La température de l’air près de la surface, appelée « température à 2 mètres » parce que les observations de la température de l’air « en surface » sont faites à 2 m au-dessus du sol, est l’une des variables climatiques les plus couramment enregistrées. L’information sur cette variable est importante pour de nombreux secteurs d’activité socio-économiques (p. ex., la santé, l’agriculture, la demande d’énergie et les transports) en raison de son incidence sur les humains et les systèmes naturels. Les données sur la température (y compris la moyenne, l’interval des valeures quotidiennes, les degrés-heures et les pourcentages saisonniers à l’intérieur des plages de valeurs) sont des données standard intégrées aux « fichiers météorologiques » utilisés pour la conception, la planification et le dimensionnement des systèmes et des équipements énergétiques des bâtiments. Il existe une grande variété d’indices fondés sur cette variable qui sont définis en fonction d’applications propres au contexte, allant des valeurs climatologiques moyennes aux valeurs extrêmes, et des indices fondés sur des seuils. Certains de ces indices sont calculés à l’aide de la température moyenne quotidienne à 2 mètres (Tmoy), d’autres à l’aide de la température minimale quotidienne à 2 mètres (Tmin) ou de la température maximale quotidienne à 2 mètres (Tmax). Le tableau 3.2 fournit la définition de certains des indices climatiques de température les plus couramment utilisés qui sont importants pour le Nord canadien.
Tableau 3.2 Examples des indices climatiques de température importants pour le Nord canadien (Source : projet Climdex et DonnéesClimatiques.ca).
| Index | Variable de température nécessaire pour le calcul | Définition | Exemples d'applications |
|---|---|---|---|
| Température hivernale (moyenne et variation) | Tmoy | La moyenne et l'écart-type de Tmoy pendant la saison hivernale | Conditions et sécurité des sentiers en hiver |
| 5°C degrés-jours de croissance (DJCr) | Tmoy | 5°C degrés-jours de croissance (DJCr) | 5°C DJCr permettent de déterminer si les conditions climatiques sont suffisamment chaudes pour favoriser la croissance des plantes et des insectes. Lorsque la température moyenne quotidienne est supérieure à la température seuil, les degrés-jours de croissance sont accumulés. Pour les cultures fourragères, une température seuil de 5°C est généralement utilisée. |
| Degrés-jours de chauffage (DJC) | Tmoy | Le nombre de degrés-jours accumulés en dessous de 17°C ou 18°C au cours de la période sélectionnée. (Les valeurs seuils peuvent varier, mais 17°C ou 18°C sont couramment utilisés au Canada). | Les DJC donnent une indication de la quantité de chauffage des locaux (par exemple, à partir d'une chaudière à gaz, d'un chauffage électrique par plinthes ou d'une cheminée) qui peut être nécessaire pour maintenir des conditions confortables à l'intérieur d'un bâtiment pendant les mois plus frais. Lorsque la température moyenne quotidienne est plus froide que la température seuil, les DJC s'accumulent. Des valeurs de DJC plus élevées indiquent un besoin plus important de chauffage des locaux. |
| Température la plus chaude de l'année | Tmax | Valeur annuelle maximale de Tmax. | Les températures élevées ont un impact sur la santé des humains et des écosystèmes, définissent la façon dont les bâtiments et les véhicules sont conçus, et façonnent le transport et l’utilisation de l'énergie. |
| Jours sans dégel | Tmax | Compte annuel des jours où Tmax < 0 °C. Soit Tmaxij la température maximale quotidienne du jour i de l'année j. Comptez le nombre de jours où Tmaxij < 0 °C. | Cet indice indique le nombre de jours où les températures sont restées en dessous du point de congélation pendant toute la période de 24 heures. Cet indice est un indicateur de la durée et de la sévérité de la saison hivernale, et il est important pour la saison des routes d'hiver et pour évaluer la santé des butineuses. |
| Température la plus froide de l'année | Tmin | Valeur annuelle minimale de Tmin | Le temps froid est un aspect important de la vie dans le nord du Canada. Les températures froides affectent la santé et la sécurité humaine, déterminent les plantes et les animaux qui peuvent vivre dans la région, limitent ou permettent les activités en plein air, définissent la façon dont les bâtiments et les véhicules sont conçus, et façonnent le transport et l’utilisation de l'énergie. |
| Dernier gel de printemps | Tmin | La date printanière après laquelle il n’y a aucune Tmin inférieure à 0 °C pendant la saison de croissance. | Le dernier gel de printemps marque le début approximatif de la saison de croissance pour les cultures et les plantes sensibles au gel. |
| Premier gel d’automne | Tmin | La première date de l'automne (ou de la fin de l'été) à laquelle Tmin est inférieure à 0°C. | Le premier gel d'automne marque la fin approximative de la saison de croissance des cultures et des plantes sensibles au gel. |
Par conséquent, le tableau suivant (tableau 3.3) fournit des renseignements sur les ensembles de données existants avec des données sous-journalières de température à 2 m (qui peuvent être utilisées pour estimer la température quotidienne moyenne, minimale ou maximale), la température moyenne quotidienne ainsi que les ensembles de données existants qui fournissent les températures minimales et les températures maximales quotidiennes.
