La modélisation numérique du climat
publicité
La modélisation numérique du climat Benjamin Pohl Centre de Recherches de Climatologie, Biogéosciences, CNRS / université de Bourgogne [email protected] M2R Géobiosphère – Tronc commun vendredi 16 septembre 2016 http://climatologie.u-bourgogne.fr/perso/bpohl/Resources.html Proposition de débat "+1.5 à +6°C d'ici 2100" : vous y croyez, vous ??? IPCC 2007 Proposition de débat "+1.5 à +6°C d'ici 2100" : vous y croyez, vous ??? Ces valeurs sont-elles obtenues par magie ? IPCC 2007 / Game of Thrones Proposition de débat "+1.5 à +6°C d'ici 2100" : vous y croyez, vous ??? Ces valeurs sont-elles obtenues par magie ? Peut-on faire confiance aux modèles de climat ? IPCC 2007 Proposition de débat "+1.5 à +6°C d'ici 2100" : vous y croyez, vous ??? Ces valeurs sont-elles obtenues par magie ? Peut-on faire confiance aux modèles de climat ? Au fait, c'est quoi, un modèle de climat ? IPCC 2007 Plan I. Les modèles d'atmosphère - Présentation générale - La prévision météorologique - Les conditions initiales - Résolution & processus sous-maille - Les paramétrisations physiques II. Les modèles de climat - Spécificités - Exemples d'utilisation - Limites III. Les modèles climatiques régionaux - Principes généraux - Exemples d'utilisation - Limites L. Fairhead – LMD / IPSL Partie I. Les modèles d'atmosphère Présentation générale Utilisation première des modèles d'atmosphère : la prévision météorologique… Richardson (1922) estime que son programme de calcul de l'évolution de l'atmosphère nécessiterait 64000 personnes travaillant ensemble pour produire des prévisions en temps réel L'usine à prévoir de Richardson (1922) illustrée par A. Lannerback Présentation générale Utilisation première des modèles d'atmosphère : la prévision météorologique… … rendue possible avec l'apparition des premiers ordinateurs dans les années 1940 Présentation générale Utilisation première des modèles d'atmosphère : la prévision météorologique… Eumetsat A partir de l'observation de l'état de l'atmosphère à l'instant t, prévoir son état à l'instant t+δt… jusqu'à l'échéance souhaitée Présentation générale Modèle d'atmosphère : programme informatique qui implémente un système d’équations qui sont l’expression des lois physiques régissant le comportement de l'atmosphère • basé sur les lois de la physique (mécanique des fluides) • résolution numérique par discrétisation de l’espace (mailles ou point de grille) et du temps (pas de temps) • formalisme mathématique des équations différentielles partielles, non linéaires, couplées, chaotiques http://www.drroyspencer.com/wp-content/uploads/climate-model-1.jpg Présentation générale Les équations de Navier-Stokes décrivent le mouvement des fluides dans l'approximation des milieux continus : [ici : notation différentielle en coordonnées cartésiennes] Equation de continuité (ou équation du bilan de la masse) Equation de bilan de la quantité de mouvement Equation de bilan de l'énergie Présentation générale 5 équations fondamentales (appelées équations «primitives») invariables entre tous les GCM • Conservation de l’énergie totale (= première loi de thermodynamique) : apport d’énergie = augmentation de l’énergie interne + travail effectué • Conservation du moment cinétique (= seconde loi de Newton) • Conservation de la masse appliquée à l’air et à la vapeur d’eau dans l’atmosphère (eau et sel dans l’océan) : équation de continuité • Loi des gaz parfaits (pour l’atmosphère) : pression x volume = constante des gaz x température absolue • Hypothèse hydrostatique : équilibre entre force de gravité et force de pression verticale Approximation de couche mince : l'épaisseur de l'atmosphère est petite devant le rayon terrestre (= une colonne verticale a une section constante) Equations de base de la thermodynamique des fluides pour résoudre l'évolution de l'état de l'atmosphère à partir d'un état initial… … Mais comment obtient-on un état initial ? La prévision météorologique La prévision météorologique Exemple #1 : données assimilées par le système du Centre Européen de Prévisions Météorologiques à Moyen Terme (ECMWF) en 2000 bouées dérivantes mesures aéroportées radiosondages données satellitales données bateaux stations météorologiques http://www.ecmwf.int/ La prévision météorologique Exemple #2 : données de surface assimilées par le National Center for Environmental Predictions (NCEP) pour reconstituer un historique de l'atmosphère sur la période 1871-présent 1871 1886 1901 1916 1931 1946 1961 1976 1991 La prévision météorologique De l'état initial à l'échéance : un processus itératif Etat initial t0 La prévision météorologique De l'état initial à