端高溫的頻率有明顯低估。本文將透過案例分析,帶大家了解網格化最高溫資料與測站觀測資料之間的差異及其原因(在TCCIP電子報058期[7]也探討過網格化降雨資料的差異),幫助大家釐清資料使用上的疑慮,並討論新版網格化溫度資料的未來規劃。基於本研究主題聚焦於極端高溫之網格化低估問題,資料均一性與山區相關議題,留待後續研究深入探討。

溫度網格化方法

在進行TCCIP網格化溫度資料分析之前,首先對溫度網格化方法進行簡單回顧,流程簡化如圖1所示。簡單來說,參考測站與網格點距離愈近、高度差愈小,權重愈大;與其他參考測站之間相對 (網格點)角度愈大,權重也愈大,這是考量到參考測站位於網格點的不同相對方向,有不同的溫度分布,方向相近的測站溫度特性可能相似,故彼此之間權重較小。網格化方法的細節請參考資料生產履歷[8],而網格化溫度資料的整體性評估可參考TCCIP技術文件[9],包含資料特性說明及不確定性分析。

 

圖1 、TCCIP溫度網格化方法簡易流程

 

案例分析:大臺北地區2017-2022年高溫36°C天數

首先,我們利用0.01°網格化最高溫資料計算2017-2022年大臺北地區高溫36°C天數(日最高溫達36°C或以上的天數)的空間分布,並選取幾個位於高溫好發區域的氣象署測站,以及距離各測站最近的網格點進行比較(如圖2與圖3)。從圖3比較結果可以看出,網格點相對於測站的數值普遍低估,尤其是臺北、板橋、信義、內湖等測站更為明顯。因此,我們進一步檢視夏季6-9月的平均最高溫(如圖4),結果顯示多數網格點相較於測站低估了大約0-1.5°C。

此外,我們也發現內湖站在2020年以後平均最高溫及高溫天數明顯大於其他測站,而臺北站在2020年以前也有類似情形,不過中央氣象署有人站在2021年啟用新的自動觀測系統[10]後,此一問題已有所改善。這反映出測站觀測品質的逐漸改善,亦可能導致統計高溫天數產生偏移,對於氣候監測或極端天氣事件統計產生影響。但撇除單一測站的資料品質問題,網格化資料與測站之間有如此明顯的溫度差異仍然不合理,究竟是什麼原因可能導致此一情形?

 

圖2、2017-2022年大臺北地區高溫36°C天數空間分布,圖中底色為網格化最高溫資料,打叉符號為中央氣象署測站,包含臺北、板橋、松山、信義、文山、內湖、永和、土城、山佳9個測站。

 

圖3、測站與最近網格點在2017-2022年高溫36°C天數,測站名稱後標註網格者為該測站最近之網格點資料。

 


圖4、測站與最近網格點在2017-2022年(上圖)6-9月平均最高溫、(下圖)網格點相對於測站之差值。

 

造成網格化資料低估最高溫的原因之一:測站氣象變數資料之差異

日最高溫的定義是一天當中觀測到的溫度最大值。由於不同測站觀測系統的觀測頻率不同,可能為每分鐘、每10分鐘或每小時記錄一次不等,會導致不同測站之間觀測到的最高溫準確度不同。理論上,觀測頻率愈高,紀錄到的最高溫愈接近當天的實際最高溫。而TCCIP網格化溫度資料,使用的是各個單位提供的測站日資料,惟中央氣象署的自動站是取得24小時溫度資料,再另外計算出最高溫(與最低溫)。然而,現今多數自動站的觀測頻率為每10分鐘或每分鐘紀錄,並且一天輸出一筆「絕對最高溫」;若使用以每小時記錄,一天輸出24筆整點小時資料,再計算最大值得到時資料最高溫,與日絕對最高溫就會有所差異。在統計測站的高溫天數時,應使用的是日絕對最高溫,而非使用時資料最高溫,因此,當使用網格化最高溫資料進行分析時,例如計算平均最高溫、極端高溫強度或頻率,相對於測站就會有所低估(如圖2-圖4)。這是造成TCCIP網格化最高溫資料低估的主要原因之一,源自使用氣象署自動站時資料最高溫,而自動站在1990年代以後為主要的測站資料來源(數量最多),故影響範圍大。

