Impact du réchauffement climatique sur l hydrologie: Scénarios globaux, régionaux et descente d échelle

Transcription

1 Impact du réchauffement climatique sur l hydrologie: Scénarios globaux, régionaux et descente d échelle Jean-François Royer, Serge Planton CNRM/GAME (Meteo-France/CNRS) Toulouse Daniel Schertzer CEREVE, Marne-la-Vallée

2 L étude du changement climatique à Meteo France Recueil et archivage d informations sur le climat observé Direction de la Climatologie (DCLIM) Recueil et homogénéisation de longues séries climatiques Création de bases de données Etudes sur la détection du changement climatique Recherche en modélisation des changements climatiques Centre National de Recherches Météorologiques Groupe de Modélisation Grande Echelle et Climat (GMGEC) Développement de modèles de climat Applications à l étude des mécanismes de changement climatique Création de scénarios du climat futur (GIEC) (Projections du changement climatique sur le 21-ème siècle)

3 Un réchauffement non continu qui s accélère Moyenne des températures homogénéisées sur la France Tendance (en /siècle) 1, ,0 0,5 0,0 Anomalie ( C) -0, ,0-1,5 Températures minimales -2,0

4 PRINTEMPS %/siècle ETE EVOLUTION SAISONNIERE DES TENDANCES DES PRECIPITATIONS HIVER AUTOMNE baisse significative baisse non signif. hausse non signif. hausse signif. (95%)

5 Evolution du climat sur la France au 20-ème siècle -En France, le réchauffement sur le dernier siècle est plus marqué sur le Sud que sur le Nord. Les températures minimales se sont plus réchauffées que les températures maximales. -Comme dans la plupart des régions d Europe, le nombre de jours de fortes chaleur a augmenté sur la période récente et l été 2003 est le plus chaud de la période d observation. -On n observe pas de tendance à l augmentation des tempêtes en nombre ou en intensité au cours des cinquante dernières années. Le nombre d épisodes de pluies diluviennes dans le Sud-Est de la France n a pas non plus significativement augmenté au cours de la même période.

6 Causes des changements climatiques observés: La concentration des gaz à effet de serre (CO2, CH4, N2O) augmente depuis le début de l ère industrielle (30%, 145%, 15%). La variabilité de l énergie solaire et les éruptions volcaniques contribuent à la variabilité du climat depuis 1600, mais l effet du gaz carbonique a été dominant au cours du XX ième siècle La similitude entre les simulations numériques du climat sur le siècle écoulé et les observations des dernières décennies augmente lorsque l évolution des concentrations des gaz à effet de serre et les aérosols sont prises en compte par les modèles

7 Evolution des forçages climatiques au 20 ème siècle Gaz à effet de serre Solaire Volcanique sulfates D Stone (2005)

8 Comparaison entre la modélisation et les observations de la température moyenne annuelle à la surface du globe Simulations avec forçages naturels Simulations avec forçages naturels et anthropiques Variations de la température moyenne globale en surface simulées et observées (GIEC, 2007)

9 Comment modéliser le climat futur? Un exemple de «système-terre» (CNRM-GAME) Le modèle climatique couplé global CNRM-CM3 Chimie MOBIDIC

10 Les projections du changement climatique Les scénarios économiques du GIEC CO 2 Plus économique A2 A1B Plus mondial A1 B1 A2 B2 Plus régional B1 Plus environnemental +CH 4, N 2 O, CFC-11/12

11 Moyennes multimodèles et intervalles estimés du réchauffement global en surface suivant les scenarios économiques (GIEC, 2007) Source : IPCC 2007 WG1

12 Les projections GIEC/ESCRIME changement des températures à la fin du 21-ème siècle ( ) CNRM IPSL A2 B1

13 Evolution des précipitations Modèles du projet Européen ENSEMBLES Scénario A2 Scénario B1

14 Les projections GIEC/ ESCRIME changement des précipitations à la fin du 21-ème siècle ( ) CNRM IPSL A2 B1

15 Probabilité d augmentation des précipitations (A1B ) Nombre des modèles du projet ENSEMBLES simulant une augmentation de précipitation en (par rapport à ) pour le scénario A1B (Niehörster et al, 2006, D2A.3.2 report)

16 Pourquoi régionaliser les simulations globales? Les principaux objectifs de la régionalisation : Améliorer la représentation de la variabilité spatiale et temporelle du climat et de son évolution, en particulier les statistiques des événements extrêmes climatiques (vagues de chaleurs, fortes pluies, sécheresses, tempêtes, cyclones, ). Faciliter les études d impacts du changement climatique sur les différents secteurs socio-économiques (hydrologie, écosystèmes, santé, ).

