SMC 資料庫

議題背景

2021年07月06日台北時間23:00，國際期刊《自然通訊》（Nature Communications）刊登最新研究報告〈從多個觀察數據中可見人為在全球陸地區域對極端降水的影響〉。此研究以人工智慧為運算方式，分析全球陸地區域的極端降水趨勢與空間分佈，並認為人為影響是加劇極端降水的重要因素。近年各地極端降水事件頻仍，新興科技媒體中心邀請專家回應此篇研究。

研究文獻：

• Madakumbura, G. D., Thackeray, C. W., Norris, J., et. al. (2021). “Anthropogenic influence on extreme precipitation over global land areas seen in multiple observational datasets.”Nature Communication.

專家怎麼說？

2021年07月05日
台灣師範大學地球科學系教授  陳正達

由於極端降水對環境與人類社會的影響甚巨，過去已經有相當多從歷史紀錄觀測極端降水變化趨勢分析，以及氣候模式所模擬推估未來極端降水變化與機制的研究。不過極端降水隨時間與空間的變動劇烈，如何進一步量化？有多少是伴隨極端天氣系統可能的自然變動？而又有多少是與氣候變化有關？這是氣候科學研究上相當關鍵，但又困難的議題。這篇論文主要是延續過去十幾年來，特別針對極端降雨受人為活動影響的量化分析研究，與過去極端降雨歸因研究最大的不同，在於研究團隊運用了類神經網路[1]的機器學習方法，從氣候模式所模擬的極端降雨資料內部自然變動雜訊中，找出由外部氣候變遷所造成的空間分佈特性，再將其應用至觀測資料，分析其受人為影響部分的變化。這個方式與傳統使用統計回歸最佳指紋法（optimal fingerprinting method）來比較包含人為影響與只有自然變動的兩組模擬實驗，偵測其所極端降雨變化時空分佈特徵與觀測資料的相似度，再用以判斷人為影響的程度。兩者雖然分析方法不同，但是都可以量化極端降雨受人為活動影響的變化量。而值得公眾重視的訊息是過去觀測到的極端降水增加趨勢，的確與人為活動影響有關，無法以隨機自然變動加以解釋。

這篇論文所關注的焦點還是在於全球陸地區域平均的極端降雨變化，雖然類神經網路機器學習方法可以找出區域相對貢獻的空間分佈特徵（圖一），不過比較圖一與圖二（各區域長期趨勢的空間分佈），可以發現這個區域貢獻特徵可能與區域極端降雨變化趨勢不同，所以不能用來解釋區域極端降雨變化受人為活動影響的程度。

圖一 研究原文圖1d：1982-2015年極端降水相對區域貢獻分布

圖二 在1951-2015年間觀察數據中的年最大日降雨量長期趨勢的空間分佈[2]

圖三 台灣地區年最大日降雨量長期趨勢（左：1960-1979與2000-2010年的平均值比較／右：1960-2019年趨勢）

圖三是我們利用台灣氣候變遷推估資訊與調適（TCCIP）計畫所產製的網格化觀測資料，所計算的極端降雨指標「年最大日降雨量」（RX1day）變化（2000-2019年平均減去1960-1979年平均，或是1960至2019年的長期線性趨勢）。從數據上來看，台灣極端降雨的確還是有增加的趨勢（加點處為通過統計檢定），特別是西南部地區，而且主要是來自5-9月的時段。雖然如上述，這篇論文比較無法用以討論對台灣區域的影響，不過其他傳統使用最佳指紋法的新進研究[3]，還是指出人為溫室氣體排放，還是多數區域觀測到極端降雨指標增加的主要原因，而人為氣膠變化或自然變動無法解釋觀測極端降變化分佈。所以降低人為溫室氣體排放，理論上是可以減緩極端降雨增加。

2021年07月06日
中央研究院環境變遷研究中心博士後研究員 陳昭安

在長期且大範圍的歷史觀測中，由於降雨紀錄可能包含短期的自然變化，資料時間長度往往不足以呈現顯著變化趨勢。不同的觀測資料可能因為資料整合與演算方式不同，資料之間也存在不一致性。另一方面，極端降雨事件的發生相當罕見，也增加了評估變化趨勢的難度。種種因素影響之下，觀測資料在極端降雨的長期趨勢方面，不容易得到一致且統計顯著的證據，以證明人為作用對極端降雨變化趨勢的影響。

過去可能因為這樣的研究限制，或許可以認為人為作用對極端氣候的影響尚未明朗。這篇研究利用類神經網路的機器學習方式，偵測模式中的人為作用相關的極端降雨變化訊號，排除模式模擬的內部變化與模式之間的不確定性，得到更確切的人為作用對氣候變遷的貢獻，進一步利用這樣的訊號，證實人為作用對極端降雨變化的影響已經可在歷史觀測紀錄偵測出來。這篇研究一方面呈現機器學習方式應用於氣候變遷分析的優勢，另一方面提醒我們必須正視人類活動對氣候變遷當中的極端降雨變化影響已經足夠顯著。

然而此研究中指的「人為作用氣候變遷訊號」是利用氣候模式的模擬資料學習而來的，氣候模式是否具有足夠能力模擬真實自然中的氣候變化，以正確訓練機器模式判斷出確實的人為作用訊號，是需要考量的。

這份研究提醒我們因為人類活動對氣候變遷極端降雨的影響，已經在長期觀測資料中展現。雖然全球暖化已經是進行式，但是我們可以減緩繼續暖化的速度，因為暖化越嚴重，可以預期極端降雨變化對我們生活環境的衝擊更大。積極減少二氧化碳排放已是目前國際共同面對全球暖化的目標，但是碳排放僅是人為作用對地球環境影響的一部分，在暖化持續發展的過程中，其他溫室氣體的排放，例如甲烷，也會對大氣增溫。整體而言，積極減少溫室氣體排放是必須的，同時評估極端降雨對區域環境的風險，調適應變災害的能力也很重要。

註釋與參考資料：

[1] 編註：類神經網絡（artificial neural networks, ANN），也有部分翻譯為人工類神經網絡，是訓練機器學習的數學模式之一，設計時模仿人類神經系統的基本運作與架構。資料來源：https://terms.naer.edu.tw/detail/1679037/

[2] 圖表資料來源：Paik, S. et al.（2020）. “Determining the anthropogenic greenhouse gas contribution to the observed intensification of extreme precipitation.” Geophysical Research Letters 47: e2019GL086875. 圖2a.

[3] Paik, S. et al.（2020）. “Determining the anthropogenic greenhouse gas contribution to the observed intensification of extreme precipitation.” Geophysical Research Letters 47: e2019GL086875.