1 交通部中央氣象局 委託研究計畫期末成果報告 (定稿) 診斷評估應用 FV3GFS 方法於下一代中央氣象局全球預 報模式之東亞地區降水預報：以 2019 年梅雨季為例 計畫類別：■氣象 □海象 □地震 計畫編號：MOTC-CWB-109- M -09 執行期間：109 年 02 月 27 日至 109 年 12 月 31 日 計畫主持人：黃婉如 執行機構：國立臺灣師範大學 本成果報告包括以下應繳交之附件(或附錄)： □赴國外出差或研習心得報告 1 份 □赴大陸地區出差或研習心得報告 1 份 □出席國際學術會議心得報告及發表之論文各 1 份
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
交通部中央氣象局
委託研究計畫期末成果報告 (定稿)
診斷評估應用 FV3GFS方法於下一代中央氣象局全球預報模式之東亞地區降水預報：以 2019年梅雨季為例
計畫類別：■氣象 □海象 □地震
計畫編號：MOTC-CWB-109- M -09
執行期間：109年 02月 27日至 109年 12月 31日
計畫主持人：黃婉如
執行機構：國立臺灣師範大學
本成果報告包括以下應繳交之附件(或附錄)：
□赴國外出差或研習心得報告 1份
□赴大陸地區出差或研習心得報告 1份
□出席國際學術會議心得報告及發表之論文各 1份
2
目錄…………………………………………….…….......…….2
政府研究計畫期末報告摘要資料表 …………………………………………….....4
計畫中文摘要 ………………………………………………………………….……6
計畫英文摘要 Abstract ……………………………………………………………...8
1. 前言與研究背景 …………………………………………………………......... 10
2. 研究方法 ………………………………………….…………………………….13
2.1 資料來源 ………………………………………………..………………..13
2.2 強降雨個案的定義…………………………..…..……………..................18
2.3 系集平均方法……………………………………………………………..19
2.4 校驗方法…………………………………………….…………...………..20
2.5 影響強降雨變化的物理過程及比濕計算方法 …………………............22
3. 研究成果 ……………………………………………..........................................23
3.1 個案簡介 …………………………………………………………….......23
3.2 模式對東亞地區的降雨預報能力評估……………………….................25
3.2.1 降雨空間特性比對 ……………………………………………....25
3.2.2 Scorr與 RMSE比對 ……………………………………………..29
3.2.3 定量降雨預報：降雨發生頻率比對…………………………….. 31
3.2.4 定量降雨預報：預報技術得分比對…………………………….. 34
3.3 模式對臺灣地區的降雨預報能力評估……………………………..........38
3.3.1 降雨空間特性比對 ……………………………….........................38
3.3.2 Scorr與 RMSE比對 …………………………………………….. 41
3.3.3 定量降雨預報：降雨發生頻率比對……………………………...43
3.3.4 定量降雨預報：預報技術得分比對……………………………...45
3.4 影響臺灣降雨之因素探討……………………………..............................48
3.4.1 地形、風場與降雨特性之間的關係……………………………...48
3
3.4.2 水氣場的比對…………………………………………………….53
3.4.3 水氣、風場與降雨帶位置之間的關係………………………….55
3.4.4 水氣通量與降雨特性之間的關係……………………………….61
4. 討論….……………………………………………..............................................70
5. 結論………………………………………………………………………………72
參考文獻 ……………………………………………………………………………77
附錄 A（上期報告相關成果）……………..………………………………………81
附錄 B（本期報告相關成果）……………………………………..………………83
附錄 C (期末報告審查意見處理情形表) ……………………………………..……99
4
政府研究計畫期末報告摘要資料表
計畫中文名稱 診斷評估應用 FV3GFS方法於下一代中央氣象局全球預報模式之東亞
地區降水預報：以 2019年梅雨季為例
計畫編號 MOTC-CWB-109- M -09
主管機關 交通部中央氣象局
執行機構 國立臺灣師範大學
年度 109 執行期間 2月 27日起至 12月 31日
本期經費
(單位：千元) 700千元
執行進度 預定(％) 實際(％) 比較(％)
100 100 0
經費支用 預定(千元) 實際(千元) 支用率(％)
700 700 100
研究人員
計畫主持人 協同主持人 研究助理
黃婉如 劉品誼
報告頁數 100 使用語言 中文
中英文關鍵詞 梅雨季降雨、全球預報模式；Meiyu precipitation、global forecast
model
目標達成狀況 本計畫已完成（1）CWB FV3GFS、CWBGFS 在領先時間 1-16 天對
2019 年梅雨季期間臺灣主要強降雨個案的預報能力之表現評估，並
（2）提供影響 CWB FV3GFS、CWBGFS對於不同強降雨個案之預報
能力差異的可能解釋，以及（3）將相關成果與 NCEP FV3GFS預報模
式產品進行相互比較，系統性評估 CWB FV3GFS、CWBGFS模式與
其他作業性預報模式產品之預報差異，和（4）期末報告書的撰寫。
資源使用情形 無
主要執行成果 本計畫針對中央氣象局平行測試的全球預報模式（簡稱 CWB
FV3GFS）及現行版全球預報模式（簡稱 CWBGFS）對 2019年臺灣梅
雨季（5、6月）主要的二個強降雨個案之預報能力進行分析討論。主
要希望透過觀測資料與模式模擬結果的比對，了解 CWB FV3GFS、
CWBGFS 模式對於不同強降雨個案在東亞地區以及臺灣區域的掌握
能力，並提供影響模式降雨預報能力差異的可能解釋。另外，也將 CWB
FV3GFS、CWBGFS 的預報結果與美國國家環境預報中心現行版全球
5
預報模式（簡稱 NCEP FV3GFS）預報模式產品進行相互比較，系統性
評估 CWB FV3GFS、CWBGFS 模式與 NCEP FV3GFS 模式產品之預
報差異。
本計畫已具體完成以下項目：
（1）CWB FV3GFS、CWBGFS在領先時間 1-16天對 2019年梅雨季
期間臺灣主要強降雨個案的預報能力之表現評估。
（2）提供影響 CWB FV3GFS、CWBGFS對於不同強降雨個案之預報
能力差異的可能解釋。
（3）將相關成果與 NCEP FV3GFS預報模式產品進行相互比較，系統
性評估 CWB FV3GFS、CWBGFS 模式與其他作業性預報模式產品之
預報差異。
（4）期末報告書的撰寫。
計畫變更說明 (若有)
落後原因 (若有)
因應對策(檢討
與建議)
6
計畫中文摘要
梅雨季（5-6 月）的強降雨常常對人民的安全與經濟帶來嚴重的影響，因此瞭解全
球預報模式對梅雨季期間降雨預報能力的表現，對氣象局而言更顯重要。為了提升中央
氣象局全球預報模式（Central Weather Bureau Global Forecast System；簡稱 CWBGFS）
的預報能力，氣象局已於 2018年開始引進美國國家環境預報中心（National Centers for
Environmental Prediction）新一代全球預報模式（簡稱 NCEP FV3GFS）數值計算方法與
CWBGFS 現有計算方式整合之相關研究測試。而應用 FV3GFS 數值計算方法於下一代
中央氣象局全球預報模式（簡稱 CWB FV3GFS）的模擬結果，需更進一步的分析。有鑑
於此，本研究計畫目的為：（1）評估目前平行測試中的 CWB FV3GFS 對東亞地區（包
含臺灣）的降雨預報能力。（2）將上述測試中的 CWB FV3GFS的預報能力表現與現行
版 CWBGFS及 NCEP FV3GFS相互比較，系統性評估測試中的 CWB FV3GFS與現行版
CWBGFS及 NCEP FV3GFS之預報差異。本研究主要針對 2019年的 5-6月梅雨季期間，
臺灣二個強降雨個案（個案 1：5/16~5/18、個案 2：6/10~6/14）進行降雨的展期預報（預
報領先時間 1到 16天；簡稱 LT1~16）評估分析。
研究結果發現，不論是東亞地區或臺灣，三個模式對於個案 2的降雨分布掌握能力
較個案 1來的好。而針對個案 2，CWBGFS在降雨分布的掌握能力優於 NCEP FV3GFS、
CWB FV3GFS。若以定量降雨預報來看，三個模式對於個案 2的定量降雨預報能力都較
個案 1好；其中 CWBGFS在 LT1~5的定量降雨預報最佳，而 NCEP FV3GFS與 CWBGFS
則在 LT6~16的定量降雨預報表現相近，並都優於 CWB FV3GFS。然而，三個模式對於
越強降雨的定量降雨預報表現越趨相近，且三個模式都存在著明顯低估臺灣降雨量的現
象。除此之外，我們也分析影響模式預報臺灣降雨的因素（包含：地形與風場的交互作
用、水氣分布、水氣通量分布），結果顯示：（1）NCEP FV3GFS預報臺灣本島降雨分布
受其預報水氣分布集中於山區所主導。（2）CWB FV3GFS 預報的水氣分布與 NCEP
FV3GFS 類似，但兩者的臺灣降雨分布卻不一致，因此對 CWB FV3GFS 預報臺灣本島
降雨來說，風場輻合的影響可能較水氣的影響大。（3）CWBGFS的水氣分布、風場輻合
7
分布都和其降雨分布相呼應，因此我們猜測風場輻合和水氣分布的影響，對於 CWBGFS
預報臺灣本島降雨都很重要。而就模式預報個案 2的降雨分布比個案 1好的可能原因，
我們推測這可能是和「三個模式所預測的水氣通量分佈的特徵，在個案 2比在個案 1更
近似於再分析資料」有關。上述這些結果意味著現行的 CWBGFS 表現能力已不亞於
NCEP全球預報模式；至於目前平行測試中的 CWB FV3GFS，則還有不少進步的空間。
上述研究結果，除了有助於瞭解 CWB FV3GFS、CWBGFS在臺灣梅雨季強降雨預報上
的優、缺點，並可提供給 CWB 作為模式未來改善的參考。
關鍵字: 梅雨季降雨、全球預報模式
8
計畫英文摘要 Abstract
Understanding the capability of global forecast model in predicting the change of rainfall
during the Meiyu season (May and June) is always a very important issue for the disaster
prevention and disaster mitigation units in Taiwan. In order to improve the forecasting
capabilities of the Central Weather Bureau Global Forecast System (CWBGFS), CWB is now
developing the next generation of CWBGFS using the FV3 core (refers to CWB FV3GFS).
However, the capability of ongoing testing version of CWB FV3GFS in forecasting the
precipitation change is still unknown. Therefore, the objective of this project includes: (1) the
evaluation of ongoing testing version of CWB FV3GFS in forecasting the precipitation over
East Asian region (including Taiwan), and (2) the comparison between the capability of CWB
FV3GFS, CWBGFS and NCEP FV3GFS in forecasting the precipitation over the East Asian
region (including Taiwan). Analyses focus on the extended range forecast for 1 to 16 days , and
for two heavy rainfall cases in Taiwan (case 1: 5/16~5/18, case 2: 6/10~6/14) during the rainy
season from May to June in 2019.
Results show that all three models have better ability to depicting the rainfall distribution
of Case 2 than Case 1. For Case 2, CWBGFS's ability to illustrate rainfall distribution is slightly
better than NCEP FV3GFS and CWB FV3GFS. In terms of quantitative rainfall forecasting,
the three models have better quantitative rainfall forecasting capabilities for Case 2 than for
Case 1. Among them, CWBGFS has the best quantitative rainfall forecast in LT1~5, while
NCEP FV3GFS and CWBGFS have similar quantitative rainfall forecast performance in
LT6~16, and both are better than CWB FV3GFS. However, the quantitative rainfall forecast
performance of the three models for the heavier rainfall is more similar, and the three models
have obvious underestimation of rainfall in Taiwan. In addition, we also analyze the factors that
affect the model's forecast of rainfall in Taiwan (including the interaction between topography
and wind field, moisture distribution, moisture flux distribution), our results show that (1) The
9
NCEP FV3GFS forecast of rainfall distribution over Taiwan is dominated by its forecasted
moisture distribution concentrated in mountainous areas; (2) CWB FV3GFS forecasts moisture
distribution similar to NCEP FV3GFS, but the rainfall distribution in Taiwan is inconsistent.
Therefore, for CWB FV3GFS forecasting rainfall over Taiwan, the impact of wind convergence
may be greater than that of moisture; (3) CWBGFS's moisture distribution and wind field
convergence distribution are in line with its rainfall distribution, so we guess the influence of
wind field convergence and moisture distribution are very important for CWBGFS to predict
rainfall over Taiwan. As for the possible reason why the model forecast rainfall distribution of
Case 2 is better than that of Case 1, this may be attributed to that the characteristics of moisture
flux distributions predicted by the three models are more similar to the reanalysis data in Case
2 than in Case 1. The above results mean that the current performance of CWBGFS is not worse
than the NCEP’s global forecast model; as for the ongoing testing version of CWB FV3GFS,
there is still a lot of improvement. Our research can not only help to understand the advantages
and disadvantages of CWB FV3GFS and CWBGFS in the forecast of heavy rainfall during the
rainy season in Taiwan, but also provide CWB as a reference for future improvement of the
model.
