Régimes de temps et désagrégation d échelles Julien Boé et Laurent Terray Sciences de l Univers au CERFACS CERFACS/CNRS URA 1875 Toulouse, France

Dimension: px

Commencer à balayer dès la page:

Download "Régimes de temps et désagrégation d échelles Julien Boé et Laurent Terray Sciences de l Univers au CERFACS CERFACS/CNRS URA 1875 Toulouse, France"

Joel Larocque
il y a 6 ans
Total affichages :

1 Régimes de temps et désagrégation d échelles Julien Boé et Laurent Terray Sciences de l Univers au CERFACS CERFACS/CNRS URA 1875 Toulouse, France boe@cerfacs.fr, terray@cerfacs.fr Contexte Climat global/régional Les méthodes de désagrégation: régimes de temps Application: l hydrologie des bassins versant français au 21 ème siècle Les incertitudes

2 Contexte scientifique Contexte général Parution du 4ème rapport du GIEC (janvier 2007): réalisation par la communauté française d ensembles de simulations globales (résolution de 300 km) du climat passé et du climat futur suivant différents scénarios d évolution des GES (livre blanc ESCRIME) Réalisation de scénarios régionaux réalisés avec les modèles ARPEGE (Météo-France) et LMDZ (IPSL) à une résolution de km sur la France et pour la période Démarrage de très nombreux projets d études sur les impacts du changement climatique utilisant les scénarios globaux et régionaux effectués dans le cadre du 4 ème rapport du GIEC (ANR, GICC, FP7 )

Les méthodes de désagrégation modèle global MCGOA 300 km Pourquoi la désagrégation? modèle régional 20-50 km Mismatch d échelles!

3 Les méthodes de désagrégation modèle global MCGOA 300 km Pourquoi la désagrégation? modèle régional km Mismatch d échelles! Les modéles d impact utilisent comme données d entrée des variables climatiques à une résolution spatiale très fine par rapport à celle simulées par les modèles de climat. Modèle impact 1m-10 km

4 Les méthodes de désagrégation Deux grandes familles Etablir la relation statistique entre les variables locales et les prédicteurs modèles Désagrégation statistique Résoudre explicitement la physique et la dynamique du système climatique regional Désagrégation dynamique Utilisées de façon indépendante ou combinée

Les méthodes de désagrégation Désagrégation dynamique Modèles régionaux (RCM): modèles à aire limitée contraints par les MCGOA sur leurs frontières latérales et pour les

5 Les méthodes de désagrégation Désagrégation dynamique Modèles régionaux (RCM): modèles à aire limitée contraints par les MCGOA sur leurs frontières latérales et pour les conditions aux limites océaniques Modèles globaux maille variable (MCG-VR): résolution accrue dans la zone d intérêt, contraints par les MCGOA pour les conditions aux limites océaniques

6 Les méthodes de désagrégation Désagrégation statistique (a) Générateurs de temps: approche basée sur les probabilités conditionnelles, modèles statistiques générant aléatoirement des séquences de temps observées dépendant des prédicteurs issus des modèles climatiques (chaines de Markov) (b) Fonctions de transfert: établir une relation directe entre les prédicteurs issus des modèles climatiques et les données régionales/locales observées (régression, ACP, CCA, MCA, réseaux de neurone) (c) Régimes/types de temps: approche basée sur la météorologie synoptique, nombre fini d états de la circulation atmosphérique de grande échelle (analogues, classification), liens entre une situation atmosphérique et un ensemble de données régionales/locales observées. Lien entre le climat et les variables locales Modèle statistique F

7 Les méthodes de désagrégation OBS. Downscaling Statistique Prédicteurs F: Calibration Validation MCGOA CNRM-CM3 Prédicteurs GES, Aérosols Modèle Régional ARPEGE-VR Downscaling Dynamique Conditions aux limites latérales et/ou océaniques Variables de forçage brutes Variables locales de forçage Correction de biais Spatialisation OBS. Modèle d impact: ISBA-MODCOU

8 Les trois hypothèses Les méthodes de désagrégation implicites à toute méthode de désagrégation (H1) statistique: Les prédicteurs sont des variables appropriées pour le problème étudié(climat régional/local) et sont simulés de façon réaliste par les modèles climatiques (MCGOA, RCM, MCG-VR). (H2) Le modèle statistique F reste valable pour le climat perturbé (par les forçages anthropiques et/ou naturels). Cette hypothèse ne peut être vérifiée ou invalidée formellement. Idéalement, les données observées devraient couvrir une large palette de conditions climatiques incluant les modifications futures des prédicteurs climatiques. (H3) Les prédicteurs climatiques doivent représenter la totalité du signal du changement climatique. Ces hypothèses s appliquent aussi partiellement à la désagrégation dynamique.

Régimes de temps et hydrologie (H1) Définition de régimes/types de temps discriminants pour les précipitations en France Variable de circulation de grande échelle: Pression (MSLP), provenant du

9 Régimes de temps et hydrologie (H1) Définition de régimes/types de temps discriminants pour les précipitations en France Variable de circulation de grande échelle: Pression (MSLP), provenant du projet EMULATE ( , journalier, 5 x5 ), précipitations SQR (Météo-France) Classification multi-variée Précipitations & MSLP, pas de temps journalier, espace EOF. On conserve ensuite uniquement la partie MSLP pour définir les types de temps. Domaine classification MSLP (D1) * 310 stations pour les précipitations 8 à 10 régimes de temps!

