暴雨迷宮：在氣候大數據中標記極端事件的探險之旅

林修立 專案佐理研究員 國家災害防救科技中心
陳正達 教授 國立臺灣師範大學地球科學學系

在大數據迷宮中搜尋暴雨蹤跡

隨著全球氣候變遷加劇，極端天氣事件的頻率與強度正持續攀升，對社會安全構成嚴峻挑戰。《2024 臺灣氣候變遷分析系列報告》針對極端高溫與衝擊進行深入分析^[1]，顯示臺灣在暖化趨勢下，極端高溫日數已呈現顯著增加。然而，除了高溫帶來的熱壓力，另一項同樣不容忽視的風險是「極端降雨事件」，牽涉複雜的時空演變。

過去在評估極端降雨事件，IPCC 評估報告常採用氣候變遷偵測與指標專家小組（ETCCDI）所定義的指標^[2]。例如單日最大降雨量（Rx1day），定義為降雨最高的那一天的日降雨量；或是強降雨日數（R200mm），計算日雨量超過 200 毫米的天數。這類指標概念清楚、計算便利，且易於跨區域比較，因此被廣泛應用。但是傳統指標多半著重在單一地點的強度或頻率，較難呈現一場暴雨系統「在哪裡發生、持續多久、影響多大範圍」等事件層級的特徵。為了補足這些資訊，近年研究發展出「事件型分析方法（Event-based Analysis）」^[3]：透過設定降雨門檻，將在空間與時間上相互連通的強降雨格點串連成一場完整事件，進而更貼近災害發生時的真實樣貌。

本研究採用日本產製的 d4PDF（database for Policy Decision-making for Future Climate）全球高解析度降雨模擬資料^[4]，涵蓋過去與未來（1951–2111）的長時序降雨資料，並引入兩種經典搜尋演算法——廣度優先搜尋（Breadth-First Search, BFS）與深度優先搜尋（Depth-First Search, DFS）^[5]——用來更有效率地辨識並標記每一場極端降雨事件的範圍與持續時間。我們比較「過去氣候（1951–2011）」與「未來情境（2051–2111）」的長期統計變化。所謂 4°C 升溫情境，是 d4PDF 用於評估高風險未來的一種設定：在高排放路徑下，全球平均氣溫相對工業革命前顯著上升，用來檢視極端事件可能出現的上限衝擊^[6]。

初步結果顯示，在未來升溫情境下，全球極端降雨事件的發生次數、持續時間與影響範圍皆呈現增加趨勢。本研究希望透過適合處理大數據的搜尋技術，提升氣候大數據解析能力，為後續防災風險評估提供更具體的科學依據。為了便於理解，本文後續將以「探險未知大陸、走進一座座暴雨迷宮」作為比喻，協助說明事件如何被搜尋與定義。

搜尋策略：BFS 與 DFS 的演算法機制

廣度優先搜尋（Breadth-First Search, BFS）與深度優先搜尋（Depth-First Search, DFS）是計算機科學中常見的兩種搜尋演算法。為了便於理解，我們可以把它們想像成在這片大數據大陸上，兩種「走進迷宮、把寶藏找齊」的探索風格：一種比較穩健、一步步擴展；另一種則先沿著一條路徑一路深入。兩者目標相同，都是從起點出發，把所有「符合條件、彼此相連」的格點找出來，實現「地圖全開」的目標。

在本研究中，每一個格點代表某一天、某個地點的降雨量。若某格點雨量超過門檻（例如 >100 毫米），就視為可納入搜尋的起始格點；若相鄰格點在空間或時間上也同樣達標，演算法便會把它們串連起來，視為同一場極端降雨事件的一部分。雖然目標一致，但 BFS 與 DFS 串連格點的方式大不相同（以 2011 年 10 月真實降雨事件為例，搜尋過程如圖 1 動畫所示）^[7]。