Keywords: Meiyu precipitation、global forecast model
10
1. 前言與研究背景
根據中央氣象局氣候監測報告（https://www.cwb.gov.tw/V8/C/C/Watch/watch_1.html）
記載，2019年梅雨季（5-6月）期間造成全臺灣有雨的鋒面降雨事件共有四道，其發生
的日期分別為：（1）5/1~5/3（臺灣時間），（2）5/20~5/21（臺灣時間），（3）6/10~6/14（臺
灣時間），以及（4）6/23~6/25（臺灣時間），其中以 5/20~5/21及 6/10~6/14較嚴重。依
據 臺 灣 行 政 院 農 業 委 員 會 農 糧 署 彙 整 各 直 轄 市 、 縣 市 政 府 回 報 災 損
（https://www.afa.gov.tw/cht/index.php）資料可知，6/10~6/14這場自然災害造成的經濟損
失約新台幣 2,270萬元，大約有 2,513公頃的農田遭到破壞。而在 5/17~5/24期間，臺灣
連續受到華南雲系（5/17）、西南風（5/18~5/19）、鋒面（5/20~5/21）、華南雲系（5/23）
的影響，其災情更勝 6/10~6/14，此期間總經濟損失高達新台幣 8,831萬元。從以上的災
損報告我們可以知道 2019 年梅雨季降雨有其分析的必要性；倘若模式能夠有效地提早
預報強降雨事件，便能讓防災、減災單位有更加充裕的時間來因應豪雨或乾旱所造成的
災害，進而保障民眾安全以及減少經濟上的損失。
自 2016年起，我們已針對中央氣象局全球預報模式（簡稱 CWBGFS）之預報能力
進行一系列的評估，結果顯示 CWBGFS對於定性上描繪「2016-2017年臺灣與東亞地區
5-6 月梅雨季期間的降雨特性」具有一定的參考價值（陳與黃，2016；黃，2016；黃，
2017；黃，2018；黃，2019）。其中，在黃（2018）的研究報告中，我們評估「CWBGFS
對 2016-2017年北半球夏季季內振盪（簡稱 BSISO）現象下，臺灣降雨特性的預報能力」，
發現 CWBGFS對於 2016-2017年期間 10-30天振盪（簡稱 BSISO2）現象下的降雨預報
表現較 30-60 天振盪（簡稱 BSISO1）現象來的佳。而除了針對整體降雨預報能力表現
的評估之外，去年（黃，2019）我們更針對「2017 年梅雨季期間，CWBGFS 對於不同
強降雨事件之間的預報能力差異」進行評析，並將 CWBGFS與 NCEP的全球預報模式
11
（簡稱 NCEPGFS）相互比較。分析結果顯示低層（1000hPa、925hPa）風場的輻合區域
會與降雨集中的位置對應，而由於 NCEPGFS模式的水平解析度較高，地勢高低也較接
近實際的觀測，因此其降雨空間分布會與觀測資料較為類似（附錄圖 A1）；而 CWBGFS
模式水平解析度較低，地勢高度不夠，且地形過於平滑，造成低層風場輻合的位置位於
臺灣東北部，因此降雨集中區域也偏向臺灣東北部（附錄圖 A2）。上述結果顯示出
CWBGFS 對於地形複雜的臺灣之降雨預報的不足之處及可能原因。而從過去的研究可
知，模式預報強降雨個案的能力有可能會隨著模式解析度的增加、物理參數化過程的改
善而變得更好（Joseph et al., 2015；Wang et al., 2017；Chattopadhyay et al., 2018）。相較
於上期計畫評估水平解析度為 25公里的 CWBGFS（T511L60），氣象局於 2020年初上
線的CWBGFS（TCo639）已提高水平解析度至 15公里，因此我們推測CWBGFS（TCo639）
對於東亞及臺灣地區之梅雨季降雨會有更好的預報表現。然而，此推測是需要驗證的，
因此評估 CWBGFS（TCo639）的降雨預報能力更是刻不容緩。
另一方面，為了提升全球預報模式的預報能力，美國國家氣象局（National Weather
Service）的 Next Generation Global Prediction System（NGGPS）計畫，以作業化預報標
準（8.5 分鐘預報 1 天）為需求，在高速電腦環境下評估多個全球模式系統，藉此找到
成為下一代全球預報模式的系統。經過 NGGPS計畫測試後，美國國家海洋暨大氣總署
（National Oceanic and Atmospheric Administration；NOAA）選擇了 GFDL發展的 Finite
Volume Cubed-Sphere Dynamical Core （FV3）作為下一代全球模式預報系統的動力核心。
FV3的網格使用 Cubed-Sphere Grid（Lin et al., 1994；Lin and Rood, 1996；Putman and Lin,
2007），並具有兩種局部加密空間解析度的網格配置方法：伸縮網格（stretched grid；Harris
et al., 2016）及雙向巢狀網格（two-way nested grid；Harris and Lin, 2013）。其中，伸縮網
格可平滑漸進式地增加某一面目標區域的中心解析度，用來短期模擬高解析度颱風或龍
12
捲風等小尺度劇烈天氣現象。目前 NOAA已於 2019年 6月 12日正式上線結合 FV3與
GFS （ Global Forecast System ） 的 新 一 代 全 球 預 報 模 式 NCEP FV3GFS
（https://www.emc.ncep.noaa.gov/users/meg/fv3gfs/）。而中央氣象局自 2018年開始計畫引
進 FV3，並以其為基礎建置氣象局下一代全球模式預報系統（CWB FV3GFS），盼以改
善未來氣象局全球模式預報系統的預報能力。目前 CWB FV3GFS模式已開始進行平行
測試，因此深入了解 CWB FV3GFS模式測試版（往後簡稱 CWB FV3GFS）之模擬能力
的優、缺點，亦將有助於模式的應用與改善。有鑑於此，我們將在本計畫中，透過分析
CWBGFS 及 CWB FV3GFS 對「2019 年梅雨季期間東亞地區及臺灣區域降雨的展期預
報能力表現」，瞭解它們在領先時間 1-16天的「降雨預報表現差異以及可能原因」。
另一方面，考量在去年報告（黃，2019）中，我們發現 CWBGFS（T511L60）在預
報 2017年梅雨季強降雨個案有些不足之處（於第三節說明），然而，該發現僅是針對三
個強降雨個案進行分析。因此本年度研究的重點將著重在：（1）利用 2019 年的預報資
料進行分析，藉此瞭解黃（2019）指出之 CWBGFS（T511L60）對於臺灣梅雨季降雨預
報的不足之處是否亦可見於 CWBGFS（TCo639）以及平行測試的 CWB FV3GFS 模式
中？（2）針對 2019年的預報資料，進行 CWBGFS（TCo639）及 CWB FV3GFS與 NCEP
FV3GFS的預報能力比對，（3）瞭解造成 CWBGFS（TCo639）及 CWB FV3GFS及 NCEP
FV3GFS預報能力差異的可能原因。而由於要分析的模式資料眾多，因此本計畫預計將
僅針對 2019 年的梅雨季中幾個重要的降雨事件進行詳細的分析，相關個案的選取將於
第二節說明。
本報告的其他節安排如下，其中有關採用的資料來源與校驗方法將詳列於第二節；
第三節將紀錄三個預報模式對於 2019 年強降雨事件之模擬能力的研究分析成果；第四
節將討論本期報告與上期報告的結果差異；第五節則為本報告之主要結論。
13
2. 研究方法
2.1 資料來源
在模式資料方面，本報告分析的模式有 NCEP FV3GFS、CWB FV3GFS及 CWBGFS
TCo639。其中 NCEP FV3GFS的正式上線時間為 2019年 6月 12日，CWBGFS TCo639
的正式上線時間為 2020年 3月 26日，CWB FV3GFS的正式上線時間則尚未確定，因
此本計畫中採用的 2019年 5-6月期間之強降雨事件的資料皆是由各相關單位特別提供，
非正式上線的資料。由表 1可知，NCEP FV3GFS與 CWB FV3GFS大部分的物理參數化
設定相似，但水平解析度不同（NCEP FV3GFS約 13公里；CWB FV3GFS約 25公里）
之外，其中需特別注意的是本計畫評估的 CWB FV3GFS，是以 NCEPGFS cold start資料
為初始場的測試版，非未來正式上線版本[預計將以 CWB本身的Data Assimilation （DA）
做為初始場]。而CWBGFS TCo639的水平解析度約 15公里，垂直解析度為 sigma-pressure
hybrid座標 72層，模式的頂層為 0.1 hPa，初始場是 CWB本身的 DA，模式設定與 2020
年初正式上線的版本相同。其他有關三個模式資料的動力和物理參數比較，詳見表 1。
須注意的是，CWBGFS TCo639與去年報告（黃，2019）中所分析的 CWBGFS T511L60
不同，不僅水平解析度提升至 15公里（T511L60為 25公里），垂直解析度也提升至 72
層（T511L60為 60層），除了解析度的差異外，有關兩模式設定比較，詳見表 2。此外，
去年報告（黃，2019）使用的 NCEPGFS也與本次報告使用的 NCEP FV3GFS不同，有
關兩者的模式設定比較，詳見表 3。本報告使用的預報資料變數包括：降雨、水平風場、
比濕（Specific Humidity）、相對濕度（Relative Humidity）、大氣溫度、垂直速度（Vertical
Velocity）。
在觀測資料方面，本計畫採用氣象局所提供之劇烈天氣監測系統（Quantitative
Precipitation Estimation and Segregation Using Multiple Sensor；簡稱 QPESUMS）的定量
14
降水估計（Quantitative Precipitation Estimation；QPE）產品，以利進行更精準的臺灣區
域降水能力評估。該產品利用氣象局現有的都卜勒雷達觀測站（五分山、花蓮、七股及
墾丁）之整合降水回波，並以約 500個雨量觀測站之雨量資料進行校正，資料的時間解
析度為每小時一筆，空間解析度為 0.0125°×0.0125°，目前國內多數防災單位皆使用此資
料。
另一方面，對於整個東亞地區的降雨觀測資料分析，本研究採用美國國家航空暨太
空總署（National Aeronautics and Space Administration；簡稱 NASA）提供的 GPM（Global
Precipitation Measurement）IMERG（Integrated Multi-satellite Retrieval for GPM）final run
V06B 版 本 的 衛 星 觀 測 降 雨 資 料 （ 簡 稱 IMERG ； Huffman et al., 2019 ）
（ftp://arthurhou.pps.eosdis.nasa.gov/gpmdata/），此資料的時間解析度為每 30分鐘一筆，
空間解析度為 0.1°×0.1°。須說明的是，為了將模式資料與觀測資料相互比對，我們把表
1 中模式和 QPESUMS 的降雨資料內插成解析度為 0.1°×0.1°。另外，針對大氣環境場
（包括水平風場、比濕、相對濕度、大氣溫度、垂直速度）的觀測資料分析，本報告採
用歐洲中尺度預報中心（ECMWF）提供的再分析資料（ERA5）（Hersbach et al., 2019），
此資料為全球經緯網格資料，水平空間解析度為 0.25°×0.25°，垂直空間解析度為 37層，
時間解析度為每小時一筆。而為了將模式資料與觀測資料相互比對，我們把表 1中模式
的環境場資料內插成解析度為 0.25°×0.25°。
至於觀測的臺灣地形與各個模式中使用的臺灣地形，如圖 1所示，其中除了上期報
告的 NCEPGFS（如圖 1f-g）及本期報告採用的 NCEP FV3GFS（如圖 1b-c）在不同領先
時間（LT1~10及 LT11~16）採用的地形不同之外，其他模式採用的地形不隨領先時間變
動而改變。
15
表 1、NCEP FV3GFS、CWB FV3GFS及 CWBGFS TCo639之比較。
模式
變數 NCEP FV3GFS CWB FV3GFS CWBGFS TCo639
資料同化 4-D Hybrid En-Var NODA (NCEPGFS cold start) Hybrid GSI
水平解析度 LT1-10: 13公里
LT11-16: 23公里
C384
25公里 15 公里
垂直解析度 64層 64層 S-P Hybrid座標；72層
模式頂層 0.2 hPa 0.2 hPa 0.1 hPa
網格尺度降雨 GFDL Cloud Microphysics
Lin et al. (1983)
GFDL Cloud Microphysics
Lin et al. (1983) Zhao and Carr (1997)
積雲對流
TCo639:深對流
scale-aware mass-flux (SAMF)
deep convection scheme
scale-aware mass-flux (SAMF)
deep convection scheme Scale- and Aerosol- aware
Simplified Arakawa-Schubert
(Han et al. 2017 & Arakawa
and Wu 2013) 淺對流 Scale-Aware Mass-Flux
Shallow Convection Scheme
Scale-Aware Mass-Flux
Shallow Convection Scheme
垂直擾動
TCo639: PBL邊界層
Hybrid Eddy-Diffusivity Mass-
Flux PBL and Free
Atmospheric Turbulence
Scheme
Hybrid Eddy-Diffusivity Mass-
Flux PBL and Free
Atmospheric Turbulence
Scheme
Eddy Diffusivity/Mass
Flux(EDMF) Monin (Han et al.
2016)
土壤模式 Noah Land Surface model Noah Land Surface model Noah Land Surface model
輻射 RRTMG (Mlawer et al. 1997;
Hou et al. 2002)
RRTMG (Mlawer et al. 1997;
Hou et al. 2002)
RRTMG (Mlawer et al. 1997;
Hou et al. 2002)
地形重力波拖曳 Kim and Arakawa (1995) Kim and Arakawa (1995) Palmer et al. (1986)
非地形重力波拖曳
TCo639: 對流重力波拖曳 Chun and Baik (1998) Chun and Baik (1998)
stationary convectively forced
gravity wave drag (Chun and
Baik 1998)
16
表 2、CWBGFS T511L60及 CWBGFS TCo639之比較。
模式
變數 CWBGFS (T511L60) CWBGFS (TCo639)
資料同化 Hybrid GSI Hybrid GSI
水平解析度 25公里 15 公里
垂直解析度 S-P hybrid 座標 60層 S-P Hybrid座標；72層
模式頂層 0.1 hPa 0.1 hPa
網格尺度降雨 Zhao and Carr (1997) Zhao and Carr (1997)
積雲對流 Han and Pan (2011) Scale- and Aerosol- aware Simplified
Arakawa-Schubert (Han et al. 2017 &
Arakawa and Wu 2013) 淺對流 Han and Pan (2011)
垂直擾動 Han and Pan (2011) Han et al. (2016)
