Mthodologie statistique de rgionalisation des scnarii climatiques Prcipitations

Méthodologie statistique de régionalisation des scénarii climatiques Précipitations en France métropolitaine 9 juin 2009 Christian Pagé, CERFACS Julien Boé, U California Laurent Terray, CERFACS Florence Habets, UMR Sisyphe Éric Martin, CNRM, Météo-France CNRS

1. Introduction Les changements climatiques Pourquoi estimer l’impact du réchauffement global sur les précipitations ? → impacts hydrologiques → gestion de la ressource en eau → répartition des cultures et de l’utilisation des sols Changement relatif moyen multi-modèles GIEC (%) des précipitations Hiver Été (2046 -2065) vs (1971 -2000) GIEC 2007, SRES A 1 B X: cohérence de signe d’au moins 85% des modèles 2

1. Introduction Les précipitations → Les précipitations présentent une forte variabilité Précipitation moyennes annuelles 1971 -1990 en mm Moyenne des modèles du GIEC Problème: la résolution spatiale des modèles climatiques est faible 150 – 350 km (GIEC 2007) Analyse SAFRAN de Météo-France à 8 km Inadéquation entre la résolution des modèles climatiques et l’échelle spatiale d’intérêt pour les modèles d’impacts 3

1. Introduction La régionalisation Problème: Comment passer de l’échelle spatiale des modèles climatiques à l’échelle spatiale permettant de forcer des modèles d’impacts ? régionalisation / descente d’échelle / désagrégation État climatique de grande échelle Caractéristiques géographiques locales (relief, rugosité du sol) État climatique local (précipitations, température) Désagrégation statistique Désagrégation dynamique Etablir un modèle statistique reliant les précipitations aux variables de grande échelle Résoudre explicitement la physique et la dynamique du système climatique régional 4

1. Introduction Plan : la régionalisation, étape par étape État climatique de grande échelle Types de temps Part. 2 Liens entre la circulation atmosphérique de grande échelle et les précipitations Part. 3 Désagrégation statistique Précipitations et autres variables Part. 4 Impacts et incertitudes Part. 5 Implémentation logicielle 5

Sommaire 1. Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Impacts et incertitudes 5. Implémentation logicielle 6. Conclusions 6

2. Circulation atmosphérique État climatique de grande échelle (prédicteurs) Modèle statistique Introduction État climatique local Précipitations - France Préliminaire: étudier les liens entre la circulation atmosphérique de grande échelle et les précipitations (PR) en France Idée: ● définir des groupes de jours présentant des circulations atmosphériques de grande échelle similaires ● voir si ces groupes de jours sont discriminants pour la PR en France: - anomalies marquées Comment: méthodes de classification 7

2. Circulation atmosphérique Types de temps Observations Anomalies PNM (h. Pa) (Réanalyses NCEP) (Source SAFRAN, Météo-France) Anomalies de précipitations observées (%) 1981 -2005 Type de temps #8 Saison Mars-Avril-Mai 8

2. Circulation atmosphérique Méthode → Analyse classique en régimes de temps (Vautard 1990) ● Classification PNM journalière ● Région Europe-Atlantique Nord ● 4 régimes en hiver 4 régimes en été → Analyse en types de temps ● Classification préliminaire multi-variée (PNM & PR) Centroïdes calculés dans l’espace de PNM & PR Re-classification des jours dans l’espace de la PNM (d’après Plaut et al. 2001) ● Région France étendue ● 10 types de temps en hiver/printemps 9 types de temps en été/automne Données: Classification 1981 -2005 PNM : Réanalyses NCEP PR : Analyse SAFRAN Météo-France 8 km résolution Automne = SON Hiver = DJF Printemps = MAM Été = JJA 9

2. Circulation atmosphérique La classification Groupe 1 Introduction Centroïde du Groupe 1 Centroïde d’un groupe: composite (moyenne) de la variable classifiée à l’intérieur de ce groupe pression atmosphérique moyennes journalières Groupe 2 Centroïde du Groupe 2 Chaque groupe est défini: - par son centroïde - par la distribution des jours autour du centroïde La variabilité des précipitations peut s’expliquer par: - des modifications inter-groupes changements de la fréquence d’occurrence des groupes - des modifications intra-groupes ex: modifications de la distribution des jours à l’intérieur des groupes changement de la circulation atmosphérique à l’intérieur des groupes changements des liens avec le climat régional 10

2. Circulation atmosphérique Types de temps Les types de temps sont-ils discriminants pour la précipitation? Anomalies PNM NCEP (h. Pa) Exemples de types de temps Hiver Anomalies PR SAFRAN (%) Les types de temps vont être utilisés comme base pour la méthode de désagrégation 11

