types de temps

Méthodologie statistique de
régionalisation des scénarii climatiques
Précipitations en France métropolitaine
9 juin 2009
Christian Pagé, CERFACS
Julien Boé, U California
Laurent Terray, CERFACS
CERFACS
Florence Habets, UMR Sisyphe
Éric Martin, CNRM, Météo-France
CNRS
1. Introduction
Les changements climatiques
Pourquoi estimer l’impact du réchauffement global
sur les précipitations ?
→ impacts hydrologiques
→ gestion de la ressource en eau
→ répartition des cultures et de l’utilisation des sols
Changement relatif moyen
multi-modèles GIEC (%)
des précipitations
Hiver
Été
(2046-2065) vs (1971-2000)
GIEC 2007, SRES A1B
X: cohérence de signe d’au moins
85% des modèles
2
1. Introduction
Les précipitations
→ Les précipitations présentent une forte variabilité
Précipitation moyennes annuelles 1971-1990 en mm
Moyenne des modèles du GIEC
Problème:
la résolution spatiale des
modèles climatiques est faible
150 – 350 km (GIEC 2007)
Analyse SAFRAN de Météo-France à 8 km
Inadéquation entre la résolution
des modèles climatiques
et l’échelle spatiale d’intérêt
pour les modèles d’impacts
3
1. Introduction
La régionalisation
Problème:
Comment passer de l’échelle spatiale des modèles climatiques
à l’échelle spatiale permettant de forcer des modèles d’impacts ?
régionalisation / descente d’échelle / désagrégation
État climatique
de grande échelle
Caractéristiques
géographiques locales
(relief, rugosité du sol)
État climatique local
(précipitations, température)
Désagrégation statistique
Désagrégation dynamique
Etablir un modèle statistique
reliant les précipitations aux
variables de grande échelle
Résoudre explicitement la
physique et la dynamique du
système climatique régional
4
1. Introduction
Plan
Plan : la régionalisation, étape par étape
État climatique
de grande échelle
Types de temps
Part. 2
Liens entre la circulation
atmosphérique de grande
échelle et les précipitations
Part. 3
Désagrégation statistique
Précipitations
et autres variables
Part. 4
Impacts et incertitudes
Part. 5
Implémentation logicielle
5
Sommaire
1. Introduction
2. Circulation atmosphérique de grande échelle
3. Méthode de désagrégation statistique
4. Impacts et incertitudes
5. Implémentation logicielle
6. Conclusions
6
2. Circulation atmosphérique
État climatique
de grande échelle
(prédicteurs)
Modèle
statistique
Introduction
État climatique local
Précipitations - France
Préliminaire: étudier les liens entre la circulation atmosphérique de grande échelle
et les précipitations (PR) en France
Idée: ● définir des groupes de jours présentant
des circulations atmosphériques de grande échelle similaires
● voir si ces groupes de jours sont discriminants pour la PR en France:
- anomalies marquées
Comment: méthodes de classification
7
2. Circulation atmosphérique
Types de temps
Observations
Anomalies PNM (hPa)
(Réanalyses NCEP)
(Source SAFRAN, Météo-France)
Anomalies de précipitations observées (%)
1981-2005
Type de temps #8
Saison Mars-Avril-Mai
8
2. Circulation atmosphérique
Méthode
→ 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
● Classification préliminaire multi-variée (PNM & PR)
Centroïdes calculés dans l’espace de PNM & PR
Re-classification des jours dans l’espace de la PNM
(d’après Plaut et al. 2001)
● Région France étendue
● 10 types de temps en hiver/printemps
9 types de temps en été/automne
Données:
Classification 1981-2005
PNM : Réanalyses NCEP
PR : Analyse SAFRAN
Météo-France
8 km résolution
Automne = SON
Hiver = DJF
Printemps = MAM
Été = JJA
9
2. Circulation atmosphérique
La classification
Groupe 1
Introduction
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
10
2. Circulation atmosphérique
Types de temps
Les types de temps sont-ils discriminants pour la précipitation?
