INFLUENCE DES FLEUVES SUR LA SALINITE DE L`ATLANTIQUE
publicité
INFLUENCE DES FLEUVES SUR LA SALINITE DE L’ATLANTIQUE DANS LES MODELES OCEANIQUES Chaire Internationale en Physique Mathématique et Applications (CIPMA-Chaire UNESCO) Master of Science en Océanographie Physique et Applications. Présenté par : MAMA Anselme Crépin Faculté des Sciences et Techniques (FAST) Université d’Abomey-Calavi (UAC) Cotonou, République du Bénin Université d’Abomey-Calavi (UAC), BENIN Faculté des Sciences et Techniques (FAST) Chaire Internationale en Physique Mathématique et Applications (CIPMA - Chaire UNESCO) M.Sc N ◦ . . ./M.Sc/CIPMA/FAST/UAC/2011. INFLUENCE DES FLEUVES SUR LA SALINITE DE L’ATLANTIQUE DANS LES MODELES OCEANIQUES Mémoire de Master of Science En Océanographie Physique et Applications Présenté par : MAMA Anselme Crépin Superviseur : Dr Gaël ALORY (IRD/LEGOS) Jury : Président : .................... Examinateurs : .................... Rapporteur : .................... Cotonou, Rép. du Bénin, Novembre 2011 Remerciements Le présent rapport est le fruit de l’assistance intellectuelle, morale, matérielle et financière de nombreuses personnes et organisations. Il nous plairait ici d’adresser nos sincères remerciements aux personnes suivantes : – A mon encadreur le Docteur Gaël ALORY de l’UPS/LEGOS (Toulouse - France) qui n’a ménagé aucun efforts pour m’encadrer. Je lui suis infiniment redevable et reconnaissant, entre autres, de son enseignement, pour l’espace et l’horizon de pensée qu’il m’a ouverts, de sa rigueur qui sans cesse stimule la réflexion sans jamais la contraindre, de son écoute vigilante et sa disponibilité. Je mesure, sur une échelle qui n’est que personnelle, la distance que son attention m’a permis de parcourir. – Au Professeur Norbert M. HOUNKONNOU et à toute son équipe de la Chaire Internationale en Physique Mathématique et Applications (CIPMA-Chaire UNESCO), en particulier le Docteur Ezinvi BALOÏTCHA qui n’a pas cesser de nous remonter le moral avec des conseils et surtout son humour. – A mes enseignants : Bernard bourles, Nick hall, Rémy chula, Valerie Quiinou, Isabel DADOU, Peter van beck, Hernandez, Jean CHABI OURO, Edokpayi, Elvis, Dominique Dagorgne, Sylvain ouillon, Alexei KOURAEV, Alain QUENELLE. – A tous mes camarades de la promotion, Nous avons pu maintenir, malgré nos différences, une atmosphère de convivialité durant tout le stage – A tout le personnel de l’ISH de l’Université de Douala-Cameroun particulièrement mes collègues enseignants – A Marie Agnès Laure NTSAMA ma dulcinée, pour les sacrifices et efforts consentis pendant ces mois d’absence avec en charge un bébé alors de 3 mois pas très sympa côté santé. I II Sigles et abréviations AMMA : Analyse Multidisciplinaires de la Mousson Africaine ARGO : Array for Real -Time Geostrophic Oceanography BIL : Barrier Isothermic Layer BL : Barrier Layer CB : Courant Brésilien CCNE : Contre Courant Nord Equatorial CIPMA : Chaire Internationale en Physique Mathématique et Applications CLIVAR : CLImatic VARiability and predictability CLM3 : Community Land Model, version 3 CNB : Courant Nord Brésilien CNES : Centre National d’Etude Spatiale ENSO : El Niño Southern Oscillation IRD : Institut de Recherche pour le Développement MLD : Mixed Layer Depth NEMO : Nucleus for European Modelling of Ocean OPA : Océan Parallélisé ORCA : Ocean Research & Conservation Association PIRATA : Prediction and Research Moored Array in the Tropical Atlantic RMS : Root Mean Square SSS : Sea Surface Salinity SST : Sea Surface Temperature STD : Standard Deviation TACE : Tropical Atlantic Climate Experiment TRMM : Tropical Rainfall Measuring Mission UAC : Université D’Abomey Calavi UNESCO : United Nations Educational, Scienti ?c and Cultural Organization UPS : Université Paul Sabatier ZCIT : Zone de Convergence IIIIntertropicale Table des matières 1 INTRODUCTION 4 2 DONNEES ET METHODES 11 2.1 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2 Modèle Général de Circulation Océanique . . . . . . . . . . . . . . 13 2.3 Méthodologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3 RESULTATS ET ANALYSE 16 3.1 ETAT MOYEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 3.2 VARIATIONS SAISONNIERES . . . . . . . . . . . . . . . . . . . . . 18 3.2.1 Hiver et Printemps boréal . . . . . . . . . . . . . . . . . . . 18 3.2.2 Eté et Automne boréal . . . . . . . . . . . . . . . . . . . . . 19 3.2.3 Impact des fleuves sur la salinité de surface . . . . . . . . . 22 3.3 VARIATIONS INTERANNUELLES . . . . . . . . . . . . . . . . . . . 29 3.3.1 Observations interannuelles . . . . . . . . . . . . . . . . . . 29 3.3.2 Comparaison des observations avec les simulations du modèle 29 3.3.3 Variations interannuelles proche des embouchures . . . . . 30 4 CONCLUSION ET PERSPECTIVES 36 ANNEXES 39 Bibliographie 41 Liste des figures 46 1 RESUME Les objectifs scientifiques sont de contribuer à la surveillance de l’évolution spatio-temporelle de notre environnement global et plus particulièrement de la salinité dans l’océan Alantique Tropical. Le bassin de l’Atlantique Tropical, qui joue un rôle important sur le climat et l’économie des continents qui le limitent, a une salinité influencée par plusieurs paramètres entre autres les eaux douces des fleuves. L’évaluation de cette influence est faite ici à l’aide du Modèle de Circulation Générale Océanographique ORCA025. Dans notre étude, la salinité de surface de la mer est simulée par le modèle en introduisant les débits climatologiques, interannuels, constants des fleuves (Niger, Congo, Amazone) avec ou sans rappel. De long en large, la pertinence du modèle est évaluée en étudiant la cohérence et la corrélation des observations avec les quatre forçages ou simulations, suivant : – L’état moyen ; – La variation saisonnière ; – La variation interannuelle. Il ressort que l’amplitude de la SSS saisonnière n’est pas seulement contrôlée par les eaux des fleuves aux embouchures mais aussi par la dynamique de la mer qui influe également sur la phase de propagation ou distribution de la faible salinité loin des embouchures. La SSS interannuelle semble bien être influencée par la variation interannuelle du débit des fleuves. La variation interannuelle des facteurs du climat (précipitations, El Niño) n’est non plus négligéable. Les simulations donnent des résultats assez satisfaisants qui restent à améliorer avec les mesures plus denses de la SSS, ce qui est l’objectif des satellites SMOS et Aquarius (Couvrir tous les bassins océaniques). 2 ABSTRACT The scientific objectives are to contribute to monitoring of the spatiotemporal evolution of our environment, especially the Tropical Atlantic ocean salinity. The Tropical Atlantic Basin, which has an important role on the climate and economy of the boundary countries, has a salinity influenced by several factors including the freshwater rivers. The evaluation of this influence is made by using the General Circulation Model Oceanographic ORCA025. In this study, the sea surface salinity is simulated by the model by introducing the climatology, yearly and constant rivers flow (Niger, Congo, Amazon) with or without a recall. In this report, the relevance of the model is evaluated by the consistency and correlation between observations (in-situ measures) and simulations results. The work is done in the following steps : – The average state ; – The seasonal variation ; – The inter-annual variation. It appears that the amplitude of the seasonal SSS is not only controlled by the water at the mouths of rivers but also by the dynamics of the sea which influenced also the distribution of low salinity away from river mouths. The inter-annual SSS is influenced by the inter-annual variation of river flow. Inter-annual variations of climatic factors (rainfall, El Niño) are not negligible. The simulations give fairly satisfactory results which can still be improved with more measurements of SSS, which is the objective of the satellites SMOS and Aquarius (covering all ocean basins). 