有了上述的認知,我們將圖2-圖4的自動站資料替換成時資料最高溫,重新計算測站高溫36°C天數與6-9月平均最高溫以進行驗證,如圖5及圖6所示。多數測站在經過替換資料之後,網格點與測站的差異明顯變小 (除了土城),而呈現某些網格點為高估、某些為低估的情形,數值整理如表1。每個網格點的溫度估計值基於多個參考測站,而測站數量隨時間變化或資料缺失,可能導致網格點使用的參考測站發生變動。因此,在比較網格點與測站的溫度差異時,也可能會隨著時間演進而有高估或低估,取決於當地測站溫度及網格點使用的參考測站溫度特性。另外,網格地形與測站海拔存在高度差,雖然在平地市區差異較小,也應考慮高度差造成的溫度差值。

 

圖5、與圖3相似,但只呈現自動站,且自動站資料由日絕對最高溫替換成時資料最高溫,再計算高溫36°C天數。

 

圖6、 與圖4 (b) 相似,但只呈現自動站,且自動站資料由日絕對最高溫替換成時資料最高溫,再計算6-9月平均最高溫。

 

表1、 高溫36°C天數與6-9月平均最高溫之網格點相對於測站差值,TXday為使用測站日絕對最高溫資料,TX24hr為使用測站時資料最高溫。

 

案例分析:2020年7月24日極端高溫事件分析

在前面的分析中,我們釐清了使用不同測站最高溫變數資料造成的差異,接下來,我們針對2020年07月24日的極端高溫事件(臺北站下午2時19分觀測到破紀錄高溫39.7°C)進行分析,評估網格化資料是否會低估極值,如圖7a所示。圖中圓點是網格化溫度資料當天使用到的所有參考測站,根據測站觀測顯示高溫36°C發生區域主要分布在臺北盆地及向西南延伸至桃竹苗一帶,其次為花東縱谷內地形較封閉的區域,而中部地區發生在較內陸地區,東北部、東南部則出現在近山區或位於西南風背風側的山脈東側區域,整體來看,網格化資料的溫度分布大致上與測站觀測相符。

接著,在比較網格點與測站溫度之前,應考慮高度差對溫度的影響,合理的做法是利用溫度隨地形高度遞減率將網格點溫度修正至測站高度如圖1的網格化步驟4做法),再計算網格減去測站的溫度差值(如圖7b)。由這個例子可以看出,山區或當地測站與周圍測站溫度分布差異較大時,網格點與測站溫度差異會更明顯。為了方便比較,我們分別選取所有測站(523站)及只選取觀測到36°C以上的測站(46站),將網格點與測站溫度差值畫成盒鬚圖 (如圖7b),結果顯示在所有測站中,網格點溫度一半高估、一半低估,與網格化方法有關;而在36°C以上測站中,幾乎所有網格點溫度皆低估。我們列出高溫前10名的測站如表2所示,其中臺北站最高溫為39.7°C,而這些測站最近的網格點溫度皆相對低估,全臺網格點溫度最大值也只有37.6°C,出現在臺北站附近。

 

     

圖7、 網格化資料及測站 (圖中圓點) 在2020年7月24日 (a) 最高溫空間分布,(b) 測站與最近網格點溫度差值空間分布,
(c) 網格點與測站溫度差值之盒鬚圖,左邊是所有測站與網格點,右邊是只挑選36°C以上測站與網格點。

表2  2020年7月24日最高溫排名前10名測站與最近網格點溫度 (經過高度差修正至測站高度)。
這裡的排名是根據網格化使用的參考測站資料,因此自動站是使用時資料最高溫。