Pour chaque Jeu de données, un lien vers des résumés décrivant les métadonnées est fourni.
| name | source | data type | spatial domain | spatial resolution | temporal coverage | time step | data format | |
|---|---|---|---|---|---|---|---|---|
| Observations du SMC | SMC/ECCC | Données aux stations | Canada | Données ponctuelles | Variable (de 1940 à aujourd'hui) | Horaire; Quotidien; Mensuel | CSV; GeoJSON | details |
| Normales climatiques du SMC | SMC/ECCC | Données aux stations | Canada | Données ponctuelles | 1941-1970; 1951-1980; 1961-1990; 1971-2000; 1981-2010. | Moyennes climatologiques | CSV; GeoJSON | details |
| Records climatiques quotidiens du SMC (ECLT, extrêmes climatiques à long terme) | SMC/ECCC | Données aux stations | Canada | Données ponctuelles | Variable | Records pour chaque jour de l'année | CSV; GeoJSON | details |
| DCCAH | DRC/ECCC | Données aux stations | Canada | Données ponctuelles | Variable (de 1950 à aujourd'hui) | Variable (de 1950 à aujourd'hui) | ASCII; CSV; GeoJSON | details |
| Données aux stations d'Hydro-Québec | Hydro-Québec | Données aux stations | Le Nord-du-Québec, dans les centrales hydroélectriques | Données ponctuelles | Variable (de 1990 à aujourd'hui) | Variable (sous-quotidienne à quotidienne) | None | details |
| Jeu de données White Pass Railway & River Divisions, Yukon | Centre de recherche du Yukon | Données aux stations provenant des archives | Le bassin supérieur du fleuve Yukon | Données ponctuelles | 1902-1957 | Quotidien | Fichiers Excel | details |
| SDCAN | L'Université de la Saskatchewan | Données aux stations combinées à des réanalyses | Amérique du Nord | Données ponctuelles | 1979-2018 | Quotidien | NetCDF | details |
| DRC/ECCC | DRC/ECCC | Observations interpolées | Canada | 50 km x 50 km | 1948-2017 (anomalies) | Mensuel; Saisonnier; Annuel | CSV; GeoJSON | details |
| ANUSPLIN | SCF/RNCan | Observations interpolées | Canada et Amérique du Nord | (10 km x 10 km) et (2 km x 2 km) | 1950-2017 | Quotidien; Pentade; Mensuel; Moyennes climatologiques | ASCII ; NetCDF | details |
| CRU TS Version 4 | CRU/Université d'East Anglia | Observations interpolées | Global (terre uniquement) | 0.5° x 0.5° | 1901–2018 | Mensuel | NetCDF | details |
| WorldClim2 | Centre mondial de surveillance de la conservation/UNEP | Observations interpolées | Global (terre uniquement) | 10 minutes d'arc (~340 km); 5 minutes d'arc ; 2.5 minutes d'arc ; 30 secondes d'arc (1 km) | 1970-2000 | Mensuel | GeoTIFF | details |
| Daymet Version 4 | Division des sciences de l'environnement/« Oak Ridge National Laboratory » | Observations interpolées | Amérique du Nord (terre uniquement) | 1 km x 1 km | 1980-2019 | Quotidien | NetCDF | details |
| PNWNAMET | PCIC | Observations interpolées | Nord-ouest de l'Amérique du Nord | 3.75 minutes d'arc (~6 km) | 1945-2012 | Quotidien | ASCII; NetCDF | details |
| Met1km | RNCan | Mélange de produits sur grille | Canada | 1 km x 1 km | 1901–2017 | Quotidien | None | details |
| ERA5 | ECMWF | Réanalyse atmosphérique globale | Global | 0.25° x 0.25° | 1950 à aujourd'hui | Horaire; Quotidien; Mensuel | GRIB; NetCDF | details |
| CFSR | NCEP | Réanalyse atmosphérique globale | Global | 0.5° x 0.5° | 1979-2017 | Sous-quotidien; Mensuel | GRIB | details |
| MERRA-2 | NASA | Réanalyse atmosphérique globale | Global | ½° de latitude x ⅝° de longitude | 1980 à aujourd'hui | Horaire; Quotidien; Mensuel | NetCDF | details |