土壤模式 Noah Land Surface Model Noah Land Surface model
輻射 RRTMG RRTMG
地形重力波拖曳 Palmer et al. (1986) Palmer et al. (1986)
非地形重力波拖曳 Scinocca (2002、2003) stationary convectively forced gravity wave
drag (Chun and Baik 1998)
表 3、NCEPGFS及 NCEP FV3GFS之比較。
模式
變數 NCEPGFS NCEP FV3GFS
資料同化 Hybrid GSI 4-D Hybrid En-Var
水平解析度 LT1-10: T1534L64; 13公里
LT11-16: T574L64; 23公里
LT1-10: 13公里
LT11-16: 23公里
垂直解析度 S-P hybrid 座標 64層 64層
模式頂層 0.27 hPa 0.2 hPa
網格尺度降雨 Zhao and Carr (1997) Lin et al. (1983)
積雲對流 Han and Pan (2011) scale-aware mass-flux (SAMF) deep
convection scheme
淺對流 Han and Pan (2011) Scale-Aware Mass-Flux Shallow
Convection Scheme
垂直擾動 Han and Pan (2011) Hybrid Eddy-Diffusivity Mass-Flux PBL
and Free Atmospheric Turbulence Scheme
土壤模式 Noah Land Surface Model Noah Land Surface model
輻射 RRTMG RRTMG
地形重力波拖曳 Kim and Arakawa (1995) Kim and Arakawa (1995)
非地形重力波拖曳 Chun and Baik (1998) Chun and Baik (1998)
17
圖 1：觀測資料與本期報告和上期報告所使用之模式資料的地形高度比對。x 表示高度
最大值的位置，max 的值為高度最大值。單位：m。(a)為觀測資料。(b)~(e)為本
次報告所使用的模式，其中(b)為 NCEP FV3GFS (LT1)，(c)為 NCEP FV3GFS (LT11)，
(d)為 CWBGFS TCo639 (LT1)，(e)為 CWB FV3GFS (LT1)。(f)~(h)為上一期報告所
使用的模式，其中(f)為 NCEPGFS T1534L64 (LT1)，(g)為 NCEPGFS T574L64
(LT11)，(h)為 CWBGFS T511L60 (LT1)。由於僅 NCEP的模式(含 NCEP FV3GFS
及 NCEPGFS) 在 LT1~10 和 LT11~16 使用不同的模式地形，因此僅 NCEP 的模
式有額外呈現 LT11 的模式地形圖。另外須說明的是，此地勢高度為經過內插的
結果，而非模式實際使用的地勢高度。
18
2.2 強降雨個案的定義
於期中報告中，我們對於強降雨個案的選取方式為，將於大氣水文研究資料庫獲取
之觀測日降雨資料（含 21 個局屬測站資料及 436 個自動雨量站）做全臺灣平均後，其
時間序列中降雨量值超過 15 mm/day且持續兩天以上，即定義為強降雨個案。依此定義，
2019年梅雨季臺灣強降雨個案共有三個，分別為 5/1~5/2、5/16~5/18、6/10~6/14（圖 2a）。
然而，因為本期末報告改以 QPESUMS 作為臺灣觀測降雨資料，因此我們也繪製
QPESUMS的日降雨時間序列（圖2b）；若根據上述定義，除了上述3個案之外，QPESUMS
會多出 2個強降雨個案，這有可能是因為圖 2b採用的雨量站數（500多站）與圖 2a（400
多站）不同。但礙於我們僅收集 5/16~5/18及 6/10~6/14的模式預報資料，因此本期末報
告將僅針對此二個案進行分析。此處須說明的是，這些個案日期的選取是以世界標準時
為基準，因此與前面第一節所述之中央氣象局氣候監測報告記載的日期有些許差別。
圖 2：2019年梅雨季(5-6月)期間，臺灣區域平均之日降雨量時間序列圖：(a)期中報告所
採用之臺灣測站網格化降雨資料，(b)期末報告所採用之 QPESUMS 資料。虛線表
示 15 mm/day，紅色實線則表示強降雨個案(至少連續 2天日降雨量>15 mm/day)。
19
2.3 系集平均方法
為了方便分析，本研究將預報領先時間（lead time）384小時的資料，以系集平均
方法分成第 1~16天的預報資料（簡稱 LT1~LT16）。舉例來說，LT1的降雨量為預報第 0
小時到第 24 小時內之累積雨量，LT2 的降雨量為預報第 24 小時到第 48 小時內之累積
雨量，依此類推至 LT16 的降雨量為預報第 360 小時到第 384 小時內之累積雨量。以
5/16~5/18 個案來說，LT1 的預報來自於 5/16~5/18 共 6 個成員（每 12 小時預報一次）
之 LT1平均，LT2的預報來自於 5/15~5/17共 6個成員之 LT2平均，依此類推至 LT16的
預報來自於 5/1~5/3共 6個成員之 LT16平均。而以 6/10~6/14個案而言，LT1的預報來
自於 6/10~6/14共 10個成員之 LT1平均，依此類推至 LT16的預報來自於 5/26~5/30共
10個成員之 LT16平均（如圖 3）。
圖 3： 本研究所採用之系集平均方法。以目標時間（6/10~6/14）為例，LT1的預報來自
於 6/10~6/14共 10個成員（每 12小時預報一次）之 LT1平均（紅色方框處），依
此類推至 LT16的預報來自於 5/26~5/30共 10個成員之 LT16平均（紫色方框處）。
20
2.4 校驗方法
有關觀測資料與模式資料的比對，本研究中所採用的比對方法包括：平均值（mean）、
時間相關係數（temporal correlation coefficient；簡稱 Tcorr）、空間相關係數（spatial
correlation coefficient；簡稱 Scorr）、均方根誤差（root-mean-square error；簡稱 RMSE）。
有關 Tcorr、Scorr、RMSE的計算方法，詳見 Storch and Zwiers（2002）。
此外本報告也針對定量降雨預報進行校驗，檢驗模式在 LT1~LT16期間，對東亞地
區和臺灣區域的降雨預報技術得分，主要分析的指數包含：偵測率（Probability Detection；
簡稱 POD；方程式 1）、預報誤報率（False Alarm Rate；簡稱 FAR；方程式 2）、成功預
報率（Success Ratio；以 1-FAR表示）、預兆得分（threat score；簡稱 TS；方程式 3）、
偏倚得分（bias score；簡稱 BS；方程式 4）。各個事後預報技術得分之計算方法如下：
(1)
(2)
(3)
(4)
其中，a為命中格點數，表示觀測及模式都有偵測到降雨值≥門檻值的格點數；b為誤報
格點數，表示觀測沒有偵測到，但模式有偵測到降雨值≥門檻值的格點數；c為漏報格點
數，表示觀測有偵測到，但模式沒有偵測到降雨值≥門檻值的格點數；d 為正確識別格
點，表示觀測及模式都沒有偵測到降雨值≥門檻值的格點數。有關 a、b、c、d的關係詳
見表 4。
計算上述各項指數後，我們將產製性能圖（performance diagram）（Roebber, 2009；
21
黃等，2016）進行分析，該圖可以在同一張圖上顯示 POD、1-FAR、TS及 BS等 4項指
數，能更容易檢視各種定量降雨的綜合技術特性（如圖 11，後面討論）。性能圖的水平
軸為成功預報率（1-FAR），垂直軸為偵測率（POD），曲線為預兆得分（TS），傾斜直線
為偏倚得分（BS）。曲線由左下至右上表示 TS得分逐漸增加，TS得分的範圍值介於 0~1，
越接近 1 表示預報結果越好（黃等，2016），因此性能圖的右上角代表完美預報，左下
角代表無預報技術。傾斜直線在斜率 45度表示 BS得分為 1，代表無偏差之預報；斜率
大於 45度表示 BS得分大於 1，代表過度預報；而斜率小於 45度表示 BS得分小於 1，
代表預報不足（Wilks, 1995）。
另一方面，針對雨量校驗的部分，POD、1-FAR、TS以及 BS得分所採用的東亞地
區範圍為 85°E~149°E，11°N~39°N（如圖 6，後面討論），範圍內資料之水平解析度皆為
0.1°×0.1°，總共為 640280個格點數。針對臺灣地區，我們僅採計範圍為 120°E~122°E，
22°N~25.25°N內的陸地格點資料，資料水平解析度同樣為 0.1° ×0.1°，格點數為 392。
表 4、列聯表關係。
觀測
預報
是
(≥門檻值)
否
(<門檻值) 總和
是
(≥門檻值)
a
(命中格點)
b
(誤報格點) a+b
否
(<門檻值)
c
(漏報格點)
d
(正確識別格點) c+d
總和 a+c b+d a+b+c+d
22
2.5 影響強降雨變化的物理過程及比濕計算方法
過去許多研究認為水氣及上升運動的變化與強降雨變化最為相關（O’Gorman and
Schneider, 2009；Loriaux et al., 2016），因此為瞭解影響強降雨變化的物理過程，我們將
計算強降雨事件的水氣通量（moisture flux；方程式 5）及垂直水氣平流項（vertical moisture
advection，方程式 6），並將觀測與模式資料相互比對，以期能更深入了解模式對於不同
個案之強降雨預報能力表現差異的可能原因。其中，方程式（5）的水氣通量包含兩項，
分別為水平水氣輻合項（moisture convergence，−𝑞𝛻 ∙ 𝑉）及水平水氣平流項（moisture
advection，−𝑉 ∙ 𝛻𝑞）。水氣通量及垂直水氣平流項方程式如下：
−𝛻 ∙ 𝑞𝑉 = (−𝑞𝛻 ∙ 𝑉) + (−𝑉 ∙ 𝛻𝑞) (5)
(−ω𝜕𝑞
𝜕𝑝) (6)
其中，q代表比濕，V代表水平風場，−ω代表垂直速度。當(−𝑞𝛻 ∙ 𝑉)、(−𝑉 ∙ 𝛻𝑞)、(−
ω𝜕𝑞
𝜕𝑝) 大於 0時，分別表示水氣輻合增加、正水平水氣平流、正垂直水氣平流，此三種
變化皆對應降雨強度增強（Shen et al., 2010；Chou et al., 2012；Feng and Zhou, 2012）。
另一方面，由於 NCEP FV3GFS 模式沒有提供比濕資料，因此我們利用 NCAR
Command Language（簡稱 NCL）網站中所提供的內建指令 mixhum_ptrh（網址 :
https://www.ncl.ucar.edu/Document/Functions/Built-in/mixhum_ptrh.shtml）將相對濕度與大
氣溫度換算成比濕，並與 ERA5再分析資料相比較。
23
3. 研究成果
本節的安排如下：在第 3.1節中，我們首先針對 2019年臺灣梅雨季期間的二個強降
雨個案（分別為 5/16~5/18、6/10~6/14，相關定義詳見第 2.5節）進行簡介。在第 3.2節
中，我們將利用空間相關係數、均方根誤差、性能圖等統計方法，評估預報模式對於此
二個強降雨個案在東亞地區的降雨空間分布之掌握能力。接著於第 3.3節，我們仿照第
3.2節的統計方法，針對臺灣區域的降雨預報能力進行評估。最後在第 3.4節中，我們針
對影響強降雨個案的相關機制進行探討。
3.1 個案簡介
首先我們檢視 5/16~5/18（往後簡稱個案 1）、6/10~6/14（往後簡稱個案 2）強降雨個
案的地面天氣圖與衛星雲圖（圖 4），在此我們選擇 5/17、6/11作代表來檢視主要的天氣
系統。從圖 4a 可以看到個案 1 時，鋒面系統位於臺灣北方，臺灣位於低壓槽內並處於
滯留鋒面前緣，此時期的大氣環境較不穩定，會容易有顯著的雲雨現象發生（圖 4c）。
而類似個案 1，個案 2中臺灣的雲雨現象亦是受到鋒面系統的影響 (圖 4b、4d）。然而不
同於個案 1，個案 2的鋒面雲雨帶較明顯，且從圖 4b、4d中可以很清楚地看到臺灣受到
西南風帶來的水氣影響。
接著我們從觀測資料來看，強降雨個案在東亞地區（85ºE~150ºE，5ºN~40ºN）及臺
灣區域的降雨空間分布特徵（圖 5）。須說明的是，有關於東亞地區降雨分布，我們使用
IMERG 衛星觀測降雨資料，而有關於臺灣降雨分布，我們使用 QPESUMS 降雨資料。
從東亞地區的結果可以看到，個案 2（圖 5b）的降雨帶分布範圍較個案 1（圖 5a）來的
廣，針對此現象，我們可以從 925hPa風場的分布來看可能的原因。如圖 5b顯示在個案
2期間孟加拉灣有較強的西南風，並對應明顯的降雨量，而位於南海的強西南風將暖濕
水氣傳播至臺灣，並與副熱帶高壓西側的西南風匯合，進而於西太平洋上形成較廣闊的
24
降雨帶。相較於個案 2，圖 5a中個案 1的副熱帶高壓並不明顯，反而是位於日本有明顯
的高壓，此高壓南緣伴隨的東風與臺灣附近的西風互相推擠形成鋒面帶，而由於西風是
由 120oE吹向 130oE，可推測帶來的水氣應該較個案 2為少，因此在太平洋地區的鋒面
降雨以個案 2較個案 1明顯。
若針對臺灣降雨分布進行分析，可以看到個案 1（圖 5c）的雨量主要集中在中央山
脈附近以及臺灣西北沿岸，其餘沿岸沒有明顯的降雨量。至於個案 2（圖 5d）的雨量則
多分布在臺灣西側、西南側，主要集中在中央山脈迎風面，此與前述個案 2的西南風影
響較個案 1來的強相互呼應。
圖 4：二個強降雨個案的地面天氣圖(a)~(b)及衛星雲圖(c)~(d)。(a)、(c)為 2019/5/17，(b)、
(d)為 2019/6/11。圖上紅色圓點為臺灣位置。
25
圖 5： (a) IMERG之降雨量及 ERA5之 925hPa風場空間分布在 2019年 5/16~5/18的平
均結果。(b)類似(a)，但為 2019年 6/10~6/14的平均結果。(c) QPESUMS之降雨
資料在 2019年 5/16~5/18的平均結果。(d)類似(c)，但為 2019年 6/10~6/14 的平
均結果。降雨量單位：mm/day，風場單位：m/s。
3.2 模式對東亞地區的降雨預報能力評估
以圖5a-b觀測資料看到的降雨分布特性為基準，接下來我們將評估NCEP FV3GFS、
CWB FV3GFS及 CWBGFS模式在不同領先時間下，對於這些特性在東亞地區（5ºN~40ºN，
85ºE~150ºE）的預報能力表現。為方便討論，此處我們把 LT1~LT16分成三個時段平均，
分別為 LT1~LT5平均（之後以 LT1~5表示）、LT6~LT10平均（之後以 LT6~10表示）、
LT11~LT16平均（之後以 LT11~16表示）。
3.2.1 降雨空間特性比對
圖 6呈現的是 IMERG衛星觀測降雨及三個模式在 LT1~5的預報結果，並配合對應
26
的 925hPa流函數場[以（925hPa）表示]一同討論。整體而言，從圖 6來看三個模式大
致都有掌握到強降雨個案的（925hPa）分布、降雨帶走向及多雨區位置，但對於臺灣
附近的多雨區掌握情況則較有差異。而為了可以更清楚的顯示模式與觀測的差異，我們
將模式預報結果（圖 6b-d、6f-h）分別減去觀測值（圖 6a、6e），所得到的（925hPa）
差異[以Δ（925hPa）表示]如圖 7，並加上相對應的風場差值以利後續討論。首先針對
個案 1 的結果來看，可發現 NCEP FV3GFS（圖 7a）與 CWB FV3GFS（圖 7b）的Δ
（925hPa）之空間分布特徵較為相似，而兩者與 CWBGFS（圖 7c）有較多不同處。舉
例來說，圖 7a與圖 7b皆呈現在日本上方的高壓較偏南，導致臺灣東方海面上的東風較
觀測為明顯，但此現象並無出現在圖 7c中。而針對個案 2的結果，NCEP FV3GFS（圖
7d）與 CWB FV3GFS（圖 7e）的Δ（925hPa）分布特徵亦較 CWBGFS（圖 7f）相似。
圖 7d與圖 7e皆呈現臺灣上方的高壓增強（即圖 6f-g臺灣附近的低壓槽較圖 6e為弱），
