Foire aux questions

Cliquer sur une question ci-dessous pour visionner la réponse. Les hyperliens donnés dans les réponses vous orienteront vers de plus amples renseignements sur le site Web ou dans d’autres sources. Si vous avez d’autres questions, visitez notre page Communiquez avec nous.

Haute de la page

En avant

Réduction d’échelle

Qu’est-ce qu’un scénario de changements climatiques?

Un scénario de changements climatiques peut se définir en ces termes :

  • - description cohérente, consistante et plausible d’un état futur possible du monde (Parry, 2002), et
  • - un climat futur plausible développé pour son application explicite dans l’étude des conséquences potentiels des changements climatiques d’origine anthropique (GIEC, TAR, 2001).


Les scénarios de changements climatiques constituent la première étape dans la création de représentations plausibles du climat futur reposant sur des hypothèses relatives à la composition future de l’atmosphère et sur la compréhension que nous avons des effets de l’augmentation des concentrations dans l’atmosphère de gaz à effet de serre, de particules et d’autres polluants sur le climat planétaire. Il existe un certain nombre de méthodes différentes pour élaborer des scénarios de changements climatiques, notamment les techniques qui utilisent des scénarios arbitraires, analogues et des modèles climatiques globaux (MCG). Chaque méthode présente ses avantages et ses inconvénients. Les scénarios de changements climatiques issus des MCG sont de loin le type de scénario le plus courant, étant donné qu’ils sont conformes à la plupart des critères proposés par le Groupe d’action sur les données et les scénarios d’appui aux études d’impact climatique (TGICA) du Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC), organe international d’experts créé pour assurer l’uniformité des recherches sur les incidences de l’évolution du climat et les stratégies d’adaptation.

Pour d’autres précisions, voir Scénarios : Introduction et Élaboration de scénarios.

Haute de la page

Qu’est-ce qu’un climat de référence?

Pour être utile, l'évaluation des répercussions des changements climatiques doit comporter un examen approfondi de la réponse et des effets aux conditions climatiques actuelles ou récentes, en plus de sa réponse aux différents climats futurs. La caractérisation du climat d'aujourd'hui ou de référence revêt donc tout autant d'importance que la caractérisation des scénarios de changements climatiques.

Les données climatiques de référence sont importantes pour :

  • caractériser les conditions qui prévalent en vertu desquelles une unité d'exposition particulière fonctionne et auxquelles elle doit s'adapter;
  • décrire les conditions moyennes, la variabilité spatiale et temporelle et les événements extrêmes, dont certains peuvent avoir des répercussions profondes;
  • étalonner et tester les modèles d'impacts dans la plage actuelle de variabilité;
  • déterminer les tendances ou les cycles permanents possibles;
  • préciser la situation de référence à laquelle il faudra comparer les changements futurs.


Le GIEC recommande d'adopter dans la mesure du possible la période climatique de 30 ans la plus récente comme période climatologique de référence pour évaluer les répercussions et les stratégies d'adaptation. La période normale 1961-1990 a été retenue comme période de référence standard pour bon nombre de ces études, car elle :

  • est représentative du climat moyen actuel ou récent dans la région étudiée;
  • est d'une durée suffisante pour englober un éventail de variations climatiques, dont un certain nombre d'anomalies météorologiques significatives;
  • couvre une période au sujet de laquelle il existe un foisonnement de données sur toutes les grandes variables climatologiques, judicieusement réparties dans l'espace et rapidement et facilement utilisables;
  • comporte des données d’assez bonne qualité pour évaluer les répercussions;
  • est homogène ou facilement comparable aux climatologies de référence utilisées dans d'autres évaluations des impacts.


On reconnaît toutefois :

  • que, dans certains cas, il existe de meilleures données provenant d'une période antérieure (comme 1951-1980 ou même 1931-1960);
  • dans certaines régions, mais pas dans toutes, les périodes plus récentes affichent peut-être déjà une forte tendance au réchauffement qui peut avoir un rapport avec les gaz à effet de serre;
  • une période de 30 ans peut ne pas suffire à refléter la variabilité climatique naturelle sur une échelle de plusieurs décennies, ce qui peut être important lorsqu'on étudie les impacts à long terme.