| JRA-55 | JMA | Réanalyse atmosphérique globale | Global | 0.6258ᵒ x 0.6258ᵒ | 1957-2021 | 3h; 6h; Quotidien; Mensuel | etCDF | details |
| ASRv2 | « Byrd Polar Research Center »/L'Université d'État de l'Ohio; UCAR/NCAR | Réanalyse régionale | Arctique | 15 km x 15 km | 2000-2016 | 3h; Mensuel | NetCDF | details |
| NARR | NCEP | Réanalyse régionale | Amérique du Nord | 32 km x 32 km | 1979-2021 | Sous-quotidien; Mensuel | GRIB | details |
| RDRSv2 | CCMEP/ECCC | Réanalyse régionale | Amérique du Nord | 10 km x 10 km | 2000-2017 (1980-1999 en cours) | Horaire | RPN | details |
| 20CRv3 | CIRES; NOAA; DOE | Réanalyse atmosphérique globale | Global | T254 (environ 75 km à l'équateur) | 20CRv3.SI est disponible pour les années 1836-1980 et 20CRv3.MO est disponible pour les années 1981-2015. | 3h; Quotidien; Mensuel | NetCDF | details |
| ERA5-Land | ECMWF | Réanalyse/modèle de la surface terrestre | Global (terre uniquement) | 0.1° x 0.1° (9 km) | 1950 à aujourd'hui | Horaire; Mensuel | GRIB; NetCDF | details |
| AgERA | ECMWF | Réanalyse interpolée | Global (terre uniquement) | 0.1° x 0.1° | 1979 à aujourd'hui | Quotidien | NetCDF | details |
| AgCFSR | NASA | Réanalyse interpolée avec corrections | Global (terre uniquement) | 0.25° × 0.25° | 1980-2010 | Quotidien | NetCDF | details |
| AgMERRA | NASA | Réanalyse interpolée avec corrections | Global (terre uniquement) | 0.25° × 0.25° | 1980-2010 | Quotidien | NetCDF | details |
| GMFD | Université de Princeton | Réanalyse interpolée avec corrections | Global (terre uniquement) | 0.25° × 0.25° | 1948-2016 | 3h ; Quotidien; Mensuel | NetCDF | details |
| CRU JRA | CRU/Université d'East Anglia | Réanalyse interpolée avec corrections | Global (terre uniquement) | 0.5° × 0.5° | 1901-2018 | 6h | NetCDF | details |
| S14FD | DIAS | Réanalyse interpolée avec corrections | Global | 0.5° x 0.5° | 1958-2013 | Quotidien | NetCDF | details |
Voici un résumé des points à prendre en considération lorsqu’un Jeu de données est sélectionné pour les analyses climatiques historiques des températures à 2 m ou le calcul des indices climatiques dans le Nord canadien :
a) La meilleure solution pour décrire le climat, les tendances et l’évolution de la température de l’air à 2 m dans le Nord canadien sur une longue période consiste à utiliser des séries de données homogénéisées de bonne qualité provenant de stations, comme il est indiqué dans les DCCAH : Les mesures sur place, comme celles des stations du SMC, représentent les ensembles de données les plus fiables. L’Jeu de données des DCCAH (Vincent et coll., 2020) a été développé par ECCC pour résoudre certains problèmes de manque d’homogénéité des données aux stations. Une description détaillée des enregistrements sur la température de l’air des DCCAH est fournie à l’annexe 7.1.5 et dans Vincent et coll., 2020. Les DCCAH servent aussi souvent à valider l’aptitude des ensembles de données sur grille, des réanalyses et des modèles dans la simulation des caractéristiques locales. Une bonne pratique pour l’évaluation des réanalyses et des produits sur grille consiste à vérifier que l’Jeu de données cibles est indépendant du produit évalué (les stations cibles ne sont pas intégrées au produit évalué). Le tableau 3.3 fournit des renseignements sur les ensembles de données qui assimilent ou utilisent les stations du SMC ou des DCCAH. L’évaluation par rapport à un Jeu de données comportant des stations qui ont été intégrées aux produits ne garantit pas que le produit évalué possède les mêmes aptitudes à l’extérieur de ces stations.
