由於氣候變遷衝擊評估需透過全球氣候模式所提供的未來推估資料進行評估，然而全球氣候模式空間解析度平均大約為250公里(經緯度2.5。左右)，應用上難以提供臺灣小尺度的評估與應用，因此必須透過降尺度方法將全球氣候模式資料空間降尺度至較高解析度之資料，如5km x 5km (經緯度0.05。左右) 的解析度。

透過數學方法快速的將大尺度資料提高解析度的方法稱為統計降尺度，統計降尺度資料能夠提供多氣候模式的完整推估資料，但因為並沒有重新使用高解析度的地形資料進行模擬計算，因此無法呈顯細緻的地形與大氣交互作用，也較難呈現極端事件，詳細的說明請參見 資料介紹 / 統計降尺度資料。

統計降尺度資料先將全球模式的資料進行空間內插後，透過比較網格化觀測資料與模式的歷史模擬資料，建立基於統計關係的校正方式，將全球模式資料轉化為0.05°解析度的資料。

詳細的產製方式請見資料生產履歷：AR6統計降尺度溫度資料生產履歷、 AR6統計降尺度雨量資料生產履歷

目前統計降尺度資料提供最高溫、最低溫、均溫以及降雨量等4個參數的資料，原因在於這4個參數有足夠的測站觀測資料建置網格化觀測資料，才能夠產製統計降尺度日資料。

其他測站資料相對不足的參數如輻射量、濕度…等，需能夠產製網格化觀測資料之後，才能進一步產製統計降尺度日資料提供服務。

建議可使用可能性範圍來呈現評估結果的不確定性，例如於AR6版的氣候變遷關鍵指標圖集中採用"比較可能(25% 到 75%百分位數)"的方式呈現，於縣市氣候變遷概述中則採用"可能(17% 到 83%百分位數)"的方式呈現。

AR6氣候變遷關鍵指標採用的"比較可能(25% 到 75%百分位數)"是以統計學中盒鬚圖 (Box Plot) 的第一與第三個四分位數，又稱四分位距 (InterQuartile Range, IQR)，來衡量資料的離散程度，反映一組資料中間50%的數據分布情況，是統計分析中常用的工具。

縣市氣候變遷概述使用的"可能(17% 到 83%百分位數)"則是聯合國政府間氣候變化專門委員會 (Intergovernmental Panel on Climate Change, IPCC) 在氣候變遷研究處理不確定性時，常使用的範圍。相較於四分位距，這個範圍更寬，能涵蓋複雜氣候系統可能發生的更多情況，減少因過於集中而忽略的極端事件風險。
兩種表達不確定的方式各有不同用途，選擇使用哪個百分位數範圍，取決於研究問題、資料特徵以及對不確定性的容忍度。

 

• 提供更簡便的情境設定 (GWL)，以全球平均溫度相較工業革命前的升溫程度切分資料，以氣候臨界點的觀點進行氣候變遷評估。
• 精進降尺度方法 (QDM)使模式資料更接近現實世界的觀測資料。
• 接軌國際最新情境 (SSP-RCP)，使用IPCC AR6的SSP-RCP情境設定。
• 延長歷史模擬時期，AR5統計降尺度資料歷史時期為1960-2005，AR6延長為1960-2014。
• 模式更新，AR6統計降尺度資料共提供31組模式的資料，新版的模式對於地球系統的模擬更加細緻，更多考量氣膠、生物地球化學等地球系統交互作用的細節。

 

IPCC AR6中的SSP情境結合AR5的RCPs與社會經濟發展路徑SSPs，是綜合社會經濟發展與輻射強迫力的 (SSP-RCP) 推估情境。

有關SSP情境的詳細說明可參考 資料服務 / 未來推估 / AR6 / 資料說明 / 情境說明

 

現階段有提供SSP1-1.9 (淨零排放) 的全球模式資料，且可運用於進行高解析度「日」統計降尺度僅有9組，不確定性較高，使用者若有相關應用需求，可於進階資料申請。

IPCC AR6使用的WCRP CMIP6實驗計畫資料，來自於全球各大主要氣候中心應用其各自發展的全球模式，進行未來各種不同暖化情境模擬。依照多數科學家的判斷，目前全球暖化途徑將以SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情境最有可能，因此律定參與計畫的氣候模式以這四組為必要提供情境模擬資料，其它情境模擬的提供，則依各氣候中心的運算資源彈性調整 (各情境的模式數量可參考 AR6新資料說明會暨氣候變遷資料應用研討會 AR6新資料說明簡報 第7頁)，因此SSP1-1.9的模擬結果較少。