17 La nécessité d une descente d échelle Scénarios climatiques globaux ~ 300km Scénarios climatiques régionaux ~ km Modèles d impacts ~qq m - qq km

18 La descente d échelles: différents types de méthodes Deux approches complémentaires Etablir une 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

19 Qu est ce que la régionalisation? Les grandes classes de méthodes de régionalisation : Désagrégation ou descente d échelle statistique: mise en œuvre au début des années 90 pour l étude du changement climatique (Von storch et al, 1993; Boé et al, 2006; Vrac, 2007; Royer et al, 2008 ). Elle consiste à reproduire le climat par un modèle statistique mis au point à partir de données d observations (analogues, générateurs de temps, régressions, réseaux de neurone, invariance d échelle ). Désagrégation dynamique: aussi mise en œuvre au début des années 90 pour l étude du changement climatique (Giorgi et al, 1992; Déqué et al, 1998; Li et al, 2005, ). Elle consiste à reproduire le climat par un modèle climatique régional à aire limitée ou à maille variable.

20 La régionalisation dynamique des scénarios climatiques au CNRM Modèle à maille variable ARPEGE-Climat Modèle à aire limitée (ALADIN-Climat)

21 Modélisation climatique régionale: ALADIN-Climat Développé dans le cadre du projet Européen ENSEMBLES Résolution horizontale: 50km ou 25 km Résolution verticale: 31 niveaux Forçage aux frontières toutes les 6h: ARPEGE-Climat étiré ou ERA40

22 Changement climatique: trois menaces pour la France fréquence des canicules estivales durée des périodes de sécheresse augmentation en intensité et fréquence des pluies intenses

23 Température estivale à Paris (juin, juillet, août) Observations ( + ) simulations avec scénario A2 2003

24 Nombre de jours de canicule estivale A2 A1B B1

25 Nombre de jours de canicule estivale A2 A1B B1

26 Nombre maximum simulé de jours consécutifs sans précipitation dans le sud de la France

27 Durée des sécheresses estivales Extrêmes: Illustrations avec des résultats des scénarios ARPEGE étiré ( génération (A1B-3ème

28 Nombre de jours par an avec précipitations > 20 mm DJF JJA Climat actuel Scénario A2

29 Les incertitudes Nature chaotique du climat Quel scénario (A1T, B1, B2, A1B,A2,A1FI)? Quel modèle choisir?

30 Nature chaotique du climat Nombre de jours de canicule par an : trois simulations identiques, effet papillon Incertitudes: Illustrations avec des résultats des scénarios ARPEGE ( génération étiré ( A2-2ème

31 Incertitudes liées aux scénarios d émission: pattern identique mais amplitude modifiée JJAS P change (mm/day) projected by CNRM-CM3 driven by 4 IPCC concentration scenarios

32 Quel modèle choisir? ( modèles Mini(10 Température estivale ( modèles Maxi(10 Projet européen PRUDENCE

33 Biais et méthodes de correction Approche basique: erreur moyenne du modèle Réponse du modèle: scénario-contrôle Ne marche pas pour les extrêmes (effet de seuil) Méthode quantile-quantile Nécessité de séries longues observées (40 ou 50 ans) quotidiennes pas trop mitées, si possible échelle plus fine que le modèle

34 Les problèmes posés par la variabilité et l hétérogénéité spatiales Régionalisation des simulations: Transformer les séries simulées sur la grille du modèle en des séries représentant le comportement à plus petite échelle Méthodes statistiques Recherche d analogues (lien entre séries locales et situation synoptique) «weather generators» Méthodes multiéchelles (cascades multifractales) Prise en compte de l hétérogénéité sous maille Représenter l effet des échelles non résolues (paramétrisations) Ex: nuages, turbulence, processus en surface, orographie