b) Les DCCAH peuvent être utilisées pour une mise à l’échelle locale statistique des modèles dans les endroits où l’Jeu de données comporte une bonne couverture temporelle (p. ex., 20 années de données). Malheureusement, les DCCAH ne présentent pas de données pour tous les emplacements dans le Nord canadien, et différents emplacements ont des périodes différentes ayant des données.
c) Malgré leur utilisation antérieure, l’utilisation d’ensembles de données obtenus au moyen de méthodes d’interpolation pour les régions du Nord canadien qui présentent un réseau de stations clairsemé doit être abordée avec prudence. Seules les applications régionales dans les régions où la couverture des stations est bonne (p. ex., un petit bassin hydrographique) et sans grandes variations topographiques pourraient envisager l’utilisation d’ensembles de données d’observation interpolées. Le tableau 3.3 présente plusieurs ensembles de données d’observation interpolées qui pourraient servir à combler l’écart entre les stations. Comme il est mentionné à la section 2.1, les principaux facteurs qui influencent les produits sur grille sont la densité des stations intégrées dans le produit et la complexité topographique de la région. En ce qui concerne la température dans le Nord canadien une attention particulière doit être accordée aux régions dont le relief est important, car ces régions sont sujettes à d’importantes inversions « semi-permanentes », où la température augmente avec la hauteur (p. ex., les vallées profondes du Yukon). Cela rend la simple mise à l’échelle en fonction de l’altitude (p. ex., l’utilisation d’un gradient vertical standard ou d’un gradient adiabatique) inappropriée. La figure 3.1 (Rapaić et coll., 2015) montre l’écart moyen entre six ensembles de données d’observation sur grille (CANGRD, CRUTEM4, CRU-TS3.1, GISTEMP, HadCRUT3 et UDEL) pour les anomalies de température moyenne hivernale sur une grille d’environ 50 km de résolution spatiale. Les six ensembles de données divergent largement dans les régions montagneuses où la densité des stations est réduite, mais sont semblables pour les autres régions. Ce résultat suggère que, dans les régions où les variations topographiques sont importantes, il faudrait utiliser un Jeu de données produit à l’aide d’une méthode qui tient compte de l’élévation et des inversions de température. Le tableau 3.3 comprend trois ensembles de données obtenus au moyen de différentes méthodes d’interpolation qui tiennent compte d’élévation dans leurs méthodologies : ANUSPLIN, PNWNAMET et WorldClim2. Il convient de noter que les splines de lissage d’ANUSPLIN, qui utilisent la latitude, la longitude et l’altitude comme coordonnées de lissage, ne représentent pas les discontinuités des falaises et des lignes de faille, qui peuvent avoir une incidence sur les valeurs extrêmes, et ne tiennent pas compte des inversions de température. L’Jeu de données PNWNAMET utilise le modèle PRISM, qui tient compte des inversions de température des stations, mais qui dépend de l’existence de stations à différentes altitudes.