3 Chapitre 1 INTRODUCTION La salinité est la teneur en sels de l’océan, dont l’élément principal est le chlorure de sodium, ce que l’on appelle généralement "sel" pour notre alimentation. Il n’existe pas une mais plusieurs définitions de la salinité : une définition purement théorique et plusieurs définitions pratiques, liées aux méthodes de mesure. Définition théorique : La salinité est la quantité totale des résidus solides (en grammes) contenu dans 1 kg d’eau de mer, quand tous les carbonates ont été transformés en oxydes, le brome et l’iode remplacé par le chlore et que toute la matière organique a été oxydée. Il est très difficile d’estimer la salinité par analyse chimique directe (séchage et pesée du résidu solide), car certains corps présents, notamment les chlorures, s’échappent au cours du dernier stade de séchage. En pratique, depuis 1978 on définit la salinité en terme de rapport de conductivité : La salinité pratique (symbole S), d’un échantillon d’eau de mer, est définie en fonction du rapport K de la conductivité électrique de cet échantillon d’eau de mer à 15°C et à la pression atmosphérique normale, et de celle d’une solution de chlorure de potassium dans laquelle la fraction en masse de KCl est 0.0324356, à la même température et même pression. Une valeur de K égale à 1 correspond par définition à une salinité pratique égale à 35. La formule correspondante à cette définition de la salinité est : S = 0.0080−0.1692K 1/2 +25.3853K +14.0941K 3/2 −7.0261K 2 +2.7081K 5/2 (1.1) Depuis l’introduction de l’échelle pratique de salinité (notée pss : practical salinity scale), la salinité n’est plus définie comme un rapport de masse et s’exprime sans unité (comme par exemple le PH). Si l’on considère le volume total de l’océan soit 1370 millions (1460 millions selon certains auteurs) de kilomètre cubes, la 4 quantité de sel est de 48 millions de tonnes, soit environ 35 grammes par kilo d’eau. Si l’on répartissait tout ce sel sur l’ensemble de la surface de la terre, on aurait 95 tonnes de sel sur chaque carré de 1 mètre de coté. La salinité varie relativement peu à la surface de l’océan, mais suffisamment ce pendant pour avoir une influence sur la circulation des masses d’eau. Plus clairement,ces variations de salinité induisent des différences de densités, et jouent donc un rôle sur les courants géotrophiques. De façon plus spectaculaire, elles participent aux phénomènes de convection. Ces différences de densité sont à l’origine de la circulation dite " Circulation Thermohaline " (voir figure 1.1) qui est liée à la température et à la salinité des eaux. Le mécanisme est le suivant : Dans les régions polaires (océan Arctique et mer de Weddell notamment), l’eau de mer se transforme en glace. Lors de la solidification, les sels sont rejetés car la glace ne les intègre pas dans sa structure, l’eau liquide s’enrichit en sels réfractaires et voit sa densité augmenter, ce qui amorce une plongée vers les fonds marins et, à terme, une convection de large échelle. D’où la plongée des eaux refroidies et salées au niveau des hautes latitudes de l’Atlantique Nord qui descendent vers le sud très lentement, à des profondeurs comprises entre 1 et 3 km et rejoignent les autres océans. Dans certaines régions, ces eaux remontent à la surface puis parcourent à nouveau l’océan en surface avant de replonger. La durée de circuit est de l’ordre du millier d’années. La salinité est influencée en surface par l’évaporation et l’apport d’eau douce F IGURE 1.1 – circulation thermohaline les eaux chaudes de surface sont représentées en couleur rouge et les eaux froides de fond en couleur bleue 5 par l’atmosphère (pluie et neige), par les fleuves ou encore par la formation ou fonte de la glace de mer, et par les courants. La salinité est en fait uniforme dans une couche dite " couche de mélange " générée par le vent près de la surface. La salinité est importante pour surveiller les changements dans les précipitations au-dessus des océans. Il se trouve que dans les régions soumises à de fortes précipitations et à des décharges fluviales, donc un apport d’eau douce, la salinité de l’eau va jouer un grand rôle sur cette couche de mélange par création d’une couche barrière (BL c’est-à-dire Barrier Layer en anglais).Physiquement, elle se situe entre la thermocline, qui est la limite supérieure des eaux froides profondes, et la base de la couche de mélange de surface, plus chaude (voir figure 1.2). Agissant comme un isolant, cette " couche barrière de sel " limite la création, sous l’effet du vent, du mélange vertical entre les deux couches. Du fait de la faible profondeur du gradient de salinité combinée aux eaux douces, le rayonnement solaire est piégé dans la BL. Ce qui provoque une inversion du gradient vertical de température. F IGURE 1.2 – Profils de : la salinité (en pointillés), la température (en traits interrompus courts), la densité (en trait fort) obtenus lors de la campagne ETAMBOT 2 en mai 1996 à 2°22’N - 44°13’W. Y sont aussi représentés la profondeur de la couche de mélange (MLD), la base la thermocline (BIL) et la couche de barrière de sel (BL). (Paillet et al, 1999). La salinité peut donc limiter l’épaisseur de la couche de mélange, et influer en retour sur la température de la surface susceptible d’augmentée. Ce phénomène (Spall ; 1993) s’observe surtout dans les océans tropicaux, dans le Pacifique Ouest où l’on rencontre de fortes précipitations, également dans l’Atlantique Ouest (Taylor and Stephens ,1980), où se trouve l’Amazone, aussi dans le Golfe de Guinée où les précipitations sont importantes, dans la baie du Biafra où se jette le fleuve Niger ( Dessier et Donguy,1994) . Pailler et B. Bourles dans (1999) montrent, par 6 des résultats des modèles ou des observations une épaisse couche de barrière est présente toute l’Eté Boréal au Nord de l’embouchure de l’Amazone. Le bassin Atlantique tropical qui est notre zone d’étude (voir figure 1.3), où se jettent les deux cours d’eaux aux débits les plus importants de la planète à savoir le Congo et l’Amazone puis le Niger qui n’est pas des moindres, s’associe à l’océan Pacifique, pour profiler le climat de la Terre (Eltahir E. A. B. et al ; 2004). Le cycle saisonnier moyen de salinité au large de l’Afrique de l’Ouest se caractérise par le déplacement nord-sud d’un minimum de salinité entre 5°N et 10°N, plus prononcé près des côtes, (Delcroix, 2005). Ceci est du à l’effet combiné de la forte intensité des précipitations sous la Zone de Convergence Intertropicale (ZCIT) et l’advection d’eau peu salée apporté par le Contre Courant Equatorial Nord ( NECC) (Delcroix, 2007). F IGURE 1.3 – Localisation et frontières des bassins du Congo et de l’Amazone (Source : Eltahir et al., 2004) Vu son grand intérêt pour le climat de la Terre qui déjà pose un souci, plusieurs études ont été menées dans l’Atlantique tropical, notamment pour comprendre son rôle dans la mousson ouest-africaine qui se définit comme étant un renversement saisonnier des vents de surface et des précipitations associées, causé par le réchauffement différentiel entre un continent et l’océan adjacent dans les régions tropicales et subtropicales. Le mot est également employé pour indiquer la saison durant laquelle les vents océaniques chargés d’humidité apportent sur le continent des précipitations très fortes. Cette mousson est en effet essentiellement 7 dépendante des gradients méridiens d’énergie entre l’Atlantique est équatorial et les régions continentales environnantes de l’Afrique de l’ouest. Ainsi (voir Figure 1.4), la mousson d’été est liée au fort réchauffement de la masse continentale de l’Afrique de l’Ouest, conjugué à la présence d’eaux relativement froides dans le Golfe de Guinée (saison de l’upwelling équatorial et de la langue d’eau froide). Au printemps, on observe les premières pluies au Sud du continent et dans le Golfe de Guinée ce qui induit le minimum de salinité de surface pendant les mois de avril, mai, juin vers la fin juin, la zone d’orages caractéristique de la mousson se décale rapidement vers le nord. La période de mousson étant celle où il tombe plus de pluies dans le Golf Guinée, il apparait alors la couche de barrière qui piège le rayonnement solaire en augmentant ainsi la température de surface dans la Baie du Biafra où les eaux sont tièdes tout le temps (Crosnier, 1964 ; Pierre GIRESSE et al, 1996 ; Jean FOLACK et al, 2004). Ce qui , augmente considérablement le contraste thermique entre l’océan et le continent, induisant