封面故事

編按: 網格化觀測資料能提供一組長時間且沒有資料缺漏的觀測資料，並經由測站資料網格化（以數學的統計方法進行資料的空間內插，將單點的測站資料延伸為完整的面狀資料），得到最高1公里解析度的完整空間分布資料。TCCIP計畫已於2000年開始提供網格化日資料 (溫度和雨量)，在資料商店供相關單位應用，例如需要山區氣候資料來評估氣候變遷對森林與生物影響的研究。本文介紹於去 (2025) 年開始提供進階申請服務的網格化觀測時雨量資料，提供資料產製說明與應用性分析。

 

臺灣「網格化觀測時雨量資料」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 副教授 國立臺灣師範大學地理學系
 

前言

為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經衝擊，國科會推動「臺灣氣候變遷推估資訊與調適知識平台計畫（Taiwan Climate Change Projection Information and Adaptation Knowledge Platform, TCCIP）」的任務之一為整合各相關單位的測站資料（氣象署、水利署…等），將測站點的資料面化為網格資料，建立臺灣的氣候變遷資料庫。建置長期且高時空解析度（0.01度與0.05度空間解析度，約為1公里與5公里網格）的網格化觀測時雨量資料，除了可提供短延時強降雨長期變化趨勢，強化診斷天候事件之時空演化的能力、亦可應用於區域氣候模式（Regional Climate Model, RCM）調校模式偏差（Déqué et al., 2007）^[1]、訓練統計降尺度模型（Wood et al., 2004）^[2]和AI（Artificial Intelligence）模型的訓練以及量化災害的衝擊評估。時雨量資料可探討短延時強降雨事件與變化趨勢分析（龔等人, 2012^[3]、吳等人, 2016^[4]），並廣泛應用於水文災害、公共衛生、植物生態與農業等領域，提供科學依據以支援政策制定與調適策略。

資料來源

在TCCIP計畫窗口國家災害防救科技中心（NCDR）的協調下，本計畫蒐集了包括交通部中央氣象署的人工與自動測站、交通部民用航空局、經濟部水利署、環境部以及農業部農業試驗所管理的農業測站和臺灣電力公司等單位的雨量資料，共計約一千三百站的時雨量測站資料，作為建置時雨量網格化觀測資料庫之基礎。

圖1是建置網格化觀測資料庫所使用到的雨量測站空間分布。由圖可知山區測站的密度相較於平地較為稀疏，可能導致網格化產品在山區的不確定性較大，這一點在使用網格化資料時需特別留意。

 

圖1、產製網格化觀測時雨量資料庫（1998~2022年），歷年來所使用的測站在臺灣地形圖上的空間分布。紅色點：交通部氣象署人工站和民航局測站；藍色點：氣象署自動站；綠色點：經濟部水利署測站；黃色點：環境部測站；紫色點：農業部農業試驗所和臺灣電力公司轄下測站，灰階色階為地形高度（單位：公尺）。

資料產製方法

本研究參考Glasbey and Nevison(1997) ^[3]的方法，利用隱藏式高斯分配（Latent Gaussian variable, LGV），對測站不同月份的時雨量資料進行標準化與參數化處理，將包括無雨資料在內的雨量資料視為隱藏式高斯變數（LGV），發展適合臺灣不同月份降雨特性的參數化經驗模型，並將測站降雨觀測資料轉為常態分佈（Normal distribution）。隨後，利用已發展的測站資料補遺方法（Simolo et al., 2010 ^[5]、翁和楊, 2012 ^[6]、翁和楊, 2018 ^[7]），補足缺漏的測站資料，以建構具完整時間序列且維持常態分配統計特性之降雨資料庫。

透過Natural Neighbor Interpolation空間內插（Watson, 1994）^[8]等數學方法，將位置分佈不均勻的各測站點資料內插到空間解析度0.01度的網格點上，再利用先前以隱藏式高斯分配轉換所得到之各月份統計模型參數，反推實際降雨量，建立網格化觀測時雨量資料庫（1998~2022年）。對詳細的網格化方法與流程有興趣的讀者可參考翁與楊（2018）^[7]，文章中第2.2節、2.3節之內容。