Anomalies PNM NCEP (hPa)
Exemples de types de temps
Hiver
Anomalies PR SAFRAN (%)
Les types de temps vont être utilisés comme base
pour la méthode de désagrégation
11
Sommaire
1. Introduction
2. Circulation atmosphérique de grande échelle
3. Méthode de désagrégation statistique
4. Impacts et incertitudes
5. Implémentation logicielle
6. Conclusions
12
3. Désagrégation statistique
Principe général de la méthode
Apprentissage
Méthode
Reconstruction
Modèle Climat
1981-2005
PNM
État climatique de grande échelle
Classification
types de temps:
Distances
Réanalyse NCEP journalière
PNM
Classification
types de temps:
Distances
Moyenne T 2 m
Saison été seulement!
Régression
Moyenne
T2m
Coefficients de
régression
PR reconstruite
Recherche
Jour Analogue
État climatique local
PR moyenne journalière
Analyse SAFRAN
Les 4 saisons sont traitées séparément
7 variables
(SAFRAN)
désagrégées
13
3. Désagrégation statistique
Validation
Trois hypothèses principales
1. Prédicteurs
• Lien fort avec le climat local
• Simulé correctement par le modèle
2. Stationnarité: les relations statistiques sont
valides également dans le climat perturbé
• Désagrégation dynamique:
• paramétrisations physiques
• correction de biais (quantile-quantile).
3. Les prédicteurs réagissent au signal du
changement climatique
14
3. Désagrégation statistique
Validation
Fréquence d’occurrence des types de temps
15
3. Désagrégation statistique
Validation
Validation période 1981-2005
Désagrégation NCEP vs
observations SAFRAN
Désagrégation ARPEGE V4 vs
NCEP
Précipitations annuelles moyennes 1981-2005
Différences en %
16
3. Désagrégation statistique
Validation
Erreur relative absolue sur les moyennes saisonnières des
précipitations désagrégées avec les prédicteurs issus des
modèles du GIEC (Référence SAFRAN). Moyenne France.
Erreur absolue relative moyenne - Précipitations
16%
14%
12%
10%
8%
6%
DJF
MAM
JJA
SON
4%
2%
0%
17
3. Désagrégation statistique
Validation
Hypothèse de stationnarité:
Le modèle statistique établi sur la période historique 1981-2005
est supposé rester 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
PR Obs
PR Simu
Moyenne des précipitations sur
la France
Modèle
statistique
PR Desag
PR Simu
18
3. Désagrégation statistique
Validation
Reproduction de la tendance des précipitations
=> Reconstruction du cumul saisonnier (NDJFM) des précipitations sur le
20ème siècle par régression multiple avec comme prédicteurs
l’occurrence des types de temps et les distances aux centroides
Corrélation
observation
/reconstruction
1900/2000
Tendances Pr
1951-2000
observation
1 point=1station, couleur: latitude
vs
19
reconstruction => bleu=sud
3. Désagrégation statistique
Validation
Reproduction de la tendance des températures
Rapport entre:
[tendances des températures
reconstruites] / [tendances des
températures observées]
Période 1951-2000
Les changements de circulation atmosphérique ne permettent pas d’expliquer
correctement la tendance des températures observées
=> Nécessité de prendre en compte la température comme prédicteur.
20
3. Désagrégation statistique
Validation débits
Cycle Annuel
OBS
NCEP
ARPEGE-VR
CDF
OBS
NCEP
ARPEGE-VR
500
0
196
150
0
250
0
ARIEGE (Foix)
Jan
à
800 L O I R E ( B l o i s )
0
Dec
ARIEGE (Foix)
0
Validation
Jan
à
Dec
2 5 0 LOIRE (Blois)
0
1
0
0
1
120
SEINE (Poses)
0
0
Jan
à
Dec
2 5 0 SEINE (Poses)
0
0
0
1
VIENNE (Ingrandes
201
Moyenne Hiver
OBS
NCEP
(0.85)
SAFRAN (0.97)
21
3. Désagrégation statistique
Conclusion
Conclusions:
●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
22
Sommaire
1. Introduction
2. Circulation atmosphérique de grande échelle
3. Méthode de désagrégation statistique
4. Impacts et incertitudes
5. Implémentation logicielle
6. Conclusions
23
5. Impacts et incertitudes
HIVER: DJF
Impacts
Cercles noirs: au moins
Quantifier
les incertitudes 85% des modèles en
accord sur le signe
Dispersion:
Moy.
