Etude des possibilités d`une simulation climatique

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