un afflux d’air chaud et humide sur le continent alimentant la mousson. F IGURE 1.4 – Schéma illustrant les flux d’air en hiver et en été boréals entre le Golfe de Guinée et le continent ouest africain, illustrant ainsi synthétiquement le phénomène de la mousson africaine. Sachant que les débits des cours d’eau intègrent les variations de précipitation sur de très vastes superficies, l’avènement du satellite TRMM lancé en 1997 pour fournir et compléter de manière sûre les estimations des précipitations sur toutes les régions tropicales (Simpson et al, 1988), a permis à Eltahir et al de moyenner les pluies mensuelles estimées de janvier 1998 à décembre 2002 sur les deux 8 bassins fluviaux le Congo et l’Amazone. Ces nouvelles informations sur l’hydrologie ont permis de voir plus clairement que l’Amazone apporte la plus grande quantité d’eau douce soit un débit de 0.2 Sv, d’où sa responsabilité en grande partie du faible taux de salinité de surface (SSS) observé dans l’Atlantique tropical Ouest. S. Masson et P. Delecluse (2000) ont pu ressortir la contribution des eaux de l’Amazone sur la physique océanique. En comparant les simulations et les données mensuelles des écoulements, il ressort que la distribution des eaux douces de l’Amazone au large de la coté brésilienne est contrôlée par la circulation océanique. En effet les variations de SSS du côté Nord de l’embouchure de l’Amazone ne sont pas directement liées à ses variations de débit mais modulées par les courants dynamiques de surface CNB et CCNE dont les vitesses augmentent en Eté (Stramma et Schott, 1996 ; Bourles et al, 1999). De prime abord, il apparait que les modèles ont atteint une maturité dans l’intégration du rôle de la salinité pour l’amélioration des performances. Guilyardi (2001) affirme que des tests de sensibilité réalisés avec des modèles du climat montrent un impact de la salinité du fond jusqu’au sommet de l’atmosphère. D’où la nécessité de modéliser de façon cohérente l’ensemble du cycle hydrologique et le besoin accru des données de qualité pour la validation. Les modèles sont aussi de précieux outils pour évaluer l’influence de processus spécifiques en modifiant/supprimant ceux-ci dans une simulation test et en comparant les conditions océaniques alors obtenues à celles d’une simulation de référence. L’Objectif global pour cette étude est de comprendre l’influence des écoulements des fleuves sur la salinité à différentes échelles de temps et d’espace. Ayant en notre possession les données observées de salinité de surface de la mer, nous allons faire une analyse comparative avec les valeurs de SSS issues des simulations du modèle et pouvoir dire laquelle est la plus proche de la réalité. La salinité de l’Océan Atlantique issue de différents modèles de simulations avec ou sans variations saisonnières ou interannuelles des débits des fleuves, avec ou sans rappel sera comparée aux observations disponibles pour évaluer leur réalisme. La comparaison portera aussi sur l’estimation de l’influence régionale des fleuves à différentes échelles de temps. La structure de notre travail est la suivante : dans la section II, une brève 9 description des observations et leurs sources ainsi que, du modèle océanique donnée. La salinité issue des différentes simulations du modèle seront comparées aux observations disponibles pour évaluer leur réalisme en section III, de même que la comparaison portée sur l’estimation de l’influence régionale des écoulements d’eaux douces à différentes échelles de temps, nous ressortirons les différences entre les simulations. Une dernière section portera sur la conclusion et les perspectives de l’étude. 10 Chapitre 2 DONNEES ET METHODES 2.1 Données Les observations de salinité proviennent du projet d’océanographie opérationnelle CORIOLIS. Elles incluent les mesures des flotteurs du programme ARGO et des mouillage instrumentés ( programme PIRATA dans l’Atlantique). ARGO (Array for Real -Time Geostrophic Oceanography) est un programme d’observation de l’océan global qui mobilise la communauté scientifique internationale depuis 2000. Il a aujourd’hui atteint son objectif initial qui est de disposer d’un réseau de 3000 flotteurs autonomes répartis dans tous les océans du monde et en particulier un réseau de 600 flotteurs répartis régulièrement dans tout l’Atlantique. La distribution actuelle des flotteurs dans l’océan mondial est présentée sur la Figure2.1. PIRATA (Prediction and Research Moored Array in the Tropical Atlantic)est un programme expérimental qui consiste à maintenir 10 bouées de mesures météorologiques et océanographiques en plein océan. Tandis que les USA fournissent les bouées (fabriquées à Seattle), le Brésil se charge du maintien de 5 bouées situées dans l’ouest de l’Atlantique tropical (de l’équateur à 15°N vers 38°W), et la France, sous la responsabilité principale de l’Institut de Recherche pour le Développement (IRD), a la charge de 5 bouées situées dans la partie Centrale et Est du bassin (à l’équateur 23°W et dans le Golfe de Guinée). Pour un bon fonctionnement, les bouées doivent être remplacées au minimum tous les ans. La Figure 2.2 montre la position des bouées PIRATA dans l’Océan 11 F IGURE 2.1 – Distribution des flotteurs dans les océans à la date d’aujourd’hui par la CNES (http ://www-hrx.ucsd.edu/www-argo/statusbig.gif) Atlantique Tropical. F IGURE 2.2 – Position des bouées PIRATA dans l’Océan Atlantique Tropical Réseau du programme PIRATA : les bouées ATLAS du réseau de base sont représentées par des carré.s rouges. Les trois bouées ATLAS de l’extension Sud Ouest sont représentées par des cercles verts, et les quatre bouées ATLAS de l’extension Nord Est sont représentées par des étoiles bleues. L’extension Sud-Est, proposée par l’Afrique du Sud (site pilote), est représentée par un triangle jaune. Les croix vertes représentent les sites d’observations installés sur des îles (marégraphes et stations météorologiques). Les bouées ATLAS entourées d’un cercle noir sont équipées de baromètres et radiomètres ondes-longues. Deux mouillages courantométriques sont également maintenus à 23°W-Equateur (PIRATA-international) et à 10°W-Equateur (PIRATA-France, installé initialement en relation avec les programmes EGEE/AMMA et TACE/CLIVAR). Ces données globales ont été calibrées et validées en temps différé, puis interpolées sur une grille régulière de 1° en longitude et latitude avec une résolution temporelle de 7 jours. 12 Pour mener à bien notre travail, nous nous sommes chargés d’extraire juste les mesures concernant notre zone d’étude à savoir : 20°N et 20°S puis -55°O et 15°E en surface. Les variations saisonnières climatologiques des débits des fleuves utilisées pour forcer le modèle sont issues du produit de Dai et al. (2009). Ce produit est basé sur le modèle hydrologique CLM3 (Community Land Model, version 3). Nous avons les cas des débits mensuels du Congo enregistrés à la station de Brazzaville sur la période 2000-2010 et de l’Amazone enregistrés à la station d’Obidos sur la même période. Les valeurs interannuelles des débits sont produites par altimétrie sur la période 2003 - 2009 par la méthode de Papa et al. (2010). C’est le cas des Débits mensuelles du Niger enregistrés sur la période 2003-2009 lors du passage du satellite dans la localité de Lokoja. Ces séries étant en amont des embouchures des fleuves, il a fallu faire une extrapolation en multipliant par un coefficient pour que leurs moyennes annuelles/mensuelles soient les mêmes que celles des embouchures. 2.2 Modèle Général de Circulation Océanique Le modèle de circulation océanique ORCA025 est basé sur le système NEMO (Nucleus for European Modelling of Ocean), qui comprend la version la plus récente du code de circulation océanique OPA9.0 du laboratoire LOCEAN à Paris (Madec, 2006). Le code d’océan résout les équations de la mécanique des fluides (équations de Navier - Stokes) avec les approximations appropriées à l’océan (Hydrostatique et Boussinesq). La discrétisation des équations utilise une méthode des volumes finis. La configuration ORCA025 couvre l’Océan mondial ; la grille de ORCA025 est tripolaire, et est aussi isotrope horizontalement ce qui est indispensable à une bonne simulation de la turbulence océanique. Pour la configuration ORCA025, la résolution nominale est de 10 , 4 soit une maille de 28km à l’Equateur devenant plus fine avec la latitude. Avec 46 niveaux verticaux pour représenter la stratification et le relief du fond de l’océan ; le modèle comporte en tout 1442X1021X46 ≈ 7.107 points de grille. Le pas de temps est de 1440 secondes. Le forçage se fait à partir de variables atmosphériques (vent, température de l’air, humidité, flux radiatifs, précipitations et apports des fleuves) et les sorties sont journalières. 