spatiale
σ = 18%
Multi-Modèle changement
Précip. Désag. (%),
2046/2065
Multi-Modèle changement
débits (%), 2046/2065
24
5. Impacts et incertitudes
Introduction
Les projections disponibles :
15 modèles climatiques CMIP3 (GIEC 2007)
PNM (moyennes journalières)
Température (moyennes journalières)
Période historique:
1971-2000
Scénario A1B:
2046-2065
2081-2100
8 simulations ARPEGE-VR
7 variables désagrégées
Désagrégation statistique
PNM (moyennes journalières)
Température (moyennes journalières)
Période historique:
1950-1999
5 scénarii A1B, 1 B1, 1 A2: 2000-2100
1 scénario A2 2071-2100
25
5. Impacts et incertitudes
Incertitudes
Changements moyens multi-modèles
Anomalie (%) des précipitations annuelles
2046-2065 (Ref 1961-1990)
Hiver
Été
26
5. Impacts et incertitudes
Incertitudes
Changements moyens multi-modèles
Anomalie (%) des précipitations et
de la température annuelle
2046-2065 et 2081-2100 (Ref 1961-1990)
2046-2065
2081-2100
27
5. Impacts et incertitudes
Incertitudes
Changements moyens multi-modèles
Anomalie (%) des précipitations (Ref 1961-1990)
28
5. Impacts et incertitudes
Incertitudes
Changements moyens multi-modèles
Anomalie (deg C) des températures (Ref 1961-1990)
29
5. Impacts et incertitudes
Incertitudes
Différentes sources d’incertitudes :
Scénarios d’émissions
et de concentrations
en GES et aérosols
Modèles climatiques
SRES A1B
SRES A2
SRES B1
15 modèles climatiques (CMIP3)
Plusieurs scénarios du modèle ARPEGE
3 méthodes de désagrégation
● Désagrégation statistique:
Régionalisation
- méthode des types de temps
- méthode des anomalies
● Désagrégation dynamique
- méthode quantile-quantile
30
Sommaire
1. Introduction
2. Circulation atmosphérique de grande échelle
3. Méthode de désagrégation statistique
4. Impacts et incertitudes
5. Implémentation logicielle
6. Conclusions
31
6. Implémentation logicielle
Description
dsclim
• Re-Engineering du code complet
• Approche modulaire
• Librairies externalisables
• Beaucoup de paramètres de configuration
• Fichier syntaxe XML de configuration
• Documentation
• Ré-écriture complète
• Très efficace et performant (écrit complètement en langage C)
• Utilise exclusivement le format de fichier NetCDF avec la
convention CF-1.0
32
6. Implémentation logicielle
Description
Processus en trois phases principales
1. Pre-processing
2. Apprentissage
3. Désagrégation
33
6. Implémentation logicielle
Description
Données nécessaires: fréquence journalière
1. Longue séries temporelles d’observations de variables
climatiques d’intérêt à l’échelle locale (prédictants)
•
Précipitations totales, dans le cas actuel, avec la
température à 2 m
2. Pour la période d’observations, variables de grande échelle
(prédicteurs) représentant correctement la Circulation de
Grande Échelle
•
Pression au niveau moyen de la mer et Température à 2 m
•
Pourrait aussi être géopotentiel à 500 hPa
•
Doit couvrir complètement la région couverte par les
observations
34
6. Implémentation logicielle
Description
Première phase: pre-processing
1. Interpolation des variables de grande échelle sur la région qui
d’intérêt
1. Interpolateur OASIS 3
2. Grille NCEP/ERA40
3. PNM et température à 2 m
2. Calcul des Fonctions Empiriques Orthogonales (EOF) de la
circulation grande échelle (prédicteur) et de la variable
climatique locale (prédictant)
•
STATPACK
•
PNM interpolée
•
Précipitations totales locales observées
35
6. Implémentation logicielle
Description
Seconde phase: apprentissage - 1
•
À faire seulement une seule fois pour
•
Une région spécifique utilisée pour la circulation grande
échelle
•
Mêmes prédicteurs et prédictants
•
Mêmes set de données de grande-échelle et
d’observation
•
Même période d’apprentissage
36
6. Implémentation logicielle
Description
Second phase: apprentissage - 2
1. Normalisation des EOF de la PNM pour la période complète
2. Calcul de l’indice de température à 2 m : moyenne spatiale
sur le domaine de grande-échelle
3. Calcul de l’indice de précipitation : moyenne spatiale sur des
