REGIONALISATION STATISTIQUE POUR LES ETUDES D IMPACT DU CHANGEMENT CLIMATIQUE : POURQUOI ET COMMENT

Dimension: px

Commencer à balayer dès la page:

Download "REGIONALISATION STATISTIQUE POUR LES ETUDES D IMPACT DU CHANGEMENT CLIMATIQUE : POURQUOI ET COMMENT"

Geoffroy Morency
il y a 7 ans
Total affichages :

1 REGIONALISATION STATISTIQUE POUR LES ETUDES D IMPACT DU CHANGEMENT CLIMATIQUE : POURQUOI ET COMMENT TOUR D HORIZON METHODOLOGIQUE Frédéric HUARD, INRA AgroClim

2 LA REGIONALISATION (descente d échelle, downscaling) 1. Pourquoi faire? 2. Quels types? 3. Comment faire? 4. Illustrations et comparaisons

3 La régionalisation : une composante de DRIAS

4 Les modèles climatiques : FAR : 1 er rapport du GIECC (1990) SAR : 2è rapport du GIECC (1996) TAR : 3è rapport du GIECC (2001) AR4 : 4è rapport du GIECC (2007)

5 La régionalisation : étape obligatoire le relief de la France vu par les modèles climatiques: Modèles GIEC (AR4) ( km) Modèle ARPEGE ( 50 km) Modèle ALADIN (12 km) Modèles climatiques : Résolution inadaptée aux études d impact, pour lesquelles on analyse le changement climatique sur un point précis (site de mesure), une parcelle, un bassin versant, une région Régionalisation : Améliorer la maille finale pour la rendre la plus adaptée aux besoins

6 La régionalisation : dynamique Résolution de la physique et la dynamique du système climatique régional Résolution variable Maille emboîtée

7 La régionalisation : statistique Objectif Création par l utilisateur de nouvelles séries futures sur la base de séries observés (stations ou points de grille) et des sorties du modèle de climat Méthode Recherche et exploitation des liens statistiques existants entre les projections climatiques et les observations actuelles et passées Postulat Relations entre grande et petite échelle conservées dans le futur Résultats «Correction» du modèle climatique «Perturbation» du climat actuel Nouvelle référence

8 La régionalisation : statistique Méthodologies Fonctions de transfert : deltas (anomalies), biais, réseaux de neurones Analogues : types de temps du CERFACS Quantiles : quantile mapping (quantile-quantile), quantile regression, statistical asynchronous regression Générateurs stochastiques de climat : LARS, WGEN, SDSM

9 La régionalisation : statistique Méthodes présentes dans DRIAS : Régionalisation pour descendre à la maille SAFRAN (8*8 km) Quantile-Quantile Types de temps CDF-t (non présentée ici)

10 Les méthodes : Anomalies (deltas) Le climat futur est une reproduction du climat actuel sur lequel on applique une anomalie ANOMALIE : différence entre l état moyen actuel et l état moyen futur Futur = climat observé + (climat projection futur climat simulation présent) ou anomalie Futur = climat observé * (climat projection futur / climat simulation présent) (Précipitations, humidité relative) anomalie

11 Les méthodes : Anomalies (deltas) Mise en oeuvre climat observé + (climat projection futur climat simulé présent) même période minimum de 20 ans série observée complète même durée Exemple série observée : simulation : * (contrôle, invariant pour les scénarios d un même modèle) projection : ou ou anomalie : projection futur (/) simulation présent (12 anomalies mensuelles) * Climat simulé de 1999 ne signifie pas climat de 1999 mais climat avec GES de 1999

12 Les méthodes : Anomalies (deltas) Mise en oeuvre série observée : simulation présent : projection futur : anomalie : projection futur (/) simulation présent (calcul des 12 anomalies mensuelles) T air Futur [ ] = Tclimat observé [ ] + anomaliet [mois] [ ] - [ ] 01/01/2071 = 01/01/ anomalie janvier 02/01/2071 = 02/01/ anomalie janvier 13/05/2086 = 13/05/ anomalie mai 31/12/2099 = 31/12/ anomalie décembre Modèle climatique