l'échéance : un processus itératif Etat initial t0 pas de temps d'intégration Etat prévu t + δt La prévision météorologique De l'état initial à l'échéance : un processus itératif Etat initial t0 pas de temps d'intégration Etat prévu t + δt … Etat à l'échéance tend La prévision météorologique De l'état initial à l'échéance : un processus itératif Etat initial t0 pas de temps d'intégration Etat prévu t + δt … Etat à l'échéance tend Prévision parfaite sous deux conditions : - état initial parfaitement renseigné - modèle parfait La prévision météorologique De l'état initial à l'échéance : un processus itératif Etat initial t0 pas de temps d'intégration Etat prévu t + δt … Etat à l'échéance tend Prévision parfaite sous deux conditions : - état initial parfaitement renseigné - modèle parfait ? Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique s = 10 r = 28 b = 8/3 http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique s = 10 r = 28 b = 8/3 http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html Les conditions initiales Première limite : l'état initial imparfait • impossible de mesurer l'état de l'atmosphère partout et tout le temps • toute mesure est associée à un risque d'erreur L'état initial est imparfaitement connu et lui aussi associé à une marge d'erreur Problème : l'atmosphère a un comportement fondamentalement chaotique Comportement de la variable x en fonction du temps t bleu : xo = 10, yo=10, zo=10 vert : xo = 10, yo=10,01, zo=10 Forte dépendance aux conditions initiales Solution : prévision météo d'ensemble (= plusieurs prévisions) avec perturbations aléatoires de l'état initial http://math.cmaisonneuve.qc.ca/alevesque/chaos_fract/Lorenz/lorenz.html Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales Météo-France Les conditions initiales T@850hPa Tmax La prévisibilité intrinsèque ("mémoire") de l'atmosphère n'excède pas une dizaine de jours Tmin Météo-France P Résolution & processus sous-maille Deuxième limite : les modèles sont imparfaits • par définition, un modèle est une simplification de la réalité • problème : réaliser une prévision quadri-dimensionnelle (x,y,z,t) à partir d'un outil qui discrétise à la fois dans l'espace (x,y,z) et dans le temps (t) Quelles conséquences liées à la discrétisation de phénomènes continus ? Quels effets de la résolution (horizontale et verticale) ? Résolution & processus sous-maille Illustration #1 : les conditions de surface Prise en compte du relief dans les modèles d'atmosphère Masque terre-mer pour différentes résolutions du modèle ECHAM ECOLMAS Training Course – Bremen – 1-4 avril 2008 Résolution & processus sous-maille Illustration #1 : les conditions de surface Idem (+ topographie) zoomé sur l'Europe de l'Ouest En basse résolution le tunnel sous la Manche devient inutile. Même en plus haute résolution le détroit de Gibraltar reste bouché. ECOLMAS Training Course – Bremen – 1-4 avril 2008 Résolution & processus sous-maille Illustration #1 : les conditions de surface Prise en compte du relief dans les modèles d'atmosphère Effets des reliefs de l'île d'Amsterdam (38°43′S 77°31′E, 58km2, point culminant 881m) sur les nuages de couche limite Résolution & processus sous-maille Illustration #1 : les conditions de surface Prise en compte du relief dans les modèles d'atmosphère Effets des reliefs de l'île d'Amsterdam (38°43′S 77°31′E, 58km2, point culminant 881m) sur les nuages de couche limite Résolution & processus sous-maille Niveaux pression • ce qu'attend l'utilisateur • problèmes de calcul : un flux peut "buter" contre un relief Pas utilisés directement pour les calculs dans les modèles Utilisation de coordonnées verticales σ où σ = P / Psurf, P pression atmosphérique, Psurf pression de surface • meilleure description des champs de surface • facilite le calcul de l'écoulement des flux Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009 Résolution & processus sous-maille p Les coordonnées hybrides σ – pression σ = (P – Ptop) / (Psurf - Ptop) P : pression ; Psurf : pression de surface : Ptop : pression au sommet de la colonne d'air σ Variante souvent utilisée par les modèles hydrostatiques (on y reviendra) Les coordonnées σ – altitude σ = (Ztop – Z) / (Ztop – Zsurf) Z : altitude ; Zsurf et Ztop : altitude de la surface et du sommet de la colonne d'air Variante souvent utilisée par les modèles non-hydrostatiques (on y reviendra aussi) Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009 Résolution & processus sous-maille CONSEQUENCES Relief atténué : le sommet du Mont-Blanc culmine à 750m d'altitude Relief simplifié : les variations du relief à l'intérieur d'une maille seraient a priori perdues – la Bresse