因此模式預報的降雨在臺灣附近較實際觀測降雨為弱。而圖 7f 中雖然亦有呈現臺灣上
方的高壓增強現象，但是沒有像圖 7d與圖 7e有明顯的高壓中心出現。這些結果顯示不
論是個案 1或個案 2，NCEP FV3GFS與 CWB FV3GFS的降雨、（925hPa）空間分布
特徵較為相似，這可能是因為兩模式的動力及物理參數方法相同所致（表 1）。
27
圖 6：二個強降雨個案之降雨量(著色區)和 925hPa流函數[等值線；(925hPa)]的空間分
布。(a)-(d)為 5/16-5/18個案，(e)-(h)為 6/10-6/14個案。(a)、(e)為 IMERG衛星降
雨資料和 ERA5之(925hPa)，(b)、(f)為 NCEP FV3GFS模式的 LT1~5預報平均
結果，(c)、(g)為 CWB FV3GFS模式的 LT1~5預報平均結果，(d)、(h)為 CWBGFS
模式的 LT1~5預報平均結果。降雨單位：mm/day，(925hPa)單位：1x107m
2s
-1。
28
圖 7：NCEP FV3GFS、CWB FV3GFS、CWBGFS模式在 LT1~5的預報結果與觀測資料
的差異值[著色區：降雨；等值線：Δ(925hPa)]。(a)-(c)為 5/16-5/18個案，(d)-(f)
為 6/10-6/14個案。(a)為圖 6b減去圖 6a，(b)為圖 6c減去圖 6a，(c)為圖 6d減去
圖 6a，(d)為圖 6f減去圖 6e，(e)為圖 6g減去圖 6e，(f)為圖 6h 減去圖 6e。為方
便討論，增加的向量場為相對應的 925hPa風場差異(單位：m/s)。
29
3.2.2 Scorr與 RMSE比對
上述圖 6-7僅針對領先時間 LT1-5平均的空間分布特性進行討論，為了進一步定量
評估模式在 LT1-16 對於東亞地區降雨的掌握能力，我們利用空間相關係數（Scorr）與
均方根誤差（RMSE）兩種統計方法進行模式與觀測資料的比對（圖 8）。整體而言，從
圖 8a、c（圖 8b、d）來看，不論是個案 1或個案 2，三個模式降雨與觀測降雨相比後的
Scorr（RMSE）大致都有隨著領先時間增加而減少（增加）的現象。若以 Scorr大於 0.5
作為模式預報能力較佳的客觀基準，可以發現三個模式對於個案 1（圖 8a）的東亞地區
降雨預報能力在 LT1-16皆較個案 2（圖 8c）來的差。過去黃（2019）亦發現 NCEPGFS、
CWBGFS預報強降雨個案的能力在 5月比 6月來的差。而 Lee et al.（2017）也指出在
5~10 月中，全球預報模式對於 0º~40ºN，70ºE~140ºE 區域之 5 月強降雨的預報能力最
差，這可能與模式較無法掌握 5月的 BSISO（Boreal Summer Intra-Seasonal Oscillation）
現象有關。
接著比對三個模式的預報表現，若以 Scorr = 0.5為預報表現能力好壞標準，則可從
圖 8a中發現 CWBGFS（NCEP FV3GFS）對個案 1在東亞地區降雨空間分布的有效預報
大概可以到達 LT3（LT2），CWB FV3GFS 則無法掌握個案 1 在東亞地區的降雨空間分
布。而從個案 2的 Scorr（圖 8c）可見 NCEP FV3GFS及 CWBGFS在 LT1~LT10的降雨
預報都有不錯的表現，其中 CWBGFS LT1~5 的 Scorr 數值略高於 NCEP FV3GFS。就
CWB FV3GFS 而言，其在 LT1~LT9 時的 Scorr 數值表現不如另兩個模式來的高。另一
方面，若從 RMSE的結果來看，在個案 1（圖 8b）中，除了 LT7~LT8之外，CWBGFS
的其他領先時間的 RMSE 數值皆小於另兩個模式，而 CWB FV3GFS 在 LT1~LT16 的
RMSE數值則皆大於另兩個模式。個案 2（圖 8d）方面，CWBGFS（NCEP FV3GFS）在
LT1~LT12（LT13~LT16）的 RMSE 數值為三個模式中最小者，而 CWB FV3GFS 在
30
LT1~LT16的 RMSE數值皆大於另兩個模式。
此外，比對圖 8b和 8d會發現三個模式對於個案 1的降雨預報誤差皆較個案 2來的
小（亦即個案 1的 RMSE數值較個案 2小），這是由於個案 2本身的降雨量就比個案 1
多所造成，因此我們將 RMSE數值除以觀測平均值來計算相對誤差（簡稱 RRMSE，圖
8b和 8d的右側垂直軸），結果顯示個案 1（個案 2）的 RRMSE數值都大（小）於 1.5，
表示以 RRMSE來看三個模式對於個案 2的預報表現優於個案 1。值得注意的是，圖 8d
還可以發現 NCEP FV3GFS和 CWB FV3GFS隨著領先時間增加，RMSE大小起伏相當
類似，皆呈現 LT1~5誤差最小，LT6~10誤差大於 LT11~16的現象，表示 NCEP FV3GFS
和CWB FV3GFS預報個案2的東亞地區降雨空間分布類似，惟降雨誤差以CWB FV3GFS
較大。若想檢視三個模式所有領先時間的個案 1和個案 2之東亞地區降雨空間分布，可
詳見附錄圖 B1-B6。
總的來說，綜合以上 Scorr與 RMSE的統計結果，三個模式似乎都無法掌握個案 1
的東亞地區降雨分布，但以 LT1~5 來說，CWBGFS（CWB FV3GFS）的預報表現最佳
（差）。而個案 2則顯示 CWBGFS在東亞地區的降雨預報能力略優於 NCEP FV3GFS、
CWB FV3GFS。
31
圖 8：(a)為針對 5/16~5/18個案之東亞地區平均降雨空間分布，所作的模式降雨預報(如
圖 6b)與 IMERG 衛星觀測降雨資料(如圖 6a)之空間相關係數(Scorr)比對。(c)同
(a)，但為 6/10~6/14個案的結果。(b)、(d)同(a)、(c)，但為均方根誤差(RMSE；左
側垂直軸)和相對均方根誤差(RRMSE；右側垂直軸)比對。藍色線為NCEP FV3GFS
的預報結果，綠色線為 CWB FV3GFS的預報結果，紅色線為 CWBGFS的預報結
果。(a)、(c)中灰色虛線表示 Scorr=0.5。
3.2.3 定量降雨預報：降雨發生頻率比對
而在進行模式的定量降雨預報技術得分評比之前，我們先針對模式對東亞地區的降
雨發生頻率掌握能力進行分析（圖 9）。於圖 9 中，除了頻率的分布之外，我們亦參考
Huang et al.（2020）將降雨強度分成 4個等級，分別為小雨（light：1-5 mm/day）、中雨
32
（moderate：5-20 mm/day）、大雨（heavy：20-80 mm/day）、強降雨（extreme：> 80 mm/day），
並繪製比例圖於圖 9a-f內的右上方，藉此了解模式是否有能力預報不同降雨強度佔總降
雨的比例。
從觀測資料（黑線與灰色柱狀圖）可以發現個案 2的中雨、大雨及強降雨佔總降雨
的比例都高於個案 1，而個案 2的小雨（43%）比例則低於個案 1（55%），此結果表示
個案 2在東亞地區的降雨量比個案 1多，與圖 6的結果一致。模式結果方面，若單就降
雨發生頻率來看，小雨頻率的表現以 CWB FV3GFS（綠線）與觀測相差最大，有明顯低
估小雨頻率的現象，而中雨頻率的表現則以 CWB FV3GFS與觀測相差最小；且上述現
象在 LT1~5、LT6~10、LT11~16，以及在個案 1（圖 9a-c）和個案 2（圖 9d-f）皆可見。
而在降雨強度 ≥ 60 mm/day時的降雨頻率，大致以 CWB FV3GFS與觀測結果最為相近。
然而，若以不同降雨強度佔總降雨比例（右上小圖）來看，大雨的部分則是以 CWB
FV3GFS與觀測結果的差異最大，有高估大雨比例的情況。
若就 NCEP FV3GFS（藍線）、CWBGFS（紅線）與觀測資料相比，兩模式皆在降雨
強度<（≥）40 mm/day時有高估（低估）降雨頻率的現象，但大致以 NCEP FV3GFS在
降雨頻率分布的掌握較 CWBGFS 更接近觀測資料。雖然整體來看 NCEP FV3GFS 和
CWBGFS對於實際降雨的頻率掌握不如 CWB FV3GFS佳，但對於不同降雨強度佔總降
雨比例（右上小圖）而言，除了中雨之外，NCEP FV3GFS和 CWBGFS的預報結果皆較
CWB FV3GFS 的預報結果與觀測結果接近，並大致都有掌握到觀測的特徵（亦即降雨
強度越強，佔總降雨的比例越少），其中，CWBGFS 對於小雨的預報表現最好，NCEP
FV3GFS則對於大雨的預報表現最佳。上述結果顯示，三個模式對於實際降雨頻率的掌
握能力大多以 CWB FV3GFS為最佳，但若以不同降雨強度佔總降雨比例來看，則大多
以 CWB FV3GFS為最差。
33
圖 9：(a)為觀測降雨資料(IMERG)及模式降雨資料 LT1~5 在 5/16~5/18 個案期間，東亞
地區各降雨強度之發生頻率，圖中右上角比例圖為不同降雨強度區間之發生頻率
占總天數的百分比。(b)、(c)同(a)，但分別為 LT6~10、LT11~16的結果。(d)~(f)同
(a)~(c)，但為 6/10~6/14 個案的結果。黑色線(柱)為觀測資料的結果，藍色線為
NCEP FV3GFS 的預報結果，綠色線為 CWB FV3GFS 的預報結果，紅色線為
CWBGFS的預報結果。水平軸為降雨強度每 1 mm/day為間隔。比例圖中不同降
雨強度區間分別為小雨(light：1-5 mm/day)、中雨(moderate：5-20 mm/day)、大雨
(heavy：20-80 mm/day)、強降雨(extreme：> 80 mm/day)。
34
3.2.4 定量降雨預報：預報技術得分比對
接著我們利用降雨頻率分析的結果，透過公式（3）-（4）進行 TS、BS預報技術得
分計算（圖 10），客觀地瞭解三個模式對於東亞地區強降雨個案的定量降雨預報結果差
異。整體來看，不論是個案 1（實線）或個案 2（虛線），TS 得分在 LT1-5（圖 10a）、
LT6-10（圖 10b）及 LT11-16（圖 10c）大致都隨著降雨門檻值的增加而逐漸減小，代表
三個模式對於越大降雨的定量掌握能力越低。而比對圖 10a-c中個案 1及個案 2的表現，
還可以看到三個模式在個案 2的 TS得分都高於個案 1，表示三個模式在 LT1-16對於個
案 2東亞地區的定量降雨預報能力優於個案 1，此結果與圖 8的結果一致。若進一步比
對三個模式的 TS表現差異，可見在 LT1-5中，CWBGFS（CWB FV3GFS）的 TS得分
最高（低），而 LT6-10和 LT11-16則顯示 CWBGFS和 NCEP FV3GFS的 TS得分相近，
CWB FV3GFS的 TS得分則略低於另兩個模式。上述這些結果不論對個案 1或個案 2都
是成立的。另外，我們發現上述 TS的分析結果（即 CWB FV3GFS表現最差）與圖 9中
三個模式對於「佔總降雨頻率比例」的分析結果（圖 9 右上角亦是呈現 CWB FV3GFS
表現最差）較為一致，而與圖 9中三個模式對於「實際降雨頻率」的表現能力（即 CWB
FV3GFS 的表現最佳）較為不同。這意味著若要提高模式的 TS 得分，或許改善模式對
「佔總降雨頻率比例」的表現能力會較改善模式對「實際降雨頻率」的表現能力更為重
要。
而就 BS得分（圖 10d-f）來看，我們亦發現 NCEP FV3GFS和 CWBGFS對於個案
1和個案 2的預報表現類似，兩模式大致在降雨門檻值 ≤ 20 mm/day的 BS得分 > 1，
而在降雨門檻值 > 20 mm/day的 BS得分 < 1，表示 NCEP FV3GFS和 CWBGFS對東亞
地區較弱降雨高估，而對較強降雨則低估，此 BS表現似乎與圖 9中呈現 NCEP FV3GFS
和 CWBGFS 對較弱降雨的頻率高估、對較強降雨的頻率低估相呼應。至於 CWB
35
FV3GFS的 BS得分方面，則呈現對較弱降雨低估、對強降雨則大多（除了圖 10d-f的個
案 2 外）高估的現象，此結果與另兩個模式結果相反。上述結果與圖 9 呈現的 CWB
FV3GFS對降雨頻率的分布與另兩個模式差異較大亦相呼應。
而除了圖 10，我們亦利用性能圖（圖 11）進行模式預報能力分析比對。在此我們挑
選降雨門檻值 1 mm/day（圖 11a、d）及第 2.5小節中定義強降雨個案所使用的降雨門檻
值 15 mm/day（圖 11b、e），以及其 2倍的降雨門檻值 30 mm/day（圖 11c、f）繪製相關
的性能圖。整體來看，個案 1（圖 11a-c）和個案 2（圖 11d-f）顯示三個模式的 POD、
1-FAR、TS得分大致都隨著領先時間增加而漸減，表示三個模式對個案 1和個案 2在東
亞地區的定量降雨預報能力，皆隨著領先時間提前而減弱。在三個降雨門檻值中，不論
個案 1或個案 2，CWBGFS的 LT1~5（圓形點）的 POD、1-FAR、TS得分大致都較另兩
模式來的高（打點位置較接近性能圖右上角），其中以 CWB FV3GFS的得分最低，表示
CWBGFS 在領先時間第 1~5 天的東亞地區不同降雨強度之定量降雨預報能力最佳，而
CWB FV3GFS則有較多的進步空間。此外，CWBGFS和 NCEP FV3GFS的 LT6~10（方
形點）、LT11~16（十字點）在門檻值 1 mm/day中的技術得分較為相近，表示兩模式在
LT6~16的東亞地區定量降雨預報表現相當。然而，在 15 mm/day和 30 mm/day中，三
個模式的 LT6~10、LT11~16的技術得分相近，顯示出對於越強降雨三個模式的技術得分
越接近。
總的來說，綜合以上東亞地區的定量降雨預報結果，三個模式在所有領先時間對於
個案 2的定量降雨預報能力都較個案 1好。另一方面，整體而言，不論個案 1或個案 2，
CWBGFS 在 LT1~5 的東亞地區定量降雨預報最佳，而 NCEP FV3GFS 與 CWBGFS 在
LT6~16的定量降雨預報表現相近，並都優於 CWB FV3GFS。然而，三個模式對於越強
降雨的定量降雨預報表現越相近。
36
圖 10：觀測資料(IMERG)與 NCEP FV3GFS、CWB FV3GFS、CWBGFS模式資料針對東
亞地區在 2 個強降雨個案的 LT1-5、LT6-10、LT11-16 之預報技術得分平均值。
(a)-(c)為 TS得分，(d)-(f)為 BS得分，其中灰色實線表示 BS=1。(a)、(d)為 LT1~5
的結果，(b)、(e)為 LT6~10的結果，(c)、(f)為 LT11~16的結果。實線為 5/16~5/18
個案，虛線為 6/10~6/14 個案。藍色線為 NCEP FV3GFS 的預報結果，綠色線為
CWB FV3GFS的預報結果，紅色線為 CWBGFS的預報結果。水平軸為降雨強度
(mm/day)。
37
圖 11：NCEP FV3GFS、CWB FV3GFS、CWBGFS模式與觀測資料(IMERG)針對東亞地
區在 2 個強降雨個案期間，各降雨門檻值之預報技術得分所做的性能圖。(a)-(c)
為 5/16~5/18個案的結果，(d)-(f)為 6/10~6/14個案的結果。(a)、(d)為降雨門檻值
1 mm/day的結果，(b)、(e)為降雨門檻值 15 mm/day的結果，(c)、(f)為降雨門檻
值 30 mm/day的結果。空心圓點表示 LT1~5之預報平均，空心方形點表示 LT6~10
之預報平均，十字點表示 LT11~16之預報平均。色階表示各模式資料，藍色代表
NCEP FV3GFS，綠色代表 CWB FV3GFS，紅色代表 CWBGFS。垂直軸為偵測率
(POD)，水平軸為成功預報率(1-FAR)，曲線為預兆得分(TS)，傾斜直線為偏倚得
分(BS)。
38
3.3 模式對臺灣區域的降雨預報能力評估
上述 3.2節著重在東亞地區降雨預報分析結果的討論。於此小節中我們著重在臺灣
區域的降雨預報能力評估。而由於 QPESUMS資料相較於 IMERG衛星資料更能表徵臺
灣的實際降雨情況，因此本節改以 QPESUMS資料與三個模式資料進行比對。
3.3.1 降雨空間特性比對
圖 12呈現的是從觀測資料及三個模式在 LT1~5的預報資料所擷取之個案 1（圖 12a-
d）及個案 2（圖 12e-h）的降雨（著色）及對應的 925hPa風場（向量）之水平分布。比