Sommaire 1. Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Impacts et incertitudes 5. Implémentation logicielle 6. Conclusions 12

3. Désagrégation statistique Principe général de la méthode Apprentissage Méthode Reconstruction Modèle Climat 1981 -2005 PNM État climatique de grande échelle Classification types de temps: Distances Réanalyse NCEP journalière PNM Classification types de temps: Distances Moyenne T 2 m Saison été seulement! Régression Moyenne T 2 m Coefficients de régression PR reconstruite Recherche Jour Analogue État climatique local PR moyenne journalière Analyse SAFRAN Les 4 saisons sont traitées séparément 7 variables (SAFRAN) désagrégées 13

3. Désagrégation statistique Validation Trois hypothèses principales 1. Prédicteurs • Lien fort avec le climat local • Simulé correctement par le modèle 2. Stationnarité: les relations statistiques sont valides également dans le climat perturbé • Désagrégation dynamique: • paramétrisations physiques • correction de biais (quantile-quantile). 3. Les prédicteurs réagissent au signal du changement climatique 14

3. Désagrégation statistique Validation Fréquence d’occurrence des types de temps 15

3. Désagrégation statistique Validation période 1981 -2005 Désagrégation NCEP vs observations SAFRAN Désagrégation ARPEGE V 4 vs NCEP Précipitations annuelles moyennes 1981 -2005 Différences en % 16

3. Désagrégation statistique Validation Erreur relative absolue sur les moyennes saisonnières des précipitations désagrégées avec les prédicteurs issus des modèles du GIEC (Référence SAFRAN). Moyenne France. Erreur absolue relative moyenne - Précipitations 16% 14% 12% 10% 8% 6% DJF MAM JJA SON 4% 2% cc cm a_ cg cm 3_ 1 cn _t 6 rm 3 _ cs iro cm _m 3 k 3 gf _ dl _c 0 gf m 2 _ dl _c 0 m 2_ 1 gi gis s_ ss _m ao od m el _e m _r ip iro s c 3 l_ cm _2 _m 4 m ed iu b_ res ec m ho pi _ m ri_ _ec g h cg cm am 5 2 _ in gv 3_2 _ a nc ec ha ar m _c cs 4 m 3_ 0 A R PVR 0% 17

3. Désagrégation statistique Validation Hypothèse de stationnarité: Le modèle statistique établi sur la période historique 1981 -2005 est supposé rester valide dans le futur Apprentissage Reconstruction Modèle ARPEGE-VR Modèle CMIP 3 1974 -2002 1950 -1999 1972 -2000 Modèle ARPEGE Autre simulation indépendante PNM Réanalyses PNM Simu PR Obs PR Simu Moyenne des précipitations sur la France Modèle statistique PR Desag PR Simu 18

3. Désagrégation statistique Validation Reproduction de la tendance des précipitations => Reconstruction du cumul saisonnier (NDJFM) des précipitations sur le 20ème siècle par régression multiple avec comme prédicteurs l’occurrence des types de temps et les distances aux centroides Corrélation observation /reconstruction 1900/2000 Tendances Pr 1951 -2000 observation 1 point=1 station, couleur: latitude vs 19 reconstruction => bleu=sud

3. Désagrégation statistique Validation Reproduction de la tendance des températures Rapport entre: [tendances des températures reconstruites] / [tendances des températures observées] Période 1951 -2000 Les changements de circulation atmosphérique ne permettent pas d’expliquer correctement la tendance des températures observées => Nécessité de prendre en compte la température comme prédicteur. 20

3. Désagrégation statistique Validation débits Cycle Annuel OBS NCEP ARPEGE-VR CDF OBS NCEP ARPEGE-VR 500 0 1960 150 0 250 0 ARIEGE (Foix) Jan à 800 L O I R E(B l o is ) 0 Dec ARIEGE (Foix) 0 Validation Jan à Dec 2 5 0 L O I R E (Blois) 0 1 0 0 1 1200 0 SEINE (Poses) Jan à Dec 2 5 0 SEINE (Poses) 0 0 0 1 VIENNE (Ingrandes 2010 Moyenne Hiver OBS NCEP (0. 85) SAFRAN (0. 97) 21