13 Les modèles sont utilisés pour simuler la dynamique océanique (courants, mélange) et l’évolution des variables d’état océaniques (température, salinité...) sur des échelles de grande envergure que ne peuvent couvrir les mesures in situ. Pour notre étude, le modèle est utilisé pour principalement estimer comment les eaux douces des grands fleuves affectent la salinité. Certaines études de modélisation introduisent les débits comme des flux d’eau douce de surface (Carton, 1991 ; Masson et Delecluse, 2001 ; Howden et Murtugudde, 2001) tandis que d’autres les incluent dans les flux échangés à travers les frontières du bassin dans les couches supérieures des océans (Mc Creary et al, 1997 ; Han et al, 2001). Pour cette étude, comme dans le premier cas, les débits sont spécifiés comme des précipitations dans les zones près de l’embouchure c’est-à-dire comme une condition de frontière ouverte. 2.3 Méthodologie Par souci de concision nous nous sommes limités aux tests de sensibilité de la SSS aux débits des fleuves. Des simulations utilisant différents types de débit pour les trois grands fleuves (Amazone, Congo, Niger) ont été réalisées en amont de notre étude et seront comparées aux observations et entre elles. – Rappel + débits climatologiques mensuels (RUN-RCLIM-RAPPEL) Les flux d’eau apportés au modèle sont les valeurs climatologiques mensuelles des débits. Le rappel ici est une correction sur la salinité qu’on ajoute à chaque pas de temps, proportionnelle à l’écart à la climatologie mensuelle observée et qui permet de ne pas trop s’éloigner de cette dernière. Le rappel est utilisé pour éviter une dérive dans le temps en salinité mais risque aussi d’artificiellement limiter la variabilité (notamment interannuelle) de la salinité. – Sans rappel + débits climatologiques mensuels (RUN-RCLIM) Il s’agit ici d’un forçage avec sorties tous les trois jours, les flux d’eau apportés au modèle sont les valeurs climatologiques mensuels des débits. La seule différence avec la version précédente est l’absence de rappel. 14 – Sans rappel + débits constants (RUN-RCONST) Les débits dans ce cas sont constants, toujours égaux à leur moyenne annuelle observée. – Sans rappel + débits interannuels (RUN-RINT) Les débits utilisés pour forcer le modèle dans ce cas sont des valeurs mensuelles comprenant à la fois les variations saisonnières et les variations interannuelles. Dans une première étape nous avons fait une analyse spatio-temporelle en produisant des cartes. Pour une bonne comparaison, nous avons tout d’abord ramené les sorties du modèle sur une grille identique à celle des observations. Les grilles étant définies à deux dimensions (longitude, latitude), il a fallu ramener les sorties de modèle de 10 4 (longitude) x 10 4 (latitude) à 10 2 (longitude) x 10 2 (latitude) qui est la grille des observations. Avec cette interpolation, nous avons obtenu des valeurs de différences du même ordre que celles décrites par Masson et al (2000) dans la grande partie du bassin de l’atlantique tropical. Les grandes différences notées au niveau des embouchures des cours d’eaux nous ont poussé à une deuxième forme d’analyse qui à consister à voir dans le temps comment la SSS varie dans des boites que nous avons délimité où se jettent l’Amazone, le Congo et le Niger. Nous avons ainsi élaboré comme proposé par Durand et al (2010), des séries temporelles qui nous permettent d’analyser la phase entre la SSS et les débits des fleuves. 15 Chapitre 3 RESULTATS ET ANALYSE Le but premier d’une introduction des débits est de simuler de manière plus réaliste la salinité. Avec ou sans rappel, on cherche à comprendre les variations de la salinité, dans notre cas de la SSS. Dans cette section il est question de comparer ou évaluer les simulations par rapport à la SSS obtenue des observations et ressortir en même temps les différences entre les simulations. 3.1 ETAT MOYEN Les cartes moyennes de SSS des deux simulations RUN-RCLIM-RAPPEL et RUNRCLIM sont comparées à celle des observations (figure 3.1). Le minimum de SSS entre 0°N et 10°N correspond à la position moyenne de la ZCIT sous laquelle il y a de fortes précipitations et moins d’évaporation. Aux frontières nord et sud de notre domaine, l’approche des gyres subtropicales caractérisées par plus d’évaporation fait apparaître une forte SSS autour de 37pss. Nous observons une faible salinité de surface aux embouchures des fleuves avec des valeurs qui se situent entre 34 et 35 pss. Dans le fond du Golfe de Guinée entre 0°N et 3°N, la faible SSS noté est aussi en partie due à la forte pluviométrie autour des chaines de montagne que l’on rencontre dans la zone (Mont Cameroun, (4100m) ; Debundscha qui est le point le plus pluvieux au monde, (11000 mm/an)) (Jean FOLAK et al, 2004). On remarque à l’ouest une langue de faible SSS qui se détache des côtes de 5°N à 10°N, suivant le Contre Courant Equatorial Nord qui transporte les eaux de l’amazone vers l’Est du bassin. Comme l’ont montré les expériences de Masson et al (2000) les cartes de moyennes climatologiques annuelles simulées montrent 16 une propagation d’une faible SSS au Nord de l’embouchure de l’Amazone due à la présence du Courant Nord Brésilien (CNB) qui, avec sa vitesse atteignant 1m/s transporte les eaux douces vers le Nord. Tout ceci corrobore avec les analyses de Masson et Delecluse (2000) qui disent que le minimum de salinité de surface est causé par les débits des fleuves des deux régions qui sont le Golfe de Guinée et l’Amazone. F IGURE 3.1 – cartes de moyennes annuelles de SSS, aux extrémités les simulations avec rappel à gauche et sans rappel à droite, au milieu les Observations La comparaison entre la moyenne annuelle des observations et celle des simulations RUN-RCLIM-RAPPEL et RUN-RCLIM présente des différences relativement faibles d’une valeur de moins de 0.2pss dans la plus grande partie du Bassin Atlantique Tropical (Figure 3.2). On remarque que le rappel diminue la différence entre la simulation et les observations entre 5°S et 15°S. Les principales différences entre les simulations et les observations se situent en aval de l’embouchure des fleuves. Là encore le rappel atténue un peu ces différences en particulier à l’Est. 17 F IGURE 3.2 – de gauche à droite les cartes de différence entre simulations débits sans rappel et débits avec rappel par rapport aux observations 3.2 VARIATIONS SAISONNIERES Dans l’Atlantique Tropical, les écoulements des fleuves sont responsables des forts gradients de salinité et aussi des structures locales très complexes particulièrement aux embouchures des fleuves suivant les saisons (Johns et al, 1998). 3.2.1 Hiver et Printemps boréal De décembre à mars sur la partie Ouest du Bassin Atlantique Tropical (figure 3.3), on note une faible variation de la SSS sur les cartes simulées RUN-RCLIM et RUN-RCLIM-RAPPEL. Ce qui est en accord avec l’expérience de Bourles et al (1999). Bien que les eaux douces de l’Amazone se propagent à environ 15°N de latitude nous avons une très faible variation de la salinité vers le large. Par contre sur le bord Est du bassin nous observons une baisse progressive de la salinité de surface de la côte (embouchures des fleuves) jusqu’à environ 15°Ouest de longitude. Sur le bord Est, on note une faible SSS d’environ 34pss entre mars et juin le long de la côte avec une légère propagation au large. L’hémisphère Sud montre une plus forte SSS que l’hémisphère nord à l’approche des gyres dû aux évaporations car c’est l’Eté donc plus d’ensoleillement dans l’océan. 