BFS：層層推進，像水波般擴散

廣度優先搜尋（BFS）採取「由近而遠」的策略：從起始格點出發，先把周圍相鄰的格點都檢查一遍，再逐層往外擴張。這就像是一支組織嚴密的探險隊，每發現一個路口就派隊員站崗待命，確保這層樓（空間與時間）都搜完才往下一處推進。因此它的搜尋樣貌常呈現一圈一圈向外推進，就像水波均勻擴散（請參見圖 1 上半部）。

BFS 使用佇列（Queue）來實作，採「先進先出（FIFO，First-In, First-Out）」的排隊方式。就像便利商店排隊結帳，先被發現的格點會先進行搜尋。這種機制讓搜尋步調很穩定：一圈處理完，才往下一圈推進。雖然它需要同時記住一整圈「排隊等待檢查」的格點，但在三維網格事件搜尋中，這類記憶體需求通常隨事件表面積（即同一時間處於事件最外層、尚未檢查的相鄰格點數量）增長，較可預期且穩定。

DFS：一路深入，遇阻才折返

相對地，深度優先搜尋（DFS）的策略是「一條路走到底」：從起始格點出發，先選定一個方向一路追下去，直到遇到走不通（雨量未達門檻）或已查過的格點才回頭，再換另一個分岔方向繼續（請參見圖 1 下半部）。這就像孤身深入的探險者抓住一條線索先衝到盡頭，確認沒有路了才折返換路。

DFS 使用堆疊（Stack）來實作，採「後進先出（LIFO，Last-In, First-Out）」的疊盤子方式：最後放上去的盤子（最新發現的格點）會最先被拿下來處理。DFS 雖然在搜尋單一路徑時只需記住目前這條線，但在處理如 3D 降雨事件這類大面積連結的區域時，它為了把整個區塊找完，往往會被迫疊起極高的「盤子」。讓搜尋順序看起來像「貪吃蛇」一樣一直往前延伸。

透過圖 1 的動態比較可以看出，BFS 擅長由近而遠、穩定掃描；DFS 則擅長先深入、再回頭補齊。兩者最終都能找出相同的事件範圍，差別主要在搜尋順序與電腦資源消耗的型態不同。

圖1、BFS 與 DFS 搜尋演算法之動態路徑示意圖。演示演算法如何在 2011/10/27 至 10/29 的日雨量場中搜尋連通區塊。每個網格代表一格點；起始格點（雨量 > 100毫米）代表具備搜尋資格的潛在暴雨區；綠色網格：當前正在搜尋的中心格點。帶數字黑框網格：下一步待搜尋的候選網格（數字代表搜尋順序）；藍色框框網格：雨量未達門檻（< 100毫米），放棄搜尋；黑色實心網格：已搜尋完畢之格點。上半部（BFS）：數字順序呈現「同心圓」擴張，優先填滿鄰近區域（佇列機制），如水波擴散。下半部（DFS）：數字順序呈現「單一路徑」深入，走到底才折返（堆疊機制），如貪吃蛇一路深入再回頭。

從迷宮到大氣：三維空間中的「寶藏地圖」

當我們將前一節介紹的演算法應用於 d4PDF 資料時，我們可以把 d4PDF 龐大的全球降雨資料想像成一片未知的大陸：地球表面被切成密密麻麻的格點。但在氣象分析中，這不只是一張平面地圖，時間也被納入第三個維度，就像一層層往上堆疊的樓層，讓資料形成「經度×緯度×時間」的立體結構。當我們設定一個降雨門檻後，這片大陸上便會浮現出一座座「暴雨迷宮」，也就是在時空上連成一片的強降雨區域。

雖然直覺上我們會想找「雨量最大的單點」，但單一格點下大雨並不一定會釀成災害。雨水會流動，城市排水系統與滯洪設施能吸納短暫積水；真正危險的情況往往是空間上很大一片區域同時在下雨，或是長時間連續多日不停降雨，導致排水系統逐漸飽和、土壤含水量逼近極限，這時才更容易出現大規模淹水或土石流。因此，我們需要用「事件」的角度，把暴雨在時空上的範圍與持續特性一起辨識出來。