全球暖化程度 (GWL) 全名為Global Warming Level，以工業革命前 (1850-1900) 為基準評估全球年均溫上升的幅度。
以GWL 1.5℃為例，GWL 1.5℃為相較工業革命前全球均溫上升達1.5℃的情況。

• GWL 1.5℃可視作近未來高機率發生的情況，超過一半的SSP情境推估結果在2030年以前達到GWL 1.5℃。
• GWL 2℃可視作中度排放以上 (依目前全球的排放情形) 很有可能達到的情況，超過一半的SSP情境推估結果在2050年以前達到GWL 2℃。
• GWL 3℃與GWL 4℃可以視作減碳成效不彰下，世紀末的可能情況。

有關GWL的詳細討論可以進一步參考 TCCIP電子報047期 新暖化情境：全球增溫1.5℃與2℃情境設定

 

 

 

並不能直接比較，但升溫幅度相似。
TCCIP的GWL資料組是全球升溫達不同門檻時臺灣的情況，非以臺灣區域的溫度變化切分。GWL使用工業革命前 (1850-1900) 的溫度資料當作基準，但臺灣缺乏 1850-1910 這段時期的觀測資料。因此無法使用同樣時間的觀測資料當作臺灣的升溫幅度基準。
但未來推估結果則可以使用相同基期 (1995-2014) 進行比較，臺灣與全球均溫增溫幅度接近。

 

每個暖化程度涵蓋多個SSP情境與數量，TCCIP的AR6統計降尺度資料各GWL資料組所包含的模式數量如下表所示。

詳細產製介紹請參考本平台的AR6統計降尺度溫度及雨量資料生產履歷 (溫度 / 雨量)
 

 

 

請使用20年平均值進行後續計算與比較。
GWL資料組是全球升溫達不同門檻時的可能情況，因此使用該資料組時比較的基準不是年份，而是達門檻值時期的狀態。
請將單一模式不同SSP情境的資料視為獨立的系集進行計算，比較時使用每一個系集20年平均值，而非直接對應檔名上的年份。每個模式特性不同，需使用同一個模式的基期來計算變化量，之後再進一步比較不同模式的變化量。

 

不能。

未來推估是屬於氣候變遷的模擬，並不作預報，故在資料使用上僅能針對未來相對於現在(基期)的變化來應用。

推估資料使用了多種不同的情境進行模擬，和奠基於現實觀測資料的天氣預報不同，推估資料因為呈現的重點是發展趨勢，所以不會持續使用觀測資料進行修正，與觀測資料勢必有所差距，但能夠提供多種發展的可能性。

不能僅使用單年的資料，請使用至少20年統計值。
建議使用1995-2014作為20年基期進行後續計算。
以2030年為例，建議使用2021-2040的平均作為2030時段的氣候統計值。

 

1. 模擬的歷史資料與觀測資料並不相同

模式的歷史基期不同於測站觀測數據，是使用過去歷史相似的條件模擬的假想過去，且降尺度的過程使用網格化觀測資料進行校正，因此歷史基期主要呈現過去的變化趨勢，並不建議直接當成觀測數據使用，建議搭配同一個模式的未來推估資料評估未來的變化率。

2. 氣候與天氣討論的時間尺度不同

在資料使用上即使模式歷史模擬資料有各個年份標註，但是必須注意其與實際觀測資料並不相同，模式的設計是針對長期的氣候進行模擬，並不能以單日天氣的角度進行解釋，僅能就某段氣候時期(至少20年)的統計特性加以比較。

3. 時空解析度與訊噪比的關聯

模式資料降尺度的時空解析度增加時，往往會使變異量加大（也就是雜訊震幅增加），相對的氣候變遷的訊號就顯得不那麼強，或是在未來推估變動較小的氣候時段 (如：近未來2021-2040) 與情境(如：RCP2.6) 時，會出現訊噪比值較小 (即雜訊震幅接近或大於暖化趨勢)，在應用上必須了解其侷限。

4. 不建議直接使用絕對數值

統計降尺度資料有經過網格化觀測資料之偏差校正，可直接應用於各領域，但不建議當作測站資料使用。因網格化觀測資料是面平均資料，整體低估於測站資料，而統計降尺度資料又是據此進行降尺度，故網格資料相對於測站資料會低估，尤其是降雨量的部份。建議使用同樣模式的歷史資料與推估資料進行變化率的計算，並使用多個模式的變化率 (平均、眾數或使用盒鬚圖呈現) 來討論氣候變遷下的衝擊，若有使用絕對數值的需求，建議先使用模式歷史資料計算指標並與現行使用的指標進行比較，確認偏差的程度是否在研究的可接受範圍內。

