Outils de réduction d'échelle : Introduction
Bien qu'il n'y ait pas de méthode standard de réduction d'échelle (pour obtenir des scénarios de changements climatiques à plus haute résolution à partir d'un MCG de plus faible résolution), il existe actuellement deux logiciels qui permettent de réduire l'échelle spatiale et temporelle. Un troisième, l'outil de réduction d'échelle statistique automatique (ASD) sera prochainement disponible sur ce site Web.
- SDSM, Modèle de réduction d'échelle statistique, mis au point par Rob Wilby et Christian Dawson au R.U. et
- LARS-WG, générateur stochastique de conditions météorologiques conçu par Mikhail Semenov et Elaine Barrow, également au R.U.
SDSM
SDSM permet la réduction d'échelle spatiale des rapports quotidiens entre les variables prédicteurs et le predictand au moyen des techniques de régression linéaire multiple. Les variables prédicteurs fournissent des données quotidiennes sur l'état de l'atmosphère à grande échelle alors que les predictand décrit les conditions climatiques locales. Le logiciel permet de minimiser la tâche de réduction d'échelle statistique des séries météorologiques quotidiennes via les différents processus discrets suivants:
- Analyse préliminaire des variables prédicteurs dont l'échelle peutêtre réduite — détermine les variables prédicteurs à grande échelle qui ont une forte corrélation avec les données observées aux stations (predictand). Un certain nombre de variables issues des champs de pression au niveau moyen de la mer sont comprises, par exemple la force du vent, les composantes méridiennes et zonales du vent, tourbillon, etc. (Voir Réduction d'échelle statistique dans la section Téléchargement des données)
- Assemblage et étalonnage du modèle de réduction d'échelle statistique — les variables prédicteurs à grande échelle recensées en (1) servent à déterminer les relations de régression linéaire multiple entre ces variables et les données des stations locales. Les modèles statistiques peuvent être établis à l'échelle mensuelle, saisonnière ou annuelle. Des données sont fournies sur l'ampleur de la variance expliquée par le modèle et l'erreur type afin de déterminer la viabilité de la réduction d'échelle spatiale de la variable et du lieu en question.
- Synthèse d'ensembles de données météorologiques courantes à l'aide des variables « prédicteurs » observées — une fois que les modèles de réduction d'échelle statistique ont été établis, on peut les vérifier en utilisant un ensemble de données indépendantes parmi les variables prédicteurs observées. La partie stochastique de SDSM permet de produire jusqu'à 100 ensembles de séries de données qui présentent les mêmes caractéristiques statistiques mais qui varient sur une base quotidienne.
- Génération d'ensembles de données météorologiques futures à l'aide des variables prédicteurs issues de MCG — la production des variables prédicteurs appropriées issues de MCG permet de générer des ensembles de données météorologiques futures en utilisant les rapports statistiques calculés en (2).
- Essai/analyse diagnostiques des données observées et des scénarios de changements climatiques — il est possible de calculer les caractéristiques statistiques des données observées et des données synthétiques pour procéder à une comparaison facile et ainsi déterminer l'effet de la réduction d'échelle spatiale.
La version 3.1 ou plus récente de SDSM peut être
téléchargée en cliquant sur l'icône
cidessous :
Vous devrez commencer par vous inscrire pour télécharger SDSM. Pour cela, il vous suffit de suivre les directives données sur le site Web de SDSM.
Pour avoir accès aux données prédicteurs, voir la section Réduction d'échelle statistique.
Références sur SDSM(outil et variables prédicteurs)
Barrow, E., B. Maxwell and P. Gachon, 2004: Climate Variability and Change in Canada: Past, Present and Future, Climate Change Impacts Scenarios Project, National Report, Environment Canada, Meteorological Service of Canada, Adaptation Impacts Research Group, Atmospheric and Climate Sciences Directorate publication, Canada, 114 pp, ISBN: 0-662-38497-0.span>
Choux M., (2005): Development of new predictor variables for the statistical downscaling of precipitation. Degree Master of Engineering, Department of Civil Engineering and Applied Mechanics, McGill University. (Dec. 2005).