35 Quelle méthode utiliser? Approche statistique ou dynamique? (C Dreveton) L approche dynamique est très coûteuse en temps de calcul. L approche statistique est intéressante sous réserve de disposer de données observées homogènes sur une période suffisamment longue. Elle est conseillée pour des paramètres élaborés et pour disposer d informations locales. Il est nécessaire de connaître les limites des différentes méthodes, de les tester/valider/comparer pour l application étudiée. L approche dynamique permet de disposer de valeurs cohérentes pour plusieurs paramètres et/ou plusieurs sites. Il peut être intéressant de combiner les deux approches, en particulier pour déterminer statistiquement des périodes d intérêt pour des simulations haute résolution.

36 Quelle méthode utiliser? Forces et faiblesses des méthodes de régression Méthodes de régression régression linéaire, réseaux de neurones, analyse canonique, corrélation, krigeage Forces Faiblesses Relativement simples à utiliser Utilisent une panoplie complète des prédicteurs disponibles Solutions sur étagères et logiciels disponibles facilement Mauvaise représentation de la variance observée Peuvent supposer la linéarité ou la normalité des données Mauvaise représentation des phénomènes extrêmes

37 Quelle méthode utiliser? Forces et faiblesses des méthodes «Générateurs» Méthodes de générateurs de séries chaînes de Markov, modèles stochastiques, durées de périodes sèches, Forces Faiblesses Production de larges ensembles pour le calcul d'incertitudes ou des simulations longues d'extrêmes Interpolation spatiale des paramètres du modèle utilisant les variables d'environnement ou des conditions de surface Peuvent générer de l'information à l'échelle sub-quotidienne Ajustement arbitraire des paramètres pour le climat futur Interactions entre les paramètres mal prises en compte

38 Quelle méthode utiliser? Forces et faiblesses des méthodes «Types de temps» Méthodes types de temps méthode des analogues, approches hybrides, classification, cartes de circulation générale, méthodes de Monte Carlo Forces Relations interprétables physiquement entre les champs de grande échelle et les conditions climatiques de surface Nombreuses applications (peuvent être appliquées aux variables de surface, à la qualité de l'air, aux inondations, à l'érosion,...) Combinaison possible pour l'analyse des événements extrêmes Faiblesses Nécessitent un travail supplémentaire de classification par type de temps Ne peuvent pas détecter l apparition de nouveaux types de temps

39 Cas où les méthodes statistiques ne sont pas appropriées lorsque les données observées sont des séries non homogènes ou trop courtes lorsque le forçage de surface doit être pris en compte lorsque les interactions avec la surface sont fortes et impactent les changements locaux de climat lorsque les relations statistiques varient dans le temps changement climatique des régimes de temps ou changements climatiques rapides

40 Une alternative pour descendre les échelles? Consensus sur la nécessité (GIEC, GICC-2, etc. ) : en dessous du kilomètre pour modéliser les villes? pour la gestion des réseaux urbains (projet GARP-3C: Météo- France, LMD, ENPC, CG93 et 94..) mais un obstacle fondamental: relations grandes/petites échelles non perturbées? hypothèse implicite: - corrélations (linéaires ou non) grandes/petites échelles, réseaux de neurones: fichier d apprentissage «non perturbé»; - type de temps: même base, seule les fréquences changent; - GCM: paramétrisations des petites échelles, Alternative: étudier et prendre en compte l évolution des flux à travers les échelles! Exemple: taux de précipitation pour le cycle de l eau. Utiliser des générateurs basés sur des cascades multifractales Estimation des paramétres à partir de simulations régionales fines Poster A. Gires et al

41 Exemple: lois d éd échelle du taux de précipitation et extrêmes 1. Description parcimonieuse: seulement 3 exposants: intermittence de la pluie: - Intermittence moyenne C 1 : combien rare est la pluie moyenne? C 1 0: il ne pleut pas tous les jours, ni partout! - Variabilité de l intermittence α : diversité des régimes de pluie α 0 : pas seulement l alternative pluie non pluie! dépendance H du taux moyen de pluie <R l > de l échelle d observation l? Pour la pluie H 0 2. Conséquences triviales " pour les extrêmes: C 1 et α => extrêmes ou C 1 et α => extrêmes 3. Plus généralement: - ces exposants définissent les courbes Intensité-Durée-Fréquence (IDF) sur une grande gamme d intensité et durée (Benjdoudi et al., 1987) ; - permettent l intercomparaison des quantiles (projet MSP: Météo-France, Cemagref, ENPC)