氣候模式的模擬目標為模擬可能的氣候，月、季、年等相對大時間尺度的變化才是觀察的重點，日資料本身並沒有太大的氣候上的意義，也因此將每個月都設定為30日並不影響整體的模擬結果，但設定上會更加單純，使得有些模式設定上會一年只有360日。

 

在資源足夠的情況下建議使用所有模式，因多模式、多情境，其結果有利於提高氣候變遷衝擊評估之可信度，資料更精進且降低不確定性；若情況必須得進行挑選，則建議針對研究內容的預設情況先進行模式評估後再做決定；不建議僅使用單一模式或系集平均做為結果代表。

無法，計畫尚未進行對應測站的各種參數統計降尺度。

對應測站的統計降尺度資料，須重新使用全球氣候模式推估資料，並使用類似分位數映射法(Quantile mapping)方法進行偏差校正，處理的數據繁雜且量大，目前仍在審慎評估使用者需求的效益以決定是否進行對應測站的統計降尺度。

統計降尺度日資料產製目的為評估未來極端氣候的變化趨勢，可用於在面對全球暖化下，區域排水的防護設施設計，建議可應用多組模式的結果，提供以機率的方式呈現相關的訊息，但若為短延時的極端暴雨事件評估，建議使用動力降尺度小時降雨模擬。

TCCIP計畫目前提供的網格化氣候資料，依照不同區域劃分如縣市、流域或分區，使用者可以根據研究需求進行時間和空間上的資料處理；如本研究欲分析雲林縣旬總雨量的未來變遷推估，使用的是網格化觀測日資料和AR5統計降尺度日資料，先將範圍內所有網格每一年各旬的日雨量加總，得到各旬累積雨量後計算長期氣候平均，最後再計算雲林縣71個網格之平均值，即可得到雲林縣平均各旬總雨量。

 

出處：TCCIP電子報第044期

降尺度後的降雨資料會與實際歷史觀測資料進行偏差校正(Bias-Correction)，以確保未來推估值的可參考性。

目前重分析的結果顯示，暖化後同樣的重現期，降雨強度會增強，以年最大降雨量的25年重現期為例，約增加20%-40%。

各情境下近未來(2021-2040)期間，暖化趨勢並無明顯差異，溫度與降水的各情境變化情形亦趨於一致，這是因為暖化驅動力(如溫室氣體作用)在近未來對於各個氣候模式作用還不明顯，但到2050年以後則會開始不同暖化情境就會有明顯差異。

一、問題說明

本平台"資料服務\未來推估\情境比較\2021-2040模式平均年溫度改變量"(如圖1所示)顯示不同暖化情境下，在2021-2040年時段的全臺「平均年均溫」推估結果，RCP2.6（輕度排放）情境的暖化推估結果略高於RCP8.5（高度排放）情境，與一般認知有差異。

圖1 2021-2040年不同排放情境之溫度改變比較

二、簡要說明

不同溫室氣體排放情境假設下，初期(2021-2040)模擬的增溫雖顯示RCP 2.6的升溫高於RCP 8.5，但其差異約0.2℃，尚在氣候模式模擬誤差範圍內，這誤差來源在科學上包含來自不同氣候模式的差異、降尺度技術（從大網格計算到適用台灣的小網格）…等因素。

然而，模擬結果時間越久，溫室氣體累積效果逐漸呈現，暖化效益越為明顯，溫室氣體濃度所造成的增溫差異增大，超過統計誤差範圍，明顯反映出溫室氣體排放濃度差異所造成的影響。

因此，不同情境的溫室效應初期的增溫幅度差異不大，雖可以忽略其差異，但需注意長期暖化所造成的增溫影響。氣候變遷模擬推估均有其不確定性，科研團隊將持續檢視並精進模擬推估技術，持續更新資料並公開給外界使用。

三、詳細說明

1. 短期內增溫趨勢RCP2.6模擬結果高於RCP8.5，其差異不大，且評估仍在氣候模式模擬誤差範圍內：

4個溫室氣體排放假設情境^*1（RCP2.6、RCP4.5、RCP6.0、RCP8.5）所模擬出來的全臺增溫^*2結果，有其科學上的不確定性以及可能誤差，這誤差來源包含來自不同氣候模式的差異、降尺度技術（從大網格計算到適用台灣的小網格）…等因素（詳見參考文獻），簡要說明可能之誤差來源：

氣候模式誤差：

模擬結果所依據的氣候模式來自不同國家的氣候研究機構，因此模式來源與參數設定不同，皆可能造成模擬結果的差異，氣候模式這個時期本身模擬可能所造成的誤差範圍(約在1℃左右, 圖2左)，明顯大於模擬初期(2021-2040)所顯示的各情境溫度差異0.2℃。