points de régression; normalisation
37
6. Implémentation logicielle
Description
Seconde phase: apprentissage - 3
1. Pour les saisons choisies (4 dans ce cas-ci)
•
Calcul de la moyenne et de la variance de l’indice de
température; normalisation
2. Combinaison des composantes principales de grande échelle
(PNM) et de l’échelle locale (PR); normalisation
3. Calcul des centroïdes en utilisant la méthode de
classification de Michelangeli et al., 1995
4. Classification de chaque jour de la période d’apprentissage
5. Calcul de la distance normalisée aux centroïdes
38
6. Implémentation logicielle
Description
Seconde phase: apprentissage - 4
1. Coefficients de régression
•
Distances aux centroïdes
ET
•
Précipitation totale observée moyennée sur les points de
régression
2. Re-calcul de la précipitation totale en utilisant les
coefficients de régression
39
6. Implémentation logicielle
Description
Troisième phase: désagrégation – 1
1. Projection de l’anomalie de la PNM sur les EOF pré-calculées
•
Période de contrôle
•
Période de désagrégation
2. Normalisation
40
6. Implémentation logicielle
•
Troisième phase: désagrégation – 2
•
Pour chacune des 4 saisons
•
•
Description
Calcul de la distance aux centroïdes
Normalisée par la norme de la période de contrôle
•
Classification de chacun des jours dans le centroïde le plus
proche
•
Normalisation de l’indice de température
•
Application des coefficients de régression
•
Calcul de la précipitation sur les points de régression.
Utilisation de :
•
la distance aux centroïdes
•
l’indice de température normalisé
41
6. Implémentation logicielle
Description
Troisième phase: désagrégation – ré-échantillonnage - 3
1. Pour chacune des 4 saisons
•
Pour chaque jour désagrégé
•
•
•
Recherche du jour analogue
•
Période d’apprentissage
•
Parmi les jours ayant le même centroïde
Sélection de 16/11 jours
•
Maximum ±10 jours de distance
•
Précipitation reconstruite la plus proche
•
Optionnellement l’indice de température à 2 m
Choix aléatoire ou le plus proche
42
6. Implémentation logicielle
Description
Troisième phase: désagrégation – ré-échantillonnage - 4
•
•
Lecture/écriture des données du jour analogue
(fréquence journalière ou horaire)
•
Application d’une correction de température si
abs(Tindex – TNCEP) > 2 C
•
Correction de la partition liquide/solide des
précipitations et de la radiation infra-rouge
Sorties en NetCDF
43
Sommaire
1. Introduction
2. Circulation atmosphérique de grande échelle
3. Méthode de désagrégation statistique
4. Impacts et incertitudes
5. Implémentation logicielle
6. Conclusions
44
6. Conclusions
Conclusions
• Méthodologie
• Validation de bonne qualité
• Hypothèse de stationnarité satisfaisante
• Approche par types de temps
• Les incertitudes peuvent être évaluées avec plusieurs scénarios
• Méthode nécessite peu de moyens de calculs
• Les incertitudes liées à la méthode de désagrégation sont limitées
• Celles de modèles numériques sont en général plus importantes
45
6. Conclusions
Conclusions
• Implémentation logicielle dsclim
• Approche modulaire
• Configurable assez facilement
• Tests de sensibilité
• Application à d’autres domaines géographiques
• Structure permet de coder d’autres méthodologies
46
Merci de votre attention! 
Christian Pagé, CERFACS
[email protected]
Julien Boé, CERFACS
Laurent Terray, CERFACS
Florence Habets, UMR Sisyphe
Éric Martin, CNRM, Météo-France
47
Analyse SAFRAN Météo-France
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
• 7 paramètres horaires
• 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
Retour à l’introduction
48
3. Désagrégation statistique
Validation
Plusieurs paramètres du modèle statistique ont été testés:
● prédicteurs (T850, Q850, Z500, PNM, Vort500, combinaisons de variables)
● zone géographique des prédicteurs
→ performance de la méthode / liens forts avec la PR
→ correctement simulés par les modèles climatiques
Cette méthode a été confrontée à d’autres méthodes plus classiques:
● méthode des anomalies
● méthode quantile-quantile
49