10 Régimes de temps et hydrologie (H1) Hiver NDJFM Anomalie composite de MSLP (hpa) Composites de Précipitation (rapport entre P régime /P moyenne )

Régimes de temps et hydrologie (H1) Régimes hivernaux 1950-1999: WT5 (MSLP, anomalie composite en hpa) 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.

11 Régimes de temps et hydrologie (H1) Régimes hivernaux : WT5 (MSLP, anomalie composite en hpa) Ré-analyse NCEP 0 Fréquences d'occurrence ARPEGE MCG-VR NCEP ARPEGE hpa Corrélation spatiale > 0.96 pour tous les régimes Erreur Absolue Moyenne

Régimes de temps et hydrologie (H2) Modèle F: basée sur la réanalyse NCEP (régimes de temps) et sur l analyse météorologique à méso-échelle SAFRAN (1970-2005, 8 km, précipitation, température, vent,

12 Régimes de temps et hydrologie (H2) Modèle F: basée sur la réanalyse NCEP (régimes de temps) et sur l analyse météorologique à méso-échelle SAFRAN ( , 8 km, précipitation, température, vent, rayonnement, etc) Détermination des régimes de temps Reconstruction des précipitations par régression multiple (distances aux régimes) Ré-échantillonnage conditionnel: 1. Régime de temps le plus proche 2. Précipitations reconstruites (Analogue) 3. Index de température 4. Tirage aléatoire d un jour Boe J., L. Terray, F. Habets and E. Martin, 2006: A simple statistical-dynamical downscaling scheme based on weather types and conditional resampling J. Geophys. Res., 111, D23106.

13 Régimes de temps et hydrologie (H2) Validation Débits Cycle Annuel OBS NCEP ARPEGE-VR CDF OBS NCEP ARPEGE-VR Moyenne Hiver OBS NCEP (0.85) SAFRAN (0.97)

14 Régimes de temps et hydrologie (H3) Validation modèle parfait Moyenne France des précipitations Simulée Reconstruite Changement précipitations en % de la moyenne actuelle (2100_2050) (2000_1970) Scénario A1B, printemps

15 Climat futur et impact hydrologique Changement de précipitation désagrégé et simulé à partir d ARPEGE-VR pour 2050 et le scénario A1B (en pourcentage de la moyenne ) désagrégé DJF JJA simulé

16 Climat futur et impact hydrologique Changement des débits simulés par ISBA-MODCOU forcé par les forçages désagrégés d ARPEGE-VR pour 2050 (en pourcentage de la moyenne ) DJF JJA

17 Quantifier les incertitudes Incertitudes Typologie des incertitudes: la bonne et la mauvaise incertitude. Maximiser la première et minimiser la seconde Partie climat: modèles globaux, scénarios SRES, modèles régionaux Identification des processus clés: dynamique versus thermodynamique pour les précipitations Quantifier: aspects probabilistes? Désagrégation statistique? Problème de la métrique pour probabiliser les scénarios?

18 Scénario régional A1B ARPEGE Evolution au 21 ème siècle de la température à 2m en moyenne sur la France (en ºC) Référence: Quantifier les incertitudes DJF JJA

19 Scénario régional A1B ARPEGE Evolution au 21 ème siècle des précipitations totales en moyenne sur la France Quantifier les incertitudes En %, changement relatif par rapport à la référence: DJF JJA

Quantifier les incertitudes Moyenne du multi modèle IPCC A1B (20 modèles) A gauche: Δ(précip) en mm/j, écart entre 2081-2100 et 1961-2000 DJF Au milieu: σ

20 Quantifier les incertitudes Moyenne du multi modèle IPCC A1B (20 modèles) A gauche: Δ(précip) en mm/j, écart entre et DJF Au milieu: σ inter-modèle en mm/j A droite: Différence entre Nbre de modèle donnant une augmentation et Nbre de modèle donnant une diminution de précipitations JJA

0-5 -10 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 + - -15-20 Modeles

21 Quantifier les incertitudes + ~0 Changement Regime Hiver IPCC (2081/ /2000) Nombre de jours dans l'hiver Modeles Atl. Ridge Blocage NAO+ NAO- Corrélation Occurrence(régime)/précipitation

22 Quantifier les incertitudes 1.0 YONNE Courlon 1.0 OISE Pont SEINE Poses 1.0 SOMME Abbeville

24 Conclusions Désagrégation statistico-dynamique en régimes bien adapté à l étude des impacts hydrologiques du CC Les changements d occurrence des types de temps expliquent une part importante de la variabilité des précipitations au 20 ème 2050: augmentation des précipitations en hiver sur le sud-est, forte diminution en été (accord modèle-désagrégation) 2050: changements importants sur les débits, en particulier en été (diminution jusqu à 50%) Cohérence des projections IPCC au sud et au nord de l Europe liée à une faible dispersion des changements de régimes Cascade d incertitude: désagrégation et forçage ISBA- MODCOU appliqués aux simulations IPCC (en cours)

Régimes de temps et hydrologie (H2) Validation de la désagrégation: climatologie des précipitations Précipitations en mm/j: période 1981-2005 DJF

25 Régimes de temps et hydrologie (H2) Validation de la désagrégation: climatologie des précipitations Précipitations en mm/j: période DJF Comparaison SAFRAN avec la désagrégation utilisant la MSLP du MCG-VR ARPEGE Scénario régional A1B TSO issue du modèle CNRM-CM3 (GIEC) JJA Safran Désagrégé

26 Réchauffement simulé par ARPEGE (A1B) DJF JJA

27 Changement de précipitation simulé par ARPEGE (A1B) DJF JJA

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