Réduction d’échelle

Dans de nombreuses études sur les changements climatiques, les scénarios issus directement de modèles climatiques globaux (MCG) n’ont sans doute pas une résolution spatiale ou temporelle suffisante pour représenter les variations au sein d’une région, à un endroit particulier ou les données climatiques qui permettent de modéliser un processus spécifique. La résolution spatiale des MCG en particulier signifie que la représentation des caractéristiques de l’orographie et des conditions de surface est exagérément simplifiée par rapport à la réalité, ce qui entraîne la perte de certaines des caractéristiques qui peuvent exercer de profondes influences sur le climat régional (par exemple le système des Grands Lacs et la baie d’Hudson en Amérique du Nord). Cela fait un certain nombre d’années que l’on est conscient du besoin de scénarios locaux ou régionaux détaillés des changements climatiques pour les études sur les répercussions (Lamb, 1987; Cohen, 1990), d’où l’élaboration d’un certain nombre de méthodes pour raffiner ces informations, en général à partir des MCG, en dépit de leurs déficiences à de plus fine résolution, qui constituent le meilleur moyen existant de déterminer des scénarios du climat futur intrinsèquement homogènes (Hulme et al., 1990; Giorgi et Mearns, 1991; Robock et al., 1993). Ces méthodes s’appellent les méthodes de réduction d’échelle et des techniques de réduction d’échelle ont été conçues pour combler l’écart entre les données que peuvent actuellement fournir les responsables de la modélisation du climat et les données dont ont besoin les chercheurs chargés d’étudier les répercussions (Wilby et Wigley, 1997). Les techniques de réduction d’échelle sont généralement subdivisées en catégories spatiales et temporelles.

---

Réduction d’échelle spatiale

La réduction d’échelle spatiale désigne les techniques qui servent à extraire des informations climatiques à plus haute résolution à partir des MCG à résolution plus grossière (ou modèles régionaux du climat[MRC]). Les MRC utilisent généralement les mêmes paramètres physiques que les MCG, mais ils procurent des données sur une partie du globe à une résolution spatiale plus fine, en général 50 km. La figure 1 illustre le concept de réduction d’échelle spatiale. Il ressort clairement de ce schéma que la résolution des MCG, et dans une certaine mesure des MRC, ne permet pas la représentation de la totalité des processus (comme la topographie, la végétation) qui perturbent le climat local. En établissant des rapports statistiques entre les climats à l’échelle locale et à une plus grande échelle, il est sans doute possible d’incorporer implicitement certains de ces processus. La réduction d’échelle spatiale part de l’hypothèse qu’il sera possible d’établir des rapports statistiques significatifs entre le climat local et le climat global (ce qui permettra d’extraire des données locales utiles à partir des seules informations globales) et que ces rapports resteront valables dans les conditions climatiques futures. En d’autres termes, le climat à grande échelle sert de variables « prédicteurs » pour le climat local (prédictand).

La résolution spatiale de la plupart des MCG se situe entre 250 et 600 km. Les forçages et les circulations qui modifient le climat régional se produisent généralement à des échelles spatiales beaucoup plus fines et peuvent aboutir à des conditions climatiques régionales radicalement différentes de ce que présuppose l’état climatique global. La réduction d’échelle spatiale peut sans doute intégrer certains de ces facteurs climatiques régionaux et ainsi ajouter de l’information aux MCG à résolution grossière dans certaines régions, même si son utilité dépend fortement des données régionales climatiques disponibles. C’est pour cette raison qu’il est impossible de formuler une recommandation générale voulant que l’on ait systématiquement recours à la réduction d’échelle spatiale pour tenter d’améliorer les données des scénarios disponibles. Chaque cas est différent et peut nécessiter l’analyse d’un certain nombre de différentes techniques de réduction d’échelle afin de trouver la méthode qui convient, si cela est en fait possible.

Il existe un certain nombre de recommandations générales au sujet de la réduction d’échelle spatiale qui, si on s’y conforme, devraient faciliter le processus. Les MCG qu’on utilise pour la réduction d’échelle spatiale doivent être en mesure de simuler les caractéristiques atmosphériques qui influent sur le climat régional, par exemple les courants-jets et les trajectoires de tempête. Il est par ailleurs souhaitable d’asseoir la technique de réduction d’échelle (par exemple la régression linéaire multiple, le type de circulation atmosphérique) sur une variable climatique qui n’affiche pas de grands écarts à sous échelle, en d’autres termes il est préférable d’utiliser une variable comme la pression au niveau moyen de la mer plutôt que les précipitations. Les variables « prédicteurs » utilisées dans le processus de réduction d’échelle doivent idéalement être les variables de base d’un modèle, c’est-à-dire qu’elles sont issues directement d’un modèle (comme la pression au niveau de la mer) et qu’elles ne reposent pas sur des paramétrages qui font intervenir d’autres variables du modèle, comme c’est le cas pour la précipitation.

On peut subdiviser les techniques de réduction d’échelle spatiale en méthodes empiriques/statistiques, en méthodes statistiques/dynamiques incorporant en général les techniques de type de temps et les modèles à plus haute résolution, comme les modèles régionaux du climat.