對圖 12a、12e與圖 12b-d、12f-h可以發現不論是個案 1或個案 2，整體來看三個模式對
於臺灣降雨量都有預報不足的情形。若單就 NCEP FV3GFS的預報結果來看，個案 1（圖
12b）和個案 2（圖 12f）在中央山脈附近都有二個明顯的降雨量集中區，類似現象在過
去黃（2019）針對 NCEPGFS所做的評估報告中也有提到，也就是說針對臺灣而言 NCEP
的模式似乎都有降雨集中在山區的問題。然而從低層風場卻可見 NCEP FV3GFS預報的
風向大致與觀測結果類似，無風場輻合於山區的現象，因此可以推測 NCEP FV3GFS預
報山區多雨的現象似乎與風場分布無直接關聯。值得一提的是，我們發現雖然 NCEP
FV3GFS與 CWB FV3GFS的東亞地區降雨分布與相似（圖 6），但在臺灣區域的降雨分
布卻明顯不同。就 CWB FV3GFS的預報結果來看，個案 1（圖 12c）降雨量分布主要在
臺灣西半部，而個案 2（圖 12g）降雨量分布則主要位於中央山脈西北側與西南側，若
對應低層風場則可推測 CWB FV3GFS 的降雨分布似乎與迎風面降雨有關。而就
CWBGFS的預報結果來說，個案 1（圖 12d）的降雨分布在臺灣西南部以及東北部，個
案 2（圖 12h）的降雨量則集中在臺灣西北部，對應低層風場亦可以發現 CWBGFS的降
雨分布和迎風面降雨有關。顯然地，CWB FV3GFS 及 CWBGFS 都沒有類似 NCEP
FV3GFS有在山區集中降雨的現象，可能的原因將於 3.4節討論。
39
圖 12：觀測資料(QPESUMS)與 NCEP FV3GFS、CWB FV3GFS、CWBGFS模式 LT1~5
預報 2個強降雨個案的臺灣平均降雨量(著色區)和 925hPa風場(向量)空間分布。
(a)-(d)為 5/16-5/18個案，(e)-(h)為 6/10-6/14個案。(a)、(e)為 QPESUMS，(b)、(f)
為 NCEP FV3GFS模式的預報結果，(c)、(g)為 CWB FV3GFS模式的預報結果，
(d)、(h)為 CWBGFS模式的預報結果。降雨單位：mm/day，風場單位：m/s。
而由於在去年的報告（黃，2019）中，我們發現 CWBGFS、NCEPGFS都有低估中
央山脈迎風面降雨量，但高估臺灣東部降雨量的現象，因此為了釐清此誤差是否仍存在
於現行的模式之中，我們更進一步將圖 12b-d（圖 12f-h）分別減去圖 12a（圖 12e）的結
果繪製於圖 13a-c（圖 13d-f）。從圖 13a-c看到三個模式對於個案 1在中央山脈以及西北
沿岸降雨量皆低估，而對於臺灣西南部沿岸則高估降雨量；就個案 2方面，三個模式（圖
13d-f）也都低估臺灣西側的降雨量。另一方面，值得一提的是，不論個案 1或個案 2，
僅有 NCEP FV3GFS對於臺灣東部降雨有明顯高估的現象。上述結果顯示出針對臺灣而
言，目前的預報模式（NCEP FV3GFS、CWB FV3GFS、CWBGFS TCo639）似乎仍無法
40
有效地改善先前存在於模式中的定量降雨預報問題。若比對降雨差異與風場差異，可見
三個模式低估臺灣西側降雨的區域似乎與其低估西南風的區域部分相符，但不全相符，
此意味著除了動力因素之外，可能有其他的因素在影響模式預報臺灣降雨的分布，相關
討論請見後面 3.4節。而由於我們發現上述針對 LT1~5的討論亦可適用於對 LT6~16的
預報降雨評估，因此不再針對 LT6~16 的結果重覆討論，取而代之的是將三個模式在
LT1~LT16預報臺灣降雨空間分布檢附於附錄中（附錄圖 B7-B12），供讀者參考。
圖 13：NCEP FV3GFS、CWB FV3GFS、CWBGFS模式 LT1~5預報 2個強降雨個案的平
均降雨量(著色區)、925hPa風場(向量)與觀測資料(QPESUMS)的差異值。(a)-(c)為
5/16-5/18個案，(d)-(f)為 6/10-6/14個案。(a)為圖 12b減去圖 12a，(b)為圖 12c減
去圖 12a，(c)為圖 12d 減去圖 12a，(d)為圖 12f 減去圖 12e，(e)為圖 12g減去圖
12e ，(f)為圖 12h減去圖 12e。降雨單位：mm/day，風場單位：m/s。
41
3.3.2 Scorr與 RMSE比對
接著我們進一步地仿照圖 8把圖 12中所示之觀測資料與三個模式資料，進行 Scorr
和 RMSE比對（圖 14）。不論是個案 1（圖 14a）或個案 2（圖 14c），三個模式和觀測降
雨在臺灣的空間分布之 Scorr在 LT1~16大部分都 < 0.5，顯示三個模式在 LT1~16都沒
有辦法掌握好此 2 個案在臺灣的降雨空間分布特色。然而，三個模式對個案 2 之 Scorr
數值在 LT1~16大多（除 NCEP FV3GFS的 LT11~16、CWB FV3GFS的 LT8~10之外）
都高於個案 1，顯示三個模式對於個案 2的預報表現大致較個案 1來的好。
而就 RMSE的結果來看，在個案 1（圖 14b）中，三個模式 LT1~10的 RMSE數值
相近，LT11~16則是以 NCEP FV3GFS（CWB FV3GFS）的 RMSE數值最小（大）；在個
案 2（圖 14d）中，CWBGFS則是三個模式中在多數領先時間有較小的 RMSE數值。值
得注意的是，我們發現在個案 2中，CWB FV3GFS的 RMSE有 3個峰值，分別為 LT3、
LT9、LT16，比對個案 1可以發現此現象為單一個案之現象，主要因為 CWB FV3GFS對
個案 2 在 LT1~3、LT6~9、LT12~16 的降雨量預報都有逐漸減少的現象所造成（附錄圖
B11）。另一方面，若比對個案 1和個案 2的 RRMSE 數值（圖中右側垂直軸），則可以
看到個案 2的相對誤差小於個案 1，顯示三個模式對於個案 2的預報表現大致較個案 1
來的好，此結果與東亞地區的結果（圖 8b、d）相呼應。然而，僅就圖 14的結果，我們
無法評斷出哪個模式的表現是明顯優於或劣於另外 2個模式。
綜合 Scorr及 RMSE的結果來看，三個模式對於個案 2的臺灣降雨空間分布預報表
現較個案 1來的好，此與前述東亞地區的預報降雨結果相符，表示模式對於 5月的強降
雨分布掌握能力較 6月差的現象，不僅在大範圍的區域，在較小範圍的臺灣也有類似現
象。另外，針對臺灣降雨的空間分布掌握，三個模式的表現能力各有好壞，無法單就此
2個案推斷哪個模式的表現最佳或最差。
42
圖 14：(a)為針對 5/16~5/18 個案之臺灣平均降雨空間分布，所作的模式降雨預報(如圖
12b)與QPESUMS(如圖 12a)之空間相關係數(Scorr)比對。(c)同(a)，但為 6/10~6/14
個案的結果。(b)、(d)同(a)、(c)，但為均方根誤差(RMSE；左側垂直軸)和相對均
方根誤差(RRMSE；右側垂直軸)比對。藍色線為 NCEP FV3GFS 的預報結果，
綠色線為 CWB FV3GFS的預報結果，紅色線為 CWBGFS的預報結果。(a)、(c)
中灰色虛線表示 Scorr=0.5。
43
3.3.3 定量降雨預報：降雨發生頻率比對
除了上述的 Scorr與 RMSE統計檢驗之外，我們亦檢視三個模式對於臺灣地區之定
量降雨預報的表現。首先我們比對在不同降雨強度下，觀測資料與三個模式資料估算出
的臺灣降雨發生頻率之差異（圖 15）。從觀測結果（黑線）可以發現個案 2在降雨強度
> 20 mm/day的發生頻率都比個案 1高，右上方的比例圖也顯示個案 2的大雨佔總降雨
的比例都高於個案 1，顯示出個案 2在臺灣的降雨量比個案 1多。值得注意的是，觀測
資料顯示個案 2在降雨強度 0-20 mm/day的發生頻率明顯隨著降雨強度而增加，而此現
象在個案 1中沒有出現。
模式結果方面，就個案 1（圖 15a-c）來看，NCEP FV3GFS（藍線）和 CWBGFS（紅
線）在 LT1~16預報降雨強度 < 20 mm/day的降雨頻率大致皆高估，從比例圖也可見兩
模式的小雨和中雨比例皆高於觀測結果。而 CWB FV3GFS在 LT1~16（綠線）除了高估
降雨強度 0-2 mm/day的降雨頻率之外，其餘降雨強度之頻率皆低估。此外，三個模式在
LT1~5（圖 15a）和 LT6~10（圖 15b）都沒有預報到降雨強度 > 80 mm/day的降雨，從
比例圖也可以看到三個模式的強降雨比例為 0%。另外，就個案 2的結果（圖 15d-f）而
言，NCEP FV3GFS和 CWB FV3GFS的降雨頻率分布較為相似，然而，三個模式大致都
有在降雨強度 <（≥）20~40 mm/day時高估（低估）降雨頻率的現象，此特徵與比例圖
的結果（即高估小雨、中雨比例，低估大雨、強降雨比例）一致。值得注意的是，僅CWBGFS
在 LT1~10有掌握到個案 2在降雨強度 0-20 mm/day的降雨發生頻率有隨著降雨強度而
增加的特徵。
從圖 15 的討論可以發現三個模式結果的差異性大，對臺灣地區降雨發生頻率的分
布沒有一定的規律，且不同降雨強度的預報結果各有好壞。對此，我們推測因為臺灣本
島的網格點數較東亞地區少很多，因此圖 15不如圖 9（東亞地區）來的有規律。
44
圖 15：同圖 9，但為臺灣區域的結果，其中觀測資料為 QPESUMS。
45
3.3.4 定量降雨預報：預報技術得分比對
接著透過計算預報技術得分（圖 16），以客觀地評估三個模式對於臺灣強降雨個案
的定量降雨預報結果差異。首先以 TS得分（圖 16a-c）來看，不論是個案 1或個案 2，
三個模式在 LT1~16 皆顯示隨著降雨門檻值的增加 TS 得分越小，代表三個模式對於越
強降雨的預報能力越低。若比對個案 1和個案 2的結果，可以發現三個模式預報個案 2
在不同降雨強度之 TS得分大致都比個案 1高，表示三個模式對於個案 2的臺灣定量降
雨預報表現較佳，此與圖 14的結果一致，且也與東亞地區（圖 10）的結果相同。另外，
針對個案 1，比對三個模式的計算結果，可見 NCEP FV3GFS和 CWBGFS在降雨門檻值
≤ 10 mm/day時的 TS得分大致差異不大，CWB FV3GFS則小於另兩個模式；當門檻值
> 10 mm/day時，NCEP FV3GFS與 CWB FV3GFS在 LT1~10的 TS得分大致差異不大，
CWBGFS在 LT1~10的 TS得分大致差異最小。而在 LT11~16中，NCEP FV3GFS的 TS
得分則最高。針對個案 2，比對三個模式的計算結果，可見 CWBGFS LT1~16在降雨門
檻值 ≤ 30 mm/day時的 TS得分高於另兩個模式，而當門檻值 > 30 mm/day時，三個模
式的 TS得分差異不大。
BS得分方面，不論是個案 1或個案 2，三個模式在 LT1~16（圖 16d-f）皆顯示所有
降雨門檻值的 BS 得分大致都小於 1，並隨著門檻值增加 BS 得分越小，表示 NCEP
FV3GFS、CWB FV3GFS、CWBGFS對於臺灣區域的降雨預報不足，且隨著降雨強度增
加，低估的程度越大。然而，圖 16d-f 似乎無法比對出三個模式在臺灣定量降雨預報誤
差的優劣，為了釐清此問題，我們仿照圖 11挑選三個降雨門檻值繪製性能圖（圖 17）
進行分析。就個案 1的結果而言，在門檻值 1 mm/day（圖 17a）中，NCEP FV3GFS與
CWBGFS的 LT1~16的打點位置都比 CWB FV3GFS更接近性能圖右上角，表示 NCEP
FV3GFS 與 CWBGFS 對於臺灣定量降雨預報的表現較 CWB FV3GFS 優；而在門檻值
46
15及 30 mm/day（圖 17b-c）中，NCEP FV3GFS的 LT11~16（十字點）的技術得分最高。
就個案 2的結果而言，CWBGFS的 LT1~16在門檻值 1及 15 mm/day（圖 17d-e）的 POD、
1-FAR、TS 得分（BS 得分）都比另兩個模式來的高（更接近 1），顯示 CWBGFS 的表
現為三個模式中最佳者；而在門檻值 30 mm/day（圖 17f）中，三個模式的技術得分則大
致接近。
圖 16：同圖 10，但為臺灣區域的結果，其中觀測資料為 QPESUMS。
47
圖 17：同圖 11，但為臺灣區域的結果，其中觀測資料為 QPESUMS。
48
3.4 影響臺灣降雨之因素探討
在 3.3節中，我們發現三個模式對於個案 2的降雨預報表現比個案 1佳。接下來我
們將分析影響臺灣降雨的因素，包含：（1）臺灣地形、風場與降雨特性之間的關係、（2）
水氣、風場與降雨帶位置之間的關係、（3）水氣通量與降雨特性之間的關係，藉此探討
影響三個模式預報臺灣降雨差異，以及造成三個模式對個案 2降雨有較佳預報能力的可
能原因。
3.4.1 地形、風場與降雨特性之間的關係
在去年的報告（黃，2019）中，我們發現到模式預報臺灣降雨分布的特徵似乎與其
預報低層風場的走向及地形息息相關，而 NCEPGFS和 CWBGFS（T511L60）在臺灣地
區的風場與地形交互作用差異很大，所以兩者之間預報的降雨分布特性差異亦很大。為
了瞭解上述發現是否亦適用於解釋 3.3 節中指出之三個模式預報臺灣降雨分布的差異
（圖 12），我們仿照黃（2019）（附錄圖 A1-A2），繪製個案 1和個案 2之 925hPa風場、
雨量和地形（圖 18-19）並進行以下討論。而由於 NCEP FV3GFS在 LT1~10和在 LT11~16
使用的地勢高度不同（圖 1），因此我們以 LT1和 LT11的結果為代表進行分析。
⚫ 個案 1
從圖 18a可以看到 ERA5再分析資料（簡稱 ERA5）顯示臺灣西半部有強烈的低層
西風（23ºN以南）及西南風（23ºN以北），受到風場與地形的交互作用影響，降雨多分
布在山區西半部迎風面，平地雨量反而比較少。此外，我們還可以看到臺灣東北方海域
有降雨，這可能與該區域吹東南風有關。比對圖 18a和圖 18b的結果，可以發現 NCEP
FV3GFS 在 LT1 能掌握到臺灣西部受西南風影響，東北部受東南風影響的特徵，此與
ERA5 結果相似。而從圖 18b 來看，NCEP FV3GFS 在臺灣山區的降雨大值明顯非因風
場輻合所造成，反而降雨大值區與地勢高處相符，據此我們推測 NCEP FV3GFS在臺灣
49
的降雨分佈應該主要跟「地形分布」有關。與上述推測相呼應，我們發現 NCEP FV3GFS
在 LT11 的臺灣降雨最大值也都出現在偏高山上，而非迎風面上，此佐證我們的論述－
NCEP FV3GFS的降雨受到「地形效應（topography effect）」影響的程度大於受到「風場
輻合效應（wind convergence effect）」影響的程度。
接著比對圖 18a與圖 18c，可以看到 CWB FV3GFS在 LT1有掌握到與 ERA5類似
的風場特徵，但其降雨最大值位於臺灣西南部迎風面上較觀測位置偏西，顯示雖然風場
輻合效應對其降雨預報有一定的影響，但單就風場模擬比對結果並無法解釋其降雨模擬
與觀測資料之間的差異；對此，我們推測此差異可能與兩者地形的差異有關－CWB
FV3GFS 的地形較實際觀測平滑，其地形在 200 m 的位置也相較於觀測偏西，而使得
CWB FV3GFS的迎風面降雨位置也偏西。而就 CWB FV3GFS在 LT11（圖 18f）的結果
來看，在臺灣本島的降雨量值遠不及觀測，降雨大值區反而發生在臺灣西北方海域，此
分布可能與鋒面位置有關，待我們在 3.4.3小節說明。
至於 CWBGFS，其在 LT1（圖 18d）預報的風場特徵（即風向、風速）亦與 ERA5
（圖 18a）類似，但預報的降雨大值則與觀測結果較為不同，主要分布在臺灣西方海域、
西部沿岸及東北部。就風場、降雨、地形的分佈來看，我們推測圖 18d中西部沿岸降雨
為迎風面降雨；而東北部降雨可能是因為 CWBGFS 的地勢低，強烈的西南風過山後與
東北部的東風輻合所造成。比對圖 18d和圖 18g，可以看到 CWBGFS在 LT11的東北部
沿岸也有受輻合效應所產生的降雨，但其降雨量比 LT1少，這可能與 LT11在西半部的
西南風較 LT1弱，或是該區域的水氣較少有關，有關於水氣的差異我們會在 3.4.2小節
