Régimes de temps et désagrégation d`échelles

Régimes de temps et
désagrégation d’échelles
Julien Boé et Laurent Terray
Sciences de l’Univers au CERFACS
CERFACS/CNRS URA 1875
Toulouse, France
[email protected], [email protected]
• Contexte
• Climat global/régional
• Les méthodes de désagrégation:
régimes de temps
• Application: l’hydrologie des bassins
versant français au 21ème siècle
• Les incertitudes
Contexte scientifique
Contexte général
Parution du 4ème rapport du GIEC (janvier 2007):
réalisation par la communauté française d’ ensembles
de simulations globales (résolution de 300 km) du
climat passé et du climat futur suivant différents
scénarios d’évolution des GES (livre blanc ESCRIME)
• Réalisation de scénarios régionaux réalisés avec les
modèles ARPEGE (Météo-France) et LMDZ (IPSL) à
une résolution de 50-100 km sur la France et pour la
période 1950-2100
•
Démarrage de très nombreux projets d’études sur
les impacts du changement climatique utilisant les
scénarios globaux et régionaux effectués dans le
cadre du 4ème rapport du GIEC (ANR, GICC, FP7 …)
•
Les méthodes de désagrégation
Pourquoi la désagrégation ?
modèle global
MCGOA 300 km
modèle régional
20-50 km
Mismatch d’échelles !
Modèle impact
1m-10 km
Les modéles d’impact utilisent
comme données d’entrée des
variables climatiques à une
résolution spatiale très fine
par rapport à celle simulées
par les modèles de climat.
Les méthodes de désagrégation
Deux grandes familles
Etablir la relation statistique
entre les variables locales et
les prédicteurs modèles
Désagrégation
statistique
Résoudre explicitement la
physique et la dynamique du
système climatique regional
Désagrégation
dynamique
Utilisées de façon indépendante ou combinée
Les méthodes de désagrégation
Désagrégation dynamique
•
•
Modèles régionaux (RCM): modèles à aire limitée contraints
par les MCGOA sur leurs frontières latérales et pour les
conditions aux limites océaniques
Modèles globaux maille variable (MCG-VR): résolution accrue
dans la zone d’intérêt, contraints par les MCGOA pour les
conditions aux limites océaniques
Les méthodes de désagrégation
Désagrégation statistique
(a) Générateurs de temps: approche basée sur les probabilités
conditionnelles, modèles statistiques générant aléatoirement des
séquences de temps observées dépendant des prédicteurs issus
des modèles climatiques (chaines de Markov)
(b) Fonctions de transfert: établir une relation directe entre les
prédicteurs issus des modèles climatiques et les données
régionales/locales observées (régression, ACP, CCA, MCA,
réseaux de neurone)
(c) Régimes/types de temps: approche basée sur la météorologie
synoptique, nombre fini d’états de la circulation atmosphérique
de grande échelle (analogues, classification), liens entre une
situation atmosphérique et un ensemble de données
régionales/locales observées.
Lien entre le climat et les variables locales
Modèle statistique F
Les méthodes de désagrégation
Downscaling
Statistique
GES, Aérosols
Downscaling
Dynamique
MCGOA
CNRM-CM3
Conditions aux
limites latérales
et/ou océaniques
Prédicteurs
Prédicteurs
OBS.
Modèle Régional
ARPEGE-VR
F: Calibration
Validation
Variables de forçage
brutes
Correction de biais
Spatialisation
Variables locales de forçage
Modèle d’impact: ISBA-MODCOU
OBS.
Les
Les trois
méthodeshypothèses
de désagrégation
implicites à toute méthode
de désagrégation
(H1)
Les prédicteurs sont des variables appropriées pour le
statistique:
problème étudié(climat régional/local) et sont simulés de
façon réaliste par les modèles climatiques (MCGOA, RCM,
MCG-VR).
(H2) Le modèle statistique F reste valable pour le climat
perturbé (par les forçages anthropiques et/ou naturels).
Cette hypothèse ne peut être vérifiée ou invalidée
formellement. Idéalement, les données observées
devraient couvrir une large palette de conditions
climatiques incluant les modifications futures des
prédicteurs climatiques.
(H3) Les prédicteurs climatiques doivent représenter la
totalité du signal du changement climatique.
Ces hypothèses s’appliquent aussi partiellement à la
désagrégation dynamique.
Régimes de temps et hydrologie (H1)
•
•
•
Définition de régimes/types de temps discriminants pour les précipitations en
France
Variable de circulation de grande échelle: Pression (MSLP), provenant du projet
EMULATE (1850-2000, journalier, 5°x5°), précipitations SQR (Météo-France)
Classification multi-variée Précipitations & MSLP, pas de temps journalier,
espace EOF. On conserve ensuite uniquement la partie MSLP pour définir les
types de temps.
Domaine classification
MSLP (D1)
* 310 stations pour les
précipitations
8 à 10 régimes de temps !
Régimes de temps et hydrologie (H1)
Hiver NDJFM
Anomalie
composite de
MSLP (hPa)
Composites de
Précipitation
(rapport entre
Prégime/Pmoyenne)
Régimes de temps et hydrologie (H1)
Régimes hivernaux 1950-1999:
WT5 (MSLP, anomalie composite
en hPa)
Ré-analyse NCEP
Corrélation
spatiale > 0.96
pour tous les
régimes
ARPEGE MCG-VR
Fréquences d'occurrence
Erreur Absolue Moyenne
0.18
2
0.16
1.8
0.14
1.6
0.12
1.4
NCEP
ARPEGE
0.08
1.2
hPa
0.1
1
0.8
0.06
0.6
0.04
0.4
0.02
0.2
0
0
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
Régimes de temps et hydrologie (H2)
Modèle F: basée sur la réanalyse NCEP (régimes
de temps) et sur l’analyse météorologique à
méso-échelle SAFRAN (1970-2005, 8 km,
précipitation, température, vent, rayonnement,
etc)
¾
Détermination des régimes de temps
¾ Reconstruction des précipitations par
régression multiple (distances aux régimes)
¾
1.