Haute de la page

---

Réduction d’échelle temporelle

La réduction d’échelle temporelle désigne l’obtention de données temporelles à haute résolution à partir de données temporelles d’échelle plus grossière. Elle s’applique principalement aux études des scénarios, en particulier à l’obtention des données des scénarios quotidiens à partir des données des scénarios mensuels ou saisonniers. Les sorties des modèles à l’échelle mensuelle existent à partir des nombreuses expériences de MCG, alors qu’un nombre infime de ces expériences ont été archivées à l’échelle quotidienne. Par ailleurs, on estime que les sorties simulées quotidiennes ne sont pas aussi robustes que les données des modèles à l’échelle mensuelle, et il est donc généralement déconseillé de les utiliser dans les études sur les scénarios. Le moyen le plus simple d’obtenir des données quotidiennes au sujet d’un scénario de changement climatique particulier consiste à appliquer les changements mensuels ou saisonniers à un relevé météorologique quotidien historique issu d’une station donnée. Toutefois, cette méthode conserve la variabilité climatique observée actuelle et les mêmes séquences de journées humides et sèches et de périodes chaudes et froides. De plus, il n’y a qu’une série chronologique pour chaque scénario, ce qui limite le type d’analyse auquel on peut appliquer les données quotidiennes.

La meilleure façon d’obtenir des données météorologiques quotidiennes à partir des données d’un scénario mensuel consiste à utiliser un générateur stochastique de données météorologiques - modèle statistique qui génère des séries chronologiques de données météorologiques artificielles présentant les mêmes caractéristiques statistiques que les observations d’une station (Wilks et Wilby, 1999). Les générateurs stochastiques de données météorologiques partent de l’hypothèse que les corrélations statistiques entre les variables climatiques calculées à partir des données observées, restent valables dans un climat modifié. Après avoir étalonné le générateur de données météorologiques à l’aide des données quotidiennes observées, on obtient un fichier de paramètres qui contient une description statistique des caractéristiques du climat à l’endroit étudié. Les changements du scénario mensuel qui se produisent par exemple dans la température moyenne, la hauteur pluviométrique et le rayonnement solaire peuvent être incorporés tout simplement en modifiant les paramètres appropriés de la quantité utile. Pour certains générateurs de données météorologiques, il est également possible de perturber la variabilité climatique en appliquant des changements à l’écart type de température ou à la durée des périodes humides et sèches. Les données quotidiennes des MCG peuvent servir à calculer les changements qui se produisent dans ces éléments de la variabilité climatique, ou l’on peut imposer des changements arbitraires. La composante stochastique d’un générateur de données météorologiques est régie par le choix d’un nombre aléatoire et en faisant varier ce nombre aléatoire, on peut générer des séquences météorologiques radicalement différentes. Cela veut dire qu’il est possible de générer de nombreuses séquences de données météorologiques quotidiennes pour un scénario donné et que les caractéristiques statistiques de chaque séquence seront très semblables, sinon identiques, alors que les valeurs varieront d’un jour à l’autre. De cette manière, il est possible de générer des données suffisantes pour entreprendre une analyse de risques.

Un élément qu’il faut signaler au sujet des générateurs stochastiques de données météorologiques est qu’ils sont conçus pour être utilisés indépendamment dans chaque station. Même s’il est possible d’interpoler spatialement les paramètres provenant de nombreuses stations et par conséquent de procéder à des analyses spatiales, les générateurs de séries ne tiennent aucun compte de la corrélation spatiale observée du climat. Cela signifie que si un générateur de données météorologiques est utilisé dans deux stations voisines, disons A et B, il est en mesure de simuler des phénomènes particuliers dont on peut attendre qu’ils se produisent dans les deux stations, par exemple l’apparition de trois sécheresses prolongées durant une période de 30 ans, sans que l’occurrence de ces phénomènes coïncide forcément dans les deux stations, ce qui signifie que les années de sécheresse à la station A diffèrent de celles à la station B. Ainsi, si le générateur de données météorologiques peut fournir une représentation statistique précise de la situation observée dans chaque station, pris ensemble, les phénomènes ne sont pas simultanés et ceci ayant donc des répercussions globales moins graves sur les ressources hydriques ou sur l’agriculture que ce à quoi on peut s’attendre dans la réalité lorsqu’une sécheresse généralisée s’abat sur une vaste superficie.

Il existe un certain nombre de rapports de synthèse qui expliquent bien les techniques de réduction d’échelle spatiale et temporelle. Parmi les plus anciens, il y a ceux de Giorgi et Mearns (1991) et de Robock et al. (1993), alors que plus récemment, Hewitson et Crane (1996), Wilby et Wigley (1997), Huth (1999) et Murphy (1999) ont apporté une contribution à la documentation sur ce thème. Outre ces rapports, il y a également les chapitres 10 (Giorgi et al, 2001) et 13 (Mearns et al., 2001) du Troisième Rapport d’évaluation du WG1 du GIEC, les lignes directrices sur l’utilisation des données des scénarios pour l’évaluation des impacts climatiques et de l’adaptation (GIEC-TGICA, 1999 et 2007) et plus récemment les Lignes directrices sur l’utilisation des scénarios climatiques élaborés à partir des méthodes de réduction d’échelle statistique (Wilby et al., 2004).

Haute de la page

---

Références

Haute de la page

---