說明。除了東北部沿岸之外，LT11的臺灣本島沒有其他明顯的降雨，反而是在臺灣西北
方海域有降雨，此特徵與 CWB FV3GFS的 LT11類似。
50
圖 18：觀測降雨資料(海洋：IMERG、陸地：QPESUMS)與 NCEP FV3GFS、CWB FV3GFS、
CWBGFS模式資料之5/16-5/18個案平均降雨(著色區)、模式地形(等值線)與ERA5
再分析資料的 925hPa風場(向量)空間分布。(a)為觀測降雨資料和 ERA5的結果，
(b)、(e)為 NCEP FV3GFS模式的預報結果，(c)、(f)為 CWB FV3GFS模式的預報
結果， (d)、(g)為 CWBGFS 模式的預報結果。(b)~(d)為 LT1 的結果，(e)~(g)為
LT11的結果。降雨單位：mm/day。地形單位：m。風場單位：m/s。
⚫ 個案 2
就個案 2的結果方面，從 ERA5風場資料和觀測降雨資料（圖 19a）可見臺灣西半
部低層風場屬於偏西南風的環境，因此可以看到此風場與地形的交互作用所產生的西半
部迎風面降雨。此外，圖 19a中亦呈現臺灣西半部山區的降雨量較東半部山區多，這或
許是因為西半部吹的西南風可為臺灣帶來較多的水氣，而東半部吹的北風帶來的水氣較
少。若比較圖 19a和圖 18a，可以發現二個案的本島降雨都屬於迎風面降雨，但由於二
個案的低層風場分布不同，進而影響二個案的降雨分布差異，也就是說降雨和風場與地
形的交互作用是息息相關的。
51
而比對圖 19a和圖 19b，可發現 NCEP FV3GFS在 LT1能掌握到臺灣西半部受南風、
東半部受北風影響的特徵；搭配此特徵，其在西部迎風面的降雨多於東半部迎風面的降
雨，此現象亦與觀測降雨結果相似。然而，與前述個案 1（圖 18b）看到的特徵相似，
NCEP FV3GFS對個案 2在 LT1的臺灣最大降雨位在高山區，其所在位置明顯非風場輻
合最大之處。另外，比對圖 19b和圖 19e，可見 NCEP FV3GFS不論是在 LT1或 LT11，
降雨最大值都出現在偏高山上，而非迎風面上，此支持我們在個案 1的推測，即 NCEP
FV3GFS的降雨受到「地形效應（topography effect）」影響的程度大於受到「風場輻合效
應（wind convergence effect）」影響的程度。值得注意的是，個案 2中 LT11（圖 19e）在
臺灣附近海面上的降雨場分布和 LT1（圖 19b）有明顯不同，比對個案 1 中 LT11（圖
18e）和 LT1（圖 18b）的結果後，我們認為這應是單一個案現象而非通例。
接著，我們檢視 CWB FV3GFS在 LT1（圖 19c）及 LT11（圖 19f）的結果，可以看
到 CWB FV3GFS降雨最大值亦位於臺灣西北半部迎風面上，顯示風場輻合效應對降雨
的位置有一定的影響。而與 LT1 相比，LT11 在臺灣西半部的西南風較弱，因此迎風面
降雨亦較弱。至於 CWBGFS的結果方面，在 LT1（圖 19d）除了呈現西半部迎風面下雨
之外，東半部迎風面亦可見較大降雨，此東半部降雨情形和觀測降雨資料（圖 19a）較
為不同，我們推測可能是因為 CWBGFS在東半部的風場輻合效應較 ERA5明顯所致。
而與 LT1相比，CWBGFS在 LT11（圖 19g）的低層風速在西半部明顯較強，這可能是
造成 LT11在西半部的迎風面降雨明顯較 LT1強的原因之一。另外，比對圖 19a和圖 19c-
d，可以發現 CWB FV3GFS和 CWBGFS在 LT1預報臺灣西北方的東北風（西南方的西
南風）似乎較 ERA5 強（弱），這或許影響到鋒面降雨的位置，造成兩模式的臺灣降雨
分布偏西北，這部份我們會在 3.4.3小節進行分析。
52
圖 19：同圖 18，但為 6/10~6/14個案的結果。
⚫ 模式間的比對
值得一提的是，不論是針對個案 1（圖 18）或個案 2（圖 19），都可以發現 CWB
FV3GFS、CWBGFS 在 LT1 及 LT11 中並無呈現明顯的山區降雨，此與 NCEP FV3GFS
明顯不同。然而，比對 CWB FV3GFS和 NCEP FV3GFS的低層風場模擬，我們卻又發
現兩模式風場走向分布相似。因此，可以推論 CWB FV3GFS和 NCEP FV3GFS的降雨
分布差異的主要原因，並非由動力因素（即風場輻合分布差異）而來。又從表 1我們可
以知道 NCEP FV3GFS與 CWB FV3GFS除了資料同化和水平解析度之外，其他物理參
數設定是相同的，因此我們猜測造成兩模式的臺灣降雨在 LT1分布差異的可能原因，或
許與資料同化方法及水平解析度有關，又或者是因為模式地形差異（圖 1）造成。另一
方面，由於 NCEP FV3GFS與 CWB FV3GFS在 LT11使用的臺灣地形較為相似（圖 1），
53
模式地形差異或許並非造成兩模式在 LT11降雨差異的主要原因。反之，NCEP FV3GFS
和 CWB FV3GFS的風場差異在 LT11較 LT1明顯，例如：（1）在個案 1中，NCEP FV3GFS
在臺灣東半部有氣旋式和反氣旋式環流，CWB FV3GFS沒有此現象。（2）在個案 2中，
CWB FV3GFS預報臺灣西方氣旋式環流的位置比 NCEP FV3GFS更接近臺灣。因此，我
們推測隨著預報領先時間增加，NCEP FV3GFS 與 CWB FV3GFS 兩者降雨分布的差異
除了和資料同化方法及水平解析度有關之外，和兩模式在風場的分布差異或許也有一些
關聯。
至於 CWBGFS，我們從表 1可以知道其與 NCEP FV3GFS及 CWB FV3GFS大部分
的物理參數設定不同，因此目前我們尚無法得知是何種物理參數設定差異導致CWBGFS
與另外兩模式降雨差異。惟可以確認的是，風場的輻合效應對決定 CWBGFS 在臺灣地
區降雨的分布應扮演著重要的角色，此與 CWB FV3GFS較為相同。
3.4.2 水氣場的比對
在去年的報告（黃，2019）中，我們指出除了地形、風場之外，水氣的分布也可能
是影響降雨分布的原因之一，因此我們亦進行水氣場的比對。圖 20 呈現的是個案 1 及
個案 2 使用 ERA5（圖 20a、20e）與三個模式資料（圖 20b-d、圖 20f-h）所估算出之
1000~300hPa比濕的垂直積分結果。從 ERA5可以看到個案 1（圖 20a）中臺灣山區水氣
少於平地，且臺灣附近水氣分布自南向北逐漸增加；若比對圖 20a與圖 18a，可以發現
海洋上的多水氣區和多降雨區相互對應。而在個案 2中，ERA5（圖 20e）也顯示水氣由
平地向山區減少的特徵，但臺灣附近水氣分布則是自南向北逐漸減少；比對圖 20e和圖
19a，臺灣的多水氣區和多降雨區亦大致相符，佐證水氣的分布也可能是影響觀測降雨
分布的原因之一。
54
圖 20：ERA5再分析資料與 NCEP FV3GFS、CWB FV3GFS、CWBGFS模式 LT1的 2個
強降雨個案平均之 1000~300hPa垂直積分的比濕空間分布。(a)-(d)為 5/16-5/18個
案，(e)-(h)為 6/10-6/14個案。(a)、(e)為 ERA5，(b)、(f)為 NCEP FV3GFS模式的
預報結果，(c)、(g)為 CWB FV3GFS模式的預報結果，(d)、(h)為 CWBGFS模式
的預報結果。單位：Kg*Kg-1。
比對 ERA5與 NCEP FV3GFS的資料，可見不論是個案 1或個案 2，NCEP FV3GFS
的水氣集中在山區（圖 20b、20f），此分布雖然和 ERA5顯示的水氣分布（圖 20a、20e）
有很大的差別，但和 NCEP FV3GFS本身模擬的較大降雨區（圖 18b、19b）卻是相符合，
表示水氣亦是影響 NCEP FV3GFS預報降雨分布的重要因素之一。而與 NCEP FV3GFS
相似，CWB FV3GFS 估算個案 1（圖 20c）和個案 2（圖 20g）之水氣分布都集中在山
區，然而，CWB FV3GFS的多雨區卻是位於臺灣西半部而非山區（圖 18c、19c）；這些
發現意味著在 CWB FV3GFS 中，水氣分布並非是影響降雨分布的主要原因。至於
55
CWBGFS，從圖 20d、20h可以看到其對個案 1和個案 2之水氣分布並無呈現山區大值，
而是山區的水氣較平地少，且臺灣西半部的水氣多於東半部，此與 NCEP FV3GFS（圖
20b、20f）及 CWB FV3GFS（圖 20c、20g）不同，但與觀測的水氣分布（圖 20a、20e）
較為相似，這或許部分解釋了為何 CWBGFS的臺灣降雨模擬結果較其他兩模式為佳。
總的來說，從圖 18-20，我們推測「水氣分布」較「風場分布」對 NCEP FV3GFS的
降雨分布影響為大，「風場分布」較「水氣分布」對 CWB FV3GFS的降雨分布影響為大。
至於 CWBGFS，由於其水氣分布、風場輻合分布都和降雨區相呼應，因此我們目前無法
單就圖 18-20推論「水氣或風場分布，哪個對於 CWBGFS的降雨分布影響較大？」。對
此，我們將於 3.4.4小節中進行更進一步的降雨機制分析。
3.4.3 水氣、風場與降雨帶位置之間的關係
由於 3.4.1和 3.4.2僅針對特定領先時間的結果進行分析，因此為了更進一步瞭解模
式在 LT1~16掌握鋒面降雨帶位置的能力，我們針對個案 1（圖 21-22）和個案 2（圖 23-
24）檢視三個模式在 LT1~16對範圍 14ºN~34ºN，119ºE ~123ºE的 925hPa風場和水氣及
降雨所做的預報，並將顯示的鋒面位置特徵與觀測資料進行以下比對。
就個案 1來看，從 ERA5（圖 21紅色框）可以看到鋒面位置（註：此處定義為圖中
呈現北方乾燥、南方潮濕之交界面）大約在 30ºN，位於臺灣北方。比對 NCEP FV3GFS
（圖 21a）可見 LT1~LT6預報的鋒面位置與 ERA5相似，LT7~LT8預報的位置則偏北，
而 LT9~LT16 中除了 LT13、LT16 之外，隨著領先時間增加鋒面位置逐漸偏南；然而，
不論鋒面位置偏北（如：LT7~LT8）或偏南（如：LT14~LT15），臺灣本島山區都有明顯
水氣較周圍多的現象。CWB FV3GFS（圖 21b）方面，在 LT1~LT16中，LT1~LT5、LT8~LT9、
LT12預報鋒面位置與 ERA5相似，LT6~LT7、LT13預報的鋒面位置偏北；而 LT10~LT11、
LT14~16預報的鋒面位置偏南，其中 LT14~LT16的菲律賓水氣相較於臺灣附近多，此與
56
觀測結果不一致。就 CWBGFS的結果，在 LT1~LT5（圖 21c）預報鋒面位置都與 ERA5
相似，LT6~LT16預報的水氣較觀測結果明顯偏少。若比對圖 21與圖 22，可見鋒面位置
與降雨分布大致相互對應，但鋒面位置預報能力的好壞似乎和模式預報臺灣降雨分布能
力的好壞不完全一致，這主要是因為除了受到鋒面位置影響之外，臺灣本島降雨分布亦
明顯受到地形與風場交互作用的影響。
另一方面，就個案 2來看，從 ERA5可以看到水氣（圖 23紅色框）多集中於 26ºN
以南，且 26ºN為南北風交界處，而觀測降雨分布（圖 24紅色框）也集中於 26ºN以南，
表示鋒面位置位於約 26ºN。從 NCEP FV3GFS（圖 23a）可以看到在 LT1~LT6預報鋒面
位置與 ERA5 類似，LT7~LT14 預報鋒面位置偏南，水氣多集中於臺灣南方海域，且大
致都有東北風偏南的現象，而 LT15~16 則預報水氣不足。比對圖 23a 與圖 24a，可見
NCEP FV3GFS預報臺灣本島降雨和鋒面位置較無關係，而與水氣集中在臺灣山區有關；
然而，除了臺灣本島之外，其他區域的降雨分布似乎與鋒面位置有關，此特徵與個案 1
相同。CWB FV3GFS（圖 23b）方面，除了 LT4~LT5之外，其他領先時間預報的鋒面位
置似乎都有偏南的現象，對應風場分布也可以看到其預報的東北風有偏強和偏南的情況，
且比對降雨分布（圖 24b）可以發現臺灣本島西部大致有明顯降雨。因此我們推測風場
的輻合效應與地形的交互作用，對 CWB FV3GFS預報臺灣本島降雨可能有較大的影響。
至於 CWBGFS（圖 23c），在 LT1~LT2預報鋒面位置偏南，對應低層風場可見東北風偏
強且偏南；然而，比對降雨分布（圖 24c）可見臺灣本島仍有降雨，我們猜測臺灣本島
降雨和風場的輻合效應與地形的交互作用有關。而在 LT3~LT10預報的鋒面位置與觀測
類似，LT11之後則有偏北的現象，從低層風場也可以看到 LT11之後的西南風偏強並延
伸至 26ºN 以北。此外，CWBGFS 在 LT4~LT16 對於 20ºN 以南的水氣有預報不足的現
象，似乎與降雨預報不足一致。
57
圖 21：(a)為 ERA5 再分析資料(紅色框)和 NCEP FV3GFS 模式資料 LT1~LT16，針對
5/16~5/18 個案平均之 1000~300hPa 垂直積分比濕(著色區)、925hPa 風場(向量)
的空間分布。(b)、(c)同(a)，但分別為 CWB FV3GFS、CWBGFS的預報結果。
單位：Kg*Kg-1 。
58
圖 22：同圖 21，但著色區為觀測降雨資料(紅色框；海洋：IMERG、陸地：QPESUMS)
和模式平均降雨，單位：mm/day。
59
圖 23：同圖 21，但為 6/10~6/14個案。
60
圖 24：同圖 21，但為 6/10~6/14個案之觀測降雨資料(紅色框；海洋：IMERG、陸地：
QPESUMS)和模式平均降雨，單位：mm/day。
61
3.4.4 水氣通量與降雨特性之間的關係
接著，我們分析水氣通量[以(−𝛻 ∙ 𝑉𝑞)表示]及垂直水氣平流項[以(−ω𝜕𝑞
𝜕𝑝)表示]與降
雨分布特性之間的可能關係。此處我們以 925 hPa的水氣通量及其各項式為代表，進行
相關討論。首先，比對觀測降雨資料（圖 5a）和 ERA5的水氣通量（圖 25a）來看，可
以發現個案 1的降雨分布與(−𝛻 ∙ 𝑉𝑞)的正值分布大致符合，此意味著正的水氣通量可支
持降雨的增加；類似的解釋亦適用於個案 2（比對圖 5b 和圖 25c）。另一方面，若比對
圖 5a和圖 25b（圖 5b和圖 25d），可以發現降雨分布與(−ω𝜕𝑞
𝜕𝑝)的正值分布也是相似的，
但 (−ω𝜕𝑞
𝜕𝑝)的量值明顯較 (−𝛻 ∙ 𝑉𝑞)小，此表示垂直水氣平流項不若水平水氣
通量對降雨分布的影響來的大。有鑑於此，此小節後續將僅著重在(−𝛻 ∙ 𝑉𝑞)及其相關項
與降雨的比對，且不再針對(−ω𝜕𝑞
𝜕𝑝)進行更深入的探討。
而為了能夠同時呈現出模式在 LT1~LT16 的預報結果與 ERA5 之間的異同處，我們
擷取臺灣附近的水氣通量分布進行「緯向-預報時間（latitunal-lead time）圖」繪製，並
將兩強降雨個案的相關分析結果呈現於圖 26-27（針對 CWB FV3GFS）及附錄圖 B13-
B16（針對 NCEP FV3GFS及 CWBGFS）。此處我們將(−𝛻 ∙ 𝑉𝑞)拆解成水平水氣輻合項[
以(−𝑞𝛻 ∙ 𝑉)表示]與水平水氣平流項[以(−𝑉 ∙ 𝛻𝑞)表示]進行討論，可以從 ERA5（紅色方
框）中清楚看到(−𝛻 ∙ 𝑉𝑞)的空間分布與量值大小和(−𝑞𝛻 ∙ 𝑉)較為接近，而與(−𝑉 ∙ 𝛻𝑞)差
異較大，顯示水氣通量分布主要受到水平水氣輻合項分布所控制，而受到水平水氣平流
項的影響較小。比對 ERA5（紅色方框）與 CWB FV3GFS在 LT1~LT16的預報結果（黑
色方框），我們發現不論是個案 1（圖 26）或個案 2（圖 27），CWB FV3GFS都能掌握到
「(−𝛻 ∙ 𝑉𝑞)的變化主要受(−𝑞𝛻 ∙ 𝑉)的影響，而非(−𝑉 ∙ 𝛻𝑞)的影響」。而若比對圖 26a與
圖 22b，更可見 CWB FV3GFS 降雨的大值區域，大致位在(−𝛻 ∙ 𝑉𝑞)的正值區域，此現
62
象在 LT1~LT16 都可見，意味著 CWB FV3GFS 預報降雨分布的能力和其模擬水氣通量
分布的能力息息相關；類似的現象亦可見於 NCEP FV3GFS（附錄圖 B13、B15）及
CWBGFS（附錄圖 B14、B16）。
而為了方便比對三個模式對水氣通量變化的預報能力，我們亦嘗試針對臺灣附近區
域（115ºE~125ºE）降雨和水氣通量各項式進行經向平均，並繪製相關的「緯向-預報時