n'existe pas, et Dijon = Besançon = Lyon = Genève Variations de pente sous-estimées : sans Côte d'Or, pas de vins en Bourgogne Pierre Carrega – Journées de Climatologie – Besançon – 13-14 mars 2009 Résolution & processus sous-maille Illustration #1 : les conditions de surface Prise en compte du relief dans les modèles d'atmosphère Topographie de l'Europe de l'Ouest dans une grille de 3.5° x 2.5° Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 Résolution & processus sous-maille Illustration #2 : les processus atmosphériques ou comment "faire entrer" un orage de 20km dans une maille de 300… Taille d'une dépression frontale : supérieure à une maille de modèle… Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007 Résolution & processus sous-maille Illustration #2 : les processus atmosphériques ou comment "faire entrer" un orage de 20km dans une maille de 300… Taille d'une dépression frontale : supérieure à une maille de modèle… … Ce n'est ni le cas pour un orage … Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007 Résolution & processus sous-maille Illustration #2 : les processus atmosphériques ou comment "faire entrer" un orage de 20km dans une maille de 300… Taille d'une dépression frontale : supérieure à une maille de modèle… … Ce n'est ni le cas pour un orage … … ni pour les nuages de couche limite. Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007 Résolution & processus sous-maille Illustration #2 : les processus atmosphériques ou comment "faire entrer" un orage de 20km dans une maille de 300… Taille d'une dépression frontale : supérieure à une maille de modèle… … Ce n'est ni le cas pour un orage … … ni pour les nuages de couche limite. Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007 Résolution & processus sous-maille Challenge #1 : Cellule convective ("orage") : • durée de vie : 15' à quelques heures • extension spatiale : quelques kilomètres • extension verticale : haute, souvent jusqu'à la tropopause AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 Résolution & processus sous-maille Challenge #1 : Cellule convective ("orage") : • durée de vie : 15' à quelques heures • extension spatiale : quelques kilomètres • extension verticale : haute, souvent jusqu'à la tropopause AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 Résolution & processus sous-maille Challenge #1 : Cellule convective ("orage") : • durée de vie : 15' à quelques heures • extension spatiale : quelques kilomètres • extension verticale : haute, souvent jusqu'à la tropopause vs. Maille d'un modèle global : • quelques centaines de km • quelques dizaines de niveaux verticaux • un calcul toutes les n minutes (souvent 5 ≤ n ≤ 30) AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 / IPSL Résolution & processus sous-maille Challenge #1 : Cellule convective ("orage") : • durée de vie : 15' à quelques heures • extension spatiale : quelques kilomètres • extension verticale : haute, souvent jusqu'à la tropopause vs. Maille d'un modèle global : • quelques centaines de km • quelques dizaines de niveaux verticaux • un calcul toutes les n minutes (souvent 5 ≤ n ≤ 30) Chaque jour, 50 000 orages libérant chacun plus d'énergie que la bombe atomique larguée sur Hiroshima ou Nagasaki : problématique de les négliger AMMA – Campagne 2004 / Eumetsat / Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 / IPSL Résolution & processus sous-maille Challenge #2 : Les rétroactions nuageuses Prise en compte des nuages fondamentale pour le bilan radiatif Sandrine Bony – Laboratoire de Météorologie Dynamique – 14 mai 2007 Résolution & processus sous-maille Changement climatique d'origine anthropique : déséquilibre du cycle du carbone de l'ordre de 1% … … bien simuler ses effets demande de bien simuler les rétroactions nuageuses http://www.worc.ac.uk/LTMain/Rowland/mec/climate/Feedback/Cloud.html Les paramétrisations physiques ou l'art d'apprendre à un modèle "à faire comme si"… La plupart des modèles d'atmosphère (à l'exception des modèles simplifiés ne résolvant que les équations primitives) disposent de deux "modules" : • le cœur dynamique résoud les équations primitives (Navier-Stokes, loi des gaz parfaits, approximation hydrostatique) – 3D spatiales à l'échelle globale + 1D temporelle (pas de temps d'intégration) • le cœur physique comprend les paramétrisations des processus sous-maille – souvent traité comme des colonnes d'air 1D et calculs réalisés (souvent) au pas de temps d'intégration. Définition : Technique utilisée dans un modèle numérique d'atmosphère pour prédire les effets collectifs de phénomènes d'échelle fine localisés à l'intérieur d'un point de grille, en fonction des conditions