3. Désagrégation statistique Conclusions: ●avec la PNM des réanalyses NCEP, la méthode permet de reproduire correctement les caractéristiques principales des précipitations : moyenne, variance, variabilité interannuelle… ●avec le modèle ARPEGE, les performances de la méthode sont peu dégradées ●l’hypothèse de stationnarité n’est pas rejetée ●il est cependant nécessaire d’utiliser la température comme prédicteur + -peu coûteuse en temps de calcul - reconstruction de séries temporelles - - dépend de la qualité des données observées - ne permet de reconstruire les variables que sur la zone couverte par les observations 22

Sommaire 1. Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Impacts et incertitudes 5. Implémentation logicielle 6. Conclusions 23

5. Impacts et incertitudes HIVER: DJF Impacts Cercles noirs: au moins Quantifier les incertitudes 85% des modèles en accord sur le signe Dispersion: Moy. spatiale σ = 18% Multi-Modèle changement Précip. Désag. (%), 2046/2065 Multi-Modèle changement débits (%), 2046/2065 24

5. Impacts et incertitudes Introduction Les projections disponibles : 15 modèles climatiques CMIP 3 (GIEC 2007) PNM (moyennes journalières) Température (moyennes journalières) Période historique: 1971 -2000 Scénario A 1 B: 2046 -2065 2081 -2100 8 simulations ARPEGE-VR 7 variables désagrégées Désagrégation statistique PNM (moyennes journalières) Température (moyennes journalières) Période historique: 1950 -1999 5 scénarii A 1 B, 1 B 1, 1 A 2: 2000 -2100 1 scénario A 2 2071 -2100 25

5. Impacts et incertitudes Incertitudes Changements moyens multi-modèles Anomalie (%) des précipitations annuelles 2046 -2065 (Ref 1961 -1990) Hiver Été 26

5. Impacts et incertitudes Incertitudes Changements moyens multi-modèles Anomalie (%) des précipitations et de la température annuelle 2046 -2065 et 2081 -2100 (Ref 1961 -1990) 2046 -2065 2081 -2100 27

5. Impacts et incertitudes Incertitudes Changements moyens multi-modèles Anomalie (%) des précipitations (Ref 1961 -1990) 28

5. Impacts et incertitudes Incertitudes Changements moyens multi-modèles Anomalie (deg C) des températures (Ref 1961 -1990) 29

5. Impacts et incertitudes Incertitudes Différentes sources d’incertitudes : Scénarios d’émissions et de concentrations en GES et aérosols Modèles climatiques SRES A 1 B SRES A 2 SRES B 1 15 modèles climatiques (CMIP 3) Plusieurs scénarios du modèle ARPEGE 3 méthodes de désagrégation ● Désagrégation statistique: Régionalisation - méthode des types de temps - méthode des anomalies ● Désagrégation dynamique - méthode quantile-quantile 30

Sommaire 1. Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Impacts et incertitudes 5. Implémentation logicielle 6. Conclusions 31

6. Implémentation logicielle Description dsclim • Re-Engineering du code complet • Approche modulaire • Librairies externalisables • Beaucoup de paramètres de configuration • Fichier syntaxe XML de configuration • Documentation • Ré-écriture complète • Très efficace et performant (écrit complètement en langage C) • Utilise exclusivement le format de fichier Net. CDF avec la convention CF-1. 0 32

6. Implémentation logicielle Description Processus en trois phases principales 1. Pre-processing 2. Apprentissage 3. Désagrégation 33

6. Implémentation logicielle Description Données nécessaires: fréquence journalière 1. Longue séries temporelles d’observations de variables climatiques d’intérêt à l’échelle locale (prédictants) • Précipitations totales, dans le cas actuel, avec la température à 2 m 2. Pour la période d’observations, variables de grande échelle (prédicteurs) représentant correctement la Circulation de Grande Échelle • Pression au niveau moyen de la mer et Température à 2 m • Pourrait aussi être géopotentiel à 500 h. Pa • Doit couvrir complètement la région couverte par les observations 34

6. Implémentation logicielle Description Première phase: pre-processing 1. Interpolation des variables de grande échelle sur la région qui d’intérêt 1. Interpolateur OASIS 3 2. Grille NCEP/ERA 40 3. PNM et température à 2 m 2. Calcul des Fonctions Empiriques Orthogonales (EOF) de la circulation grande échelle (prédicteur) et de la variable climatique locale (prédictant) • STATPACK • PNM interpolée • Précipitations totales locales observées 35

6. Implémentation logicielle Description Seconde phase: apprentissage - 1 • À faire seulement une seule fois pour • Une région spécifique utilisée pour la circulation grande échelle • Mêmes prédicteurs et prédictants • Mêmes set de données de grande-échelle et d’observation • Même période d’apprentissage 36