13 Les méthodes : Anomalies (deltas) Mise en oeuvre série observée : simulation présent : projection futur : anomalie : projection futur (/) simulation présent (calcul des 12 anomalies mensuelles) T air Futur [ ] = Tclimat observé [ ] + anomaliet [mois] [ ] - [ ] 01/01/2071 = 01/01/ anomalie janvier 02/01/2071 = 02/01/ anomalie janvier 13/05/2086 = 13/05/ anomalie mai 31/12/2099 = 31/12/ anomalie décembre delta = C

14 Les méthodes : Anomalies (deltas) Mise en oeuvre série observée : simulation présent : projection futur : anomalie : projection futur (/) simulation présent (calcul des 12 anomalies mensuelles) T air Futur [ ] = Tclimat observé [ ] + anomaliet [mois] [ ] - [ ] 01/01/2071 = 01/01/ anomalie janvier 02/01/2071 = 02/01/ anomalie janvier 13/05/2086 = 13/05/ anomalie mai 31/12/2099 = 31/12/ anomalie décembre Série observée

15 Les méthodes : Anomalies (deltas) Mise en oeuvre série observée : simulation présent : projection futur : anomalie : projection futur (/) simulation présent (calcul des 12 anomalies mensuelles) T air Futur [ ] = Tclimat observé [ ] + anomaliet [mois] [ ] - [ ] 01/01/2071 = 01/01/ anomalie janvier 02/01/2071 = 02/01/ anomalie janvier 13/05/2086 = 13/05/ anomalie mai 31/12/2099 = 31/12/ anomalie décembre Série simulée

16 Les méthodes : Anomalies (deltas) Mise en oeuvre série observée : simulation présent : projection futur : anomalie : simulation futur (/) projection présent (calcul des 12 anomalies mensuelles) T air Futur [ ] = Tclimat observé [ ] + anomaliet [mois] [ ] - [ ] 01/01/2071 = 01/01/ anomalie janvier 02/01/2071 = 02/01/ anomalie janvier 13/05/2086 = 13/05/ anomalie mai 31/12/2099 = 31/12/ anomalie décembre symétrie des courbes NB. des transformations peuvent être nécessaires Ex. pour l humidité relative qui doit être au maximum à 100% (avec, on peut dépasser ou ne jamais atteindre)

17 Les méthodes : Anomalies (deltas) Mise en oeuvre Pour constituer une série continue, nécessité de calculer les anomalies sur plusieurs périodes : Avec contrôle : [ ] ~ [ ] [ ] ~ [ ] [ ] ~ [ ] [ ] ~ [ ] [ ] ~ [ ] 5 cycles d anomalies Si le modèle va au-delà de 2100, possibilité de série sans cycle en procédant par anomalies glissantes

18 Les méthodes : Biais (alternative à l anomalie) biais du modèle Tair Futur [ ] = climat simulé [ ] + biais [mois] Normalement même moyenne qu avec les anomalies

19 Les méthodes : Types de temps - Cerfacs (DSCLIM) Principe très simplifié Calcul des TT saisonniers : champs de pression et de température (été) sur l Europe de l Ouest (réanalyse NCEP) Pour le futur, recherche d une journée réanalyse SAFRAN correspondant : au TT le plus proche (recherche d analogues) sélection de n jours du TT associé tirage aléatoire d une journée correction T Si [index de T modèle - index de T simulé ] > 2 C

20 Les méthodes : Quantile-Quantile (CNRM, M. Déqué) Hypothèse : le modèle prédit la distribution des variables mais pas la valeur exacte de chaque quantile. Calcul des PDF des séries observées et de la simulation de contrôle Pour le futur : à quels centiles correspond la valeur du jour de la projection association des valeurs en climat présent interpolation linéaire entre les centiles ; correction du modèle.