de large échelle. Les paramétrisations physiques ou l'art d'apprendre à un modèle "à faire comme si"… La plupart des modèles d'atmosphère (à l'exception des modèles simplifiés ne résolvant que les équations primitives) disposent de deux "modules" : • le cœur dynamique résoud les équations primitives (Navier-Stokes, loi des gaz parfaits, approximation hydrostatique) – 3D spatiales à l'échelle globale + 1D temporelle (pas de temps d'intégration) • le cœur physique comprend les paramétrisations des processus sous-maille – souvent traité comme des colonnes d'air 1D et calculs réalisés (souvent) au pas de temps d'intégration. Principales paramétrisations physiques : • convection atmosphérique (cumulus et précipitations associées) • couche limite planétaire (échanges de chaleur et humidité avec l'atmosphère libre ; mouvements turbulents de basse couche) • microphysique nuageuse (processus de condensation / agrégation / précipitation) • transferts radiatifs (transferts de radiation ondes longues et courtes ; diffusion, absorption, réflexion, émission des rayonnements incident et réfléchi) • surfaces continentales (échanges de chaleur sensible et latente entre la surface et l'atmosphère) … plus quelques autres plus spécifiques aux modèles de climat. Les paramétrisations physiques Intervention des paramétrisations physiques dans différentes grandeurs physiques calculées par un modèle d'atmosphère Adapté de Filippo Giorgi – International Centre for Theoretical Physics – Trieste Les paramétrisations physiques En pratique : réalisation de la "prévision" Assimilation de données observées Etat initial t0 : variables pronostiques (u, v, t, q, z, …) t0 Les paramétrisations physiques En pratique : réalisation de la "prévision" Assimilation de données observées Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Les paramétrisations physiques En pratique : réalisation de la "prévision" Assimilation de données observées Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques Calcul des variables pronostiques à t+δt t + δt Les paramétrisations physiques En pratique : réalisation de la "prévision" Assimilation de données observées Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques Calcul des variables pronostiques à t+δt physique Calcul des variables diagnostiques à t+δt t + δt Les paramétrisations physiques En pratique : réalisation de la "prévision" Assimilation de données observées Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques Calcul des variables pronostiques à t+δt physique Calcul des variables diagnostiques à t+δt Prévision obtenue après n itérations t + δt Les paramétrisations physiques Vincent Moron – Journées ECCOREV – 23 février 2010 Les paramétrisations physiques Exemple : quelques schémas de microphysique nuageuse du modèle WRF Schémas conceptuels de quelques paramétrisations de microphysique nuageuse. Tous cherchent à modéliser les mêmes processus mais : • différents schémas plus ou moins compliqués, basés sur des concepts différents • schémas plus ou moins gourmands en temps de calcul selon leur degré de sophistication WRF User's Guide – Wang et al. 2009 Les paramétrisations physiques Interactions directes ou indirectes complexes, souvent non linéaires, entre les différents schémas : les modèles sont aujourd'hui devenus un objet d'étude en tant que tel Les paramétrisations physiques De la "qualité" des paramétrisations physiques dépend en très grande partie la "qualité" finale d'un modèle d'atmosphère Modèle – Observations = Biais Exemple : le syndrome de la double ZCIT ECOLMAS Training Course – Bremen – 1-4 avril 2008 Les paramétrisations physiques Alternatives : modèles simplifiés (dits de complexité intermédiaire) • Modèles uni-colonne (0 dimension) Vincent Moron – Journées ECCOREV – 23 février 2010 Les paramétrisations physiques Alternatives : modèles simplifiés (dits de complexité intermédiaire) • Modèles uni-colonne (0 dimension) • Modèles 1D (transect nord-sud) But : modéliser le rééquilibrage du bilan radiatif global par export de chaleur des tropiques vers les hautes latitudes de chaque hémisphère (et la saisonnalité associée) http://www.eoearth.org/image/Radiation_balance.jpg Les paramétrisations physiques Alternatives : modèles simplifiés (dits de complexité intermédiaire) • Modèles uni-colonne (0 dimension) • Modèles 1D (transect nord-sud) • Modèles 3D en équations primitives ("dynamique sèche") But : études de cas théoriques, plus ou moins idéalisées Exemple : réponse de l'atmosphère à une anomalie de chauffage diabatique sur le Darfour Leroux S & Hall NMJ, 2009: On the relationship between African Easterly Waves and the African Easterly Jet, J. Atmos. Sci., 