2.
3.
4.
Ré-échantillonnage conditionnel:
Régime de temps le plus proche
Précipitations reconstruites (Analogue)
Index de température
Tirage aléatoire d’un jour
Boe J., L. Terray, F. Habets and E. Martin, 2006: A simple statistical-dynamical downscaling scheme
based on weather types and conditional resampling J. Geophys. Res., 111, D23106.
Régimes de temps et hydrologie (H2)
Validation Débits
Cycle Annuel
OBS
NCEP
ARPEGE-VR
CDF
OBS
NCEP
ARPEGE-VR
Moyenne Hiver
OBS
NCEP
(0.85)
SAFRAN (0.97)
Régimes de temps et hydrologie (H3)
Validation modèle
parfait
Moyenne France des
précipitations
Simulée
Reconstruite
Changement précipitations
en % de la moyenne actuelle
(2100_2050) – (2000_1970)
Scénario A1B, printemps
-0.35
+0.35
Climat futur et impact hydrologique
Changement de précipitation désagrégé et simulé à partir d’ARPEGE-VR
pour 2050 et le scénario A1B (en pourcentage de la moyenne 1970-2000)
désagrégé
-0.5
+0.5
DJF
simulé
JJA
Climat futur et impact hydrologique
Changement des débits simulés par ISBA-MODCOU forcé par les forçages
désagrégés d’ARPEGE-VR pour 2050 (en pourcentage de la moyenne 1970-2000)
DJF
JJA
Quantifier les incertitudes
Incertitudes
• Typologie des incertitudes: la bonne et la mauvaise
incertitude. Maximiser la première et minimiser la
seconde
• Partie climat: modèles globaux, scénarios SRES,
modèles régionaux
• Identification des processus clés: dynamique
versus thermodynamique pour les précipitations
• Quantifier: aspects probabilistes ? Désagrégation
statistique ? Problème de la métrique pour
probabiliser les scénarios ?
Quantifier les incertitudes
Scénario régional A1B
ARPEGE
DJF
Evolution au 21ème siècle
de la température à 2m
en moyenne sur la France
(en ºC)
Référence: 1970-2000
JJA
Quantifier les incertitudes
Scénario régional A1B
ARPEGE
Evolution au 21ème siècle
des précipitations totales
en moyenne sur la France
En %, changement relatif
par rapport à la
référence: 1970-2000
DJF
JJA
Quantifier les incertitudes
Moyenne du multi
modèle IPCC A1B
(20 modèles)
DJF
A gauche:
Δ(précip) en mm/j,
écart entre 2081-2100
et 1961-2000
Au milieu:
σ inter-modèle en
mm/j
A droite:
Différence entre
Nbre de modèle
donnant une
augmentation et
Nbre de modèle
donnant une
diminution de
précipitations
JJA
-0.6
+0.6
0.
+0.6
-20
+20
Quantifier les incertitudes
+
~0
Changement Regime Hiver IPCC (2081/2100 - 1961/2000)
20
Nombre de jours dans l'hiver
15
10
5
0
1
2
3
4
5
6
7
8
9
10
11
-5
12
13
14
15
+
-
-10
-15
-20
Modeles
Atl. Ridge
Blocage
NAO+
NAO-
Corrélation Occurrence(régime)/précipitation
Quantifier les incertitudes
YONNE Courlon
OISE Pont
1.0
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
-1.0
-1.0
2
4
6
8
10
12
2
SEINE Poses
1.0
0.5
0.5
0.0
0.0
-0.5
-0.5
-1.0
-1.0
4
6
8
10
6
8
10
12
SOMME Abbeville
1.0
2
4
12
2
4
6
8
10
12
Conclusions
• Désagrégation statistico-dynamique en régimes bien adapté à
l’étude des impacts hydrologiques du CC
• Les changements d’occurrence des types de temps expliquent
une part importante de la variabilité des précipitations au 20ème
• 2050: augmentation des précipitations en hiver sur le sud-est,
forte diminution en été (accord modèle-désagrégation)
• 2050: changements importants sur les débits, en particulier en
été (diminution jusqu’à 50%)
• Cohérence des projections IPCC au sud et au nord de l’Europe
liée à une faible dispersion des changements de régimes
• Cascade d’incertitude: désagrégation et forçage ISBAMODCOU appliqués aux simulations IPCC (en cours)
Régimes de temps et hydrologie (H2)
Validation de la désagrégation:
climatologie des précipitations
DJF
Précipitations en mm/j:
période 1981-2005
Comparaison SAFRAN
avec la désagrégation
utilisant la MSLP du
MCG-VR ARPEGE
Scénario régional A1B
TSO issue du modèle
CNRM-CM3 (GIEC)
JJA
Safran
Désagrégé
Réchauffement simulé par ARPEGE (A1B)
DJF
2000-2050
JJA
2050-2100
2100-2150
Changement de précipitation simulé par ARPEGE (A1B)
DJF
2000-2050
JJA
2050-2100
2100-2150