在研究中，要精確辨識出這些事件，我們設計了兩道篩選關卡：

第一關：雨量門檻值（決定哪些格點算走得通）

門檻可依分析需求選擇，以鎖定不同型態的暴雨。例如，若把門檻設為日雨量 > 100 毫米，較能抓到像瞬間累積、範圍集中的「短時強降雨」（如強烈颱風）；若把門檻放寬到日雨量 > 50 毫米，除了原本的強降雨事件外，也會偵測到「連日累積」型的長時降雨事件（如滯留鋒面梅雨）。

在暴雨迷宮中，每個格點都像一個十字路口，旁邊還有往上與往下的樓梯：十字路口朝著東西南北代表空間中的方向，上下樓梯代表前一天或後一天的時間樓層，因此共有 6 個方向可以延伸。當相鄰格點也達到門檻，就代表道路相通、可以繼續前進；若未達標則此路不通，探索會在此中斷。

第二關：事件規模（決定是否值得開箱分析）

為了不漏掉事件的任何一部分，一旦進入迷宮，就必須發揮「地圖全開」的精神，把所有在時空上連通的路徑都走遍，畫出完整地圖。但並不是每一座迷宮都值得納入研究，因此我們再加上一個「開寶箱規則」：把每一個達標格點想像成一把鑰匙，探險者在走遍迷宮後結算背包。當同一座迷宮中鑰匙總數超過 64 把（代表事件在時空網格中具有一定的規模），我們才將其定義為一場具有分析價值的「極端降雨事件」；若不足 64 把，則視為規模較小，先不列入本研究的事件清單。

以 d4PDF 氣候資料庫為例，1951–2011 年超過 60 年的逐日資料，解析度約 60 公里，相當於把地球表面切成 640 × 320 個格點。每天約有 20 多萬筆資料；60 年累積下來，總量約為 640 × 320 × 21,900 約45 億筆。在這樣的規模下，要把每一座暴雨迷宮都「走遍、畫出完整地圖」，並把符合條件的事件一個不漏地挑出來，就需要 BFS 與 DFS 這類搜尋演算法來協助我們有效完成。

效能對決：誰的探險效率更高？

雖然 BFS 與 DFS 最終都能將每個強降雨事件完整捕捉，但在面對 d4PDF 高達約 45 億筆資料的數位大陸時，誰能以更穩定的方式管理電腦資源，就成了任務能否順利完成的關鍵。搜尋任務必須長時間、反覆執行，若在過程中出現瞬間負荷過大，就可能拖慢整體運算，甚至造成錯誤中斷。

要把這件事講得更直觀，可以把事件搜尋想像成一群探險隊員走進迷宮：在這座暴雨迷宮裡，只有雨量達到門檻的格點才算「有路可走」，未達門檻就像牆壁一樣此路不通。多數時候，我們沿著一條路往前走，走到盡頭再回頭即可；真正需要額外後勤的，是遇到「分岔」的時刻——也就是同一個格點周圍的 6 個方向中，同時出現不只一條可走的路。此時為了避免漏掉其他尚未走的岔路，探險隊就必須先派隊員站在分岔點待命，等輪到他時再去補走剩下的路。對電腦而言，這些待命位置就代表需要暫存的資訊；同一時間待命隊員越多，就表示記憶體壓力越大（圖2）。