Figure 3.1 Écart moyen entre six ensembles de données d’observation sur grille (CANGRD, CRUTEM4, CRU-TS3.1, GISTEMP, HadCRUT3 et UDEL) pour les anomalies de la température moyenne saisonnière hivernale sur une grille d’environ 50 km de résolution spatiale. (Source : Rapaić et coll., 2015)
a) Les modèles de ré-prévisions et les réanalyses sont des compléments précieux aux ensembles de données d’observation sur grille pour les applications qui nécessitent des données de température de l’air à 2 m sur de grandes régions ne comportant pas de un bon nombre des enregistrements aux stations, pour les modèles d’impact et pour la mise à l’échelle statistique et la correction des biais des modèles climatiques dans de grandes régions du Nord canadien. Toutefois, une évaluation rigoureuse axée uniquement sur le Nord canadien est recommandée en premier. Le tableau 3.3 fournit des renseignements sur la dernière génération de réanalyses globales et régionales, dont la plupart sont des versions très récentes. La mise à l’échelle statistique et la correction du biais des modèles climatiques sont habituellement effectuées par rapport à un Jeu de données qui estime au mieux la période historique à l’échelle spatiale d’intérêt. À l’heure actuelle, il est difficile de recommander une réanalyse particulière pour ces applications dans le Nord canadien, car bon nombre des nouveaux ensembles de données ne sont pas encore évalués de façon rigoureuse dans cette région. Certaines publications scientifiques ont analysé la température à 2 m sur des parties limitées du Nord canadien (Cao et coll., 2019; Diaconescu et coll., 2018; Sheridan et coll., 2020), sur l’ensemble de l’Amérique du Nord (Keller et Wahl, 2021; Tarek et coll., 2020) ou sur l’Arctique (Avila-Diaz et coll., 2021; Lindsay et coll., 2014; Przybylak et Wyszyński, 2020). Comme il a été mentionné à la section 2.1.3, les observations fournissent moins de contraintes sur les réanalyses dans le Nord canadien que dans le Sud canadien, et les résultats des évaluations à l’échelle continentale pourraient être biaisés par le nombre beaucoup plus grand de stations dans les régions à l’extérieur du Nord canadien. De façon générale, cependant, la température à 2 m est l’une des variables pour lesquelles les réanalyses sont généralement utiles, surtout dans les régions sans caractéristiques topographiques importantes. Par exemple, Avila-Diaz et coll. (2021) ont comparé les modèles ASRv2, NARR, ERA5, MERRA-2 et GMFD, sur les terres nord-américaines au nord du 42e parallèle, au produit de données sur grille Daymet et se sont concentrés sur neuf indices annuels de température du Groupe d’experts en détection et en indices des changements climatiques (ETCCDI) sur une période de 17 ans (2000 à 2016). Le document montre que les modèles ASRv2, ERA5 et MERRA-2 sont plus semblables au Daymet, tandis que les modèles NARR et GMFD ont des scores plus faibles pour les régions du nord (côte arctique, fleuve Yukon, fleuve Mackenzie et côte de la baie d’Hudson – voir la figure 4 du document). Il convient de noter qu’un nombre limité de données provenant de stations est utilisé dans l’interpolation du produit Daymet pour l’Arctique, que l’analyse se concentre uniquement sur les indices annuels et que ERA5 et NARR assimilent la température à 2 m qui pourrait également être partiellement intégrée dans le produit Daymet, qui constitue les données de validation. Comme il est mentionné à la section 2.1.3, l’établissement de la moyenne de plusieurs réanalyses pourrait fournir une meilleure estimation des caractéristiques climatiques dans le Nord canadien que l’utilisation d’une seule réanalyse.
b) Pour les modèles d’impacts locaux, dans les régions sans données provenant de stations, l’utilisation de deux ou trois réanalyses est également recommandée. Une mise à l’échele de ces réanalyses au niveau du lieu d’intérêt est aussi recommandée. Les modèles d’impacts locaux ont besoin de données à l’échelle locale. Par exemple, les propriétés du pergélisol présentent de fortes variations latérales sur des distances de quelques mètres à quelques kilomètres, en raison des effets de la topographie, de la couverture végétale, des matériaux du sol, des plans d’eau et de leur écoulement ou de la répartition de la neige (Gruber, 2012). La mise à l'échelle locale des réanalyses peut être effectuée à l'aide de méthodes qui prennent en compte l'élévation, même pour les régions sans stations. Cao et coll., (2017) ont comparé plusieurs méthodes de mise à l’échelle qui reposent sur des relations physiques empiriques et statistiques et qui n’exigent pas de données de stations locales. Pour les régions présentant des inversions de température importantes, ils recommandent l’utilisation de la méthode REDCAPP. Le modèle utilise comme approximation des effets de la surface la différence entre la température de l’air près de la surface et la température sur des niveaux de pression provenant des réanalyses. La méthode a été validée dans les Alpes suisses et les montagnes de Qilian. Il convient de noter qu’une simulation complète de la physique atmosphérique et de la surface du sol à haute résolution surpassera probablement le paramétrage utilisé dans le REDCAPP. Cependant, ces simulations ne peuvent pas être faites gratuitement pour n'importe quel endroit. La méthode REDCAPP est écrite dans Python et est disponible via GitHub (https://github.com/geocryology/REDCAPP) [en anglais seulement].