Conway, D., Wilby, R.L. and Jones, P.D. (1996): Precipitation and air flow indices over the British Isles. Climate Research 7: 169-183.
Dibike, Y., P. Gachon, A. St-Hilaire, T.B.M.J. Ouarda, and VTV Nguyen, 2007: Uncertainty analysis of statistically downscaled temperature and precipitation regimes in northern Canada. Theoretical and Applied Climatology (in press).
Gachon, P., A. St-Hilaire, T. Ouarda, VTV Nguyen, C. Lin, J. Milton, D. Chaumont, J. Goldstein, M. Hessami, T.D. Nguyen, F. Selva, M. Nadeau, P. Roy, D. Parishkura, N. Major, M. Choux & A. Bourque, 2005: A first evaluation of the strength and weaknesses of statistical downscaling methods for simulating extremes over various regions of eastern Canada. Sub-component, Climate Change Action Fund (CCAF), Environment Canada, Final report, Montréal, Québec, Canada, 209 pp.
Goldstein, J., J. Milton, N. Major, P. Gachon, and D. Parishkura, 2004: Climate extremes indices and their links with future water availability: Case study for summer of 2001, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Canada, June 16-18 2004, 7pp.
Hassan, H., Aramaki, T., Hanaki, K., Matsuo, T. and Wilby, R.L. (1998): Lake stratification and temperature profiles simulated using downscaled GCM output. Journal of Water Science and Technology 38: 217-226.
Hessami M., T.B.M.J. Ouarda, P. Gachon, A. St-Hilaire, F. Selva and B. Bobée, 2004: Evaluation of statistical downscaling methods over several regions of eastern Canada, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Québec, Canada. June 16-18, 2004, 9 pp.
Jones, P.D., Hulme, M. and Briffa, K.R. (1993): A comparison of Lamb circulation types with an objective classification scheme. International Journal of Climatology 13: 655-663.
Kalnay, E., Kanamitsu, M., Kistler, R. et al. (1996): The NCEP/NCAR 40-year reanalysis project. Bulletin of the American Meteorological Society 77: 437-471.
Nguyen T., V.T.V. Nguyen, P. Gachon and A. Bourque, 2004a: An assessment of statistical downscaling methods for generating daily precipitation and temperatures extremes in the greater Montreal region, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Québec, Canada. June 16-18, 2004, 10 pp.
Nguyen VTV, Nguyen TD, Gachon P. 2004b: An Evaluation of Statistical Downscaling Method for Simulating Daily Precipitation and Extreme Temperature Series at a Local Site, 14th Congress of the APD-International Association of Hydraulic Engineering and Research, Hongkong, December 15-18, 2004, pp. 1911-1916.
Nguyen VTV, Nguyen TD, Gachon P., 2006: On the linkage of large-scale climate variability with local characteristics of daily precipitation and temperature extremes: an evaluation of statistical downscaling methods. Advances in Geosciences (WSPC/SPI-B368) 4(16): 1-9.
Nguyen, T-D., V-T-V. Nguyen, and P. Gachon, 2007: A spatial-temporal downscaling approach for construction of intensity-duration-frequency curves in consideration of GCM-based climate change scenarios, in “Advances in Geosciences, Vol. 6: Hydrological Sciences”, N. Park et al. (Eds.), World Scientific Publishing Company, pp. 11-21.
Wilby, R.L. and Dettinger, M.D. (2000): Streamflow changes in the Sierra Nevada, CA, simulated using a statistically downscaled General Circulation Model scenario of climate change. In: Linking Climate Change to Land Surface Change, McLaren, S.J. and Kniveton, D.R. (Eds.), Kluwer Academic Publishers, Netherlands, pp. 91-121.
Wilby, R.L., and Wigley, T.M.L., (2000): Precipitation predictors for downscaling: observed and General Circulation Model relationships. International Journal of Climatology 20: 641-661.
Wilby, R.L., Dawson, C.W. and Barrow, E.M. (2002): SDSM - a decision support tool for the assessment of regional climate change impacts. Environmental and Modelling Software 17: 145-157.
Wilby, R.L., Hassan, H. and Hanaki, K. (1998): Statistical downscaling of hydrometeorological variables using general circulation model output. Journal of Hydrology 205: 1-19.