Pour d’autres précisions, voir Données climatiques de référence.

Haute de la page

Où puis-je me procurer les données?

La section du RCSCC intitulée Téléchargement des données fournit toutes les données fondamentales nécessaires à l’élaboration de scénarios climatiques, aussi bien les modèles climatiques (globaux ou régionaux) que les données utilisées comme variables pour les outils de réduction d’échelle statistique. La même section fournit d’autres données utiles à la validation des modèles climatiques ou à l’étalonnage des outils de réduction d’échelle statistique, de même que les produits de réanalyses et les observations. On y trouve également d’autres types de données.

Cliquer sur un hyperlien pour vous rendre à la section voulue :

Haute de la page

Comment puis-je visualiser la sortie d’un MCG?

Le RCSCC propose quatre outils qui permettent de visualiser les données de MCG : des cartes, des profils bioclimatiques, des diagrammes de dispersion et la Recherche spatiale avancée. Pour plus de renseignements sur chacun de ces outils, rendez-vous à la page Visualisation.

Haute de la page

Qu’est-ce qu’une carte des scénarios?

La moyenne sur 20 ans, sur 30 ans ou la moyenne définie par l’utilisateur (ou l’anomalie moyenne) de chaque variable provenant de chaque scénario de MCG peut être représentée pour une période allant de 1960 à 2100. Ces cartes fournissent une image visuelle des changements climatiques qui se produiront en vertu d’un scénario donné, par rapport à la période climatologique de référence. L’image qui en résulte peut être téléchargée sur votre ordinateur.

Pour d’autres renseignements, visiter la page Cartes des scénarios - Aide

Aller à Cartes des scénarios

Haute de la page

Qu’est-ce qu’un profil bioclimatique?

Le climat et sa variabilité sont des éléments névralgiques qui permettent de comprendre les notions de développement durable et de maintien de la biodiversité. On a établi des profils bioclimatiques pour enrichir les connaissances des utilisateurs sur le climat et faciliter les études pluridisciplinaires des régimes climatiques passés et futurs.

Pour d’autres renseignements, voir Profils bioclimatiques - Aide.

Aller à Profils bioclimatiques

Haute de la page

Qu’est-ce qu’un diagramme de dispersion?

Avant d'entreprendre une évaluation des incidences, il est important de choisir le scénario climatique qu'on entend utiliser dès le début du processus. Le diagramme de dispersion sert avant tout à sélectionner les scénarios utiles. Plusieurs paramètres présentent de l'intérêt, notamment les types d'avenirs socioéconomiques tels que représentés par les divers scénarios IS92A et les quatre grands scénarios du SRES, ainsi que l'existence de variables particulières, la validité et la représentativité du modèle, parmi d'autres. Les diagrammes de dispersion de divers scénarios aideront à déterminer la fourchette des valeurs qui sont prévues.

À l’aide du diagramme de dispersion, deux variables peuvent être représentées l'une par rapport à l'autre aux différents endroits du pays pour une période choisie et extraites de chaque scénario sur le site Web. Par exemple, si les précipitations et les températures sont représentées les unes par rapport aux autres pour les années 2020s, il est alors très facile de déterminer les scénarios qui sont à la fois plus chauds et plus humides et plus chauds et plus secs pour la région. Il est également possible de représenter la trajectoire d'une seule variable depuis la période de référence jusqu'à la période 2080s, en déterminant des scénarios qui peuvent diverger des caractéristiques typiques durant le siècle.

Pour d’autres renseignements, rendez-vous à la page Diagrammes de dispersion - Aide.

Aller à Diagrammes de dispersion

Haute de la page

Qu’est-ce que la 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 une influence profonde 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, ce qui a pour résultat de favoriser le développement d’un certain nombre de méthodes pour dériver ce type d’information, en général à partir des MCG, en dépit de leurs lacunes à des résolutions plus précises. Ces méthodes constituent le meilleur moyen de déterminer les scénarios structurés du climat futur. Elles sont appelées les méthodes de réduction d’échelle. Les techniques de réduction d’échelle sont généralement subdivisées en catégories spatiale et temporelle.