66, 2303-2316 Les paramétrisations physiques Alternatives : modèles simplifiés (dits de complexité intermédiaire) • Modèles uni-colonne (0 dimension) • Modèles 1D (transect nord-sud) • Modèles 3D en équations primitives ("dynamique sèche") • Introduction "pas à pas" de paramétrisations physiques But : isoler l'influence de chaque paramètre Bellon G, 2010: Monsoon intraseasonal oscillation and land–atmosphere interaction in an idealized model,Clim. Dyn., published on line Les paramétrisations physiques Alternatives : modèles simplifiés (dits de complexité intermédiaire) • Modèles uni-colonne (0 dimension) • Modèles 1D (transect nord-sud) • Modèles 3D en équations primitives ("dynamique sèche") • Introduction "pas à pas" de paramétrisations physiques • Modèles basse résolution à paramétrisations simples But : réaliser des intégrations très longues… … ce qui nous amène à la deuxième utilisation des modèles d'atmosphère : la modélisation numérique du climat. Rahmstorf S, Ganopolski A, 1999: Long-term global warming scenarios computed with an efficient coupled climate model. Climatic Change 43, 353-367 Partie II. Les modèles de climat Spécificités Historique (sommaire) : 1896 Arrhenius calcule avec un EBM (energy balance model) qu'un réchauffement de 2° résulterait d’un doublement de CO2 1904 Bjerknes décrit la physique nécessaire pour modéliser l'atmosphère. Ekmann et Rossby utiliseront ses travaux. 1922 Richardson jette les bases de la modélisation atmosphérique et de la prévision météo numérique. Il estime que son programme de calcul de l'évolution de l'atmosphère nécessiterait 64000 personnes travaillant ensemble pour produire des prévisions en temps réel 1940s Développement des radiosondages + dévelopement des processeurs numériques et des calculateurs intégrant des programmes de calcul et des possibilités de stockage 1950s Première séquence de prévision numérique = prévision « météorologique » 1956 Premiers essais de simulation de la circulation atmosphérique générale 1960s Développement parallèle des modèles simplifiés 1965 Smagorinski et al. présente la première simulation globale employant la forme complète des équations de mouvement et de physique 1980s – Intégration de plus en plus poussée des parties du système climatique Spécificités Pas de temps court : forçage atmosphérique sur la TSM Pas de temps long : forçage de la TSM sur l'atmosphère Spécificités Pas de temps court : forçage atmosphérique sur la TSM Pas de temps long : forçage de la TSM sur l'atmosphère + nécessiter de coupler océan et atmosphère Impossible de considérer les TSM comme constantes Roy Spencer – Comment fonctionne un modèle de climat? – 13 juillet 2009 ENSO : Cane (1995) Spécificités Pas de temps long : d'autres variables, considérées constantes en prévi météo, peuvent fluctuer à différentes gammes de temps • la composition chimique de l'atmosphère • les aérosols / l'activité volcanique • l'humidité et l'occupation du sol • la "constante" solaire Pascal Roucou – CRC Spécificités Nécessité de simuler des interactions complexes du système climatique IPCC, 2001 Spécificités Nécessité de modéliser les différentes composantes du système climatique via des modèles couplés (runs CMIP) IPCC AR5 Spécificités Exemple : le modèle couplé du CNRM (Météo-France / CNRS) Emissions Aérosol-Chimie MOCAGE O3(MOBIDIC) +GESetoccupa9onsols (IMAGE) Moyennes Clima9ques 5ans Surfacescon9nentales ISBA(cycleC) Atmosphère ARPEGE-Climat 10ans 24h Biogéo- chimie Glace demer Océan OPA Gilles Bellon – CNRM – Météo-France / CNRS Sta9s9ques 24h Icebergs Calo&es GRISLI GREMLINS 24h 24h Fleuves TRIP Exemples d'utilisation Exemple #1 : la prévision saisonnière Approche probabiliste – utilise l'inertie du système climatique (TSM, modes de variabilité interannuelle, …) MétéoFrance Exemples d'utilisation Exemple #1 : la prévision saisonnière Approche probabiliste – utilise l'inertie du système climatique (TSM, modes de variabilité interannuelle, …) MétéoFrance Exemples d'utilisation MétéoFrance Exemple #1 : la prévision saisonnière Exemples d'utilisation Exemple #2 : le protocole AMIP Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …) Exemples d'utilisation Exemple #2 : le protocole AMIP Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …) Gates et al. 1999 Exemples d'utilisation Exemple #2 : le protocole AMIP Modèles d'atmosphère forcés par champs de TSM mensuels, puis intercomparés (moyenne inter-modèle vs. observations, écarts inter-modèle, …) Intérêts : • Obtention d'une moyenne d'ensemble meilleure que chaque modèle pris indépendamment • Evaluation des incertitudes (écarts intermodèle) et des biais (écarts modèle – obs) • Eventuellement, permet de dégager de grands principes sur les paramétrisations (ex : seules les paramétrisations de la convection en convergence d'humidité semblent simuler l'oscillation intrasaisonnière de Madden-Julian) Exemples d'utilisation MJO (Madden-Julian Oscillation) • mode de variabilité dominant de l'atmosphère tropicale • propagation vers l'est d'amas convectifs de large échelle • périodicité 30-60 jours • simulée de manière irréaliste par la plupart des modèles atmosphériques actuels Animations par Adrian Matthews (2013) Animations par Adrian Matthews (2013) Exemples d'utilisation ATTENTION au sens de causalité !!! monderéel modèle forcé Matthews 2004 Exemples d'utilisation ATTENTION au sens de causalité !!! Basses fréquences: surtout SST qui force l'atmosphère Hautes fréquences: surtout l'atmosphère qui force la SST mais dans le monde réel, souvent des mécanismes couplés océan-atmosphère monderéel modèle forcé Exemples d'utilisation Exemple #3 : simuler ENSO Simulation d'ENSO par les modèles CMIP5 (Coupled Model Inter-comparison Project phase 5, utilisés pour IPCC AR5 (Sept. 2013) Anomalies de Ts pendant les évènements El Niño ~ réalistes dans certains modèles couplés Bien sûr, non phasé avec l'obs.! Weare, 2013 Exemples d'utilisation Exemple #3 : simuler ENSO Simulation d'ENSO par les modèles CMIP5 (Coupled Model Inter-comparison Project phase 5, utilisés pour IPCC AR5 (Sept. 2013) Anomalies de P pendant les évènements El Niño ~ réalistes dans certains modèles couplés Bien sûr, non phasé avec l'obs.! Weare, 2013 Exemples d'utilisation Exemple #3 : simuler ENSO Simulation d'ENSO par les modèles CMIP5 Effets distants (T2m, P) pas réalistes dans tous les modèles couplés régionalement : question d'échelle [Quel degré de fiabilité d'un modèle global aux échelles régionales ?] Bien sûr, non phasé avec l'obs.! Quelle utilité pour les impacts ? Weare, 2013 Exemples d'utilisation Exemple #3 : expériences de sensibilité Les TSM méditerranéennes et la pluviométrie sahélienne : artefact statistique ou réalité physique ? Rowell 2003 Exemples d'utilisation Exemple #3 : expériences de sensibilité Expériences numériques forcées avec TSM observées et idéalisées (+ 2K) et étude des conséquences sur les précipitations Jung et al. 2006 Exemples d'utilisation Exemple #3 : expériences de sensibilité Méthodologie applicable à tous les champs de conditions aux limites • irradiance (constante solaire) • extension de la banquise • facteurs astronomiques • occupation du sol • humidité du sol • volcanisme • albédo • … Bader 2005 Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé) Etape 1 : les modèles parviennent à bien simuler l’évolution des températures sur le 21ème siècle (ouf, ça fonctionne !) IPCC, 2007 Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé) Etape 1 : les modèles parviennent à bien simuler l’évolution des températures sur le 21ème siècle (ouf, ça fonctionne !) Etape 2 : en entrée du modèle on ôte les émissions anthropiques de GES pour que ça fonctionne (= que la Terre se réchauffe), l’influence anthropique est nécessaire IPCC, 2007 Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé) Entrées (Forçages) Concentrations GES Entrées (Forçages) scénario (è 2200) Modèle de climat Modèle de climat Effets des GES sur le climat Projection climatique (è 2200) Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé) Sensibilité à la composition chimique de l'atmosphère et prospective à l'échéance 2100 ou 2200 Pour ce faire, scénarios idéalisés d'évolution des concentration des GES IPCC, 2001, 2007 Exemples d'utilisation Exemple #3 : expériences de sensibilité (en mode couplé) Pessimisme (réalisme ?) du scénario Temps IPCC AR5! Exemples d'utilisation Exemple #4 : étude de la variabilité interne de l'atmosphère Réalisation d'une simulation d'ensemble formée de plusieurs "runs" pour étudier la partie reproductible du signal climatique (a) (b) Cas (a) : runs convergents, "guidés" par un forçage commun (TSM, …) Cas (b) : runs divergents Etude du rapport signal / bruit Vincent Moron, université Aix-Marseille, 2007 Limites • La résolution de certaines équations demande de travailler à l'échelle globale • Le nombre élevé de points de grille est coûteux en temps de calcul • Cela limite (souvent) la résolution des GCM Vincent Moron, université Aix-Marseille, 2007 http://www.bgc-jena.mpg.de/~dsachse/ESMS/files/ Werner_Talk.Atmospheric.Models.mw.pdf Limites Solution : dans certains GCM, possibilité de zoomer sur la région d'intérêt ARPEGE (Météo-France / CNRS) LMDZ (IPSL / CNRS) Limites Solution : dans certains GCM, possibilité de zoomer sur la région d'intérêt Exemples de grilles zoomées