造成網格化資料低估最高溫的原因之二:網格化方法

如圖1所示,網格化步驟3說明網格點是基於5個參考測站給予不同權重,並經過高度差修正而得到溫度估計值。選取單一網格點與測站進行比較,網格點所代表的區域加權平均溫度與單一測站觀測值會有所不同,網格點反映的是區域的溫度特性,而測站僅反映其所在地的溫度(即使是位置相近的測站,觀測到的溫度也可能有很大的差異)。理論上,網格點估計值會介於5個參考測站的觀測值範圍內,通常會趨於平滑化,因此極端值會受到一定程度的弱化,但網格點不一定會小於最鄰近測站的數值 (如圖7c盒鬚圖顯示仍有網格點溫度大於測站)。另外,網格化過程中進行高度差修正,少數網格點的溫度估計值仍可能超過參考測站的觀測值範圍。這說明了網格化資料通常低估極端高溫的其中一個原因,主要是因為網格化方法的局限性。

結語

本文藉由比較網格化資料與測站的最高溫及高溫36°C天數的結果,讓大家了解即使單一測站觀測到極端值,經過網格化之後,強度多少會有所弱化。這解釋了為什麼網格化資料在極端高溫方面會相對低估,但也凸顯網格化的優勢在於參考不同測站提供的溫度資訊,不過度傾向單一測站溫度特性;另一方面,也釐清將單一網格點與測站直接進行比較,在溫度方面本來就會有所差異,同時也需要考慮到高度差造成的影響。另外,造成網格化最高溫資料低估的原因,也與使用的測站最高溫資料為「日絕對最高溫」或「時資料最高溫」有關。綜合上述分析,網格點與測站溫度偏差或年際變化不一致,是網格化資料本身的特性,與使用的測站資料來源、參考測站隨時間變化或網格化方法皆有關。

關於本文提到使用測站氣象變數不同(日絕對最高溫或時資料最高溫),造成最高溫相對低估的問題,TCCIP將會評估將自動站資料來源替換成日絕對最高溫,重新產製一組新版網格化觀測資料的可行性,最低溫資料亦然。但該變數在某些測站資料可用長度相對較短,可能早期自動站觀測系統沒有記錄絕對最高溫,且資料品質也相對不穩定,資料檢核及資料前處理過程都需要下更多功夫,都會造成網格化流程更加繁瑣及維持資料品質上的困難。總體而言,目前 TCCIP 網格化觀測資料是可回溯超過 60 年、且基於地面測站觀測數據所產製的長期資料集。儘管資料存在一定程度的不確定性,使用上需注意可能造成的影響,但整體品質仍具有可靠度與可用性。

延伸閱讀

TCCIP電子報055期:臺灣網格化觀測日溫度資料之驗證與分析
TCCIP電子報058期:雨量測站觀測與網格資料大不同?TCCIP網格化降雨資料案例分析

參考文獻

主題一 返回文章

[1] Feigin, V. L., Stark, B. A., Johnson, C. O., Roth, G. A., Bisignano, C., Abady, G. G., ... & Hamidi, S., 2021: Global, regional, and national burden of stroke and its risk factors, 1990–2019: a systematic analysis for the Global Burden of Disease Study 2019. The Lancet Neurology, 20(10), 795-820.
[2] Gu, S., Zhang, L., Sun, S., Wang, X., Lu, B., Han, H., Yang, J., & Wang, A., 2020: Projections of temperature-related cause-specific mortality under climate change scenarios in a coastal city of China. Environment International, 143, 105889.
[3] Li, T., Horton, R. M., Bader, D. A., Zhou, M., Liang, X., Ban, J., Sun, Q., & Kinney, P. L., 2016: Aging will amplify the heat-related mortality risk under a changing climate: projection for the elderly in Beijing, China. Scientific Reports, 6(1), 28161.
[4] Silveira, I. H., Cortes, T. R., de Oliveira, B. F. A., & Junger, W. L., 2021: Projections of excess cardiovascular mortality related to temperature under different climate change scenarios and regionalized climate model simulations in Brazilian cities. Environmental research, 197, 110995.
[5] Wu, W. T., Kono, M., Lee, C. P., Chang, Y. Y., Yang, Y. H., Lin, C. C., ... & Chen, P. C., 2024: Climate change projections for stroke incidence in Taiwan: Impact of 2 C and 4 C global warming level. Journal of Epidemiology and Global Health, 14 (3), 1319-1331.
[6] 網格化觀測V2版資料 資料說明文件, 2023. https://tccip.ncdr.nat.gov.tw/upload/data_document/20220708162241.pdf.
[7] 網格化觀測溫度V2版資料 資料生產履歷, 2024. https://tccip.ncdr.nat.gov.tw/upload/data_profile/20220706114121.pd