Références - Température de l'air
Avila-Diaz, A., D.H. Bromwich, A.B. Wilson, F. Justino, et S. Wang, 2021 : « Climate Extremes across the North American Arctic in Modern Reanalyses. Journal of Climate », 34(7), 2385-2410, https://doi.org/10.1175/JCLI-D-20-0093.1.
Bromwich, D., Y.-H. Kuo, M. Serreze, J. Walsh, L.S. Bai, M. Barlage, K. Hines, et A. Slater, 2010: « Arctic System Reanalysis: Call for community involvement. Eos, Transactions American Geophysical Union », 91(2), 13-14, https://doi.org/10.1029/2010EO020001.
Cao, B., S. Gruber, et T. Zhang, 2017: « REDCAPP (v1.0): parameterizing valley inversions in air temperature data downscaled from reanalyses. Geoscientific Model Development », 10(8), 2905-2923. https://doi.org/10.5194/gmd-10-2905-2017.
Cao, B., X. Quan , N. Brown, E. Stewart-Jone, et S. Gruber, 2019: « GlobSim (v1.0): deriving meteorological time series for point locations from multiple global reanalyses. Geoscientific Model Development », 12(11), 4661-4679, https://doi.org/10.5194/gmd-12-4661-2019.
Compo, G.P., J.S. Whitaker, P.D. Sardeshmukh, N. Matsui, R.J. Allan, X. Yin, B.E. Gleason, R.S. Vose, G. Rutledge, P. Bessemoulin, S. Brönnimann, M. Brunet, R.I. Crouthamel, A.N. Grant, P.Y. Groisman, P.D. Jones, M. Kruk, A.C. Kruger, G.J. Marshall, M. Maugeri, H.Y. Mok, Ø. Nordli, T.F. Ross, R.M. Trigo, X.L. Wang, S.D. Woodruff, et S.J. Worley, 2011: « The Twentieth Century Reanalysis Project. Quarterly Journal of the Royal Meteorological Society », 137(654), 1-28, DOI: 10.1002/qj.776.
Diaconescu, E.P., A. Mailhot, R. Brown, et D. Chaumont, 2018: « Evaluation of CORDEX-Arctic daily precipitation and temperature based climate indices over Canadian Arctic land areas. Climate Dynamics », 50(5), 2061-2085 , doi:10.1007/s00382-017-3736-4.
Fick, S.E., et R.J Hijmans, 2017: « WorldClim 2: New 1 km spatial resolution climate surfaces for global land areas. International journal of climatology », 37(12), 4302-4315, https://doi.org/10.1002/joc.5086.
Gasset, N., V. Fortin, M. Dimitrijevic, M. Carrera, B. Bilodeau, R. Muncaster, É.,Gaborit, G. Roy, N. Pentcheva, M. Bulat, X. Wang, R. Pavlovic, F. Lespinas, et D. Khedhaouiria, 2021: « A 10 km North American Precipitation and Land Surface Reanalysis Based on the GEM Atmospheric Model. Hydrology and Earth System Sciences », 25(9), 4917-4945, https://doi.org/10.5194/hess-25-4917-2021.
Gelaro, R., W. McCarty, M.J. Suárez, R. Todling, A. Molod, L. Takacs, C.A. Randles, A. Darmenov, M.G. Bosilovich, R. Reichle, K. Wargan, L. Coy, R. Cullather, C. Draper, S. Akella, V. Buchard, A. Conaty, A.M. da Silva, W. Gu, G. Kim, R. Koster, R., Lucchesi, D. Merkova, J.E. Nielsen, G. Partyka, S. Pawson, W. Putman, M. Rienecker, S.D. Schubert, M. Sienkiewicz, et B. Zhao, 2017: « The Modern-Era Retrospective Analysis for Research and Applications, Version 2 (MERRA-2). Journal of Climate », 30(14), 5419-5454, doi: 10.1175/JCLI-D-16-0758.1.
