Projet ACCLIMATE : ETUDE SIM-CLIM L’INCERTITUDE ASSOCIEE AUX TENDANCES CLIMATIQUES PASSEES F. Bonnardot Météo-France / La Réunion [email protected] INTRODUCTION • Les enjeux de l’analyse des tendances climatiques passées – Progresser dans notre connaissance du climat et de ses modes de variabilité. – Évaluation et validation des modèles de climat et des méthodes de descente d’échelle. – Évaluation, dès à présent, de l’efficacité de certaines politiques d’adaptation face à certaines évolutions déjà observables et qui devraient se poursuivre voir s’accentuer dans le futur. – Les tendances observées, associées aux connaissances du climat et de ses modes de variabilité « naturels » permettent d’aborder la question de l’attribution des évolutions constatées et de leur compréhension PLA N • Données disponibles pour l’analyse des tendances passées • Sources d’incertitudes associées à l’analyse des tendances • Comment évaluer l’incertitude? • Comment communiquer sur les tendances? PLA N • Données disponibles pour l’analyse des tendances passées • Sources d’incertitudes associées à l’analyse des tendances • Comment évaluer l’incertitude? • Comment communiquer sur les tendances? DONNÉES DISPONIBLES POUR L’ANALYSE DES TENDANCES DU PASSÉ • Séries de données de paramètres météorologiques de base : Température, Précipitations, Vent, Insolation … – – – – • Les données mensuelles ou annuelles permettent d’appréhender l’évolution des paramètres moyens. Les données quotidiennes permettent d’aborder la problématique des événements extrêmes. Une série est en principe considérée longue à partir de 50 ans de profondeur. Importance des métadonnées associées à chaque série Les indices et indicateurs climatiques – – – – Caractériser ou quantifier les effets des variations climatiques sur notre environnement au sens « large » Pour être pertinent, un indice ou indicateur climatique est défini pour répondre à un enjeux ou une problématique spécifique : occurrence de phénomènes extrêmes, gestion de la ressource en eau, santé publique, biodiversité… Exemple des indicateurs de l’ONERC (Observatoire National sur les Effets du Réchauffement Climatique) : http://www.onerc.org/fr/indicateurs Un moyen efficace de communiquer vers les décideurs, permet de clarifier le message Un moyen de progresser dans notre connaissance de la variabilité du climat et des multiples interactions entre les différentes échelles spatiales et temporelles. DONNÉES DISPONIBLES POUR L’ANALYSE DES TENDANCES DU PASSÉ • Données spatialisées en point de grille : - Modèles atmosphériques ou océaniques (ré-analyses) - Données d’observation non conventionnelles (satellite, radars …) - Une certaine homogénéité spatiale : permet d’apporter de l’information dans des zones dépourvues d’observations terrestres (particulièrement adapté pour la région COI) - Données disponibles dans les centres mondiaux avec des projets portant sur des ré analyses sur l’ensemble du 20ème siècle (ERA-Clim, ré-analyse NCEP) PLA N • Données disponibles pour l’analyse des tendances passées • Sources d’incertitudes associées à l’analyse des tendances • Comment évaluer l’incertitude? • Comment communiquer sur les tendances? SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Qualité des séries de données • Contexte régional : – Climat régional qui sollicite beaucoup le matériel : casse matériel, pluviomètres bouchés durant les épisodes de pluie ou vent extrêmes – Isolement de certains sites de mesure – Contexte économique parfois difficile, manque de moyens financiers… Globalement un contexte qui complique la maintenance des réseaux de mesures et tend à dégrader la qualité des mesures SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Qualité des séries de données • Longueur des séries : – – Incertitude générée par l’existence d’une variabilité naturelle décennale voir multi-décennale du climat qui vient brouiller le signal du changement climatique. Effets d’échantillonnage parfois très marqués (e.g. valeurs extrêmes en début ou fin de période) en lien par exemple avec l’aléa du passage des tempêtes ou cyclones tropicaux SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Qualité des séries de données • Homogénéité : – L’ordre de grandeur des ruptures d’homogénéité générées par des modifications de capteur, d’emplacement de la mesure, de l’environnement de la mesure ou des procédures d’observations, est souvent égal ou supérieur au signal purement