圖2、事件搜尋就像是一群探險隊員走進迷宮，BFS與DFS有不同的搜尋策略。

BFS：先到先查，隊伍像水波均勻推進

BFS 的規則可以概括為「先到先查」，探險隊會優先處理最早發現的分岔點，使得隊伍推進方式呈現出一圈一圈往外擴張的水波樣貌。隊員們會先把身邊這一圈的分岔與可走路徑依序確認完成，才集體往下一圈前進；因此，同一時間需要待命的人手通常集中在事件的最外緣。這樣的好處是，待命隊員的數量雖然會隨著迷宮邊界起伏，但變化通常比較平順且可預期；對於處理全球尺度、長時序的巨量資料而言，這種穩定的後勤節奏本身就是一種重要的可靠性。

DFS：後到先查，待命人數可能突然暴增

相較之下，DFS 採取的「後到先查」規則，則讓探險隊更容易沿著某條路徑一路深入到底。當我們一直往深處鑽，沿途遇到的分岔並不會消失——只是被「先放著」。於是我們會在一個又一個分岔點留下待命隊員，等到走到盡頭才回頭逐一補走。若事件路徑很深、分岔又密集，待命點就可能在短時間內快速累積；對電腦而言，就是需要暫存的分岔資訊暴增，造成瞬間資源負擔上升，甚至在某些程式實作下引發堆疊過深而出錯（堆疊溢位，Stack Overflow）^[8]。

這種後勤差距在實際數據中非常顯著。以 2011 年 10 月某場降雨事件為例，BFS 同時待命的隊員峰值僅需 10 人，而 DFS 則需 33 人；兩者雖然畫出的迷宮地圖完全一致，但 DFS 在過程中必須同時顧及更多尚未處理的岔路。這種差異在降雨門檻高、事件較零星時或許不明顯，但當我們降低門檻，讓更多中小型降雨區塊連成大片迷宮時，DFS 待命人數暴增的情況就更容易出現。

如表 1 所示，我們比較四組日雨量門檻（T200、T100、T50、T25；例如 T100 代表日雨量超過 100 毫米）下的事件統計結果與搜尋過程的資源壓力。以較嚴格的 T200 為例，共辨識到 329 個事件，單一事件最長可持續 12 天；此時 BFS 的待命峰值為 23，DFS 為 115。當門檻降低到 T50，事件數激增至 42,283 個，最長可持續 43 天；BFS 待命峰值增加到 189，但 DFS 已跳升到 1,984。在最寬鬆的 T25 情境下（138,424 個事件、最長 320 天），迷宮不僅數量大幅增加、結構也更複雜：BFS 的待命峰值為 848，DFS 則暴增到 18,164。

整體來看，門檻越低、事件越多且更容易連成大片時，BFS 的待命峰值雖然上升但增幅相對溫和；相對地，DFS 的待命峰值成長更快，在 T25 時甚至達到 BFS 的 20 倍以上。這證明在全球尺度、長時序的巨量資料探索上，BFS 能以較穩定且可預期的資源需求完成任務，更適合作為本研究的大規模事件搜尋主力。

表 1、BFS 與 DFS 在不同降雨門檻下之搜尋效能與記憶體消耗比較
（註：T 代表降雨門檻值（Threshold），例如 T100 為日降雨量 > 100毫米。)

結語：更新暴雨地圖，掌握下一場探險的先機

前面介紹我們談的是「怎麼找」：用事件型分析把零散的降雨格點串成一座座暴雨迷宮，再用 BFS 演算法把迷宮完整走遍、畫出寶藏地圖。而這趟數位探險最終要回答的是「找到了什麼」：當我們用同一套規則，從現在看向未來，全球強降雨事件會發生什麼轉變？

本研究利用 d4PDF 全球氣候模擬資料（空間解析度約 60 公里），針對兩組不同強度的降雨事件進行對比分析：極端強降雨（T100）定義為日降雨量 ≥ 100 毫米，代表具致災性的豪雨等級；中等強降雨（T50）定義為日降雨量 ≥ 50 豪米，代表大雨等級。

