極端熱浪之分析研究 隨著全球暖化效應的增強，極端事件發生的頻率和強度也不斷增大，造成人類社會有嚴重的影響（Schär et al 2004；Lobell et al 2007；Miller et al 2008； McMichael et al 2011；Schaeffer et al 2012；Stillman 2019）。目前，有很多關於極端天氣事件的文獻討論，此類的討論主要是將極端事件計算為極端指標，並配合大環境場的天氣現象或是更長時間尺度的氣候變化做討論，但此類的討論通常針對單一網格做偵測分析，更進一步來說就是針對時間做關聯性分析，而在區域上則採用區域平均的做法，如此的做法則會犧牲掉極端天氣系統影響面積的資訊。從另一個角度來看，當極端指標數值強的狀況下，可能是（1）單位面積內的指標強度增強，（2）影響的範圍增加，或者是兩者都增強，但因為已經做區域平均所以較難從極端指標上知道增強之原因。研究的核心目標是讓極端指標不只包含強度的訊息，也有影響面積上的資訊，讓後續的研究分析有更多的討論空間。

在目前的研究中，較少文章能討論到全球熱浪的比較，因為要利用單一種天氣系統（條件）偵測全球熱浪事件幾乎是不可能，在不同區域造成熱浪事件的天氣系統不一樣，所以對於自動偵測熱浪事件上造成一定難度。如上述所說，若使用天氣系統來偵測熱浪事件，會有區域上的限制，但若轉換角度思考後則會有不一樣的結果，熱浪事件最終形成的結果是造成該地區的異常高溫現象，所以可以利用前人已經設計好的極端指標，偵測出網格點上的極端高溫區間，再利用空間相連的演算法進行群組分類，則可得到熱浪事件在時空中的範圍。進一步來說就是，每格網格點上所計算出來的高溫極端指標就像極端天氣系統所造成之足跡（footprint），而本研究就是將足跡做歸類分析，將同一個極端天氣事件所造成的足跡歸類於同一族群。在Sellars et al (2015)的研究中已經開始應用，使用降雨資料自動追蹤出降雨事件在4-D (longitude、latitude、time、intensity)的發展，而本研究也將使用類的概念，應用於熱浪的極端指標上。