climatique TX Plaine-des-Cafres 4 ruptures détectées : 1977/78 : +0,63°C (changement abri) 1991/92 : +0,38°C 1998/99 : -0,65°C (déplacement de la station en 2000) 2004/05 : +0,32°C Tendance série brute : +1,25°C Tendance série homogénéisée : +0,69°C SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Qualité des séries de données • Homogénéité : l’exemple typique de l’activité cyclonique, problèmes d’homogénéité de la base de données Évolutions des techniques d’observations : Premières images satellites à partir de 1967 Mai 1998 : satellite géostationnaire couvrant le SO de l’océan Indien 1999 : canaux micro-ondes Modification dans la méthode d’estimation La technique de Dvorak adoptée en 1981-1982 Modification de la méthode en 1985 Modification dans la classification des perturbations (1999) SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Couverture de la région en mesures • Densité du réseau de mesure : – Certaines techniques d’homogénéisation requièrent une densité de postes bien corrélés entre eux pour la détection des ruptures et la correction des données Difficulté d’homogénéiser les postes « isolés » Seychelles Indian Ocean Comores • Répartition des stations – La couverture spatiale de la zone COI est inégale – Dans la partie nord, les séries démarrent au début des années 1970 seulement Difficulté à faire ressortir un signal régional Maurice Reunion Madagascar SOURCES D’INCERTITUDE POUR L’ANALYSE DES TENDANCES Niveau de traitement du paramètre ou phénomène considéré • • • • Séries de mesures de vent très peu étudiées : étude des régimes de vent (alizés, mousson…) Phénomène de sécheresse définir un indice adapté à la caractérisation des sécheresses Paramètres d’altitude (données de radiosondages) Insolation, pression ou tout autre paramètre d’observation disponible Des données disponibles dans la région non encore exploitées PLA N • Données disponibles pour l’analyse des tendances passées • Sources d’incertitudes associées à l’analyse des tendances • Comment évaluer l’incertitude? • Comment communiquer sur les tendances? EVALUATION DE L’INCERTITUDE SUR LES TENDANCES CALCULÉES Séries brutes de paramètres de base (température, précipitations) Controle qualité + Homogénéisation Qualité des séries de mesures disponibles longueur, % de données manquantes, disponibilité des métadonnées, homogénéité Eventuellement, calcul d’indices climatiques adaptés à la problématique considérée (pluies extrêmes, sécheresse) Significativité au sens statistique de la tendance calculée : il existe de nombreux tests (Spearman, Kendall…) Calcul de la tendance Cohérence spatiale des tendances Utilisation de données « indépendantes » pouvant conforter le diagnostique Diagnostique final sur la tendance et le niveau de confiance associé EXEMPLES DE TENDANCES CALCULEES LORS DE L’ETCCDI Pas de cohérence spatiale Tendances nonsignificatives -6 -3 3 6 Tendances significatives et cohérence spatiale %/10yrs -0.4 -0.2 0.2 RX1day TXMean Tendances nonsignificatives mais cohérence spatiale -2 -1 CDD 0.4 °C/10yrs 1 2 days/10yrs Tendances significatives et cohérence spatiale -4 -2 TX90P 2 4 %/10yrs EXEMPLE D’UTILISATION DE DONNEES INDEPENDANTES POUR REDUIRE L’INCERTITUDE • Température de Surface de la Mer (TSM) 1.5 1.0 °C 0.5 0.0 -0.5 -1.0 -1.5 1960 0 1970 120 1980 240 1990 360 2000 480 2010 600 Evolution de l’anomalie de température moyenne de surface de l’océan sur la zone définie par 30°E-701°E et 40°S-Equateur (période de référence 1971-2000). Série reconstituée dans le cadre de l’atelier ETCCDI de Maurice 2009 à partir de données ERSST (http://www.ncdc.noaa.gov/ersst/index.php) +0,12° / décennie : bonne corrélation entre l’anomalie en TSM et les indicateurs TXmean et Tnmean réduction de l’incertitude EXEMPLE D’UTILISATION DE DONNEES INDEPENDANTES POUR REDUIRE L’INCERTITUDE • Tendances peu fiables sur les précipitations en se basant uniquement sur les longues séries disponibles issues de l’observation in situ possibilité d’exploiter les données du Global Precipitation Climate Project (GPCP) : exploite à la fois les observations in situ et satellites PLA N • Données disponibles pour l’analyse des tendances passées • Sources d’incertitudes associées à l’analyse des tendances • Comment évaluer l’incertitude? • Comment communiquer sur les tendances? COMMENT COMMUNIQUER SUR LES TENDANCES • • • Nécessité d’accompagner toute information sur les tendances climatiques du niveau d’incertitude