間圖」（圖 28）。首先是個案 1在臺灣附近的結果，從降雨分布（圖 28a）可以看到，在
三個模式的結果中，LT1~10大致都能掌握到雨量主要發生在 20-30ºN之間；但在 LT11~16，
僅 CWBGFS能掌握到此特徵，NCEP FV3GFS和 CWB FV3GFS則有隨領先時間增加而
降雨帶往南偏的現象。與上述降雨預報結果類似，在水氣通量（圖 28b）的預報方面，
我們發現三個模式在LT1~10大致都能掌握到(−𝛻 ∙ 𝑉𝑞)的大值主要發生在 20-30ºN之間，
而在 LT11~16，NCEP FV3GFS、CWB FV3GFS的(−𝛻 ∙ 𝑉𝑞)的大值則有往南偏的現象，
此主要是受到(−𝑞𝛻 ∙ 𝑉)的影響。個案 2方面，從臺灣附近區域（圖 29a）可以看到， NCEP
FV3GFS和 CWB FV3GFS的降雨分布相似，兩模式在 LT1~LT4大致都有掌握到與觀測
類似的雨量大值區，LT6~LT16則與觀測資料較有差異，例如：LT6~LT12在 18~22ºN出
現明顯的雨量大值。而 CWBGFS 在 LT1~LT7 也有掌握到與觀測類似的特徵，但在
LT8~LT16僅有一個雨量大值區。若從模式預報(−𝛻 ∙ 𝑉𝑞)及(−𝑞𝛻 ∙ 𝑉)的結果（圖 29b-c）
來看，我們發現 CWBGFS的(−𝛻 ∙ 𝑉𝑞)和(−𝑞𝛻 ∙ 𝑉)與 ERA5的分布較相似，大致都有呈
現(−𝛻 ∙ 𝑉𝑞)和(−𝑞𝛻 ∙ 𝑉)在 23~27ºN有一大值，且此大值在 LT1~LT16皆可見；反之，針
對 NCEP FV3GFS和 CWB FV3GFS則僅在 LT1~6可見(−𝛻 ∙ 𝑉𝑞)和(−𝑞𝛻 ∙ 𝑉)在 23~27ºN
有掌握到大值，這可能是 CWBGFS的降雨預報能力較 NCEP FV3GFS和 CWB FV3GFS
好的原因之一。
另一方面，我們亦針對二個案在西北太平洋區域（130-140ºE）的水氣通量分析結果
63
（圖 30-31）進行分析，希望更可以清楚地看出在除去地形的影響之後，模式對於海面
上的降雨分布預報結果。從圖 30-31，再次可以清楚地看出在除去地形的影響之後，模
式對海面上的降雨分布預報結果和其對(−𝛻 ∙ 𝑉𝑞)的預報息息相關，且(−𝛻 ∙ 𝑉𝑞)的預報結
果則是主要受到(−𝑞𝛻 ∙ 𝑉)預報結果的影響，而非(−𝑉 ∙ 𝛻𝑞)的影響。總的來說，上述的結
果與去年報告（黃，2019）的相關發現相互呼應，顯示出不論是東亞地區或臺灣，「模式
對於(−𝛻 ∙ 𝑉𝑞)分布的掌握能力，是影響其預報降雨分布能力的主因之一」，且「模式能
掌握到(−𝛻 ∙ 𝑉𝑞)的變化主要是受到(−𝑞𝛻 ∙ 𝑉)的貢獻，而非(−𝑉 ∙ 𝛻𝑞)」，可見水氣輻合項
對於降雨的影響似乎大於水氣平流項。此外，比對圖 30和圖 31我們還發現相較於個案
1，三個模式預報個案 2的(−𝛻 ∙ 𝑉𝑞)和(−𝑞𝛻 ∙ 𝑉)與 ERA5的特徵較為類似，這或許解釋
了三個模式對於個案 2的降雨掌握能力較個案 1好的可能性之一。
圖 25：針對 2019年 5/16-5/18、6/10-6/14，ERA5再分析資料的 925hPa水氣通量、垂直
水氣平流項(著色區)，以及風場(向量)之空間分布。(a)~(b)為 5/16-5/18個案平均，
(c)~(d)為 6/10-6/14個案平均。(a)、(c)為水氣通量，(b)、(d)為垂直水氣平流項。
著色區單位皆為 10-8
*s-1，風場單位為 m/s。
64
圖 26：(a)為 ERA5 再分析資料(紅色框)和 CWB FV3GFS 模式資料 LT1~LT16，針對
5/16~5/18 個案平均之 925hPa 水氣通量(著色區)的空間分布。(b)、(c)同(a)，但
分別為水平水氣輻合項、水平水氣平流項的結果。單位：10-8
*s-1。
65
圖 27：同圖 26，但為 6/10~6/14個案。
66
圖 28：(a)為觀測降雨資料(折線圖)和 NCEP FV3GFS、CWB FV3GFS、CWBGFS模式資
料 LT1~LT16(y-LT圖)，針對 5/16~5/18個案平均之平均 115-125ºE的降雨分布。
(b)、(c)、(d)同(a)，但分別為水氣通量、水平水氣輻合項、水平水氣平流項的結果。
(b-d)的折線圖為 ERA5再分析資料。降雨單位：mm/day，其他變數單位：10-8
*s-
1 。
67
圖 29：同圖 28，但為 6/10-6/14個案平均。
68
圖 30：同圖 28，但為平均 130-140ºE的結果。
69
圖 31：同圖 28，但為 6/10-6/14個案平均及平均 130-140ºE的結果。
70
4. 討論
去年報告（黃，2019）中我們分析 NCEPGFS（T1534L64、T574L64）、CWBGFS
（T511L60）對於 2017 年梅雨季期間三個強降雨個案在東亞地區和臺灣的降雨預報表
現。由於本年度報告所分析的三個模式，其解析度、物理參數過程相較於去年報告所使
用之兩個模式都有改善（相關模式差異可見表 2、表 3），因此我們於此小節中，我們藉
由統整第 3節的分析結果，並將這些結果與黃（2019）的發現進行比對，試圖檢視「本
年度分析的三個模式，其預報降雨能力是否有較去年報告分析的二個模式佳？」。
就 NCEP的全球預報模式而言，今年報告分析的 NCEP FV3GFS其相關統計結果有
比去年分析的 NCEPGFS來的好一些，但前期報告指出 NCEPGFS中存在的臺灣降雨過
於集中山區的問題仍出現在 NCEP FV3GFS。而不同於 NCEP 模式，本年度分析之
CWBGFS（TCo639），其相關預報結果明顯優於去年報告分析之 CWBGFS（T511L60）
許多；我們推測造成此結果的原因可能是由於原本存在於 CWBGFS（T511L60）中，臺
灣地勢過低導致氣流容易直接過山的問題，在 CWBGFS（TCo639）中已有改善。相比
於 CWBGFS（T511L60），CWBGFS（TCo639）的水平、垂直解析度較高、地勢較高，
較能掌握迎風面降雨。除此之外，從表 2 可以知道 CWBGFS（T511L60）和 CWBGFS
（TCo639）在積雲對流、淺對流（convection schemes）的設定上也不同，這也可能是造
成 CWBGFS（TCo639）的預報結果較 CWBGFS（T511L60）來的好的原因之一。然而，
值得一提的是，我們亦發現 NCEP FV3GFS、CWB FV3GFS、CWBGFS（TCo639）似乎
仍無法有效地改善先前存在於模式中的定量降雨預報（亦即低估降雨量）問題。
另一方面，不同於去年報告指出「不論是東亞地區或臺灣區域，NCEPGFS 的降雨
預報表現（包含 Scorr、RMSE、預報技術得分）都是比 CWBGFS（T511L60）來的好」。
在本年度的報告中，我們發現以降雨空間分布來說：（1）CWBGFS（TCo639）在東亞地
71
區的降雨預報能力略優於 NCEP FV3GFS，而 NCEP FV3GFS則是優於目前平行測試中
的 CWB FV3GFS；（2）CWBGFS（TCo639）對於臺灣降雨空間分布的預報表現已不亞
於 NCEP FV3GFS，且多數領先時間的統計檢定結果（含 Scorr、RMSE）都較 NCEP
FV3GFS 來的好。另一方面，我們發現以定量降雨預報來說，CWBGFS（TCo639）在
LT1~5的東亞地區定量降雨預報最佳，而NCEP FV3GFS與CWBGFS（TCo639）在LT6~16
的定量降雨預報表現相近，並都優於 CWB FV3GFS。上述這些結果意味著現行的
CWBGFS（TCo639）其表現能力已不亞於 NCEP全球預報模式。至於目前平行測試中的
CWB FV3GFS，則還有不少進步的空間。
72
5. 結論
為了瞭解 CWB FV3GFS、CWBGFS、NCEP FV3GFS模式對於 2019年梅雨季（5-6
月）期間，臺灣主要強降雨個案（個案 1：5/16~5/18、個案 2：6/10~6/14）的預報能力，
本研究利用多種統計分析方法，將三個模式所提供的預報資料進行比對，並著重在評估
模式對於不同強降雨個案的預報能力差異。本研究的主要發現歸納如下：
（1）個案 1和個案 2的降雨特色（圖 4-5）：個案 1時，臺灣位於低壓槽內並處於滯留
鋒面前緣（亦即鋒面系統位於臺灣北方），此時期的大氣環境較不穩定，若又有西
南風帶來的暖溼空氣，會容易有顯著的降雨現象發生。而個案 2時，臺灣主要受到
鋒面系統的影響，天氣較不穩定，在配合西南風的影響下，容易有較強的降雨發生。
（2）東亞地區降雨預報能力（圖 6-11）：以降雨空間分布而言，三個模式似乎都無法掌
握個案 1的東亞地區降雨分布，但以 LT1~5來說，CWBGFS（CWB FV3GFS）的
預報表現最佳（差）。而個案 2 則顯示 CWBGFS 的降雨預報能力略優於 NCEP
FV3GFS，NCEP FV3GFS優於 CWB FV3GFS。而以定量降雨預報而言，三個模式
對於個案 2 的定量降雨預報能力都較個案 1 好。不論個案 1 或個案 2，CWBGFS
在 LT1~5的東亞地區定量降雨預報最佳，而 NCEP FV3GFS與 CWBGFS在 LT6~16
的定量降雨預報表現相近，並都優於 CWB FV3GFS。然而，三個模式對於越強降
雨的定量降雨預報表現越相近。
（3）臺灣降雨預報能力（圖 12-17）：以降雨空間分布來說，三個模式對於個案 2 的臺
灣降雨空間分布預報表現較個案 1來的好。另外，針對個案 1而言，三個模式的預
報表現都有進步的空間；而針對個案 2，CWBGFS 對此個案在臺灣降雨的空間分
布掌握能力略優於 NCEP FV3GFS、CWB FV3GFS。
73
（4）影響臺灣降雨預報的因素（圖 18-31）：藉由分析「臺灣地形、風場與降雨特性之
間的關係」、「水氣、風場與降雨帶位置之間的關係」、「水氣通量與降雨特性之間的
關係」，我們推測：（a）NCEP FV3GFS預報臺灣本島降雨分布受其預報水氣分布集
中於山區所主導。（b）CWB FV3GFS預報水氣分布與 NCEP FV3GFS類似，但兩
者的降雨分布卻不一致，因此對 CWB FV3GFS預報臺灣本島降雨來說，風場輻合
的影響可能較水氣分布的影響大。（c）CWBGFS 的水氣分布、風場輻合分布都和
其降雨分布相呼應，因此我們猜測風場輻合和水氣分布的影響，對於 CWBGFS預
報臺灣本島降雨都很重要。（d）三個模式預報個案 2 的水氣通量分布與再分析資
料的特徵較為類似，這或許是模式對於個案 2 的降雨預報能力都比個案 1 好的可
能性之一。
除了上述發現之外，透過比對本期報告與去年報告分析結果，我們發現 CWBGFS
的預報結果明顯優於上期報告的 CWBGFS（T511L60）許多，造成此結果的原因可能是
由於 CWBGFS的水平、垂直解析度較高、地勢較高，較能掌握迎風面降雨；且 CWBGFS
的物理參數過程也有所改善，這也可能是造成 CWBGFS 的預報結果較 CWBGFS
（T511L60）來的好的原因之一。而不論是東亞地區或臺灣，本報告分析的 CWBGFS對
於臺灣降雨空間分布的預報表現已不亞於 NCEP FV3GFS，且多數領先時間的統計檢定
結果（含 Scorr、RMSE）都較 NCEP FV3GFS來的好。然而，我們亦發現 CWB FV3GFS、
CWBGFS、NCEP FV3GFS似乎仍無法有效地改善先前存在於模式中對於臺灣的定量降
雨預報（亦即低估臺灣降雨量）問題。對此，我們分別針對 CWB FV3GFS、CWBGFS的
可能改善方面，作了以下建議：
（1）CWB FV3GFS在臺灣的水氣分布多集中於山區，與 ERA5的水氣分布較不一致，
而 CWBGFS在臺灣的水氣分布特徵與 ERA5較為類似（圖 20-21、23）。又從臺灣
74
降雨預報能力的比對結果顯示 CWBGFS 優於 CWB FV3GFS，此意味著或許改善
CWB FV3GFS的水氣模擬結果能有助於改善其預報臺灣降雨分布的能力。
（2）從定量降雨預報的結果顯示 CWBGFS的預兆得分（TS）高於 CWB FV3GFS，表
示 CWBGFS的定量降雨預報能力較 CWB FV3GFS來的佳（圖 10a-c）。而我們發
現 TS 的分析結果（圖 10a-c）與「不同降雨強度天數佔總降雨頻率比例」的分析
結果（圖 9中右上角小圖）較為一致。因此我們推測若能改善 CWB FV3GFS對於
「不同降雨強度天數佔總降雨天數的比例」的預報能力，或許能提升其在定量降雨
預報的能力。
（3）在本期報告分析的三個模式中，CWB FV3GFS採用的模式地勢高度最低（圖 1）、
模式解析度也最粗（表 1），這或許是造成其降雨預報能力不如另兩個模式的原因
之一，因此提升其地勢高度、模式解析度或許有助於改善 CWB FV3GFS預報降雨
的能力。
（4）根據本期報告的結果顯示 CWBGFS已有所改善，然而針對強降雨個案期間之臺灣
降雨分布，CWBGFS在臺灣東半部迎風面有明顯較大降雨的現象（圖 18d、18g、
19d、19g），此情形和觀測資料較為不同，我們推測可能是因為 CWBGFS 在東半
部的風場輻合效應較觀測資料明顯所致。這也意味著 CWBGFS仍有氣流過山的問
題，或許 CWBGFS的模式地勢高度仍需要再提升，藉此降低其在臺灣東半部誤報
降雨的可能性。
最後，我們依循期中審查委員的建議，將 105-109 年計畫成果統整在表 5，其中包
含：研究目的、分析成果以及分析模式相關發表。由表 5 可知，自 2016 年起我們已針
對中央氣象局全球預報模式[簡稱 CWBGFS（T511L60）]之預報能力進行一系列的評估，
結果顯示 CWBGFS（T511L60）對於定性上描繪「2016-2017 年臺灣與東亞地區 5-6 月
75
梅雨季期間的降雨特性」具有一定的參考價值（陳與黃，2016；黃，2016；黃，2017；
黃，2018；黃，2019）。其中，在黃（2018）的研究報告中，我們評估「CWBGFS（T511L60）
對 2016-2017年北半球夏季季內振盪（簡稱 BSISO）現象下，臺灣降雨特性的預報能力」，
發現 CWBGFS（T511L60）對於 2016-2017年期間 10-30天振盪（簡稱 BSISO2）現象下
的降雨預報表現較 30-60 天振盪（簡稱 BSISO1）現象來的佳。而除了針對整體降雨預
報能力表現的評估之外，去年（黃，2019）我們更針對「2017年梅雨季期間，CWBGFS
（T511L60）對於不同強降雨事件之間的預報能力差異」進行評析。分析結果顯示
CWBGFS（T511L60）無法掌握臺灣強降雨個案之降雨空間分布及定量降雨預報，而可
能的原因在於模式中使用的地勢太過平滑，造成低層風場輻合的位置不對，因此降雨的
位置亦不對。而在本期報告中，我們分析未來預定上線的 CWB FV3GFS以及預計於 2020
年初上線的 CWBGFS（TCo639），對於 2019年梅雨季期間不同強降雨事件之間的預報
能力差異。結果顯示 CWBGFS（TCo639）對於強降雨個案之預報能力明顯優於 CWBGFS
（T511L60）許多，造成此結果的原因可能是由於 CWBGFS（TCo639）的水平、垂直解
析度較高、地勢較高，較能掌握迎風面降雨。
76
77
參考文獻
黃椿喜、葉世瑄、呂國臣、洪景山，2016：系集定量降水預報方法之探討與分析—系集
平均、機率擬合平均與超越機率之定量降水預報。大氣科學，44，173-196。
陳冠杰、黃婉如，2016：中央氣象局全球預報模式對 2016年 5-6月東亞區域降雨之預報
能力評析。大氣科學，44，205-236。
黃婉如，2016：中央氣象局全球預報模式對臺灣梅雨期之降雨預報能力評析（計畫編號：
MOTC-CWB-105-M-09，期末報告），35頁。
黃婉如，2017：中央氣象局全球預報模式在東亞地區夏季降雨的預報能力評析研究（計
畫編號：MOTC-CWB-106-M-10，期末報告），64頁。
黃婉如，2018：中央氣象局全球預報模式對梅雨季期間 BSISO現象的預報能力評析（計
畫編號：MOTC-CWB-107-M-09，期末報告），55頁。
黃婉如，2019：中央氣象局全球預報模式對 2017 年梅雨季強降雨事件的預報能力評析
（計畫編號：MOTC-CWB-108-M-09，期末報告），67頁。