Pour plus de renseignements, voir la page Réduction d’échelle - Aide.

Haute de la page

Comment puis-je avoir accès aux outils de réduction d’échelle (ASD, SDSM et LARS-WG)?

Le RCSCC propose trois outils de réduction d’échelle : ASD, SDSM et LARS-WG. Pour avoir accès à ces outils et apprendre à les utiliser, se rendre sur la page ASD, SDSM ou LARS-WG.

Haute de la page

Qu’est-ce qu’une variable prédicteurs de réduction d’échelle?

Pour réduire l’échelle spatiale, il est nécessaire de recourir à des variables prédicteurs quotidiennes. Les variables prédicteurs (par exemple température moyenne à 2 m, pression au niveau moyen de la mer, hauteur géopotentielle à 500 hPa, etc.) fournissent des données quotidiennes sur l’état général de l’atmosphère, alors que le paramètre prévu décrit les conditions à l’échelle locale (par exemple la température ou les précipitations observées à une station).

Les variables «prédicteurs générales observées ont été calculées d’après l’ensemble de données de réanalyse du NCEP (à utiliser durant la calibration et la validation du modèle de réduction d’échelle), alors que les données de MCG pour les périodes de référence et de scénarios climatiques sont issues des expériences de MCG (actuellement MCCG1, MCCG2 et HadCM3). Pour d’autres précisions sur les variables prédicteurs, voir la page Rapports et publications et Note sur les variables prédicteurs.

Haute de la page

Où puis-je obtenir des variables «prédicteurs» de réduction d’échelle statistique?

Les variables «prédicteurs» du MCCG1, MCCG2 et HadCM3 peuvent être téléchargées sur le site Réduction d’échelle statistique.

Haute de la page

Au cours du processus de régression, SDSM fait-il la régression des valeurs quotidiennes ou mensuelles?

Pour produire des valeurs simulées quotidiennes (y), la régression se fait avec les paramètres prévus quotidiens (occurrence et quantité des précipitations indépendamment, c.-à-d. processus conditionnel et processus inconditionnel pour la température) et les variables prédicteurs quotidiennes (x1, x2 et x3), tandis que les paramétrages du modèle (ou les coefficients de régression a, b, c) sont calculés pour chaque mois. On utilise la même série de variables prédicteurs sur l’ensemble de l’année, mais le coefficient de régression est calculé à propos de chaque mois, c’est-à-dire que la pondération de chaque variable prédicteurs dans la régression peut varier d’un mois à l’autre. Un terme correctif est également compris dans l’équation (c.-à-d. une correction de biais ou un facteur d’inflation).

Haute de la page

Quand j’utilise SDSM, comment puis-je savoir quelles variables dépendent des variables prédicteurs à l’échelle régionale?

L’élément clé est de savoir si, dans le processus de corrélation, le paramètre prévu a un rapport direct avec la variable prédicteurs ou s’il y a une valeur ou un paramètre intermédiaire qui entre en jeu lors de l’établissement de cette corrélation. Le modèle SDSM est réglé de manière à traiter la température et les précipitations et il a été conçu pour traiter des modèles conditionnels comme les précipitations en ce qui a trait à des variables prédicteurs comme l’écoulement à moyennes altitudes.

Haute de la page

Existe-t-il une méthode dans SDSM qui permette de fusionner ou de moyenner les variables prédicteurs pour des points de grille adjacents multiples?

Il n’y a pas de méthode dans SDSM qui permette de moyenner ou de regrouper les variables prédicteurs provenant de mailles attenantes multiples. Il faut procéder à l’extérieur.

Haute de la page

Après la calibration de SDSM, comment dois-je m’y prendre pour faire concorder les données de la période de référence du MCG avec les données locales observées par date, étant donné que le modèle MCCG1 repose sur une année de 365 jours et que le modèle de Hadley repose sur une année de 360 jours?