18 F IGURE 3.3 – cartes de climatologie mensuelle de SSS en mars sommet de l’hiver boréal ; aux extrémités les simulations sans rappel à gauche et avec rappel à droite, au milieu les Observations 3.2.2 Eté et Automne boréal Les simulations ressortent que la SSS est diminuée sur le bord Ouest de l’océan. Au large de l’Amazone et plus au Nord, on observe les valeurs de SSS qui atteignent 34pss, ceci dû à la présence de la ZCIT au dessus de l’embouchure en cette saison ce qui implique un maximum de pluies et aussi aux alizés qui y soufflent nourrissant ainsi le CNB et le CCNE. Pendant que sur le bord Est, on a une faible variation de la Salinité de surface de juin à septembre (voir figure 3.4). On est ici pendant la mousson dont les pluies arrosent toute l’Afrique de l’Ouest. En cette période, les pluies de mousson sont intenses au Nord sous la position de la ZCIT. Entre 10° Ouest et 10°Est les valeurs peuvent atteindre 36pss bien que restant toujours entre 34 et 35pss aux embouchures des fleuves Congo et Niger ; De même que dans la baie du Biafra au pied du Mont Cameroun et le long de la chaine des montagnes du Fouta-Djalon qui est le " château d’eau " de l’Afrique de l’Ouest. La carte d’écart-type saisonnier (figure 3.5) montre dans la majeure partie du bassin atlantique de faibles valeurs et par contre sur les bords, particulièrement aux lieux d’embouchures des fleuves, on a des valeurs élevées donc de fortes variations saisonnières de SSS. Les différences des Ecarts-types des simulations et des valeurs observées (voir figure 3.6) ressortent de grosses différences positives aux embouchures des fleuves d’environ 0.8pss entre Run-Rclim et les observations ; donc plus de variabilité dans le modèle que dans les observations. Par contre pour la différence entre Run-Rclim19 F IGURE 3.4 – cartes de climatologie mensuelle de SSS en septembre sommet de l’été boréal ; aux extrémités les simulations sans rappel à gauche et avec rappel à droite, au milieu les Observations F IGURE 3.5 – carte d’écart-type saisonnier de SSS observée dans l’Atlantique Tropical rappel et les observations, nous remarquons des différences négatives dans la baie du Biafra et sur la côte du Fouta-Djalon ; avec toujours des valeurs positives aux embouchures et de manière décroissante vers le large. Avec la carte d’Ecart-type RUN-CONST, on observe beaucoup de variabilité aux embouchures des fleuves (Nord de l’Amazone, Sud du Congo) alors que les débits des fleuves sont pris constant dans la simulation. C’est sans doute dû aux varia- 20 F IGURE 3.6 – cartes de différences des Ecart-Types tions dans les courants côtiers qui sont responsables de l’advection plus ou moins du minimum de SSS à l’embouchure selon la saison. Ce qui vient confirmer l’affirmation de Masson et al, 2000 qui a conclu après expérience que la phase de propagation de la SSS est due à la dynamique de l’océan. Sur la carte d’Ecart-type saisonnier Run-RCLIM (figure 3.7), il ressort de plus grands Ecart-types aux embouchures de ces fleuves, ce qui indique que les variations saisonnières des débits des fleuves influencent également celles de la SSS. Les deux cartes montrent qu’il n’y a pas de variation à l’embouchure du Niger. Ceci serait dû au fait que les débits varient peu et les eaux restent bloquées dans le fond du Golfe. Le calcul des corrélations montre une valeur positive autour de 0.8 dans la plus grande partie du bassin de l’Atlantique Tropical. Il apparait une bonne corrélation dans les zones où il y a des variabilités (figure 3.5). Ceci est un résultat positif pour le modèle. Les zones de corrélation négatives correspondent aux lieux des gyres tropicales, zone d’upwelling Equatorial, zone d’upwelling Côtier en Afrique de l’Ouest, le long du courant brésilien sur la côte Est de l’Amérique du Sud) ; (Voir figure 3.8). 21 F IGURE 3.7 – carte Ecart-Type des SSS climatologiques simulées avec les débits constants (àgauche) et climatologiques mensuelles (à droite) F IGURE 3.8 – cartes de corrélation saisonnière entre SSS simulée et SSS observée 3.2.3 Impact des fleuves sur la salinité de surface La comparaison entre les climatologies mensuelles simulées et observées de SSS sur les 8 années nous montre de grandes différences d’écart-type au niveau des embouchures des fleuves (Amazone, Congo, Niger) voir figure 3.6. Sur la figure 3.9, nous avons des zooms qui montrent les boites choisies pour montrer l’influence des fleuves sur la SSS. A ces lieux la faible SSS (< 35pss) et le fort gradient de salinité de la côte vers le large sont causés par les flux d’eau douce des fleuves. La variation de la salinité de surface de la mer peut être estimée par l’équation du bilan de sel : E−P −R ∂S = ∗ S0 + V ∆S ∂t h 22 (3.1) F IGURE 3.9 – situation des embouchures de nos trois fleuves Congo, Amazone et Niger Où S est la salinité, E correspond à l’évaporation, P c’est le terme de précipitation, R le ruissèlement, h est la profondeur de la couche de mélange, S0 représente la salinité de surface moyenne sur une couche de mélange, le second terme après l’égalité est l’advection. En faisant l’hypothèse que, près des embouchures, le terme de ruissellement R est dominant, la couche de mélange de profondeur constante et l’advection négligeable, Il apparait alors que S est proportionnelle à l’intégrale de (- R). Une analyse des séries temporelles de SSS et de flux d’eau nous permettrait alors de comprendre le phénomène de phase entre la salinité et les apports en eau douce. Théoriquement, en considérant la salinité comme étant une fonction sinusoïdale de période 12 mois avec 01mois correspondant à que le minimum de SSS est atteint 3 mois soit Π 2 Π , 6 nous obtenons plus tard après le maximum de débits (Voir figure 3.10 ). – Impact du Niger sur la salinité Nous observons sur la figure 3.11 que : la simulation avec les débits sans rap- 23 F IGURE 3.10 – représentation de l’ordre de grandeur théorique de la variation de salinité par rapport au débit du fleuve pel montre un minimum de salinité qui vient environ un mois après le maximum de débit. Ce qui est plus ou moins en accord avec le graphe des observations. Sur ce dernier on note deux minimum de SSS entre mars et juin ce qui n’est pas obtenu par les simulations. Ceci peut être lié aux grandes incertitudes sur le débit du Niger, difficile à estimer étant donné l’étendue du delta, le débit à l’embouchure estimé par Dai (2009) a ainsi un cycle saisonnier très différent de celui de la mesure satellite en amont. – Impact du Congo sur la salinité La figure 3.12 montre pour les simulations des SSS de faibles valeur pratiquement trois mois après le maximum de crues du fleuve qui est observé en décembre, ce qui est proche du décalage attendu en théorie. Par contre la salinité observée atteint le minimum à peine deux mois après le maximum de débit. Il est important de noter ici que la période allant de fin janvier à avril correspond au moment où la densité d’observations est extrêmement faible dans l’embouchure du Congo (voir figure 3.14). Le mois d’aout apparait comme celui où il y a plus de mesures. Les simulations donnent alors des valeurs de plus ou mois 1pss par rapport aux 24 F IGURE 3.11 – séries temporelles de SSS (en pss) mensuelle à l’embouchure du Niger en bleu et débits (en m3/s) du fleuve Niger en rouge observations qui sont à environ 32.6pss. – Impact de l’Amazone sur la salinité La SSS observée atteint son minimum (<34pss) trois mois après le maximum de flux du fleuve à l’embouchure (Masson et al, 2000). On y remarque également un second pic de faible SSS un peu plus tôt en avril. Les simulations par contre nous montrent que la faible salinité est atteinte une fois entre avril et mai (< 33pss). De cette observation (figure 3.13 nous pourrons dire comme Stramma et Schott (1996) que les variations de SSS du côté Nord de l’embouchure de l’Amazone ne sont pas directement liées à ses variations de débit mais modulées par les courants dynamiques de surface CNB et CCNE dont les vitesses augmentent en Eté comme confirmé par la figure 3.7. Tout de même il faut noter que le minimum de 25 F IGURE 3.12 – séries temporelles de SSS (en pss) mensuelle à l’embouchure du Congo en bleu et débits (en m3/s) du fleuve Congo en rouge SSS observé correspond à la période où il y a plus de mesures dans la zone (voir figure 3.14). Par rapport aux simulations qui donnent une SSS de plus ou moins 1pss de différence en ce mois de juin. D’aout à novembre les simulations et