du modèle LMDZ sur l'Afrique de l'Ouest Frédéric Hourdin – Ecole d'hiver AMMA – Dakar – 9-20 novembre 2009 Limites Limite : l'approximation hydrostatique Dans l'atmosphère, les mouvements "violents" dans la verticale sont observés aux échelles fines ex : à une échelle de 10-20km, ωmax = 1 m.s-1 au plus (ωmax = vitesse verticale max.) le temps mis pour parcourir l'épaisseur de la troposphère sera environ t = H / ωmax pour peu que la vitesse verticale soit à peu près uniforme, où H ≈ 10 000 m = hauteur de la tropopause son accélération verticale sera approximée par ω' ωmax / t = ωmax2 / H donc à une échelle de 10-20km, ω' ≈ 0.0001 m.s-2 L'approximation hydrostatique revient à négliger ω' devant g (10 m s-2) Intérêt : simplification de l'équation de vitesse verticale Pas d'accélération sur la verticale implique que la force verticale de pression compense exactement la force gravitationnelle Pierre Bénard, CNRM, 9 juin 2000 Limites Limite : l'approximation hydrostatique 1 ∂p ρ ∂z où ρ masse volumique de la "particule d'air", z son altitude et p sa pression Avec approximation hydrostatique : 1 ∂p = −g ρ ∂z € -g € Sans approximation hydrostatique, résolution explicite de ω : dω 1 ∂p = −g − dt ρ ∂z L'approximation hydrostatique interdit de descendre à des résolutions supérieures à une dizaine de kilomètres ; en basse résolution elle est vérifiée et est économe en temps de calcul. € Solution : résoudre ω uniquement là où c'est nécessaire… … via des modèles régionaux de climat Pierre Bénard, CNRM, 9 juin 2000 Partie III. Les modèles climatiques régionaux Principes généraux Philosophie générale : alimenter un modèle à aire limitée à haute résolution via un GCM basse résolution Avantages : • conditions de surface plus réalistes • physique plus sophistiquée (modèles non-hydrostatiques, paramétrisations plus complexes) >> pas de limite théorique dans la résolution Inconvénients : • le passage de la basse à la haute résolution est toujours critique • résultats fortement dépendants de la taille et localisation du domaine • pas de retour du RCM vers le GCM : "one-way nesting" >> champ d'applications plus restreint Principes généraux Un RCM est un outil de désagrégation dynamique (il existe aussi des techniques de désagrégation statistique). "Downscaling is the process to making the link between the state of some variable representing a large scale and the state of some variable representing a much smaller scale" But : résoudre régionalement la thermodynamique de l'atmosphère en étant alimenté aux bornes par un modèle forceur Benestad et al. 2007 Principes généraux Un RCM est un outil de désagrégation dynamique (il existe aussi des techniques de désagrégation statistique). "Downscaling is the process to making the link between the state of some variable representing a large scale and the state of some variable representing a much smaller scale" Exemple de domaines emboîtés du domaine WRF • one-way nesting entre WRF et le GCM forceur (réanalyses européennes ERA-Interim) • two-way nesting entre les domaines WRF (d01, …, d04) • résolutions : 81, 27, 9 et 3 km Thierry Castel – CRC Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) t0 Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques Calcul des variables pronostiques à t+δt t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques Calcul des variables pronostiques à t+δt t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) Prescription de variables pronostiques (ex : GCM forceur) Calcul des variables pronostiques à t+δt physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) Prescription de variables pronostiques (ex : GCM forceur) Variables pronostiques prescrites physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) Prescription de variables pronostiques (ex : GCM forceur) Variables pronostiques prescrites physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques physique Calcul des variables diagnostiques t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage Initialisation de la simulation (ex : GCM forceur) Etat initial t0 : variables pronostiques (u, v, t, q, z, …) Prescription de variables pronostiques (ex : GCM forceur) Variables pronostiques prescrites physique Etat initial t0 : calcul des variables diagnostiques (p, e, w, olr, …) t0 Prévision des variables pronostiques physique Calcul des variables diagnostiques Nudging = terme de rappel dans les équations pronostiques t + δt Principes généraux Optionnel mais parfois utile : le "nudging", ou guidage δX/δt = D(X) + P(X) – λ(X-Xref) GCM λ = tstep/etime (où tstep = pas de temps d'intégration, etime temps de relaxation) En pratique, souvent guidage vers les