文獻二 返回文章

[1] 陳永明、王俊寓、李亭萱、李彥緯、林士堯、周至中、陳昭安、童裕翔、趙品諭、鄭兆尊、劉曉薇、羅資婷,2024:縣市氣候變遷概述2024。國家災害防救科技中心。
[2] 陳保中、王淑麗、吳威德、林靜君、蔡宗霖、吳瑞軒
,2024:忽冷忽熱真”傷心”! 淺談高低溫對臺灣腦心血管疾病之影響。TCCIP電子報073期,臺灣氣候變遷推估資訊與調適知識平。tccip.ncdr.nat.gov.tw/km_newsletter_one.aspx?nid=20240718111016
[3] 林奐宇、童裕翔、陳又瑄、黃婉如,2023:網格化氣候資料在森林研究的應用與進展。林業研究專訊,30 (2),20-27。https://www.airitilibrary.com/Article/Detail?DocID=16056922-N202307070007-00004
[4] 許晃雄、王嘉琪、陳正達、李明旭、詹士樑
,2024:國家氣候變遷科學報告2024:現象、衝擊與調適 [許晃雄、李明旭 主編]。國家科學及技術委員會與環境部聯合出版。
[5] 許晃雄、王俊寓、王柳臻、吳威德、李欣輯、李思瑩、李時雨、林子平、林靜君、侯淸賢、凃柏安、施意敏、洪若雅、洪景山、紀佳法、張雅惠、陳正達、陳永明、陳保中、陳昭安、陳家琦、曾品涵、童裕翔、黃文亭、楊曜旭、劉曉薇、歐姿辰、蔡至恒、盧韻存、駱世豪、謝章生、闕帝旺、羅資婷
,2024:暖化趨勢下的臺灣極端高溫與衝擊。國家災害防救科技中心。
[6] 楊承道、張容慈、翁叔平
,2023:臺灣地區日溫度網格化資料庫之建置和長期變化趨勢分析。地理研究,(78),75-109。https://doi.org/10.6234/JGR.202311_(78).0004
[7] 王俊寓、童裕翔 (2022)。雨量測站觀測與網格資料大不同?TCCIP網格化降雨資料案例分析。TCCIP電子報058期。https://tccip.ncdr.nat.gov.tw/km_newsletter_one.aspx?nid=20220623183737
[8] 楊承道、王俊寓、林士堯
,2024:網格化觀測溫度V2版資料生產履歷 (4.2.1版)。臺灣氣候變遷推估資訊與調適知識平台。https://tccip.ncdr.nat.gov.tw/upload/data_profile/20220706114121.pdf
[9] 國科會「臺灣氣候變遷推估資訊與調適知識平台」
,2023:網格化觀測資料V1版與V2版差異分析說明。臺灣氣候變遷推估資訊與調適知識平台技術報告。https://tccip.ncdr.nat.gov.tw/upload/data_document/20221229171130.pdf
[10] 中央氣象署
,2021:中央氣象局地面氣候自動觀測系統正式啟用。https://www.cwa.gov.tw/Data/service/news/Upload/CH/NewsHot_20210114103901.pdf

 

喜歡這一期的文章嗎? 給作者一個讚!


好評推薦
知識小櫥窗
Q : 什麼是暴露-遲滯-反應效應模型 ( Exposure-Lag-Response effect models ) ?

暴露-遲滯-反應效應模型旨在評估健康影響如何隨時間累積並延遲顯現,而不僅僅是即時影響。當個體暴露於特定物質、環境因素或情境時,其健康效應可能不會立即出現,而是隨著時間推移而發展。該模型不僅可用於分析當下的暴露效應,還能捕捉先前一段時間的累積影響,使我們能夠更全面地理解暴露與健康風險之間的關係。

Q : 什麼是失能調整後生命年 (Disability-adjusted life years , DALYs) ?