les observations produisent toutes environ 35pss. De tout ce qui précède, il ressort que l’amplitude de la variation saisonnière de SSS aux embouchures est peu influencée par les flux d’eau douce apporté par les fleuves qui y arrivent (influence non nulle, voir catres de différence des écart-types saisonniers de SSS issues de RUN-RCONST et RUN-RCLIM en annexes) et la propagation est due à la dynamique de l’océan avec les phénomènes d’advection (Reverdin et al, 2007). La confirmation est due par le fait que les courbes de la simulation sans rappel (RUN-RCLIM) et des débits mensuels constants (RUN-RCONST) donnent la même information pour ce qui est variation de la SSS aux embouchures (voir figures 3.11 à 3.13). Car, bien que les débits soient des constances 26 F IGURE 3.13 – séries temporelles de SSS (en pss) mensuelle à l’embouchure de l’Amazone en bleu et débits en (m3/s) du fleuve Amazone en rouge mensuelles, les valeurs de SSS produites se rapprochent de celles issues des autres simulations et même des observations pendant les mois de forte densité de mesures. Au large, loin de l’embouchure, nous constatons que les variations de débit ne jouent presque pas sur la variation saisonnière de SSS sauf dans les zones du CNB et du CCNE. Sur la figure 3.15, nous avons le RMS représente l’Ecart-type des différences qui caractérise les différences entre les cartes saisonnières et, la corrélation spatiale qui caractérise les ressemblances entre les cartes saisonnières. On remarque bien que quand le RMS des différences est élevé, la corrélation est faible et inversement, meilleure quand le RMS des différences est faible. Ceci nous permet de voir que le mois de juillet est le mois où le modèle a le plus de mal à reproduire la SSS observée. La comparaison de RCLIM et RCLIM-RAPPEL montre que le rappel diminue l’erreur (RMSdiff) comme attendu. La corrélation à l’échelle du bassin est peu 27 F IGURE 3.14 – profil de densité des observations mensuelles aux embouchures des 3 fleuves sensible aux débits utilisés ou au rappel. La comparaison de RCLIM et RCONST montre que l’utilisation de débits constants diminue l’erreur en avril-mai-juin. F IGURE 3.15 – corrélations entre observations et simulations à l’échelle saisonnière et les RMS des différences 28 3.3 3.3.1 VARIATIONS INTERANNUELLES Observations interannuelles Tout comme le bassin présente une variation mensuelle de la SSS, il est également observé une variation d’une année à l’autre. Les cartes de salinité de surface de quelques une des années de notre période d’étude illustrent une variation spatiale d’une année à l’autre (voir figure 3.16). La carte de différence des deux années montre de grandes valeurs à l’embouchure du Congo et celui de l’Amazone et aussi vers 5°N, 20°W. Ces différences positives montre que dans ces zones l’océan est plus salé en surface en 2001 par rapport à 2007. Et les zones de valeurs négatives correspondent à une plus forte SSS en 2007. La carte de 2001 montre au large de l’embouchure de l’Amazone, une distribution de faible SSS. Par contre sur celle de 2007 c’est plutôt du coté Est qu’on observe cette variation vers le large de la SSS. Une explication vient non seulement des précipitations sous la ZCIT et variabilité de la mousson ouest africaine, mais aussi du phénomène d’advection dû aux courants que l’on rencontre dans le Golfe de Guinée, soit encore du côté Ouest où se jette l’Amazone (CNB, CCNE). F IGURE 3.16 – variation interannuelle des SSS observées, de gauche à droite : la série temporelle et les cartes de variation spatiale 3.3.2 Comparaison des observations avec les simulations du modèle L’Ecart-type interannuel des observations montre que la SSS varie relativement peu à cette échelle de temps dans une grande partie du bassin à l’exception du 29 Golfe de Guinée et de 0°N à 18°N au Nord de l’embouchure de l’Amazone. La simulation avec débits interannuels (RUN-RINT) ne présente pas plus de variations que celle avec débits climatologiques (RUN-RCLIM) au large des embouchures ce qui suggère une faible influence des variations interannuelles des débits sur celles de la SSS (voir figure 3.17). La simulation avec rappel présente moins de variations que les deux autres ce qui est logique car le rappel vers une climatologie de SSS tend à attenuer les variations interannuelles. Cependant la simulation avec rappel est la plus proche des observations pour ce qui est de l’écart-type interannuel. On peut donc se demander si dans les autres configurations le modèle ne surestime pas les variations interannuelles, ou éventuellement si ce sont les observations qui sous-estiment celles-ci. En annexe nous avons une figure des densités d’observations par année qui montre que certaines années ont eu très peu de mesures (année 2000 à 2004) ce qui peut effectivement conduire à sous-estimer l’Ecart-type des observations. Les cartes de corrélations spatiales de moyennes annuelles entre les SSS simulées avec les débits interannuels, ou climatologiques et rappel (RUN-RINT, RUNCLIM-RAPPEL) et les observations sont montrées sur la figure 3.18. La première simulation montre de meilleures corrélations avec les observations, en particulier dans l’hémisphère Sud, bien que de faibles valeurs apparaissent sur la bande Equatoriale, aux embouchures des fleuves (Amazone, Congo, Niger) et dans les zones d’upwelling côtier (Sénégal, Afrique de l’Ouest, Angola). Le rappel dégrade la variabilité interannuelle (même si l’amplitude de celle-ci est peut-être surestimée en son absence) en forçant le modèle à se rapprocher du cycle saisonnier. 3.3.3 Variations interannuelles proche des embouchures Pour cette étude les lieux d’embouchures sont les mêmes que sur la figure 3.9. La moyenne de salinité reste en générale inférieure à 35pss du fait des apports en eau douce des fleuves et de la forte pluviométrie comme dans le Golfe de Guinée avec les pluies de mousson africaine. Et du côté de l’Amazone, il est important de dire que le phénomène El niño à une influence sur le bassin amazonien. En effet, il apparaît qu’une grande partie du bassin amazonien est sous l’influence directe d’ENSO. Ainsi, en phase El Niño, les précipitations diminuent sensiblement dans le nord-est du bassin, ce qui entraîne une baisse importante du débit des rivières 30 F IGURE 3.17 – Cartes d’Ecart-type des SSS interannuelles observées et simulées avec et sans rappel F IGURE 3.18 – Cartes de corrélation spatiale des SSS simulées par rapport aux observations de cette région affluents de l’Amazone (Rios Jari, Trombetas et Branco). Lors de forts El Niño, les débits moyens annuels du Rio Jari peuvent être divisés par trois, 31 comme ce fut le cas en 1982/1983. A l’inverse, en période La Niña, précipitations et débits augmentent dans cette région. Ainsi, lorsque se manifeste un événement El Niño de grande ampleur (années 1982-83 et 1997-98, par exemple, où les événements El Niño furent parmi les plus forts du siècle), le débit de l’Amazone peut présenter, à son embouchure, un déficit annuel de 15 à 20%, soit une perte en volume d’eau de 1000 à 1300 milliards de m3. En période La Niña, l’accroissement des apports annuels à l’océan Atlantique peut aller jusqu’à 14% (Folland et al. 1986,1991). – Amazone Sur la figure 3.19, les SSS interannuelles simulées par le modèle présentent des variations similaires mais des phases différentes. Nous avons les valeurs issues de RUN-RINT qui oscillent entre 30.5pss et 33.5pss sur les 8 années, RUN-RCLIM et RCLIM-RAPPEL dont les allures sont plus proches oscillent entre 33.5pss et 34.5pss. Comparer aux observations, les valeurs de SSS de RUN-RINT sont de plus ou moins 0.5pss égale à la SSS mesurée sur la période de 2003 à 2005. Cet intervalle correspond à la période où on a une densité d’observations interannuelle élevée (voir figure 3.22). La courbe des différences de SSS simulées avec RUN-RINT et RUN-RCLIM montre que la simulation RINT influence fortement sur RCLIM sur toute la période (différence négative). Sauf en 2000 et en 2006 ; Ces deux années de pic sur la courbe des débits interannuels qui semble avoir une corrélation avec cette différence. ce qui montre que la variation interannuelle de débit influe sur celle de la SSS. Par contre la simulation avec rappel l’emporte