structures large échelle filtrées Echelle fine calculée par le RCM René Laprise & Daniel Caya, 2007 Exemples d'utilisation Régionalisation du signal climatique (P) Adapté de Crétat et al. 2011a Exemples d'utilisation Régionalisation du signal climatique (P) Le modèle permet de franchir le saut d'échelle entre les systèmes météo et leurs impacts localisés (ici : 1200mm de pluie en 24H !) Adapté de Morel et al. 2014 Exemples d'utilisation Régionalisation du signal climatique Ruissellement Pluviométrie • Etudes de cas ou de processus d'échelle fine • Etudes de phénomènes requérant des conditions de surface réalistes • Spatialisation de champs géophysiques • Application aux études d'impacts (hydrologiques, agronomiques) 14.4 mm 14.4 mm 14.4 mm 14.4 mm Vischel et al. 2007 0.5 mm 0.4 mm 0.2 mm 0.0 mm Exemples d'utilisation Régionalisation du signal climatique (T) Giorgi, 2006 Exemples d'utilisation Spatialisation des changements de température (RCP8.5 : scénario pessimiste) Echelle régionale : incertitude modérée Très forte sensibilité aux émissions de GES (non montré) Météo-France / CNRS! Exemples d'utilisation Spatialisation des changements de précipitations (RCP8.5 : scénario pessimiste) Echelle régionale : incertitude forte Forte sensibilité aux émissions de GES (non montré) Météo-France / CNRS! Limites Résultats très dépendants à un (assez) grand nombre de paramètres Limites Résultats très dépendants à un (assez) grand nombre de paramètres • les paramétrisations physiques Adapté de Crétat et al. 2011a Limites Résultats très dépendants à un (assez) grand nombre de paramètres • les paramétrisations physiques • le GCM forceur (et sa physique) • la taille et la localisation du domaine Adapté de Pohl et al. 2011 Limites Résultats très dépendants à un (assez) grand nombre de paramètres • les paramétrisations physiques • le GCM forceur (et sa physique) • la taille et la localisation du domaine • la résolution du GCM forceur • les conditions de surface Adapté de Pohl et al. 2011 Limites Résultats très dépendants à un (assez) grand nombre de paramètres • les paramétrisations physiques • le GCM forceur (et sa physique) • la taille et la localisation du domaine • la résolution du GCM forceur • les conditions de surface • la résolution verticale et horizontale du RCM • le couplage avec des modèles de surface ou d'océan • les effets de bord (spin-up spatial) Adapté de Crétat et al. 2011b Limites Résultats très dépendants à un (assez) grand nombre de paramètres • les paramétrisations physiques • le GCM forceur (et sa physique) • la taille et la localisation du domaine • la résolution du GCM forceur • les conditions de surface • la résolution verticale et horizontale du RCM • le couplage avec des modèles de surface ou d'océan • les effets de bord (spin-up spatial) Nécessité d'évaluer les incertitudes autant que les biais En pratique, descendre en dessous de l'échelle kilométrique reste parfois incertain (problème de résolution de fichiers de conditions aux limites + comportement fortement chaotique de l'atmosphère à ces échelles) Sans retour vers le modèle forceur (two-way nesting), pas d'expériences de sensibilité ("syndrome cocotte-minute") Conclusion Modèle = simplification (outrancière selon leurs détracteurs) de la réalité Avantages • permettent l'expérimentation • étude de la causalité des mécanismes physiques (à la différence des stats) • seul outil capable d'étudier la réponse du système climatique à un forçage prescrit Inconvénients • limites "indépassables" : dynamique non-linéaire et chaotique de l'atmosphère ; discrétisation spatio-temporelle de phénomènes continus • associés à des incertitudes non négligeables (notamment liées à la physique / aux paramétrisations) L. Fairhead – LMD / IPSL A retenir… IN model OUT Question principale : à quels forçages les modèles répondent-ils ? ESM / AOGCM AGCM RCM constante solaire (+ gaz à effet de serre*) + temp. de surface de la mer (SST) + atmosphère basse résolution latéralement Que peut-on faire de ces modèles? ** * ** ESM / AOGCM changement climatique, études du climat pas de phasage réaliste avec l'obs aux pas de temps courts (jusqu'à décennal) AGCM réponse de l'atmosphère à la SST variabilité transitoire (et en partie interannuelle) non phasée avec l'obs. après quelques jours (météo ≠ climato) variabilité interannuelle si réponse à la SST RCM réponse de l'atmosphère régionale à la SST régionale et au forçage latéral en atmosphère variabilité transitoire en partie phasée avec l'obs. + paleogeographie pour les modèles paléo-climatiques exemples donnés à titre indicatif, cette liste n'est pas exhaustive et d'autres utilisations sont possibles