42 Analyse des précipitations sur la France dans une simulation du climat futur (Scénario A ) α l intermittence moyenne C1 la variabilité de l intermittence α C 1, => difficulté d évaluer l évolution des extrêmes des précipitations => analyse plus fine: - évolution de la Singularité Maximale Probable γ s (Hubert et al, 1993; Douglas & Barros, 2003): - invariante d échelle et plus stable que la précipitation maximale simulée P ma x. - permet de conclure: extrêmes (Royer et al., 2008). Développements en cours: intercomparaisons MESO-NH, radar, TRMM

43 Conclusion: cumul des incertitudes dans la chaîne de modélisation Incertitudes liées aux modèles de circulation générale Choix du scénario Choix du modèle Variabilité intriséque (chaos) Incertitudes liées à la désagrégation des résultats Choix de la méthode dynamique, statistique, cascades multiéchelles Incertitudes dans l hydrologie de surface: hydrologie des sols secs (conditions non connues actuellement) effet direct du CO2 sur la transpiration des plantes occupation des sols anthropisation (barrages, prélèvements) Nécessité de cominer des ensembles multi-modèles et multi-méthodes Construction d une distribution statistique empirique Vers une estimation de l incertitude?

44 Merci pour votre attention "

45

46 Sites Internet GIEC/IPCC MIES (Mission Interministérielle de l Effet de Serre ) ONERC (Observatoire National sur les Effets du Réchauffement Climatique) ADEME (Agence de l'environnement et de la Maîtrise de l'énergie) IMFREX: (projet GICC) Météo-France: Climatologie

47 Les travaux du GIEC Groupe d experts Intergouvernemental sur l Evolution du Climat (GIECC ou IPCC en anglais) mis en place en 1988 par l OMM (Organisation Météorologique Mondiale) et le PNUE (Programme des Nations Unis pour l Environnement) premier objectif principal évaluer l information scientifique et socioéconomique sur: bases scientifiques du changement climatique (groupe I) les impacts, l adaptation et la vulnérabilité (groupe II) l atténuation (groupe III). le GIEC a notamment produit 4 séries de rapports d évaluation 1990, 1995, 2001, 2007

48 Températures moyennes globales Niveau de la mer Couverture de neige au printemps (HN) GIEC, 2007

49 Simulations pour le 4-e rapport du GIEC Effort international sans précédent pour coordonner les simulations de scénarios climatiques JSC/CLIVAR Working Group on Coupled Modeling (WGCM) et IPCC/WG1 Réalisation: choix des scénarios Modèles multiples (21 modèles) Archivage et distribution des simulations base de données au PCMDI Sous-projets diagnostiques >1190 sous-projets identifiés (le 9/06/2009) >500 publications répertoriées

50 Bilan des projections globales: Impact sur l hydrologie Globalement, E et P augmentent, mais sans accélération du cycle de l eau Forts contrastes régionaux: augmentation des P aux hautes latitudes, décalage vers les pôles des routes dépressionnaires et des P associées, renforcement probable de l ITCZ et de la subsidence subtropicale (aridification du Bassin Méditerranéen) Recul de la couverture neigeuse de l hémisphère Nord (sauf Sibérie orientale) Amplification des contrastes saisonniers, notamment aux moyennes latitudes de l hémisphère Nord => risque accru de sécheresses et d inondations Augmentation de la variabilité interannuelle des précipitations et des épisodes de fortes pluies dans de nombreuses régions

51 Création de bases de données de scénarios climatiques sur la France Projet IMFREX (GICC) IMpact des changements anthropiques sur la FRréquence des phénomènes Extrèmes de vent, de température et de précipitations Projet financé par le programme Gestion et Impacts du Changement Climatique (GICC) Ministère de l Ecologie et du Développement Durable (MEDD) Séries climatiques Résultats de modèles Base de données de l ONERC Observatoire National sur les Effets du réchauffement climatique Visualisation des simulations climatiques sur la France