sur RCLIM sans rappel de 2002 à 2007 cette période correspond à l’augmentation du débit interannuel. – Congo Les variations interannuelles de SSS par rapport au débit interannuel montrent de meilleures corrélations au niveau de l’embouchure du Congo. Les variations des SSS simulées RUN-RCLIM avec et sans rappel vont de 33.5pss à 34pss et proches des observations de plus ou moins 0.5pss. Sur les courbes de différences, la simulation RCLIM avec rappel influence celle sans rappel et, cette dernière est aussi influencée par RUN-RINT. Ceci confirme l’influence de la variation interannuelle 32 F IGURE 3.19 – SSS interannuelles simulées et observées à l’embouchure de l’Amazone au dessus, SSS observée en bleu ; en bas à gauche, différences des SSS interannuelles simulées par le modèle forcé RCLIM et RINT puis RCLIM-RAPPEL ; à droite, les SSS simulées (vert pour rappel, bleu pointillé pour RCLIM, bleu plein pour RINT) et en rouge le débit interannuel de l’amazone. du débit sur celle de la SSS. (Confirmation en annexe sur les cartes de différences entre SSS de RUN-RINT et RUN-RCLIM). – Niger Les variations interannuelles des SSS dans l’embouchure du Niger ont la même allure pour les valeurs issues de RUN-RCLIM et RUN-RINT et comprises entre 31pss et 33pss (figure 3.21). La courbe des observations semble croître avec le débit interannuel du fleuve. Bien que la densité des observations soit faible dans cette zone (figure 3.22), de 2005 à 2007 période où on a plus de mesures, correspond à l’intervalle de temps où nous observons l’accroissement de SSS avec le débit du fleuve. Ce phénomène pourrait être lié à la sécheresse qui affecte depuis un certain nombre d’année presque toute la région arrosée par le Niger. Ici nous observons de longues saisons sèches et des précipitations abondantes sur une courte durée. Le 33 F IGURE 3.20 – SSS interannuelles simulées et observées à l’embouchure du Congo au dessus, SSS observée en bleu ; en bas à gauche, différences des SSS interannuelles simulées par le modèle forcé RCLIM et RINT puis RCLIM-RAPPEL ; à droite, les SSS simulées (vert pour rappel, bleu pointillé pour RCLIM, bleu plein pour RINT) et en rouge le débit interannuel du Congo manque de couvert végétal favoriserait alors plus de ruissèlements d’où les débits élevés à faibles variations interannuelles du fleuve et pendant les périodes sèches plus longue on a plus d’évaporation dans l’océan. Il est important de dire ici qu’au niveau des embouchures, il y a un manque de mesures avec l’amazone qui fait l’exception avec une densité très au dessus des autres fleuves bien que ces données soient toujours insuffisantes. La figure 3.22 nous montre que de 2000 à 2003 il n’y a presque pas de mesure dans les embouchures du Congo et du Niger. 34 F IGURE 3.21 – SSS interannuelles simulées et observée (courbes bleues) et débit interannuel du Niger (en rouge) F IGURE 3.22 – profil de densité des observations interannuelles aux embouchures des fleuves 35 Chapitre 4 CONCLUSION ET PERSPECTIVES Le but de notre travail a été de comprendre l’influence des eaux des fleuves sur la salinité à différentes échelles de temps et d’espace. Nous disposions alors des données observées de SSS que nous avons comparé aux valeurs de SSS issues des simulations du modèle océanographique ORCA025. Des quatre simulations, il fallait voir laquelle se rapproche de la réalité. Ce travail nous a permis de voir la variabilité de la salinité de surface dans l’océan Atlantique Tropical. Ainsi on comprend que la SSS est contrôlée par différents facteurs d’échelles spatio-temporelles variées. Il est apparu une relation entre la SSS et la distribution du bilan entre l’Evaporation et la Précipitation, particulièrement au large du continent africain entre -5°S et 10°N, dans la partie intertropicale sous la ZCIT (où la SSS varie suivant que les précipitations l’emportent sur l’évaporation et vice versa). L’influence du phénomène d’advection est apparue très important, vu les courants de surface qui contribuent à transporter les eaux à de grandes échelles d’espace. Les modèles sont des outils qui permettent l’évaluation de l’influence de processus spécifiques. Pour cette étude, le modèle ORCA025 a été décliné en quatre simulations qui nous ont donné des résultats plus ou moins satisfaisants par rapport aux observations. Les cartes de différences d’Ecart-types saisonniers montrent que la simulation avec rappel se compare mieux aux observations en moyenne et en variation saisonnière et aussi assez bien aux observations en variations interannuelles. Ce qui n’est pas le cas de la corrélation interannuelle qui est plutôt 36 dégradée par le rappel. Ces cartes montrent également que les simulations sans rappel, en variation saisonnière tout comme en interannuelle surestiment souvent la SSS ; ou alors, par le manque de mesures, on a une SSS sous-estimée dans les observations. De toutes les comparaisons, la simulation RUN-RCONST par rapport à celle RUNRCLIM pour l’écart-types saisonnier et la simulation RUN-RCLIM par rapport à celle RUN-RINT pour l’écart-types interannuel montrent en général que : – Dans un rayon proche de l’embouchure, l’amplitude de la variation saisonnière du débit influence peu sur celle de la SSS mais, la variation interannuelle du débit influence sur celle de la SSS interannuelle tout au moins pour les embouchures du Congo et l’Amazone – Dès qu’on s’éloigne de l’embouchure, les variations de débit ne jouent que peu sur la variation saisonnière de SSS sauf extension du CNB et très peu sur la variation interannuelle. Le reste de la variation est probablement due aux variations des courants, ou plus précisement de l’advection du gradient moyen de SSS par les courants. Malgré cette satisfaction, les différences entre observations et modèles à certains lieux comme sur le bord Est du bassin (Golfe de Guinée) qu’on pourrait lier au manque de mesures, devraient attirer l’attention. Bien les flotteurs ARGO soient déployés dans l’océan mondial, il y a des secteurs où il y a eu des extrapolations pour combler le déficit. Nous espérons alors que les mesures par télédétection de SMOS et Aquarius permettront d’affiner les analyses de la salinité de surface, grâce à une meilleure couverture spatio-temporelle de sa mesure. La SSS est aussi influencée par la mousson ouest africaine qui a une signature saisonnière d’où l’intérêt du programme AMMA pour mieux comprendre ses mécanismes. Il serait aussi important que l’on aie les meilleurs informations sur les débits des fleuves exactement aux embouchures, pour ne pas biaiser les résultats. Dans les zones comme la Baie du Biafra, estimer plus précisément l’apport des rivières dans les modèles serait un atout non négligeable. 37 A l’échelle interannuelle, il y a l’influence du phénomène climatique El Niño. Cette influence étant encore mal connue, il faudrait améliorer l’état des connaissances sur la téléconnection entre le Pacifique et l’Atlantique. La SSS et la SST dépendent tous deux des paramètres météorologiques qui sont : les précipitations, l’évaporation, les vents et aussi les apports des rivières. Il serait alors intéressant de voir comment le modèle restitue la SST par rapport aux valeurs observées. L’analyse des tendances entre les simulations contribuerait à mieux différentier les simulations. Il serait aussi utile de faire une analyse des variations de la différence Evaporation et Précipitation (E-P) et courant en parallèle de SSS. 38 ANNEXES Annexe A : Les différences entre les simulations F IGURE 4.1 – Différence de STD de SSS saisonnière simulée par RUN-RCONST et RUN-RCLIM La carte de différence d’écart-type de la figure 4.1 montre des valeurs positives près des embouchures. Ces différences représentent la contribution des variations saisonnières de débit à celles de la SSS. la carte de différence d’écart-type de SSS interannuelles simulées F IGURE 4.2 – Différence de STD de SSS interannuelle simulée par RUN-RINT et RUN-RCLIM par RUN-RINT et RUN-RCLIM montre de grosses variations aux embouchures du Congo et de l’Amazone. Ce qui caractérise l’influence des variations interannuelles des débits sur celles de la SSS (figure 4.2). 