分析與討論

1、網格化觀測時雨量資料庫的氣候平均值

根據陳（2008）^[10]研究，將全年分為春季（2~4月）、梅雨季（5~6月）、夏季（7~9月）、秋季（10~11月）和冬季（12、1月），共五個自然季節，並據此計算各季節及各時段的網格資料氣候平均值（圖2），提供臺灣地區的降雨隨季節的變化和各季節降雨的日變化等降雨特徵資訊。結果顯示，各季節降雨特性有明顯區域差異，春季降雨集中於臺灣西北部及雪山山脈區域；梅雨季和夏季的主要降雨區在臺灣山區，受到西南季風帶來的水汽、地形抬升作用及熱力作用影響，臺灣西南部山區有明顯的雨量分布，而時雨量資料可更顯現出夏季午後熱對流的降雨型態（13~18時）；秋季降雨則以臺灣東半部為主；冬季則受東北季風影響，降雨集中於臺灣東北部地區。

2、網格化觀測時雨量資料庫的不確定性分析

為評估所建立之參數化統計模型的適切性，以及測站資料補遺與空間內插過程中可能產生之不確定性，本文針對三項潛在誤差來源進行分析：（1）最佳化統計模型的不確定性、（2）測站資料補遺的不確定性、（3）測站資料網格化時的不確定性。

在最佳化統計模型的不確定性中，測站雨量資料經隱藏式高斯變數轉換後，利用所得最佳化統計模型參數反算各測站之降雨估計值與實際觀測值間的樣本誤差。結果顯示各測站點的均方根誤差（Root Mean Squared Error, RMSE）在各月份的誤差量大都小於1mm/hr，代表所建立之最佳化統計模型參數可適用於臺灣地區多變且複雜的降雨特性。

 

圖2、網格化觀測時雨量資料（0.01度解析度）在1998~2022年期間，不同季節（由左至右為春季FMA、梅雨季MJ、夏季JAS、秋季ON、冬季DJ）、不同時段（由上至下為1~6時、7~12時、13~18時、19~24時）的氣候平均值（包含無雨的小時資料一併計算）。
（單位：mm/hr）

在進行測站資料網格化之前，將先針對測站觀測資料中的缺漏部分進行資料補遺處理，以提升後續網格化結果的完整性與可靠性。圖3為測站資料補遺的不確定性評估。當目標測站出現缺值時，將利用鄰近參考測站之觀測資料進行補遺，並計算這些參考測站間的樣本標準差（Standard Deviation, SD）作為不確定性的參考指標。分析結果指出標準差大小與測站密度高度負相關，即測站密度愈高，數值越小。測站密集度高的西部平原在各月份的標準差大都在3mm/hr以下，且呈現降雨量較多的4~10月的資料不確定性會大於11~3月。到了測站密集度低的偏遠山區則標準差明顯變大，尤其是當地發生季節性降雨的時候，例如臺灣南部山區在7、8月時，部分測站點的標準差平均值可超過5mm/hr。

 

圖3、測站進行資料補遺時，附近參考測站可用觀測資料間的樣本標準差（SD）大於零的樣本，在各月份的資料平均值。（單位：mm/hr）

圖4為測站資料網格化過程的不確定性評估，研究採用Leave-one-out交叉驗證實驗，將特定測站與特定時間點的資料視為缺值，透過周圍參考測站之可用觀測資料進行雨量估計。以此類推至其他時間點與其他測站，最後得到一組各測站的降雨估計值與觀測值進行均方根誤差（RMSE）計算，並將誤差結果內插至網格點上。結果顯示誤差量的空間分布與圖3類似，也顯示誤差量和原始測站豐富度負相關，山區資料的不確定性高於平地，最大的誤差量可超過5mm/hr。此外，還發現氣候平均降雨量越大的地區也傾向出現較高誤差，例如臺灣的西部平原地區；夏季的臺灣南部山區；冬季的臺灣東北部地區，皆呈現降雨量與誤差量正相關。

綜合不確定性分析結果，網格化觀測時雨量資料庫的不確定性受測站密度影響，兩者呈負相關關係。此外，降雨量與資料不確定性之間亦存在正相關，即降雨量較大的地區，其資料不確定性也相對較高。更顯示擁有高密度測站點與高品質的資料源，才是發展統計技術與高時空解析度網格資料的根本。

