1 / 49

9 juin 2009

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. CERFACS. 1. Introduction.

artan
Download Presentation

9 juin 2009

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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 CERFACS

  2. 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 Hiver Été Changement relatif moyen multi-modèles GIEC (%) des précipitations (2046-2065) vs (1971-2000) GIEC 2007, SRES A1B X: cohérence de signe d’au moins 85% des modèles

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

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

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

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

  7. 2. Circulation atmosphérique Introduction État climatique de grande échelle (prédicteurs) Modèle statistique 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

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

  9. 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

  10. 2. Circulation atmosphérique Introduction La classification Groupe 1 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

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

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

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

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

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

  16. 3. Désagrégation statistique Validation Validation période 1981-2005 Désagrégation NCEP vsobservations SAFRAN Désagrégation ARPEGE V4 vsNCEP Précipitations annuelles moyennes 1981-2005Différences en %

  17. 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% DJF 10% MAM 8% JJA 6% SON 4% 2% 0% ARP-VR ipsl_cm4 giss_aom cnrm_cm3 gfdl_cm2_0 gfdl_cm2_1 mpi_echam5 csiro_mk3_0 ingv_echam4 miub_echo_g ncar_ccsm3_0 giss_model_e_r mri_cgcm2_3_2a miroc3_2_medres cccma_cgcm3_1_t63

  18. 3. Désagrégation statistique Validation Hypothèse de stationnarité: Le modèle statistique établi sur la période historique 1981-2005 est supposé rester valide dans le futur Moyenne des précipitations sur la France Reconstruction Apprentissage Modèle ARPEGE Autre simulationindépendante Modèle ARPEGE-VR 1950-1999 Modèle CMIP3 1972-2000 1974-2002 PNM Réanalyses PNM Simu PNM Simu Modèle statistique PR Obs PR Simu PR Desag PR Simu

  19. 3. Désagrégation statistique Corrélation observation /reconstruction 1900/2000 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 Tendances Pr 1951-2000 observation vs reconstruction 1 point=1station, couleur: latitude => bleu=sud

  20. 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.

  21. 3. Désagrégation statistique Validation 1200 150 800 Validation débits LOIRE(Blois) SEINE (Poses) ARIEGE (Foix) Cycle Annuel OBS NCEP ARPEGE-VR 0 0 0 Jan à Dec Jan à Dec Jan à Dec 2500 2500 LOIRE (Blois) 250 SEINE (Poses) ARIEGE (Foix) CDF OBS NCEP ARPEGE-VR 0 0 0 0 1 0 1 0 1 VIENNE (Ingrandes 500 Moyenne Hiver OBS NCEP (0.85) SAFRAN (0.97) 0 1960 2010

  22. 3. Désagrégation statistique Conclusion 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 variablesque sur la zone couverte par les observations

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

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

  25. 5. Impacts et incertitudes Introduction Les projections disponibles : 15 modèles climatiques CMIP3(GIEC 2007) PNM (moyennes journalières) Température (moyennes journalières) Période historique: 1971-2000 Scénario A1B: 2046-2065 2081-2100 7 variables désagrégées Désagrégation statistique 8 simulations ARPEGE-VR PNM (moyennes journalières) Température (moyennes journalières) Période historique: 1950-1999 5 scénarii A1B, 1 B1, 1 A2: 2000-2100 1 scénario A2 2071-2100

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

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

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

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

  30. 5. Impacts et incertitudes Incertitudes Différentes sources d’incertitudes : Scénarios d’émissions et de concentrations en GES et aérosols SRES A1B SRES A2 SRES B1 Modèles climatiques 15 modèles climatiques (CMIP3) Plusieurs scénarios du modèle ARPEGE 3 méthodes de désagrégation ● Désagrégation statistique: - méthode des types de temps - méthode des anomalies ● Désagrégation dynamique - méthode quantile-quantile Régionalisation

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

  32. 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 NetCDF avec la convention CF-1.0

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

  34. 6. Implémentation logicielle Description • Données nécessaires: fréquence journalière • 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 • 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 hPa • Doit couvrir complètement la région couverte par les observations

  35. 6. Implémentation logicielle Description • Première phase: pre-processing • Interpolation des variables de grande échelle sur la région qui d’intérêt • Interpolateur OASIS 3 • Grille NCEP/ERA40 • PNM et température à 2 m • 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

  36. 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

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

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

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

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

  41. 6. Implémentation logicielle Description • Troisième phase: désagrégation – 2 • Pour chacune des 4 saisons • 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

  42. 6. Implémentation logicielle Description • Troisième phase: désagrégation – ré-échantillonnage - 3 • 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

  43. 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 siabs(Tindex – TNCEP) > 2 C • Correction de la partition liquide/solide des précipitations et de la radiation infra-rouge • Sorties en NetCDF

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

  45. 6. Conclusions 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

  46. 6. Conclusions 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

  47. 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

  48. 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 • 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 Topographie SAFRAN 8-km Retour à l’introduction

  49. 3. Désagrégation statistique Validation • Plusieurs paramètres du modèle statistique ont été testés: • ● prédicteurs (T850, Q850, Z500, PNM, Vort500, 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

More Related