Régimes de temps et désagrégation d’échelles Julien Boé et Laurent Terray Sciences de l’Univers au CERFACS CERFACS/CNRS URA 1875 Toulouse, France [email protected], [email protected] • Contexte • Climat global/régional • Les méthodes de désagrégation: régimes de temps • Application: l’hydrologie des bassins versant français au 21ème siècle • Les incertitudes Contexte scientifique Contexte général Parution du 4ème rapport du GIEC (janvier 2007): réalisation par la communauté française d’ ensembles de simulations globales (résolution de 300 km) du climat passé et du climat futur suivant différents scénarios d’évolution des GES (livre blanc ESCRIME) • Réalisation de scénarios régionaux réalisés avec les modèles ARPEGE (Météo-France) et LMDZ (IPSL) à une résolution de 50-100 km sur la France et pour la période 1950-2100 • Démarrage de très nombreux projets d’études sur les impacts du changement climatique utilisant les scénarios globaux et régionaux effectués dans le cadre du 4ème rapport du GIEC (ANR, GICC, FP7 …) • Les méthodes de désagrégation Pourquoi la désagrégation ? modèle global MCGOA 300 km modèle régional 20-50 km Mismatch d’échelles ! Modèle impact 1m-10 km Les modéles d’impact utilisent comme données d’entrée des variables climatiques à une résolution spatiale très fine par rapport à celle simulées par les modèles de climat. Les méthodes de désagrégation Deux grandes familles Etablir la relation statistique entre les variables locales et les prédicteurs modèles Désagrégation statistique Résoudre explicitement la physique et la dynamique du système climatique regional Désagrégation dynamique Utilisées de façon indépendante ou combinée Les méthodes de désagrégation Désagrégation dynamique • • Modèles régionaux (RCM): modèles à aire limitée contraints par les MCGOA sur leurs frontières latérales et pour les conditions aux limites océaniques Modèles globaux maille variable (MCG-VR): résolution accrue dans la zone d’intérêt, contraints par les MCGOA pour les conditions aux limites océaniques Les méthodes de désagrégation Désagrégation statistique (a) Générateurs de temps: approche basée sur les probabilités conditionnelles, modèles statistiques générant aléatoirement des séquences de temps observées dépendant des prédicteurs issus des modèles climatiques (chaines de Markov) (b) Fonctions de transfert: établir une relation directe entre les prédicteurs issus des modèles climatiques et les données régionales/locales observées (régression, ACP, CCA, MCA, réseaux de neurone) (c) Régimes/types de temps: approche basée sur la météorologie synoptique, nombre fini d’états de la circulation atmosphérique de grande échelle (analogues, classification), liens entre une situation atmosphérique et un ensemble de données régionales/locales observées. Lien entre le climat et les variables locales Modèle statistique F Les méthodes de désagrégation Downscaling Statistique GES, Aérosols Downscaling Dynamique MCGOA CNRM-CM3 Conditions aux limites latérales et/ou océaniques Prédicteurs Prédicteurs OBS. Modèle Régional ARPEGE-VR F: Calibration Validation Variables de forçage brutes Correction de biais Spatialisation Variables locales de forçage Modèle d’impact: ISBA-MODCOU OBS. Les Les trois méthodeshypothèses de désagrégation implicites à toute méthode de désagrégation (H1) Les prédicteurs sont des variables appropriées pour le statistique: problème étudié(climat régional/local) et sont simulés de façon réaliste par les modèles climatiques (MCGOA, RCM, MCG-VR). (H2) Le modèle statistique F reste valable pour le climat perturbé (par les forçages anthropiques et/ou naturels). Cette hypothèse ne peut être vérifiée ou invalidée formellement. Idéalement, les données observées devraient couvrir une large palette de conditions climatiques incluant les modifications futures des prédicteurs climatiques. (H3) Les prédicteurs climatiques doivent représenter la totalité du signal du changement climatique. Ces hypothèses s’appliquent aussi partiellement à la désagrégation dynamique. Régimes de temps et hydrologie (H1) • • • Définition de régimes/types de temps discriminants pour les précipitations en France Variable de circulation de grande échelle: Pression (MSLP), provenant du projet EMULATE (1850-2000, journalier, 5°x5°), précipitations SQR (Météo-France) Classification multi-variée Précipitations & MSLP, pas de temps journalier, espace EOF. On conserve ensuite uniquement la partie MSLP pour définir les types de temps. Domaine classification MSLP (D1) * 310 stations pour les précipitations 8 à 10 régimes de temps ! Régimes de temps et hydrologie (H1) Hiver NDJFM Anomalie composite de MSLP (hPa) Composites de Précipitation (rapport entre Prégime/Pmoyenne) Régimes de temps et hydrologie (H1) Régimes hivernaux 1950-1999: WT5 (MSLP, anomalie composite en hPa) Ré-analyse NCEP Corrélation spatiale > 0.96 pour tous les régimes ARPEGE MCG-VR Fréquences d'occurrence Erreur Absolue Moyenne 0.18 2 0.16 1.8 0.14 1.6 0.12 1.4 NCEP ARPEGE 0.08 1.2 hPa 0.1 1 0.8 0.06 0.6 0.04 0.4 0.02 0.2 0 0 1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 Régimes de temps et hydrologie (H2) Modèle F: basée sur la réanalyse NCEP (régimes de temps) et sur l’analyse météorologique à méso-échelle SAFRAN (1970-2005, 8 km, précipitation, température, vent, rayonnement, etc) ¾ Détermination des régimes de temps ¾ Reconstruction des précipitations par régression multiple (distances aux régimes) ¾ 1. 2. 3. 4. Ré-échantillonnage conditionnel: Régime de temps le plus proche Précipitations reconstruites (Analogue) Index de température Tirage aléatoire d’un jour Boe J., L. Terray, F. Habets and E. Martin, 2006: A simple statistical-dynamical downscaling scheme based on weather types and conditional resampling J. Geophys. Res., 111, D23106. Régimes de temps et hydrologie (H2) Validation Débits Cycle Annuel OBS NCEP ARPEGE-VR CDF OBS NCEP ARPEGE-VR Moyenne Hiver OBS NCEP (0.85) SAFRAN (0.97) Régimes de temps et hydrologie (H3) Validation modèle parfait Moyenne France des précipitations Simulée Reconstruite Changement précipitations en % de la moyenne actuelle (2100_2050) – (2000_1970) Scénario A1B, printemps -0.35 +0.35 Climat futur et impact hydrologique Changement de précipitation désagrégé et simulé à partir d’ARPEGE-VR pour 2050 et le scénario A1B (en pourcentage de la moyenne 1970-2000) désagrégé -0.5 +0.5 DJF simulé JJA Climat futur et impact hydrologique Changement des débits simulés par ISBA-MODCOU forcé par les forçages désagrégés d’ARPEGE-VR pour 2050 (en pourcentage de la moyenne 1970-2000) DJF JJA Quantifier les incertitudes Incertitudes • Typologie des incertitudes: la bonne et la mauvaise incertitude. Maximiser la première et minimiser la seconde • Partie climat: modèles globaux, scénarios SRES, modèles régionaux • Identification des processus clés: dynamique versus thermodynamique pour les précipitations • Quantifier: aspects probabilistes ? Désagrégation statistique ? Problème de la métrique pour probabiliser les scénarios ? Quantifier les incertitudes Scénario régional A1B ARPEGE DJF Evolution au 21ème siècle de la température à 2m en moyenne sur la France (en ºC) Référence: 1970-2000 JJA Quantifier les incertitudes Scénario régional A1B ARPEGE Evolution au 21ème siècle des précipitations totales en moyenne sur la France En %, changement relatif par rapport à la référence: 1970-2000 DJF JJA Quantifier les incertitudes Moyenne du multi modèle IPCC A1B (20 modèles) DJF A gauche: Δ(précip) en mm/j, écart entre 2081-2100 et 1961-2000 Au milieu: σ inter-modèle en mm/j A droite: Différence entre Nbre de modèle donnant une augmentation et Nbre de modèle donnant une diminution de précipitations JJA -0.6 +0.6 0. +0.6 -20 +20 Quantifier les incertitudes + ~0 Changement Regime Hiver IPCC (2081/2100 - 1961/2000) 20 Nombre de jours dans l'hiver 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 -5 12 13 14 15 + - -10 -15 -20 Modeles Atl. Ridge Blocage NAO+ NAO- Corrélation Occurrence(régime)/précipitation Quantifier les incertitudes YONNE Courlon OISE Pont 1.0 1.0 0.5 0.5 0.0 0.0 -0.5 -0.5 -1.0 -1.0 2 4 6 8 10 12 2 SEINE Poses 1.0 0.5 0.5 0.0 0.0 -0.5 -0.5 -1.0 -1.0 4 6 8 10 6 8 10 12 SOMME Abbeville 1.0 2 4 12 2 4 6 8 10 12 Conclusions • Désagrégation statistico-dynamique en régimes bien adapté à l’étude des impacts hydrologiques du CC • Les changements d’occurrence des types de temps expliquent une part importante de la variabilité des précipitations au 20ème • 2050: augmentation des précipitations en hiver sur le sud-est, forte diminution en été (accord modèle-désagrégation) • 2050: changements importants sur les débits, en particulier en été (diminution jusqu’à 50%) • Cohérence des projections IPCC au sud et au nord de l’Europe liée à une faible dispersion des changements de régimes • Cascade d’incertitude: désagrégation et forçage ISBAMODCOU appliqués aux simulations IPCC (en cours) Régimes de temps et hydrologie (H2) Validation de la désagrégation: climatologie des précipitations DJF Précipitations en mm/j: période 1981-2005 Comparaison SAFRAN avec la désagrégation utilisant la MSLP du MCG-VR ARPEGE Scénario régional A1B TSO issue du modèle CNRM-CM3 (GIEC) JJA Safran Désagrégé Réchauffement simulé par ARPEGE (A1B) DJF 2000-2050 JJA 2050-2100 2100-2150 Changement de précipitation simulé par ARPEGE (A1B) DJF 2000-2050 JJA 2050-2100 2100-2150