6. Implémentation logicielle Description Second phase: apprentissage - 2 1. Normalisation des EOF de la PNM pour la période complète 2. Calcul de l’indice de température à 2 m : moyenne spatiale sur le domaine de grande-échelle 3. Calcul de l’indice de précipitation : moyenne spatiale sur des points de régression; normalisation 37

6. Implémentation logicielle Description Seconde phase: apprentissage - 3 1. Pour les saisons choisies (4 dans ce cas-ci) • Calcul de la moyenne et de la variance de l’indice de température; normalisation 2. Combinaison des composantes principales de grande échelle (PNM) et de l’échelle locale (PR); normalisation 3. Calcul des centroïdes en utilisant la méthode de classification de Michelangeli et al. , 1995 4. Classification de chaque jour de la période d’apprentissage 5. Calcul de la distance normalisée aux centroïdes 38

6. Implémentation logicielle Description Seconde phase: apprentissage - 4 1. Coefficients de régression • Distances aux centroïdes ET • Précipitation totale observée moyennée sur les points de régression 2. Re-calcul de la précipitation totale en utilisant les coefficients de régression 39

6. Implémentation logicielle Description Troisième phase: désagrégation – 1 1. Projection de l’anomalie de la PNM sur les EOF pré-calculées • Période de contrôle • Période de désagrégation 2. Normalisation 40

6. Implémentation logicielle • Troisième phase: désagrégation – 2 • Pour chacune des 4 saisons • • Description Calcul de la distance aux centroïdes Normalisée par la norme de la période de contrôle • Classification de chacun des jours dans le centroïde le plus proche • Normalisation de l’indice de température • Application des coefficients de régression • Calcul de la précipitation sur les points de régression. Utilisation de : • la distance aux centroïdes • l’indice de température normalisé 41

6. Implémentation logicielle Description Troisième phase: désagrégation – ré-échantillonnage - 3 1. Pour chacune des 4 saisons • Pour chaque jour désagrégé • • • Recherche du jour analogue • Période d’apprentissage • Parmi les jours ayant le même centroïde Sélection de 16/11 jours • Maximum ± 10 jours de distance • Précipitation reconstruite la plus proche • Optionnellement l’indice de température à 2 m Choix aléatoire ou le plus proche 42

6. Implémentation logicielle Description Troisième phase: désagrégation – ré-échantillonnage - 4 • • Lecture/écriture des données du jour analogue (fréquence journalière ou horaire) • Application d’une correction de température si abs(Tindex – TNCEP) > 2 C • Correction de la partition liquide/solide des précipitations et de la radiation infra-rouge Sorties en Net. CDF 43

Sommaire 1. Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Impacts et incertitudes 5. Implémentation logicielle 6. Conclusions 44

6. Conclusions • Méthodologie • Validation de bonne qualité • Hypothèse de stationnarité satisfaisante • Approche par types de temps • Les incertitudes peuvent être évaluées avec plusieurs scénarios • Méthode nécessite peu de moyens de calculs • Les incertitudes liées à la méthode de désagrégation sont limitées • Celles de modèles numériques sont en général plus importantes 45

6. Conclusions • Implémentation logicielle dsclim • Approche modulaire • Configurable assez facilement • Tests de sensibilité • Application à d’autres domaines géographiques • Structure permet de coder d’autres méthodologies 46

Merci de votre attention! Christian Pagé, CERFACS christian. page@cerfacs. fr Julien Boé, CERFACS Laurent Terray, CERFACS Florence Habets, UMR Sisyphe Éric Martin, CNRM, Météo-France 47

Analyse SAFRAN Météo-France Analyse méso-échelle SAFRAN de Météo. France • France Métropolitaine • 1958 -2008 • Résolution spatiale de 8 km réalisée à partir de zones climatiques homogènes (zones Symposium) • Projection Lambert-II étendue • Référence: Quintana-Seguí et al. , 2007 Topographie SAFRAN 8 -km • 7 paramètres horaires • Précipitations liquides • Précipitations solides • Température à 2 m • Module du vent à 10 m • Radiation infra-rouge incidente à la surface • Radiation visible incidente à la surface • Humidité spécifique Retour à l’introduction 48

3. Désagrégation statistique Validation Plusieurs paramètres du modèle statistique ont été testés: ● prédicteurs (T 850, Q 850, Z 500, PNM, Vort 500, combinaisons de variables) ● zone géographique des prédicteurs → performance de la méthode / liens forts avec la PR → correctement simulés par les modèles climatiques Cette méthode a été confrontée à d’autres méthodes plus classiques: ● méthode des anomalies ● méthode quantile-quantile 49