Modèles climatiques régionaux
Les modèles climatiques régionaux (MRC) ont été conçus à l’origine pour combler l’écart causé par un manque de puissance de calcul, ce qui signifie que les MCG ne pouvaient être exécutés qu’à des résolutions spatiales relativement basses (200 à 300 km). Bien qu’ils conviennent pour l’examen des changements climatiques à l’échelle mondiale et continentale, les résultats des MCG n’étaient généralement pas suffisants pour des études à des échelles régionales. Cela a mené à la création de MRC qui, à l’époque, étaient des modèles climatiques à résolution beaucoup plus haute (généralement entre 10 et 50 km) fonctionnant dans un domaine limité, p. ex., l’Amérique du Nord et l’Europe. L’utilisation de MRC pour obtenir des informations climatiques à une échelle plus fine est connue sous le nom de mise à l’échelle dynamique [ou réduction d’échelle dynamique]. Aujourd’hui, cependant, certains MCG et MST sont exécutés à une résolution spatiale encore meilleure que la plupart des MRC, p. ex., MIROC 4 h et CMCM-CM (Tapiador et coll., 2020). Toutefois, leur nombre est encore limité, ce qui empêche la construction d’un ensemble à haute résolution.
Il y a encore de nombreux MCG qui sont exécutés à des résolutions spatiales plus basses, et les MRC constituent un moyen de réduire de manière dynamique l’échelle de cette information à des échelles spatiales plus fines. Les MRC intègrent bon nombre des mêmes processus physiques et paramètres que les MCG et, en fait, partagent souvent le même code numerique. Toutefois, la résolution spatiale fine signifie que certains processus climatiques, qui sont paramétrés dans un MCG, peuvent être explicitement représentés dans le MRC. Des échelles spatiales plus fines signifient également que la topographie sous-jacente et les limites des terres et des eaux peuvent être mieux représentées dans un MRC.
Comme ces modèles sont exploités sur des zones spatiales limitées, ils ont besoin d’informations à leurs limites latérales (p. ex., pression, température, vent et humidité) provenant d’un MCG pour déterminer le climat au sein du MRC. De cette façon, le MRC fournit une simulation physique du climat à l’intérieur de ses limites qui est conforme à celle de son MCG, mais à une résolution spatiale plus élevée. Il ne faut toutefois pas oublier que le MRC hérite d’erreurs qui peuvent être présents dans le MCG qui le pilote. Certaines des MRC à très haute résolution les plus récents (résolution de modèle de ≤ 4 km) sont en mesure de représenter explicitement les processus physiques, comme la convection atmosphérique (modèles permettant la convection), ce qui peut mener à des simulations beaucoup plus efficaces des extrêmes de précipitations de courte durée (p. ex., Kendon et coll., 2017). Les coûts de calcul associés à ces modèles à très haute résolution demeurent très élevés et limitent actuellement leur utilisation généralisée.
La modélisation climatique régionale est supervisée par CORDEX (Coordinated Regional Climate Downscaling Experiment), un cadre mis en œuvre par le Programme mondial de recherche sur le climat pour faire progresser et coordonner la science et l’application de la mise à l’échelle du climat régional au moyen de partenariats mondiaux. Comme c’est le cas pour le CMIP, ce programme supervise la conception d’expériences, la collecte et la diffusion des résultats des MRC pour un certain nombre de domaines à l’échelle continentale, y compris l’Amérique du Nord.
Les expériences CORDEX piloté par CMIP5 ont été réalisées sur neuf domaines de base, y compris l’Amérique du Nord (NA-CORDEX), à une résolution spatiale horizontale d’environ 45 km et d’environ 25 km. Les simulations historiques ont utilisé le même forçage atmosphérique que les MCG/MST du CMIP5, et étaient axées sur le RCP4.5 et le RCP8.5 pour les simulations futures. Les MRC canadiens qui font partie de NA-CORDEX sont CRCM5-OUR, CRCM5-UQAM et CanRCM4, avec des résolutions spatiales comprises entre 0,11° et 0,44°.
Pour le CMIP6, le protocole expérimental de CORDEX (Gutowski et coll., 2016) recommande que les MRC utilisent le même forçage atmosphérique historique que les MCG/MST du CMIP6, mais avec des simulations futures à compter de 2015, et il recommande de se concentrer sur le SSP1-2.6 et le SSP3-7.0. Une fois ces expériences terminées, et si des ressources suffisantes sont disponibles, une mise à l’échelle dynamique de SSP2-4.5 ou SSP5-8.5 est également recommandée. Les résolutions spatiales horizontales cibles recommandées pour ces expériences sont de 12,5 km et de 25 km dans 14 domaines principaux, y compris l’Amérique du Nord et l’Arctique.
Les deux protocoles expérimentaux de CORDEX comprenaient une expérience d’évaluation utilisant des données de réanalyse pour piloter les MRC. Pour les MRC du CMIP5, ERA-Interim a été utilisé pour la période de 1979 à 2017 et ERA-5 pour au moins la période de 1979 à 2020 pour les MRC du CMIP6.
Ajustement du biais et mise à l’échelle statistique
Tous les modèles climatiques (MCG, MST et MRC) ont une chose en commun, peu importe la résolution : ils présentent un certain degré de biais, ce qui signifie qu’ils ne simulent pas parfaitement le climat actuel. Bien que le biais diffère d’un modèle à l’autre, il existe des points communs. La correction du biais, ou son ajustement, est particulièrement importante lorsqu’on tient compte des effets des changements climatiques qui dépendent du franchissement des seuils absolus.