21 Les méthodes : Statistical Asynchronous Regression (variante de QQ) D après la thèse d A. Stoner (2011) mais modifiée Toujours sur la base les Quantiles + Régression linéaire Vitesse du vent (m/s) en automne

22 Les méthodes : Statistical Asynchronous Regression (variante de QQ) D après la thèse d A. Stoner (2011) mais modifiée Toujours sur la base les Quantiles + Régression linéaire Identification des points de rupture : automatique (nombre et position a priori non connus manuelle (nombre et position fixés après analyse)

23 Les méthodes : Statistical Asynchronous Regression (variante de QQ) D après la thèse d A. Stoner (2011) mais modifiée Toujours sur la base les Quantiles + Régression linéaire R² = Identification des points de rupture : automatique (nombre et position a priori non connus manuelle (nombre et position fixés après analyse) Correction via une régression linéaire segmentée

24 Les méthodes : cas des valeurs extrêmes Peut être problématique dans les méthodes de QM lorsque le climat futur simule des valeurs non observées dans le passé ou quand le contrôle ne simule pas les valeurs extrêmes observées Solutions : Limitation des corrections à un facteur x (M. Déqué x =3 pour les pluies ANR Climator) Précipitations Suppression lorsque : [Q n -Q n-1 ] sim > (a * [Q n -Q n-1 ] obs ) (A. Stoner : a=50) Correction si + que facteur 2 (pluies) : ajusté selon le nombre de points de rupture (Huard)

25 Résultats - comparaisons TN Avignon

26 Résultats - comparaisons TN Avignon

27 Résultats - comparaisons TN Avignon

28 Résultats - comparaisons TN Avignon

29 Résultats - comparaisons TN Avignon

30 Résultats - comparaisons TN Avignon

31 Résultats - comparaisons TX Avignon

32 Résultats - comparaisons TX Avignon Attention : pas de correspondance entre années

33 Résultats - comparaisons TX Avignon

34 Résultats - comparaisons TX Avignon Climatologie : SAFRAN, pas point de mesure

35 Résultats - comparaisons TX Avignon

36 Résultats - comparaisons TX Avignon

37 Résultats - comparaisons TX Avignon méthodes QM (calent au modèle) méthodes «non liées» au modèle

38 Résultats - comparaisons Pluie Avignon

39 Résultats - comparaisons Pluie Avignon

40 Résultats - comparaisons Pluie Avignon

41 Résultats - comparaisons Pluie Avignon

42 Résultats - comparaisons Pluie Avignon

43 Résultats - comparaisons Séquence maxi avec Tmax > 33 C à Avignon (en jours)

44 Résultats - comparaisons Séquence maxi avec Tmax > 33 C à Avignon (en jours)

45 Résultats - comparaisons Séquence maxi avec Tmax > 33 C à Avignon (en jours)

46 Résultats - comparaisons Séquence maxi avec Tmax > 33 C à Avignon (en jours)

47 Résultats - comparaisons Séquence maxi avec Tmax > 33 C à Avignon (en jours)

48 La régionalisation : synthèse

49 La régionalisation : Conclusions Différentes méthodes existent, +/- complexes. Chacune possède ses avantages et ses inconvénients. Avec une même série observée et un même modèle, les résultats peuvent varier. DONC La régionalisation = une source d incertitude supplémentaire à prendre en compte, en plus de celles : des données, du modèle, du scénario (SRES ou RCP), du modèle d impact

50 Merci

Documents pareils

Le projet DRIAS : premières études et documents

Le projet DRIAS : premières études et documents Julien Lémond CNRM / GAME, Météo-France, CNRS Direction de la Climatologie Réunion Comité Utilisateurs, le 29 juin 2010 Plan de la présentation 1 ) Les services