Régionalisation statistique des sorties des modèles climatiques avec dsclim ORACLE : Réunion de lancement Clermont-Ferrand 30-31 mai 2011 Emilia Sanchez-Gomez [email protected] Christian Pagé [email protected] CERFACS, Toulouse, France Introduction Exemples de types de temps hivernaux et d'anomalies de précipitations Anomalies de Pression au NMM Liens s Physique Anomalies de Précipitations 2 Circulation atmosphérique État climatique de grande échelle (prédicteurs) Modèle statistique État climatique local Précipitations - France • Définir des groupes de jours présentant des circulations atmosphériques de grande échelle similaires • Déterminer si ces groupes de jours sont discriminants pour la précipitation en France: • Anomalies marquées Méthodes de classification 3 Circulation atmosphérique → Analyse classique en régimes de temps (Vautard 1990) ● Classification PNM journalière ● Région Europe-Atlantique Nord ● 4 régimes en hiver 4 régimes en été → Analyse en types de temps Données: Classification 1981-2005 ● Classification préliminaire multi-variée (PNM & PR) PNM : Réanalyses NCEP (d’après Plaut et al. 2001) ● Région France étendue ● 10 types de temps en hiver/printemps/été/automne PR : Analyse SAFRAN Météo-France 8 km résolution Automne = SON Hiver = DJF Printemps = MAM Été = JJA 4 Circulation atmosphérique La classification Groupe 1 Centroïde du Groupe 1 Centroïde d’un groupe: composite (moyenne) de la variable classifiée à l’intérieur de ce groupe pression atmosphérique moyennes journalières Groupe 2 Centroïde du Groupe 2 Chaque groupe est défini: - par son centroïde - par la distribution des jours autour du centroïde La variabilité des précipitations peut s’expliquer par: - des modifications inter-groupes changements de la fréquence d’occurrence des groupes - des modifications intra-groupes ex: modifications de la distribution des jours à l’intérieur des groupes changement de la circulation atmosphérique à l’intérieur des groupes changements des liens avec le climat régional 5 6 Circulation atmosphérique Les types de temps sont-ils discriminants pour la précipitation? Anomalies PNM NCEP (hPa) Anomalies PR SAFRAN (%) Exemples de types de temps Hiver Les types de temps vont être utilisés comme base pour la méthode de désagrégation Désagrégation statistique Trois hypothèses principales 1. 1- Prédicteurs • Liens forts avec le climat local • Simulés correctement par le modèle 2. 2- Stationnarité: les relations statistiques sont valides également dans le climat perturbé • Désagrégation dynamique • Paramétrisations physiques • Correction de biais (quantile-quantile) 3. 3- Les prédicteurs réagissent au signal du changement climatique 7 Désagrégation statistique Caractéristiques avec la PNM des réanalyses NCEP, la méthode permet de reproduire correctement les caractéristiques principales des précipitations : moyenne, variance, variabilité interannuelle… avec le modèle ARPEGE, les performances de la méthode sont peu dégradées l’hypothèse de stationnarité n’est pas rejetée il est cependant nécessaire d’utiliser la température comme prédicteur + -peu coûteuse en temps de calcul - reconstruction de séries temporelles - - dépend de la qualité des données observées - ne permet de reconstruire les variables que sur la zone couverte par les observations 8 Désagrégation statistique Validation période 1981-2005 Désagrégation NCEP vs Désagrégation ARPEGE V4 vs observations SAFRAN NCEP Précipitations annuelles moyennes 1981-2005 Différences en % 9 Désagrégation statistique Fréquence d’occurrence des types de temps 10 Impacts et incertitudes Changements moyens multi-modèles Anomalie (%) des précipitations et de la température annuelle 2046-2065 et 2081-2100 (Ref 1961-1990) SCN=A1B 2046-2065 2081-2100 11 Impacts et incertitudes Changements moyens multi-modèles Anomalie (%) des précipitations (Ref 1961-1990) 12 Impacts et incertitudes Changements moyens multi-modèles Anomalie (mm/jour) de précipitation totale (Ref 1961-1990) 13 Impacts et incertitudes Changements moyens multi-modèles Anomalie (deg C) des températures (Ref 1961-1990) 14 Scénarios désagrégés SCRATCH2010 Scénarios à 8 km sur la France 15 scénarios CMIP3 A1B 1961-2000; 2046-2065; 2081-2100 4 scénarios ARPEGE A1B CERFACS 1950-2100 3 scénarios ARPEGE A1B, B1, A2 CECILIA/SCAMPEI A1B : 1950-2100 B1 & A2 : 1950-2000; 2020-2055; 2070-2100 3 scénarios ARPEGE A1B, B1, A2 RETIC 1950-2100 15 SAFRAN Analyse méso-échelle SAFRAN de MétéoFrance • France Métropolitaine • 1958-2008 • Résolution spatiale de 8 km réalisée à partir de zones climatiques homogènes (zones Symposium) • Projection Lambert-II étendue • Référence: Quintana-Seguí et al., 2007 Topographie SAFRAN 8-km Retour à l’introduction • 7 paramètreshoraires • Précipitations liquides • Précipitations solides • Température à 2 m • Module du vent à 10 m • Radiation infra-rouge incidente à la surface • Radiation visible incidente à la surface • Humidité spécifique 16 Scénarios désagrégés SCRATCH2010 Utilisateurs de ces scénarios : ≈35 depuis 02/2008 6 projets ANR 4 projets GICC 3 projets européens 4 thèses 4 articles publiés (+1 collaboration) 4 soumis/en préparation 1 sur la méthode elle-même 17 Applications et projets Gestion de la ressource en eau & inondations/sécheresse Bassin de la Loire Bassin de la Lez Estuaire de la Charente Estuaire de la Gironde Région Midi-Pyrénées Pyrénées orientales Hydrogéologie Bassin Aquitain Foresterie Agriculture Vignobles Agronomie Gestion de l'usage des sols Régions montagneuses Depuis 2 ans 6 projets nationaux ANR 3 projets nationaux GICC 1 projet européen EU Une quinzaine d'autres projets et collaborations 18 Conclusions Méthodologie Rapide Évaluation des incertitudes Approche multi-scénarios Bonne qualité des scénarios Même pour les statistiques des extrêmes de précipitations (99,2% percentile) Multiples configurations Qualité dépendante de celles des observations Ne produit que des valeurs aux points des observations Nécessite des observations de qualité sur une longue période (25 ans et +) Configuration sensible 19 Two main methodologies Extra Slides 20 21 Désagrégation statistique Validation période 1958-2006: corrélation temporelle saisonnière Désagrégation NCEP vs observations SAFRAN Hiver Annuel Désagrégation statistique Hypothèse de stationnarité Le modèle statistique établi sur la période historique 1981-2005 demeure valide dans le futur Apprentissage Reconstruction Modèle ARPEGE-VR Modèle CMIP3 1974-2002 1950-1999 1972-2000 Modèle ARPEGE Autre simulation indépendante PNM Réanalyses PNM Simu PNM Simu Moyenne des précipitations sur la France Modèle statistique PR Obs PR Simu PR Desag PR Simu 22 23 Désagrégation statistique Validation débits Cycle Annuel OBS NCEP ARPEGE-VR 150 500 0 1960 0 0 Jan 250 CDF OBS NCEP ARPEGE-VR 800 LOIRE(Blois) ARIEGE (Foix) 0 à Dec ARIEGE (Foix) Jan à Dec 2500 LOIRE (Blois) 1 0 SEINE (Poses) Jan à Dec 2500 SEINE (Poses) 0 0 0 1200 0 1 0 VIENNE (Ingrandes 2010 Moyenne Hiver OBS NCEP (0.85) SAFRAN (0.97) 1 Logiciel dsclim • Logiciel licence open-source http://www.cerfacs.fr/~page/work/dsclim/ • Approche modulaire • Librairies externalisables • Grand nombre de paramètres de configuration • Fichier syntaxe XML de configuration • Documentation • Très efficace et performant • Écrit complètement en langage C • Utilise exclusivement le format de fichier NetCDF avec la convention CF-1.0 24 Logiciel dsclim CERFACS open-source downscaling software dsclim (coded in C) Reconstruction Learning Climate Model Past Period with Local and Large-Scale variables MSLP Large-Scale Climatic State Daily re-analysis MSLP Weather Type Classification weather types: Distances Averaged T 2 m Regression Local-Scale Climatic State Daily-averaged Precipitation Weather Type Reconstructed Precip Summer only! Classification weather types: Distances Averaged T2m Regression Coefficients Learning Reconstructed Precip Each Season is processed separately! Search Analog Day Local Variables From Chosen Analog Day Corrections Temperature Logiciel dsclim Regression: 10 WEATHER TYPES Local observed precipitation … distances y = a0x0 + a1x1 + … + a9x9 Regression coefficients • Based on physical links between Large and Local scales • Temperature and Precipitation changes are due to • Changes in the frequency of occurrence of weather types (inter-types) • Changes in the days distribution within each weather types (intra-types) • For example, if precipitation change is toward much drier conditions during the summer Drier weather types happen more often than in the past Discussions • Limitations • Not meant to study extremes • But statistics of extremes over a climatic period show good performance • Each day is processed independently (temporal aspects) • Feedbacks (snow, etc.) • Quality of other variables than precipitation and temperature • Uncertainties: mostly from global climate models • But also from downscaling methodology • Greatest uncertainties on precipitation over France • Summer season performance • Advantages • All variables coherent among themselves • Can produce hourly data • Most of variability retained • High-resolution suitable for impact studies and models • Can use external observation database different from learning period one • Good quality • Much better than non-corrected Global Climate Models data • High resolution Conclusions Perspectives Utilisation de ERA-Interim CMIP5 (quels scénarios désagréger?) Extension européenne Modèles du projet ENSEMBLES Globaux et régionaux Observations du projet ENSEMBLES 28