Gruber, S., 2012: « Derivation and analysis of a high-resolution estimate of global permafrost zonation. The Cryosphere », 6(1), 221–233, www.the-cryosphere.net/6/221/2012/doi:10.5194/tc-6-221-201.
Harris, I., T.J. Osborn, P. Jones, et D. Lister, 2020: « Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset. Scientific data », 7(1), 1-18, https://doi.org/10.1038/s41597-020-0453-3.
Hersbach, H., B .Bell, P. Berrisford, S. Hirahara, A. Horányi, J. Muñoz‐Sabater, J. Nicolas, C. Peubey, R. Radu, D. Schepers, A. Simmons, C. Soci, S. Abdalla, X. Abellan, G. Balsamo, P. Bechtold, G. Biavati, J. Bidlot, M. Bonavita, G. Chiara, P. Dahlgren, D. Dee, M. Diamantakis, R. Dragani, J. Flemming, R. Forbes, M. Fuentes, A. Geer, L. Haimberger, S. Healy, R.J. Hogan, E. Hólm, M. Janisková, S. Keeley, P. Laloyaux, P. Lopez, C. Lupu, G. Radnoti, P. Rosnay, I. Rozum, F. Vamborg, S. Villaume, et J.-N. Thépaut, 2020: « The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society », 146(730), 1999–2049. https://doi.org/10.1002/qj.3803.
Iizumi, T., H. Takikawa, Y. Hirabayashi, N.Hanasaki, et M. Nishimori, 2017: « Contributions of different bias-correction methods and reference meteorological forcing data sets to uncertainty in projected temperature and precipitation extremes. Journal of Geophysical Research: Atmospheres », 122(15), 7800-7819, doi: 10.1002/2017JD026613.
Keller, J. D., et W. Sabrina, 2021: « Representation of Climate in Reanalyses: An Intercomparison for Europe and North America. Journal of Climate », 34(5), 1667-1684, https://doi.org/10.1175/JCLI-D-20-0609.1.
Kobayashi, S., Y. Ota, Y. Harada, A. Ebita, M. Moriya, H. Onoda, K. Onogi, H. Kamahori, C. Kobayashi, H. Endo, K. Miyaoka, et K. Takahashi, 2015: « The JRA-55 Reanalysis: General specifications and basic characteristics. Journal of the Meteorological Society of Japan », 93(1), 5-48, doi:10.2151/jmsj.2015-001.
Lindsay, R., M. Wensnahan, A. Schweiger, et J. Zhang, 2014: « Evaluation of seven different atmospheric reanalysis products in the Arctic. J. Climate », 27, 2588–2606, doi:10.1175/JCLI-D-13-00014.1.
MacDonald, H., D.W. McKenney, P. Papadopol, K. Lawrence, J. Pedlar, et M. F. Hutchinson, 2020: « North American historical monthly spatial climate dataset, 1901–2016. Scientific Data », 7(1), 1-11, https://doi.org/10.1038/s41597-020-00737-2.
Mekis, E., N. Donaldson, J. Reid, J. Hoover, A. Zucconi, Q. Li, R. Nitu, et S. Melo, 2018: « An Overview of the Surface-Based Precipitation Observations at Environment and Climate Change Canada, Atmosphere-Ocean », 56(2), 71-95, https://doi.org/10.1080/07055900.2018.1433627.
Mesinger, F., G. DiMego, E. Kalnay, K. Mitchell, P.C. Shafran, W. Ebisuzaki, D. Jović, J. Woollen, E. Rogers, E.H. Berbery, M.B. Ek, Y. Fan, R. Grumbine, W. Higgins, H. Li, Y. Lin, G. Manikin, D. Parrish, et W. Shi, 2006: « North American Regional Reanalysis. Bulletin of the American Meteorological Society », 87(3), 343-360, doi:10.1175/BAMS-87-3-343.