Arakawa, A., and C. Wu, 2013: A unified representation of deep moist convection in numerical
modeling of the atmosphere. part i. J. Atmos. Sci., 70, 1977–1992.
Chattopadhyay, R., A. Thomas, R. Phani, Susmitha Joseph, and A. K. Sahai, 2018: A study on
the capability of the NCEP-CFS model in simulating the frequency and intensity of
high-intensity rainfall events over Indian region in the high and low resolutions.
Model. Earth Syst. Environ., 1–16.
Chou, C., C. Chen, P. Tan, and K. T. Chen, 2012: Mechanisms for global warming impacts on
precipitation frequency and intensity. J. Climate, 25, 3291–3306.
Chun, H., and J. Baik, 1998: Momentum flux by thermally induced internal gravity waves and
its approximation for large-scale models. J. Atmos. Sci., 55, 3299-3310.
78
Feng, L., and T. Zhou, 2012: Water vapor transport for summer precipitation over the Tibetan
Plateau: Multidata set analysis. J. Geophys. Res., 117, D20114.
Han, J., and H. L. Pan, 2011: Revision of convection and vertical diffusion schemes in the
NCEP global forecast system. Wea. Forecasting, 26, 520-533.
Han, J., M. L. Witek, J. Teixeira, R. Sun, H. L. Pan, J. K. Fletcher, and C. S. Bretherton, 2016:
Implementation in the NCEP GFS of a hybrid eddy-diffusivity mass-flux (EDMF)
boundary layer parameterization with dissipative heating and modified stable
boundary layer mixing. Wea. Forecasting, 31, 341–352.
Han, J., W. Wang, Y. C. Kwon, S. Y. Hong, V. Tallapragada, and F. Yang, 2017: Updates in the
NCEP GFS cumulus convection schemes with scale and aerosol awareness. Wea.
Forecasting, 32 (5), 2005–2017.
Harris, L. M., and S. Lin, 2013: A two-way nested global-regional dynamical core on the cubed-
sphere grid. Mon. Wea. Rev., 141, 283–306.
Harris, L. M., S. Lin, and C. Tu, 2016: High-resolution climate simulations using GFDL
HiRAM with a stretched global grid. J. Climate, 29, 4293–4314.
Hersbach, H., W. Bell, P. Berrisford, A. Horányi, J. M. Sabater, J. Nicolas, R. Radu, D. Schepers,
A. Simmons, C. Soci, and D. Dee, 2019: Global reanalysis: goodbye ERA-Interim,
hello ERA5. ECMWF, doi:10.21957/vf291hehd7.
https://www.ecmwf.int/node/19027.
Hou, Y., S. Moorthi, and K. Campana, 2002: Parameterization of solar radiation transfer. office
note 441, NCEP.
Huang, W. R., P. Y. Liu, Y. H. Chang, and C. Y. Liu, 2020: Evaluation and application of satellite
precipitation products in studying the summer precipitation variations over
Taiwan. Remote Sens., 12, 347.
Huffman, G. J., D. T. Bolvin, E. J. Nelkin, E. F. Stocker, and J. Tan, 2019: V06 IMERG Release
79
Notes; NASA/GSFC: Greenbelt, MD, USA.
Joseph, S., A. K. Sahai, S. Sharmila, S. Abhilash, N. Borah, R. Chattopadhyay, P. A. Pillai, M.
Rajeevan, and Arun Kumar, 2015: North Indian heavy rainfall event during June 2013:
diagnostics and extended range prediction. Clim. Dyn., 44, 2049–2065.
Kim, Y. J., A. Arakawa, 1995: Improvement of orographic gravity wave parameterization using
a mesoscale gravity wave model. J. Atmos. Sci., 52, 1875-1902.
Lee, S. S., J. Y. Moon, B. Wang, and H. J. Kim, 2017: Subseasonal prediction of extreme
precipitation over Asia: Boreal summer intraseasonal oscillation perspective. J. Clim.,
30, 2849–2865.
Lin, S., W. C. Chao, Y. C. Sud, and G. K. Walker, 1994: A class of the van leer-type transport
schemes and its application to the moisture transport in a general circulation model.
Mon. Wea. Rev., 122, 1575–1593.
Lin, S., and R.B. Rood, 1996: Multidimensional flux-form semi-lagrangian transport schemes.
Mon. Wea. Rev., 124, 2046–2070.
Lin, Y. L., R. D. Farley, and H. D. Orville, 1983: Bulk parameterization of the snow field in a
cloud model. J. Appl. Meteorol Climatol., 22,1065–1092.
Loriaux, J., Lenderink, G., and Siebesma, A. P., 2016: Peak precipitation intensity in relation to
atmospheric conditions and large-scale forcing at midlatitudes. J. Geophys. Res.
Atmos., 121, 5471–5487.
Mlawer, E. J., S. J. Taubman, P. D. Brown, M. J. Iacono, and S. A. Clough, 1997: Radiative
transfer for inhomogeneous atmospheres: RRTM, a validated correlated-k model for
the longwave. J. Geophys. Res., 102, 16663-16682.
O’Gorman, P. A., and T. Schneider, 2009: The physical basis for increases in precipitation
extremes in simulations of 21st-century climate change. PNAS., 106（35), 14,773–
14,777.
80
Palmer, T. N., G. Shutts, and R. Swinbank, 1986: Alleviation of a systematic westerly bias in
general circulation and numerical weather prediction models through an orographic
gravity wave drag parameterization. Quart. J. Roy. Meteor. Soc., 112, 1001-1039.
Putman, W. M., and Lin, S. J., 2007: Finite-volume transport on various cubed-sphere grids. J.
Comput. Phys., 227 (1), 55-78.
Roebber, P. J., 2009: Notes and correspondence – visualizing multiple measures of forecast
quality. Wea. Forecasting, 24, 601-608.
Scinocca, J. F., 2002: The effect of back-reflection in the parametrization of non-orographic
gravity-wave drag. J. Meteorol. Soc. Japan, 80, 939–962.
Scinocca, J. F., 2003: An accurate spectral non-orographic gravity wave parameterization for
general circulation models. J. Atmos. Sci., 60, 667–682.
Sun, L., B. Shen, and B. Sui, 2010: A study on water vapor transport and budget of heavy rain
in northeast China. Adv. Atmos. Sci., 27, 1399–1414.
Storch, H. V., and F. W. Zwiers, 2002: Statistical analysis in climate research, Cambridge
University Press.
Wang, C., F. Chien, S. Paul, D. Lee, and P. Chuang, 2017: An evaluation of WRF rainfall
forecasts in Taiwan during three Mei-Yu seasons from 2008 to 2010. Wea.
Forecasting, 32, 1329–1351.
Wilks, D. S., 1995: Statistical methods in the atmospheric sciences: An Introduction. Academic
Press, 467.
Zhao, Q., and F. H. Carr, 1997: A prognostic cloud scheme for operational NWP models. Mon.
Wea. Rev., 125, 1931-1953.
81
附錄 A（上期報告相關成果）
圖 A1：NCEPGFS 模式資料之臺灣梅雨季平均降雨、模式地形與 1000、925、850hPa 風
場空間分布。(a)~(c)為 NCEPGFS 模式在領先時間 LT1 的預報結果，(d)~(f)為
NCEPGFS模式在領先時間 LT11的預報結果。(a)、(d)為 1000hPa風場，(b)、(e)
為 925hPa風場，(c)、(f)為 850hPa風場。著色表示降雨，單位：mm/day。地形單
位：m。風場單位：m/s。
82
圖 A2：同圖 A1，但為 CWBGFS的結果。
83
附錄 B（本期報告相關成果）
圖 B1：NCEP FV3GFS模式的 LT1~LT16在 5/16-5/18個案平均的東亞地區降雨(著色區)、
925hPa風場(向量)空間分布。降雨單位：mm/day，風場單位：m/s。
84
圖 B2：同圖 B1，但為 CWB FV3GFS模式的結果。
85
圖 B3：同圖 B1，但為 CWBGFS模式的結果。
86
圖 B4： NCEP FV3GFS 模式的 LT1~LT16 在 6/10-6/14 個案平均的東亞地區降雨(著色
區)、925hPa風場(向量)空間分布。降雨單位：mm/day，風場單位：m/s。
87
圖 B5：同圖 B4，但為 CWB FV3GFS模式的結果。
88
圖 B6：同圖 B4，但為 CWBGFS模式的結果。
89
圖 B7： NCEP FV3GFS模式的 LT1~LT16在 5/16-5/18個案平均的臺灣降雨空間分布。
降雨單位：mm/day。
90
圖 B8：同圖 B7，但為 CWB FV3GFS模式的結果。
91
圖 B9：同圖 B7，但為 CWBGFS模式的結果。
92
圖 B10：NCEP FV3GFS模式的 LT1~LT16在 6/10-6/14個案平均的臺灣降雨空間分布。
降雨單位：mm/day。
93
圖 B11：同圖 B10，但為 CWB FV3GFS模式的結果。
94
圖 B12：同圖 B10，但為 CWB FV3GFS模式的結果。
95
圖 B13：(a)為 ERA5 再分析資料(紅色框)和 NCEP FV3GFS 模式資料 LT1~LT16，針對
5/16~5/18個案平均之 925hPa水氣通量(著色區)的空間分布。(b)、(c)同(a)，但
分別為水平水氣輻合項、水平水氣平流項的結果。單位：10-8
*s-1 。
96
圖 B14：同圖 B13，但為 CWBGFS的預報結果。
97
圖 B15：同圖 B13，但為 6/10-6/14個案平均。
98
圖 B16：同圖 B13，但為 CWBGFS的 6/10-6/14個案預報結果。
99
Related Documents