Après avoir calibré le modèle avec les variables prédicteurs de NCEP, qui contient l’année civile juste (qui correspond à 365 ou 366 jours, c.-à-d. l’équivalent du calendrier vrai), il faut modifier certaines des options dans le menu des réglages avant de générer un scénario. Cliquer sur le bouton Réglages en haut de l’écran et cocher la case appropriée Longueur de l’année. Par ailleurs, modifier la date standard de début/fin pour qu’elle concorde avec les créneaux temporels des données de MCG. Par exemple, les modèles HadCM3 et MCCG1 ont une année qui dure 360/365 jours, et la période 1961-1990 est généralement utilisée pour représenter le forçage climatique actuel. Une fois les modifications nécessaires apportées aux réglages, cliquer sur Retour à l’écran d’élaboration des scénarios. Cela génère automatiquement les conditions des ensembles de données prévues pour qu’elles soient compatibles avec les 360/365 jours du modèle MCG (c.-à-d. pour qu’elles correspondent à la durée de l’année correspondante du MCG et aux données prévues observées).

Haute de la page

Je ne sais pas au juste quand apporter des changements aux réglages avancés du MRES. Par exemple, comment décide-t-on du coefficient d’interpolation ou de la correction de justesse?

Lorsque le modèle est calibré pour la première fois, le facteur d’interpolation et la correction de justesse sont réglés sur les valeurs recommandées. Une fois que la validation a eu lieu, l’utilisateur peut constater dans quelle mesure le modèle correspond aux données réelles. À ce stade, le réglage de ces deux valeurs peut être effectué pour maximiser la validation.

Haute de la page

Il semble que la transformation de la racine quatrième soit la transformation par défaut de la réduction d’échelle des précipitations dans SDSM. De quoi s’agit-il?

La transformation de la racine quatrième est effectivement la transformation par défaut des précipitations, car cette variable n’a pas une distribution normale. On a testé d’autres méthodes de transformation sans ajouter la moindre valeur aux résultats de la réduction d’échelle.

Haute de la page

Lorsque j’utilise soit la racine quatrième soit d’autres types de transformations pour les précipitations, le résultat (après plusieurs étapes de réduction d’échelle et de prévision des scénarios de changements climatiques) manque totalement de réalisme. Pourriez-vous m’indiquer des documents sur la théorie fondamentale, notamment sur les mathématiques de SDSM?

En premier lieu, la qualité et la procédure de transformation des données dans SDSM permettent de transformer le paramètre prévu (c.-à-d. la température locale ou les précipitations observées à la station) avant la calibration du modèle à l’aide du logarithme, de la puissance, de la racine quatrième, etc. Le choix des précipitations par défaut est la racine quatrième.

Durant la calibration du modèle (cette opération nécessite un prédictand spécifié par l’usager de même qu’un ensemble de variables prédicteurs, par exemple celles de NCEP, et calcule les paramètres des équations de régression linéaire multiple), on peut opter pour le processus inconditionnel (c.-à-d. pour la température) ou conditionnel (pour les précipitations). Dans le processus conditionnel, il y a un processus intermédiaire entre les forçages régionaux et les conditions météorologiques locales (par exemple les quantités des précipitations locales dépendent des journées humides, qui à leur tour dépendent des variables prédicteurs régionales comme l’humidité ou la pression atmosphérique).

Nous utilisons généralement la transformation de la racine quatrième et sélectionnons le processus inconditionnel pour les précipitations, et les résultats semblent réalistes selon le choix judicieux des variables atmosphériques prédicteurs responsables de l’occurrence des précipitations.

Il se peut que votre choix de variables «prédicteurs» ne soit pas correct ou que vous n’ayez pas sélectionné le processus inconditionnel, mais le problème n’a vraisemblablement aucun rapport avec la transformation de la racine quatrième. Si vous avez des questions plus précises sur les mathématiques ou la théorie de base de SDSM, vous pouvez les adresser à Rob Wilby ou à Christian Dawson, ces deux chercheurs étant ceux qui ont conçu ce logiciel et qui connaissent donc bien la méthodologie derrière SDSM.