失能調整生命年(Disability-adjusted life years , DALYs)是一個衡量健康狀況的指標,在於量化疾病、傷害或健康狀況對人類生活品質和壽命的影響。數字越大,代表該健康問題對人口的影響越大,可能需要更多的公共衛生資源改善健康問題。

Q : 什麼是非線性遞延分配模型(Distributed Lag Nonlinear Models, DLNM)及廣義估計方程式(Generalized Estimating Equations, GEE)?

非線性遞延分配模型(Distributed Lag Nonlinear Models, DLNM)是一種統計模型,用來評估時間延遲(lag)與非線性關係(nonlinearity) 的影響,例如:某一天的高溫可能不會立即影響健康,而是在接下來幾天或幾週內才有健康影響。

廣義估計方程式(Generalized Estimating Equations, GEE)則是一種統計方法,用來分析重複的測量資料或族群資料,例如病人在不同時間點的健康狀況、同一家庭中多個成員的健康資料等。GEE 和 DLNM 可以結合使用,例如在分析空氣污染對健康的影響時,可以使用 DLNM 處理暴露的非線性遲延效應,並用 GEE 處理資料中多位病人的關聯性,獲得更準確的估計與推論。

TCCIP最新消息
【工具上架】AR6統計降尺度資料合併工具上架

為了方便使用者可以將TCCIP氣候變遷資料商店下載的不同區域AR6統計降尺度資料,無論是四大區、縣市或流域的日資料或月資料,合併為新的區域檔案,並保留原有格式與檔名結構,TCCIP以Python程式語言開發「AR6統計降尺度資料合併工具」,讓使用者可以將下載的資料化零為整。本工具同時提供python程式原始碼,支援不同 GWL/SSP 子目錄分類,並同時支援1km(即將推出)以及5km解析度資料,歡迎使用者前往資料應用工具下載使用。

【焦點訊息】「氣候搖滾同學會」 Podcast ep 41 上線囉!

隨著科學家多次呼籲氣候緊急狀態,氣候相關法律訴訟已在全球遍地開花。究竟法律能在推動氣候行動上扮演什麼樣的關鍵角色?台灣的氣候訴訟又是什麼樣態?「每一天特旺」小隊特別邀請負責台灣首場氣候訴訟的簡凱倫律師,從法律角度說明「氣候訴訟」的基礎及實務挑戰,帶大家一窺國際氣候訴訟趨勢、台灣現行法規,以及如何透過法律推動環境正義與強化政府作為。氣候搖滾同學會Podcast已上架至各大收聽平台,現在就點擊連結,上線收聽。

【TCCIP專訪】氣候倡議者 黃品涵:跨越世代的氣候調適工作,源自於「愛」的理由

2023年2月《氣候變遷因應法》正式施行,「氣候調適」工作入法,在臺灣這片土地開啟另一個篇章。
《他們的故事》系列報導了在這片土地上為氣候調適努力的人物,藉由他們的故事帶您了解調適工作怎麼在臺灣發芽、生根與成長。
究竟什麼是「調適」?還在坐月子的氣候倡議者黃品涵,不管如何都要前往總統府開會?一起來看看她的生命故事吧! 點擊閱讀專訪文章

氣候變遷新聞
近期,以色列攜手德國推出共同研究,表示氣候變遷正顯著改變中東地區的風力資源結構。預計到2070年,中東沿海地區的地表風速雖增加最多達0.7公尺/秒,有助於緩解極端高溫,但對風力發電至關重要的150公尺高空風速,卻可能減少高達1公尺/秒,導致每六小時的風力能源產出損失達7千兆焦耳(約1,945度電),......
< 詳細閱讀 >
我要訂閱電子報
回上頁
2025 © All Rights Reserved.   Powered by NCHC  

關於氣候變遷整合服務平台

「臺灣氣候變遷推估資訊與調適知識平台計畫」(TCCIP) 在國科會的支持下,以提供臺灣氣候變遷科學與技術研究服務為宗旨。團隊成員秉持初衷,不斷精進氣候變遷推估技術與能力、發展氣候變遷風險評估與調適工具、深入淺出轉譯氣候變遷科學數據、強化科學研究與實務應用的連結、加強與服務對象的溝通,提供符合公部門、學研單位、企業及社群機構氣候變遷資料、資訊、知識、工具一站式服務。

您是第 9,447,362 位訪客   網站導覽