39 Annexe B : Profil des Observations mensuelles et interannuelles sur la période 2000/2007 Les cartes nous montrent que le nombre d’observation n’est pas le même pour tous les mois. F IGURE 4.3 – profil des observations de Janvier à Avril F IGURE 4.4 – profil des observations de Mai à Aout 40 F IGURE 4.5 – profil des observations de Septembre à Décembre Ici nous avons les cartes de profils d’observations par année. Les mesures augmentent de l’année 2000 à 2007 selon que l’on enrichissait le bassin Atlantique en flotteurs ARGO. F IGURE 4.6 – profil des observations de 2000 à 2003 41 F IGURE 4.7 – profil des observations de 2004 à 2007 42 Bibliographie [1] Bourdallé-Badie et Anne Marie Treguier, A climatology of runoff for the global oceanice model ORCA025, Mercator-Ocean reference : MOO-RP-425-365-MER august 2006 [2] Bruder A. et Hélène Delattre, Variabilité de la salinité de surface dans l’Océan Indien Tropical, Université Paul Sabatier, Juin 2008 [3] C A M B E R L I N P. et al., Pluviométrie et crises climatiques en Afrique Tropicale : changements durables ou fluctuations interannuelles ? [4] COEUR Stéphane, VALIDATION DU MODELE DE CIRCULATION GENERALE OCEANIQUE PA7 DANS LE CADRE DU PROJET OPERA, Document Scientifique du Centre O.R.S.T.O.M de Brest N° 75, Octobre 1995 [5] DA-ALLADA C. Y., Analyse de la structure de salinité de surface observée par les profileurs ARGO dans le bassin Atlantique tropical sur la période 2002-2008, ICMPA Publishing 2009, N°-09/MSc/CIPMA/FAST/UAC [6] DAI A., TAOTAO QIAN, et KEVIN E. TRENBERTH, Changes in Continental Freshwater Discharge from 1948 to 2004, 15 MAY 2009 [7] Delcroix T., Raghuram Murtugudde, Sea surface salinity changes in the East China Sea during 1997-2001 : Influence of the Yangtze River, JOURNAL OF GEOPHYSICAL RESEARCH, VOL. 107, NO. C12, 8008, doi : 10.1029/2001JC000893, 2002 [8] Delcroix, T., M.J. McPhaden, A. Dessier et Y. Gouriou, Time and space scales for sea surface salinity in the tropical oceans. Deep Sea Research Part I, 52, 5, 787-813, 2005 [9] Durand F. et al., Impact of Ganges-Brahmaputra interannual discharge variations on Bay of Bengal salinity and temperature during the 1992-99 period, le 1er décembre 2010 [10] Elfatih A. B. Eltahir, Brian Loux, Teresa K. Yamana, et Arne Bomblies, A see-saw oscillation between the Amazon and Congo basins, GEOPHYSICAL RESEARCH LETTERS, VOL. 31, L23201, doi : 10.1029/2004GL021160, 2004 [11] Folack J. et Charles Emene Gabche ; NATURAL AND ANTHROPOGENIC CHARACTERISTICS OF THE CAMEROON COASTAL ZONE, 2001 43 [12] Guilyardi E., Quand le sel de l’océan pimente le climat, La Météorologie - n°33 - mai 2001 [13] HISARD Ph., VARIATIONS SAISONNIÈRES A L’ÉQUATEUR DANS LE GOLFE DE GUINÉE, Cah. O.R.S.T.O.M., sér. Océanogr., vol. XI, no 3,1973 : 349-.35-S. [14] KENFACK SADEM Christian, MOUSSON OUEST AFRICAINE ET SALINITE DE SURFACE AUX LARGES DES COTES GUINNEENNE : UN INDICE CLIMATIQUE, M.Sc /M.Sc/CIPMA/FAST/UAC/2010 [15] Masson S. et Delecluse P., Influence of the Amazon River Runoff on the Tropical Atlantic, Received 4 June 1999 ; revised 30 June 2000 ; accepted 3 July 2000 [16] Mignot J., Clement de Boyer Montégut, Alban Lazar, et Sophie Cravatte, Control of salinity on the mixed layer depth in the world ocean : 2. Tropical areas, JOURNAL OF GEOPHYSICAL RESEARCH, VOL. 112, C10010, doi : 10.1029/2006JC003954, 2007 [17] Pailler, Bourlès et Gouriou, The Barrier Layer in the Western Tropical Atlantic Ocean, GEOPHYSICAL RESEARCH LETTERS, VOL. 26, NO. 14, PAGES 2069-2072, JULY 15,1999 [18] PETER A. C., Variabilité de la température de la couche de mélange en Atlantique équatorial aux échelles saisonnières à interannuelles, à l’aide de simulations numériques, Thèse, UNIVERSITÉ TOULOUSE III - PAUL SABATIER [19] PORTE Véronique, Relations entre précipitations et salinité de surface au sein du Pacifique tropical, aux échelles saisonnières et interannuelles, IRD, DECEMBRE 1991 A MAI 1992 44 Table des figures 1.1 circulation thermohaline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.2 Profils de : la salinité (en pointillés), la température (en traits interrompus courts), la densité (en trait fort) . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.3 Localisation et frontières des bassins du Congo et de l’Amazone . . . . . . . 7 1.4 Schéma illustrant les flux d’air en hiver et en été boréals entre le Golfe de Guinée et le continent ouest africain, illustrant ainsi synthétiquement le phénomène de la mousson africaine. . . . . . . . . . . . . . . . . . . . . . . 8 2.1 Distribution des flotteurs dans les océans à la date d’aujourd’hui par la CNES 12 2.2 Position des bouées PIRATA dans l’Océan Atlantique Tropical . . . . . . . . . 12 3.1 cartes de moyennes annuelles de SSS, aux extrémités les simulations avec rappel à gauche et sans rappel à droite, au milieu les Observations . . . . . 17 3.2 de gauche à droite les cartes de différence entre simulations débits sans rappel et débits avec rappel par rapport aux observations . . . . . . . . . . . 18 3.3 cartes de climatologie mensuelle de SSS en mars sommet de l’hiver boréal ; aux extrémités les simulations sans rappel à gauche et avec rappel à droite, au milieu les Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.4 cartes de climatologie mensuelle de SSS en septembre sommet de l’été boréal ; aux extrémités les simulations sans rappel à gauche et avec rappel à droite, au milieu les Observations . . . . . . . . . . . . . . . . . . . . . . . . 20 3.5 carte d’écart-type saisonnier de SSS observée dans l’Atlantique Tropical . . . 20 3.6 cartes de différences des Ecart-Types . . . . . . . . . . . . . . . . . . . . . . 21 3.7 carte Ecart-Type des SSS climatologiques simulées avec les débits constants (àgauche) et climatologiques mensuelles (à droite) . . . . . . . . . . . . . . 22 3.8 cartes de corrélation saisonnière entre SSS simulée et SSS observée . . . . . 22 3.9 situation des embouchures de nos trois fleuves Congo, Amazone et Niger . . 23 3.10 représentation de l’ordre de grandeur théorique de la variation de salinité par rapport au débit du fleuve . . . . . . . . . . . . . . . . . . . . . . . . . 24 45 3.11 séries temporelles de SSS (en pss) mensuelle à l’embouchure du Niger en bleu et débits (en m3/s) du fleuve Niger en rouge . . . . . . . . . . . . . . . 25 3.12 séries temporelles de SSS (en pss) mensuelle à l’embouchure du Congo en bleu et débits (en m3/s) du fleuve Congo en rouge . . . . . . . . . . . . . . 26 3.13 séries temporelles de SSS (en pss) mensuelle à l’embouchure de l’Amazone en bleu et débits en (m3/s) du fleuve Amazone en rouge . . . . . . . . . . . 27 3.14 profil de densité des observations mensuelles aux embouchures des 3 fleuves 28 3.15 corrélations entre observations et simulations à l’échelle saisonnière et les RMS des différences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.16 variation interannuelle des SSS observées, de gauche à droite : la série temporelle et les cartes de variation spatiale . . . . . . . . . . . . . . . . . . 29 3.17 Cartes d’Ecart-type des SSS interannuelles observées et simulées avec et sans rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.18 Cartes de corrélation spatiale des SSS simulées par rapport aux observations 31 3.19 SSS interannuelles simulées et observées à l’embouchure de l’Amazone . . . 33 3.20 SSS interannuelles simulées et observées à l’embouchure du Congo . . . . . 34 3.21 SSS interannuelles simulées et observée (courbes bleues) et débit interannuel du Niger (en rouge) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.22 profil de densité des observations interannuelles aux embouchures des fleuves 35 4.1 Différence de STD de SSS saisonnière simulée par RUN-RCONST et RUNRCLIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 Différence de STD de SSS interannuelle simulée par RUN-RINT et RUNRCLIM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 profil des observations de Janvier à Avril . . . . . . . . . . . . . . . . . . . . 40 4.4 profil des observations de Mai à Aout . . . . . . . . . . . . . . . . . . . . . . 40 4.5 profil des observations de Septembre à Décembre . . . . . . . . . . . . . . . 41 4.6 profil des observations de 2000 à 2003 . . . . . . . . . . . . . . . . . . . . . 41 4.7 profil des observations de 2004 à 2007 . . . . . . . . . . . . . . . . . . . . . 42 46