Haute de la page

Au sujet du décalage des données du NCEP, j’ai lu ce qui suit sur le site Web du RCSCC :

Les valeurs quotidiennes de NCEP représentent la moyenne des quatre valeurs relevées à 0Z, 6Z, 12Z et 18Z (temps universel/temps moyen de Greenwich). Vous devez vous assurer que l’heure d’observation des données prévues, que vous devez fournir vous-même, correspond à l’heure des valeurs quotidiennes de NCEP. Il peut être nécessaire de décaler (les options avancement et recul existent dans SDSM) les données prédicteurs de NCEP pour qu’elles correspondent de plus près à l’heure des données observées du prédictand.

J’ai constaté que les données de prédictand que j’utilise concernent une journée qui débute à 0600 temps moyen de Greenwich (ou temps universel), c’est-à-dire à quelques heures de minuit, heure locale au Canada. Cela veut-il dire que je devrais décaler toutes mes valeurs de NCEP d’un certaine valeur? Dans l’affirmative, comment dois-je décider quelles variables et de combien dois-je les décaler?

Le décalage le plus important dans votre cas serait de six heures. Un décalage de six heures n’est pas suffisamment important pour s’en préoccuper.

Nous avons des données décalées dans le cas où nous voulons que les variables «prédicteurs» simulent la persistance. Par exemple, la valeur de la température maximale de la veille peut être une variable «prédicteurs» valable de la température maximale du lendemain. Lorsque j’ai essayé cela dans un cas bien précis, je n’ai constaté aucune différence significative dans la variance expliqué via le décalage des données. Mais cela peut donner des résultats dans certains cas.

Une autre méthode que nous avons essayée a consisté à choisir des variables «prédicteurs» en amont du secteur d’intérêt. Dans ce cas, il faut qu’il y ait un lien météorologique (physique) entre le « prédicteur » en amont et le « prédictand » dans la région d’intérêt. Un exemple est la circulation atmosphérique à moyenne altitude (vent) et l’occurrence des précipitations. Dans un cas unique, nous avons choisi des variables «prédicteurs» pour un « prédictand » de pollution, en partant du principe que la majeure partie de la pollution est le résultat d’un transport à grande distance.

Haute de la page

Existe-t-il des documents qui expliquent la technique de remaillage suivante :

Une technique populaire de remaillage consiste à calculer la moyenne pondérée des points de maille avoisinants, là où la pondération diminue avec la distance de séparation suivant une courbe gaussienne jusqu’à une séparation maximale spécifique.

L’ouvrage suivant analyse les techniques d’interpolation et de remaillage :

Wilby, R.L. and T.M. Wigley (1997): « Downscaling general circulation model output: a review of methods and limitations ». Progress in Physical Geography 21: 530-548.

Haute de la page

Faut-il que mes données de prédictand soient normalement distribuées et standardisées lorsque je les utilise dans SDSM?

Oui, les données sur les précipitations doivent être transformées à l’aide des techniques qu’offre SDSM. La transformation de la racine quatrième a été utilisée pour les données sur les précipitations dans le Canada atlantique.

Haute de la page

Lorsqu’on exécute SDSM, quelle est la meilleure façon de choisir les variables prédicteurs»s?

Comme le suggèrent diverses études, le choix des variables «prédicteurs» est l’une des étapes les plus cruciales dans le développement de la procédure de réduction d’échelle statistique. La variable prédicteurs idéale doit être fortement corrélée à la variable cible (c.-à-d. la variable prédictand), physiquement raisonnable et plausible, bien représentée dans les MCG des simulations contrôles et capturer la variabilité multiannuelle. En d’autres termes, les variables prédicteurs pertinentes pour les prédictands locaux doivent être suffisamment bien reproduites par le modèle climatique pilote, aux échelles temporelles et spatiales nécessaires à conditionner la réponse de la mise à l’échelle. Il est nécessaire de connaître au préalable les limites des modèles climatiques lors de la sélection des variables prédicteurs potentielles, afin de prévenir l’introduction de biais dans le processus de réduction d’échelle. D’autres travaux complémentaires doivent être réalisés pour évaluer systématiquement la précision d’autres variables prédicteurs de MCG, mais ces travaux prennent du temps car la taille et le positionnement des variables prédicteurs varient à l’échelle saisonnière et spatiale.