3、颱風個案的時雨量空間分布

以2015年蘇迪勒颱風為例（圖5），該颱風於8月8日4時左右自花蓮縣秀林鄉登陸，並於同日11時自雲林縣臺西鄉出海，颱風路徑貫穿臺灣本島。雨量空間分布顯示，1至6時的主要降雨區位於迎風面的臺灣東北部地區；至下午13至18時，主要降雨區則隨颱風路徑移轉至臺灣西南部。此降雨區域隨時間之轉變，為一般日雨量資料所不易揭示，顯示網格化觀測時雨量資料在解析颱風降雨時空變化上的重要性與應用價值。

4、強降雨個案的時雨量歷線圖分析

除了網格資料的不確定性分析外，也分析特定降雨事件中，測站資料與相對應鄰近網格點資料的時雨量歷線圖（圖6）。雖然測站與網格資料在空間尺度與特性上不同，因此仍存在一定差異，但在不同的強降雨案例裡，網格資料相較於測站觀測資料的雨量多呈現低估情形，但兩者的差異並不明顯。使用網格資料可進行更多的加值分析與應用，例如時雨量歷線可進一步分析特定區域之相關水文因子，以及推求不同降雨延時之雨量歷線資料。

目前網格化觀測時雨量資料庫涵蓋1998至2022年，並提供0.01度與0.05度兩種空間解析度版本，有興趣的讀者可透過進階資料申請，與TCCIP團隊討論資料應用方式後取得資料。未來將根據使用者的回饋，持續優化與改進資料庫產品的品質。

 

圖4、經Leave-one-out交叉驗證實驗得到各月份的測站降雨估計值與觀測值間的均方根誤差（RMSE），內插至空間解析度0.01度網格點上的空間分布。（單位：mm/hr）

 

圖5、2015年8月8日，蘇迪勒颱風在不同時段（由左至右為1~6時、7~12時、13~18時、19~24時）的6小時累積雨量空間分布。（單位:mm/6hr）

 

圖6、不同降雨事件日的案例中，24小時內（X軸），特定測站點〔黑線〕與TCCIP網格資料中相對應鄰近網格點〔藍線〕之時雨量（左邊Y軸，單位：mm/hr）和小時累積雨量（右邊Y軸，單位：mm）的曲線圖。（a）莫拉克颱風2009年8月8日的屏東尾寮山測站（站碼：C0R100，高度：1006公尺）；（b）梅姬颱風2016年9月27日的宜蘭太平山測站（站碼：C0U710，高度：1942公尺）；（c）2012年6月10日超大豪雨事件的屏東山地門測站（站碼：C1R120，高度：820公尺）；（d）2015年6月14日午後豪雨事件的臺北公館測站（站碼：C1A730，高度：22公尺）。

 

延伸閱讀

TCCIP 電子報第37期：臺灣日降雨網格化觀測資料之建置與驗證
TCCIP 電子報第55期：臺灣網格化觀測日溫度資料之驗證與分析
TCCIP 電子報第58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

[1] 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. https://doi.org/10.1007/s10584-006-9228-x
[2] 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. https://doi.org/10.1023/B:CLIM.0000013685.99609.9e
[3] 龔楚媖、于宜強、李宗融、王安翔，2012: 臺灣地區短延時致災降雨研究，2012年海峽兩岸災害性天氣分析與預報研討會。
[4] 吳宜昭、龔楚媖、王安翔、于宜強，2016: 臺灣地區短延時強降雨事件氣候特性分析，國家災害防救科技中心災害防救電子報，第132期。
[5] Glasbey CA, Nevison IM, 1997: Rainfall modeling using a latent Gaussian variable., In T. G. Gregoire et al., Eds, Modelling longitudinal and spatially correlated data: Method, Applications, and FutureDirections., No. 122 in Lecture Notes in Statistics, 232-242. Springer, New York.
[6] 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. https://doi.org/10.1002/joc.1992
[7] 翁叔平、楊承道，2012: 臺灣地區月降雨及溫度1公里網格資料庫之建立(1960-2009)及其在近未來(2015-2039)的氣候推估應用，大氣科學，第40期，349-370。
[8] 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。
[9] Watson D, 1994: Nngridr: An implementation of natural neighbor interpolation., Dave Watson Publiser, Claremont, Australia, 170pp.
[10] 陳昭銘，2008:臺灣之自然季節，水利土木科技資訊季刊，第42期。

 

喜歡這一期的文章嗎? 給作者一個讚！