圖2 初期2021-2040年與後期2081-2100年全臺溫度變化量的模式誤差範圍

統計降尺度方法：

由於全球氣候模式的原始空間解析度相對粗糙，網格大小約數百公里，對於面積狹小的臺灣，原始可參考的網格資料，無法反映臺灣複雜地貌變化造成的溫度差異(圖3)。透過統計降尺度的過程，提升解析度的同時也進行溫度修正，使資料更符合真實情況(如圖3右)。然而統計降尺度方法眾多且各有優劣，亦是呈現結果之可能不確定來源之一，從最早期的AR4月資料到AR5日資料，以及團隊準備更新的AR6日資料，雖然使用降尺度方法不斷更新，但仍可能造成不同程度的誤差。目前情境間差異為0.2℃，雖在模式誤差範圍内，但由於呈現結果無法真實反應原有解析度之結果（RCP8.5增溫大於RCP2.6），團隊將持續檢視並改進將降尺度方法所導致的誤差範圍降低，提高資料可信度。

圖3 氣候模式的原始模擬結果與統計降尺度的結果

氣候模式數量：

由於4種情境所參考各機構的氣候模式數量並不相同(RCP2.6有22個模式、RCP4.5有29個、RCP6.0有17個、RCP8.5有33個)，氣候模式的數目多寡會影響最後結果，也是造成不同情境溫差參考性有所差別的因素之一，通常較多模式的模擬所計算的統計結果，參考性較高，因此一般會以RCP4.5以及RCP8.5這兩個情境為主。

2. 溫室氣體造成增溫模擬，初期增溫效果幅度不大，越到後期，越能反映出溫室氣體的暖化效果：

4個溫室氣體排放情境的增溫趨勢(圖4)，在初期(2021-2040)依序分別是1.02、0.92、0.77、0.9℃，增溫幅度不大且相當接近。然而4個情境的增溫幅度，越到後期差距越大(圖2、4、5)，也越能呈現不同排放情境的累積暖化效應，2081-2100時期，4個情境所模擬出來的全臺增溫結果依序分別是1.2、1.85、2.21、3.37℃。

 

圖4 不同排放情境下不同時期全臺增溫幅度比較

圖5 2081-2100年不同排放情境之溫度改變比較

主要原因是因為模擬的假設是不同排放情境的溫室氣體累積濃度會逐漸擴大差異(圖6)，同時大氣的溫度需要一段足夠長的時間才能達到平衡，因而不同情境的增溫趨勢將到後期差異愈趨明顯。因此若將時間尺度拉長至2080-2100，由於RCP2.6與RCP8.5兩個情境的溫室氣體濃度已有明顯差異，長期的溫度變化就會反映出RCP8.5情境升溫明顯高於RCP2.6情境(圖2、4、5)，顯示溫室氣體累積所導致的長期暖化效果。

圖6  不同排放情境背後所代表的溫室氣體濃度變化(from IPCC AR5)

四、結語

目前短期內增溫趨勢RCP2.6模擬結果高於RCP8.5，與氣候變遷模擬推估均有其不確定性有關，其增溫幅度差異不大，評估仍在相關不確定性範圍內，雖可以忽略其短期差異，但需注意長期暖化所造成的增溫影響。

唯此結果與外界一般認知RCP8.5模擬的增溫趨勢應高於RCP2.6有所差異，科研團隊將持續檢視其原因並精進模擬推估技術，根據取得的新資料與發展的新方法，持續更新資料並公開給外界使用。

五、參考文獻

1.   網格化觀測資料與統計降尺度不確定性分析說明, 2021, TCCIP, https://tccip.ncdr.nat.gov.tw/publish_01_data_document_one.aspx?dd_id=20210609213136

註解：

*1: 此處情境為IPCC第五次評估報告(AR5)所定義出來的4個代表濃度途徑Representative Concentration Pathways (RCPs)，RCP2.6是個暖化減緩的情境；RCP4.5與RCP6.0是屬於穩定的情境；RCP8.5則是個溫室氣體高度排放的情境。

*2: 此處增溫是指不同時期模擬之溫度和歷史基期時段(1986-2005年)溫度的差異

回到說明

AR5統計降尺度日資料推出之後，隨即利用此日資料推算月平均，將過去AR5統計降尺度月資料也一併更新

然而，由於IPCC釋出日資料的GCM比月資料還要少，以月資料而言，最多41的GCM，但日資料最多只有33個GCM

也因此，2019年10月推出的AR5統計降尺度日資料以及月資料，比之前AR5統計降尺度月資料使用的GCM較少

下表統計降尺度日資料使用的GCM與2019年10月之前的AR5統計降尺度月資料使用的GCM差異

提供對照參閱