associé Difficulté à évaluer l’incertitude de manière quantitative : certains critères peuvent être évaluer de manière objective et d’autres de manière plus subjective L’approche du GIEC : 3 manière de traduire l’incertitude selon le sujet traité – Approche qualitative : informer sur le degré de concordance (c’est-à-dire le niveau de convergence selon différentes approches pour une conclusion donnée) : large concordance, degré élevé d’évidence , large concordance, degré moyen d’évidence, concordance moyenne, degré moyen d’évidence ; etc. – Approche plutôt quantitative : informer sur le niveau de confiance que l’on accorde à une information données : degré de confiance très élevé (9 chances au moins sur 10), degré de confiance élevé (environ 8 chances sur 10), degré de confiance moyen (environ 5 chances sur 10), faible degré de confiance (environ 2 chances sur 10), et très faible degré de confiance (moins d’une chance sur 10). – Approche purement quantitative : lorsque l’évaluation de l’incertitude s’appuie uniquement sur une analyse statistique de l’incertitude, on peut informer sous forme de probabilité d’occurrence : pratiquement certain (prob. supérieure à 99 %), extrêmement probable (prob. supérieure à 95 %), très probable (prob. supérieure à 90 %), probable (prob. supérieure à 66 %), plus probable qu’improbable (prob. supérieure à 50 %), à peu près aussi probable qu’improbable (prob. de 33 % à 66 %) ; improbable (prob. inférieure à 33 %) ; très improbable (prob. inférieure à 10 %) ; extrêmement improbable (prob. inférieure à 5 %) ; exceptionnellement improbable (prob. inférieure à 1 %). COMMENT COMMUNIQUER SUR LES TENDANCES • Indicateur TXmean (ETCCDI) : hausse moyenne de +0.19°C/décennie (période 1961-2008) sur la région • Qualité des séries de données : – Homogénéisation partielle – Longueur de la série : 47 ans (sauf pour les Seychelles 36 ans) – Couverture de la région en postes de mesures : très inégale • Significativité statistique de la tendance : bonne • Cohérence spatiale : très bonne • Concordance avec des données indépendantes : oui (+0,12°C / décennie) Degré de confiance très élevé sur le signe de la tendance Degré de confiance élevé sur l’ordre de grandeur du rythme du réchauffement COMMENT COMMUNIQUER SUR LES TENDANCES • Indicateur PRCPTOT (ETCCDI) : baisse moyenne de -2.63%/décennie (période 19612008) sur la région • Qualité des séries de données : – Homogénéisation partielle – Longueur de la série : 47 ans (sauf pour les Seychelles 36 ans) – Couverture de la région en postes de mesures : très inégale • Significativité statistique de la tendance : oui • Cohérence spatiale : moyenne • Pas de recoupement avec d’autres types de données Degré de confiance moyen sur le signe de la tendance Degré de confiance faible sur l’ordre de grandeur du rythme de l’assèchement CONCLUSION • Nécessité d’évaluer et de communiquer sur le degré de confiance accordé aux tendances climatiques diagnostiquées • Des critères d’évaluation de l’incertitude existent mais restent parfais très subjectifs. Une information en termes de degré de confiance est à rechercher. • Pour les paramètres à forte variabilité spatiale comme les précipitations, l’intérêt de diagnostiquer des tendances régionales est limité. Une approche sub-régionale est alors recommandée. • Un enjeux majeur pour rendre l’information sur les tendances exploitables est la définition d’indices ou indicateurs climatiques adaptés aux problématiques traitées. Une réflexion sur les indices et indicateurs efficaces devrait être menée en lien étroit avec les secteurs d’activités concernés et les utilisateurs pour la définition de politiques d’adaptation. SIGNIFICATIVITE STATISTIQUE Exemple du test de Spearman (test de corrélation des rangs) Les observations Y(i) sont remplacées par le rang N(i) qui leur est attribué quand on les range par ordre croissant et la statistique du test est le coefficient de corrélation rs entre les séries i et N(i). Après avoir calculé rs, on calcule son intervalle de confiance à 95%. Si la valeur zéro est incluse dans l’intervalle de confiance de rs on ne peut pas exclure une tendance nulle. A l’opposé, si la valeur zéro est hors de l’intervalle de confiance de rs on peut conclure à une tendance significative, croissante ou décroissante selon que rs est >0 ou <0. -0,73 < rs=-0,49 < -0,25 Tendance significative à la baisse -0,09 < rs=+0,21 < +0,51 Tendance non significative à la hausse