On trouve quantité de conseils sur le choix des variables prédicteurs dans le manuel de SDSM. Voici une façon de procéder.

Choisir toutes les variables prédicteurs et tester la variance expliquée sur des groupes de six à huit variables à la fois. Parmi ces groupes, il y a en général une ou deux variables prédicteurs qui affichent la variance expliquée la plus élevée et ce sont elles qu’il faut sélectionner, en établissant une liste de six ou huit variables prédicteurs au total. Vous devez ensuite établir leur niveau de corrélation les unes avec les autres (les techniques sont expliquées dans SDSM). Il se peut qu’il y ait un prédicteur avec de fortes variances expliquées (disons supérieur à 80 %), mais elle peut être très fortement corrélée avec une autre variable. Cela signifie que vous ne pouvez pas savoir si cette variable ajoutera des informations au processus et vous devrez donc l’éliminer de la liste. Certains ont proposé de ne pas viser plus de six variables prédicteurs, étant donné qu’au-delà de ce nombre, les variables supplémentaires n’ajoutent rien au processus de modélisation de manière significative (ce qui a été vérifié dans plusieurs cas).

Parmi les variances expliquées que vous devez escompter à partir des variables prédicteurs's, il y a : pour la température entre 60 % et 85 % et pour les précipitations entre 10 % et 15 % (et dans certains cas inférieures à 10 %). Ne vous laissez pas décourager par les faibles variances expliquées pour les précipitations. Cela est tout à fait caractéristique des précipitations et c’est sans doute dû au fait que nous devons transformer les données et la distribution résultante, bien que normale, n’est pas aussi statistiquement « élégante » que la distribution des températures.

D’autres utilisateurs de SDSM ont essayé des techniques statistiques pour les aider à choisir les variables «prédicteurs» avec un degré de succès variable. Certains militent en faveur de la démarche présentée ci-dessus à cause de sa simplicité, en particulier quiconque essaie SDSM pour la première fois.

Haute de la page

On m’a demandé de réduire l’échelle de l’humidité relative à l’aide de ces programmes. J’ai beaucoup de difficulté à trouver le moindre document qui traite de la réduction d’échelle de l’humidité relative et je n’ai pas encore trouvé d’étude où SDSM ou le LARS-WG performe dans cette tâche.

Dans nos analyses de réduction d’échelle et des répercussions climatiques historiques, nous évitons d’utiliser la notion d’humidité relative. Pour les analyses historiques, nous préférons utiliser l’humidité absolue (par exemple la température du point de rosée ou l’humidité spécifique) plutôt que l’humidité relative étant donné que l’humidité relative est moins conservative à l’échelle diurne et moins conservative entre divers microenvironnements que la température du point de rosée. Par exemple, peu importe la saison - été ou hiver - un relevé de l’humidité relative tôt le matin demeure une constante relativement élevée (la plupart des jours avec un relevé de ~100 %). Toutefois, la température du point de rosée tôt le matin entre l’été et l’hiver est radicalement différente. C’est la raison pour laquelle l’utilisation de l’humidité spécifique pour concevoir des fonctions de transfert de réduction d’échelle devrait donner des modèles plus puissants que l’utilisation de l’humidité relative.

Dans la réduction d’échelle statistique, il faut vérifier la fiabilité des MCG pour décider des variables qu’il y a lieu ou non d’utiliser dans l’élaboration des fonctions de transfert de réduction d’échelle. Nous avons décidé de ne pas utiliser l’humidité spécifique ou la température du point de rosée comme variable prédicteurs dans l’élaboration des fonctions de transfert de réduction d’échelle en raison de la piètre qualité des données de l’humidité spécifique modélisée par un MCG. Entre 40 % et 60 % des températures moyennes quotidiennes du point de rosée calculées directement à partir des sorties du MCG de l’humidité spécifique sont supérieures aux valeurs des températures du MCG. Or nous savons que la température du point de rosée doit être inférieure ou égale à la température. De ce fait, nous avons utilisé d’autres variables météorologiques pour réduire l’échelle du point de rosée sans le point de rosée proprement dit.

Haute de la page

Dernière mise à jour: 5 août 2010 13:29:57


Haut de la Page