Différentes méthodologies ont été élaborées pour traiter ce biais, allant de relativement simples (qui s’appliquent à toutes les variables) à très complexes (qui fonctionnent dans la plupart des cas pour les variables météorologiques les plus populaires). Bon nombre des méthodologies de correction du biais pour les variables météorologiques comprennent également un aspect de réduction d’échelle, ce qui mène à un jeu de données avec biais corrigé à une résolution spatiale plus haute que le MCG/MST original. L’une des approches les plus simples pour minimiser l’effet du biais dans le climat actuel simulé consiste à utiliser la moyenne multimodèle, généralement appelée la moyenne d’ensemble, ainsi que les valeurs du 25e et du 75e percentile. Il a été démontré que les valeurs moyennes d’ensemble se comparent mieux aux observations (p. ex., Flato et coll., 2013). L’intervalle des valeurs défini par les percentiles de l’ensemble correspondant à un seul scénario d’émission, ou à la plage d’incertitude, donne une indication de la plage des possibilités pour ce scénario d’émissions. Cette méthode simple peut être appliquée à toutes les variables simulées.
La façon la plus simple d’aborder le biais dans les modèles climatiques, cependant, n’est pas d’utiliser des valeurs absolues, mais plutôt le changement, ou les anomalies, par rapport à la moyenne historique simulée (p. ex., 1971 à 2000). L’hypothèse ici est que même si le climat actuel n’est pas parfaitement simulé, il y a de la valeur dans le changement simulé (en supposant que le biais est le même dans les simulations actuelles et futures et qu’il est donc effectivement annulé lors du calcul des anomalies). Le changement (ou les anomalies) peut être calculé pour toutes les variables simulées. On obtient parfois des scénarios du climat futur en ajoutant ces anomalies aux caractéristiques observées de la variabilité spatiale et temporelle. Cette procédure est connue sous le nom de méthode de « changement delta » et nécessite une bonne estimation des variables historiques sur une longue période, pour la région d’intérêt. L’estimation des caractéristiques historiques constitue un enjeu important pour certaines variables dans les régions où les réseaux d’observation sont rares (p. ex., le Nord canadien).
Des méthodes statistiques de correction du biais sont également disponibles, allant encore une fois de relativement simples à très complexes. Plus ces méthodes sont complexes, plus elles peuvent corriger les erreurs systématiques dans les simulations de modèles des valeurs moyennes, des quantiles[1] d’une distribution, ou même la dépendance entre les variables (p. ex., Teutschbein et Seibert, 2012). Cependant, toutes ces méthodes nécessitent une climatologie d’observation pour cibler le processus de correction. Cet jeu de données « cible » peut être un jeu de données de stations si la correction de biais est effectuée au niveau local, mais dans la plupart des cas, un jeu de données historiques sur grille est nécessaire pour les corrections sur les régions.
La disponibilité d’un ensemble de simulations dont le biais a été corrigé dépend de la disponibilité d’un bon jeu de données d’observations historiques sur grille. Pour le Canada, des ensembles avec biais corrigé fondés sur les simulations CMIP5 et CMIP6 ont été élaborés pour les températures et les précipitations maximales et minimales.
Par exemple, des chercheurs du Pacific Climate Impacts Consortium (PCIC) et d’Environnement et Changement climatique Canada (ECCC) ont élaboré une méthodologie statistique appelée BCCAQv2 (correction de biais/construction d’analogues, avec reclassification des quantiles, version 2, Cannon et coll., 2015) qui a été utilisé pour corriger les biais et réduire l’échelle des ensembles de simulations du MCG pour le CMIP5 et le CMIP6. Cette méthode a été utilisée pour réduire l’échelle de la température maximale et minimale et des précipitations accumulées de la résolution du MCG à une grille cible d’environ 10 km pour l’ensemble du Canada. Cette méthode combine deux méthodologies de mises à l’échelle distinctes – les analogues climatiques dont le biais est corrigé (BCCA; Maurer et coll., 2010) et la cartographie des différences par quantiles (QDM; Cannon et coll., 2015) – et tire parti des forces de chaque méthode pour fournir un produit final qui surpasse l’une ou l’autre des méthodes uniques. Cette méthodologie a fait l’objet d’une évaluation approfondie à l’échelle nationale à l’aide d’un large éventail d’indices climatiques (les indices définis par le Groupe d’experts en détection et en indices du changement climatique [ETCCDI]) afin de déterminer sa capacité à saisir la séquence temporelle des événements, la distribution statistique des valeurs ainsi que la structure spatiale des valeurs. Cependant, aucune étude n’est consacrée exclusivement au Nord canadien.
Pour la méthode BCCAQv2 au Canada, le jeu de données d’observation cible est le jeu de données ANUSPLIN, qui est disponible à une résolution spatiale de 300 secondes d’arc (grilles de 1/12°, environ 10 km) et comprend les températures minimales et maximales quotidiennes, ainsi que la quantité de précipitations pour 1950 à 2013 (Hopkinson et coll., 2011; McKenney et coll., 2011). Une description détaillée du jeu de données ANUSPLIN est fournie aux annexes 7.1.15, 7.2.16 et 7.5.9.
La méthode BCCAQv2 réduit l’échelle de la température maximale et minimale et des précipitations indépendamment. Cela assure une cohérence statistique, mais les relations quotidiennes entre les variables corrigées ne sont pas nécessairement cohérentes et ne doivent donc pas être utilisées pour construire des indices composés qui nécessitent une cohérence physique entre les variables d’entrée. Dans de tels cas, une mise à l’échelle statistique multivariée qui préserve la dépendance entre les variables est nécessaire (p. ex., Cannon, 2016).
[1] Les quantiles sont des valeurs qui divisent la plage d’une distribution de probabilité en intervalles, chaque intervalle contenant la même fraction de la population totale.