Muñoz-Sabater, J., E. Dutra, A. Agustí-Panareda, C. Albergel, G. Arduini, G., Balsamo, S. Boussetta, M. Choulga, S. Harrigan, H. Hersbach, B. Martens, D. G. Miralles, M. Piles, N. J. Rodríguez-Fernández, E. Zsoter, C. Buontempo, et J.-N. Thépaut, 2021: « ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth System Science Data », 13(9), 4349-4383. https://doi.org/10.5194/essd-2021-82.
Przybylak, R., et P. Wyszyński, 2020: « Air temperature changes in the Arctic in the period 1951–2015 in the light of observational and reanalysis data. Theoretical and Applied Climatology », 139(1), 75-94, https://doi.org/10.1007/s00704-019-02952-3.
Rapaić, M., R. Brown, M. Markovic, et D. Chaumont, 2015: « An evaluation of temperature and precipitation surface-based and reanalysis datasets for the Canadian Arctic, 1950–2010. Atmosphere-Ocean », 53(3): 283–303. https://doi.org/10.1080/07055900.2015.1045825.
Ruane, A.C., R. Goldberg, et J. Chryssanthacopoulos, 2015: « AgMIP climate forcing datasets for agricultural modelling: Merged products for gap-filling and historical climate series estimation, Agr. Forest Meteorol. », 200, 233-248, doi:10.1016/j.agrformet.2014.09.016.
Saha, S., S. Moorthi, X. Wu, J. Wang, S. Nadiga, P. Tripp, D. Behringer, Y. Hou, H. Chuang, M. Iredell, M.Ek, J. Meng, R. Yang, M.P. Mendez, H. van den Dool, Q. Zhang, W. Wang, M. Chen, et E. Becker, 2014: « The NCEP Climate Forecast System Version 2, Journal of Climate », 27(6), 2185-2208, doi:10.1175/JCLI-D-12-00823.1.
Sheffield, J., G. Goteti, et E.F. Wood, 2006: « Development of a 50-Year High-Resolution Global Dataset of Meteorological Forcings for Land Surface Modeling. Journal of Climate », 19(13), 3088-3111, https://doi.org/10.1175/JCLI3790.1.
Sheridan, S.C., C.C. Lee, et E.T. Smith, 2020: « A Comparison Between Station Observations and Reanalysis Data in the Identification of Extreme Temperature Events. Geophys. Res. Lett. », 47, https://doi.org/10.1029/2020gl088120.
Tang, G., M.P. Clark, A.J. Newman, A.W. Wood, S.M. Papalexiou, V. Vionnet, et P.H. Whitfield, 2020: « SCDNA: a serially complete precipitation and temperature dataset for North America from 1979 to 2018. Earth Syst. Sci. Data », 12, 2381–2409, https://doi.org/10.5194/essd-12-2381-2020.
Tarek, M., F.P. Brissette, et R. Arsenault, 2020: « Evaluation of the ERA5 reanalysis as a potential reference dataset for hydrological modelling over North America. Hydrol. Earth Syst. Sci. », 24, 2527–2544, https://doi.org/10.5194/hess-24-2527-2020.
Thornton, M.M., R. Shrestha, Y. Wei, P.E. Thornton, S. Kao, et B.E. Wilson, 2020: « Daymet: Daily Surface Weather Data on a 1 km Grid for North America, Version 4. ORNL DAAC », Oak Ridge, Tennessee, États-Unis. https://doi.org/10.3334/ORNLDAAC/1840.
Vincent, L.A., M.M. Hartwell, et W.L. Wang, 2020: « A Third Generation of Homogenized Temperature for Trend Analysis and Monitoring Changes in Canada’s Climate. Atmosphere-Ocean », 58(3), 173-191. https://doi.org/10.1080/07055900.2020.1765728.
Werner, A.T., M.A. Schnorbus, R.R. Shrestha, A.J. Cannon, F.W. Zwiers, G. Dayon G., et F. Anslow, 2019: « A long-term, temporally consistent, gridded daily meteorological dataset for northwestern North America, Scientific Data », 6, 180299, doi:10.1038/sdata.2018.299.
Zhang, Y., B. Qian, et G. Hong, 2020: « A Long-Term, 1 km Resolution Daily Meteorological Dataset for Modeling and Mapping Permafrost in Canada. Atmosphere », 11, 1363. https://doi.org/10.3390/atmos11121363.