LARS-WG
LARS-WG, qui repose sur une approche sérielle, est l'un des générateurs stochastiques de conditions météorologiques les plus courants. Cliquer sur l'icône cidessous pour aller sur le site Web LARS-WG afin de télécharger ce logiciel.
Le logiciel est extrêmement convivial et bénéficie d'un système d'aide relativement complet. Ce logiciel comporte trois grandes composantes :
- Analyse : la première étape du processus de génération des conditions météorologiques consiste à analyser les données observées aux stations pour calculer les paramètres du générateur de conditions météorologiques, à savoir les caractéristiques statistiques des données. Le logiciel LARS-WG exige les observations de précipitation et l'une ou la totalité des températures maximales et minimales et les heures d'ensoleillement (ou du rayonnement solaire; si les heures d'ensoleillement sont fournies, les données sont alors converties à l'aide d'un algorithme qui repose sur celui de Rietveld, 1978). Le processus analytique a recours à des distributions semiempiriques, c'estàdire aux distributions de fréquence calculées d'après les données observées au sujet de la durée des séries humides et sèches, de l'intensité des précipitations et du rayonnement solaire. Les températures maximales et minimales sont décrites selon la série de Fourier. Le fichier des paramètres qui en résultent sert alors à générer les séries météorologiques.
- Générateur : le logiciel LARS-WG génère des séries météorologiques synthétiques en combinant un fichier de scénarios contenant des informations sur les fluctuations de la quantité de précipitations, la durée des séries humides et sèches, les températures moyennes, la variabilité des températures et le rayonnement solaire avec les fichiers des paramètres générés à l'étape (1).
- Qtest : le logiciel LARS-WG simplifie la procédure qui consiste à déterminer dans quelle mesure il réussit à simuler les conditions observées en offrant l'option Qtest. À cette étape, les caractéristiques statistiques des données observées sont comparées à celles des données synthétiques générées au moyen des paramètres issus des données observées aux stations. Un certain nombre de tests statistiques, notamment le test du Chi-22, le test t et le test F de Student servent à déterminer si les distributions, les valeurs moyennes et les écarts types des données synthétiques sont significativement différents de ceux de l'ensemble original de données observées.
Le logiciel LARS-WG sert essentiellement à générer des données quotidiennes à partir des données mensuelles des scénarios de changements climatiques. L'intérêt qu'il y a à utiliser un générateur stochastique de données météorologiques, au lieu de se contenter d'appliquer les scénarios de changements à une série chronologique d'observations quotidiennes, est que cela permet de générer un certain nombre de séries chronologiques quotidiennes différentes qui représentent le scénario, en utilisant un chiffre aléatoire différent pour contrôler la partie stochastique du modèle. C'est ainsi que ces séries chronologiques présentent toutes les mêmes caractéristiques statistiques, mais elles varient su une base quotidienne. Cela permet de procéder à des analyses des risques.
Références au sujet du logiciel LARS-WG
Racsko, P., Szeidl, L. and Semenov, M.A. (1991): A serial approach to local stochastic weather models. Ecological Modelling 57: 27-41.
Rietveld, M.R. (1978): A new method for estimating for regression coefficients in the formula relating solar radiation to sunshine. Agricultural and Forest Meteorology 19: 243-252.
Semenov, M.A., Brooks, R.J., Barrow, E.M. and Richardson, C.W. (1998): Comparison of the WGEN and LARS-WG stochastic weather generators for diverse climates. Climate Research 10: 95-107.
Semenov, M.A. and Barrow, E.M. (2000): Development of climate change scenarios for agricultural applications. In: Climate scenarios for agricultural, forest and ecosystem impacts, Cramer, W., Doherty, R., Hulme, M. & Viner, D. (Eds), ECLAT-2 Workshop Report No. 2, Climatic Research Unit, Norwich, UK, pp. 50-58. Available for download from the ECLAT-2 Project web site.
Semenov, M.A. and Barrow, E.M. (1997): Use of a stochastic weather generator in the development of climate change scenarios. Climatic Change 35: 397-414.