結果顯示，隨著暖化加劇，全球的暴雨迷宮數量明顯增加，而且越極端的事件，增幅越劇烈。以T100（豪雨等級）為例，過去 60 年全球偵測到 4,758 場事件；但在未來情境下，事件總數增加至 13,424 場，約為過去的 3 倍。這意味著原本罕見且高風險的極端暴雨，在未來更可能成為常態化的威脅。另一方面，T50（大雨等級）事件也同樣增加：事件數由過去的 26,476 場增至未來的 42,283 場；單一事件的最長持續時間亦由 41 天延長至 43 天，顯示降雨不只變得更頻繁，也更容易出現「拖得更久」的長時間降雨型態。

從空間分布來看，未來的暴雨事件在熱帶洋面、南亞與東亞地區（包含臺灣周邊）的聚集程度顯著提升。更關鍵的是，許多事件在未來情境下呈現出更大的規模，代表連通的格點更多、影響範圍更廣，也就是暴雨更容易「連成一大片、拖得更久」。這類「範圍廣、持續久」的複合型衝擊，將對現有的都市排水設計、農業管理與災害應變機制提出更嚴峻的考驗。

總結而言，事件型分析讓我們能用同一把尺，看清暴雨迷宮在數量、規模與位置上的演變。這場數位探險的目的不只是為了跑完資料，而是要將抽象的氣候數據，轉化為具備時空輪廓的「事件地圖」。當我們能更詳盡地掌握未來每一場暴雨的形狀與路徑，就更有機會在災害發生之前，提早盤點高風險區域、調整應對策略與強化基礎設施，讓準備速度跟上暴雨迷宮擴張的速度。

圖3、氣候變遷下強降雨事件變化趨勢圖（T100 為日降雨量 > 100毫米 與 T50 為日降雨量 > 50毫米 門檻對比），藍色圓圈代表過去（1951–2011）事件，紅色圓圈代表未來（2051–2111）情境，全年逐日資料的事件搜尋結果。圓圈大小對應事件的空間規模（網格連通數），位置為事件中心。圖中清晰可見未來（紅色）事件在熱帶洋面與亞洲季風區顯著增加且規模擴大。

延伸閱讀

• TCCIP 電子報第064期：從氣候變遷趨勢到淹水模擬大數據之應用—淹水致災雨量分析
• TCCIP 電子報第051期：從HiRAM模式降尺度推估結果看臺灣梅雨季之溫度與雨量變遷趨勢
• 《2025臺灣氣候變遷分析系列報告：暖化趨勢下的臺灣劇烈降雨與衝擊》

2025年TCCIP平台資料服務統計-回應多元需求之氣候科學服務進展

陳又瑄 專案佐理研究員 國家災害防救科技中心

國科會「臺灣氣候變遷推估資訊與調適知識平台」（簡稱TCCIP）長期提供氣候變遷的資料與知識服務，結合資料、知識、工具與轉譯溝通，為國內提供一站式的氣候變遷資料服務。本文將回顧TCCIP平台2025年度服務情況，包含平台整體的服務指標、資料與工具的上架與服務，以及2025年針對1公里統計降尺度資料釋出所面臨的挑戰與解方，透過回顧年度資料服務，協助評估服務情況、精進未來的服務。

教學需求推升平台服務新紀錄

2025年資料服務延續長期以來的成長趨勢，年服務量達1,440件，創單一年度服務量新高，2012至2025年累積服務量達6,288件（圖1）。資料服務量成長的同時，2025年首頁瀏覽量和註冊會員量亦創新紀錄，2025年首頁瀏覽量達573萬人次，累積瀏覽人次更在2025年9月突破1千萬人次，網站平台各項服務指標在2025年皆有所成長，其中註冊會員與瀏覽人次大幅成長的月份，與教學應用高峰期和開學時程相對應，初步推論網站瀏覽量的快速成長部分受學術教育需求驅動。

