|
|
|
|
|
|
|
|
De manière générale, les projections régionalisées ne peuvent être utilisées directement à des fins d’études d’impact à l’échelle locale, et ce en raison de deux problèmes principaux : elles sont biaisées par rapport aux observations et leur échelle spatiale est trop grossière pour certaines applications.
En effet si l’on compare sur une période donnée, sur une région donnée et pour un paramètre donné, la moyenne de simulations climatiques à celle d’observations, on constate de manière générale un assez bon accord. Cependant l’accord n’est pas parfait. Non seulement il existe des erreurs systématiques sur les moyennes, mais encore certains extrêmes sont assez mal reproduits. Dans l’exemple illustré par la figure ci-dessous, le modèle sur-estime les faibles températures et sous-estime très légèrement les températures les plus fortes.
Afin de combler cet écart entre les informations nécessaires aux experts d’impact et les données des modèles régionaux de climat disponibles, des méthodes de correction de biais et descente d’échelle statistique sont mises en œuvre pour corriger les variables du modèle, et rendre la distribution statistique des données quotidiennes identiques à la distribution observée en chaque point.
Il existe différentes sortes de techniques de correction de biais et de descente d’échelle statistiques, présentant des caractéristiques différentes pour répondre aux besoins différents d’utilisateurs finaux.
Une méthode ni nécessaire ni suffisante pour asseoir notre confiance dans le potentiel des modèles à répondre convenablement au forçage anthropique est de considérer le degré de précision avec lequel les modèles reproduisent le climat présent ou passé mesurable et sa variabilité.
La façon la plus exhaustive d’analyser le comportement en une station est de comparer les fonctions de densité probabiliste (PDF) pour chaque saison et variable. Le diagramme quantile-quantile (figure ci-dessous) est à la fois un outil d’analyse et une méthode de correction (Déqué, 2007).
Diagramme quantile-quantile pour les températures minimales à Paris en hiver (°C). Les quantiles du modèle sont en abscisse et ceux de l’observation sont en ordonnée.
D’autres méthodes existent, plus ou moins complexes et chacune possède ses avantages et ses inconvénients.
Les méthodes de correction que l'on peut trouver sur le portail DRIAS :
– La méthode DSClim : est une combinaison d’approche par types de temps et de méthode des analogues (Pagé et al., 2009). Elle n’utilise que les caractéristiques de grande échelle des modèles et est donc applicable à une large gamme de produits, incluant les simulations du GIEC.
– La méthode CDF-t : est une méthode développée par Michelangeli et al., 2009 pour générer les fonctions de répartition d’une variable climatique locales en climat futur à partir des fonctions de répartition de cette même variable observées ou pseudo-observées dans le climat de référence.
– La méthode ADAMONT : est une consolidation de la méthode d’ajustement statistique dite « quantile-quantile » développée par Michel Déqué depuis le début des années 2000. Elle utilise l’approche quantile-quantile et prend en compte les types de temps pour l’ajustement de biais. (Verfaillie et al., 2017).
Un aperçu des avantages et des inconvénients des méthodes de correction :
A noter :
La plupart des méthodes de correction et de descente d’échelle statistiques s’appuient sur l’hypothèse que la relation statistique établie lors de la construction du modèle (période historique) sera vérifiée lors de son application (scénarios futurs), c’est l’hypothèse de stationnarité. Pour une même série observée et un même modèle, les résultats peuvent varier. La correction de biais est donc aussi une source d’incertitude à prendre en compte, en plus de celles provenant des données observées, des modèles, du scénario et du modèle d’impact.
Références :
Déqué, M. : Frequency of precipitation and temperature extremes over France in an anthropogenic scenario: model results and statistical correction according to observed values, Global Planet. Change, 57, 16–26, 2007.
Pagé, C., L. Terray et J. Boé, 2009 : dsclim : A software package to downscale climate scenarios at regional scale using a weather-typing based statistical methodology. Technical Report TR/CMGC/09/21, CERFACS, Toulouse, France.
Michelangeli P.-A. et al., 2009 : 'Probabilistic downscaling approaches: 'Application to wind cumulative distribution functions'. Geophysical Research Letters, 36, L11708, doi:10.1029/2009GL038401 (pdf)
Verfaillie, D., Déqué, M., Morin, S., and Lafaysse, M. 2017 : The method ADAMONT v1.0 for statistical adjustment of climate projections applicable to energy balance land surface models, Geosci. Model Dev., 10, 4257-4283, [https://doi.org/10.5194/gmd-10-4257-2017].