圖1、累積資料服務概況

調適百寶箱ARK 3.0上線：一站式掌握氣候風險、圖臺工具與調適資源

林士堯 專案佐理研究員  國家災害防救科技中心
李欣輯 氣候變遷組副組長 國家災害防救科技中心
劉星妤 專案助理研究員 國家災害防救科技中心
曾宏偉 專案助理研究員  國家災害防救科技中心
陳又瑄 專案佐理研究員 國家災害防救科技中心

從氣候資料到調適行動：平台為何持續進化？

國科會「臺灣氣候變遷推估資訊與調適知識平台 」 ( 簡稱TCCIP）執行至今，已在國內累積多年的發展基礎，逐步成為臺灣氣候變遷資訊的重要來源。透過長期蒐整與產製氣候觀測資料、模式推估成果以及各領域風險評估資訊，平台不僅支援學術研究，也讓政府、產業與社會各界能更深入理解氣候變遷的可能影響。這些資料的持續累積，使臺灣在氣候變遷相關研究上有更扎實的科學基礎，同時也促進產業對氣候風險的重視，協助地方政府在制定調適政策時能有更具體的依據，並逐步提升社會大眾對氣候議題的認識。

為了讓氣候調適知識更容易被查找與應用，TCCIP自2020年11月推出第一版「調適百寶箱（Adaptation Resources Kit, ARK）」。ARK 1.0以寫實風格設計呈現 TCCIP 七大研究領域，並以各領域圖示作為功能入口，提供農業、水資源、淹水、坡地、海岸、漁業與公衛等領域圖資，以及調適示範與調適知識等內容。此版本奠定了調適百寶箱作為氣候調適資源入口的基礎，讓使用者能依主題瀏覽圖資、案例與知識內容。

到了2022年2月，ARK 2.0進一步改版及內容擴充，網站視覺風格開始與 TCCIP 主站整合，並直接呈現重要功能，包括危害與衝擊圖資、調適示範與調適知識等。相較於第一版，第二版強化了操作便利性，例如以列表方式切換功能、將各調適示範頁面整合到左側導覽，並在調適知識中加入關鍵字查詢、地圖模式與延伸閱讀等功能，使案例搜尋與知識瀏覽更有效率，也讓使用者更容易從大量資料中找到所需資訊。

然而，當氣候變遷議題逐漸從科學研究走向實際應用，平台的角色也需要隨之轉變。除了提供資料與研究成果之外，更重要的是讓「調適」的概念能夠被不同族群理解並實際應用。換句話說，平台不僅要能支援專業研究，也需要讓地方治理者、產業使用者與一般民眾都能從中找到與自身相關的資訊與工具。

因此，平台於2025年12月正式推出新版 ARK 3.0，此次改版進一步強化使用者導向的設計思維，並參考國際相關平台經驗，透過更清楚的資訊架構、互動式圖臺以及跨系統資料整合，讓氣候資料不只是研究成果的展示，而是能夠被查詢、比較與應用的決策工具。藉由這樣的進化，平台希望讓氣候調適不再只是概念，而能逐步轉化為實際行動，讓氣候資訊真正融入政策制定、產業發展與日常生活之中。

參考文獻

文章一

[1] 臺灣氣候變遷推估資訊與調適知識平台 (2024)。《2024臺灣氣候變遷分析系列報告：暖化趨勢下的臺灣極端高溫與衝擊》。取自 https://tccip.ncdr.nat.gov.tw/km_publish_one.aspx?bid=20240714155450 (發佈日期：2024-07-14)。
[2] Zhang, X., et al. (2011). "Indices for monitoring changes in extremes based on daily temperature and precipitation data." Wiley Interdisciplinary Reviews: Climate Change, 2(6), 851-870.
[3] Matte, D., et al., 2022：Global assessment of precipitation events under climate change. Nature Communications, 13, Article 1161. https://doi.org/10.1038/s41467-022-28861-4.
繼續閱讀收闔文章

喜歡這一期的文章嗎? 給作者一個讚！