Auteurs principaux : Emilia Diaconescu (CCSC/ECCC) et Elaine Barrow (CCSC/ECCC)
L’évolution historique et les projections futures des variables météorologiques sont obtenues comme résultats de la partie atmosphérique d’un modèle climatique. La température est l’une des variables pronostiques (variables qu’un modèle informatique estimées directement à partir d’équations physiques) et il y a une grande confiance dans sa estimation par les modèles, puisqu’elle est directement liée au bilan radiatif. Il existe cependant des biais systématiques, car il est impossible de développer un modèle climatique parfait. Les précipitations, l’humidité spécifique et relative et le vent sont des variables pour lesquelles nous avons un niveau de confiance inférieur à celui de la température (Cannon et coll., 2020). La simulation des précipitations dépend fortement de processus paramétrés, comme la convection et les nuages, utilisés dans le modèle atmosphérique. Par conséquent, les biais des précipitations sont généralement plus importants que ceux des températures. L’analyse de la performance du modèle au cours de la période historique est une étape importante dans la détermination de ces biais et le choix de la méthode appropriée pour construire des projections climatiques.
Le tableau 4.1 fournit de l’information sur les plus récentes projections climatiques disponibles pour le Canada, qui adoptent l’approche multimodèle et qui couvrent une gamme de scénarios d’émissions (de « faibles » ou « modérées » à « élevées »), reconnaissant qu’aucun scénario de changements climatiques ne peut à lui seul saisir adéquatement l’éventail des futurs climatiques possibles. Les projections des variables météorologiques de ces ensembles peuvent être utilisées pour répondre aux questions sur l’adaptation au climat.
Considérations et limites :
a) Ensembles CMIP5 et CMIP6
Les ensembles CMIP fournissent des projections climatiques à grande échelle pour un large éventail de variables climatiques, y compris des variables météorologiques. Cependant, étant donné que les données ont une basse résolution, elles sont souvent utilisées uniquement pour une compréhension thématique générale des changements climatiques et pour déterminer les principales vulnérabilités et les principaux risques à l’échelle provinciale (valeurs moyennes sur une grande superficie). Afin de régler la question des biais systématiques des modèles, la plupart des études fondées sur les données brutes du CMIP présentent des cartes des changements par rapport à une période de référence historique, ou l’évolution temporelle des anomalies de la moyenne spatiale sur les grandes zones d’intérêt. Le Rapport sur le climat changeant du Canada (Bush et Lemmen, 2019) résume l’information provenant des modèles CMIP5, fondés sur les RCP2.6, RCP4.5 et RCP8.5, pour la température et les précipitations partout au Canada. Les changements moyens pour le Nord canadien (médiane d’ensemble et 25e à 75e percentiles) sont présentés dans des tableaux et des cartes. Bien que les données CMIP5 et CMIP6 puissent être téléchargées pour d’autres variables météorologiques, comme la vitesse du vent et l’humidité, le rapport ne fournit pas d’information pour ces variables pour le Canada en raison des recherches limitées sur les mécanismes et les causes des changements touchant ces variables.
L’ensemble présenté dans le rapport comprend 29 simulations de MCG, avec une seule simulation par MCG, chaque exécution ayant une pondération égale. La façon de construire un ensemble de modèles, la manière de séparer les MCG moins performants des MCG plus performants, constituent des subjets de recherche continue, et aucun consensus n’a encore été atteint à ce sujet. Les pratiques actuelles consistent à 1) utiliser le plus grand nombre possible de MCG et des simulations pour réduire l’influence de l’incertitude des modèles et de la variabilité naturelle sur les résultats ou 2) choisir une seule simulation par MCG. L’avantage de cette dernière option est que tous les MCG ont une pondération égale et, par conséquent, une seule simulation par MCG signifie que chaque MCG a sa variabilité représentée sur une base égale; le désavantage est qu’il ne fait techniquement pas usage de toute l’information disponible. Des evaluations ont été effectuées pour les variables CMIP5 analysées dans le Rapport sur le climat changeant du Canada, en comparant les résultats des deux options, et presque aucune différence n’a été trouvée. Les discussions sont toujours en cours pour l’ensemble CMIP6, qui contient de nombreux MCG ayant une sensibilité climatique plus élevée que leurs versions CMIP5.
b) Ensembles avec une mise à l’échelle dynamique ou statistique
Les évaluations détaillées des impacts des changements climatiques à l’échelle régionale, de la vulnérabilité ou des risques et les modèles des impacts nécessitent des projections climatiques pour les variables météorologiques à une résolution spatiale plus élevée que celle offerte par les ensembles CMIP. Des ensembles avec une mise à l’échelle dynamique et/ou statistique peuvent être utilisés dans ces situations. L’ensemble à échelle réduite de manière statistique fondé sur BCCAQv2, l’ensemble CanLEAD (Cannon et coll., 2022) et les ensembles CORDEX sont les principaux ensembles de données fournissant des projections à haute résolution sur les changements climatiques pour les variables météorologiques au Canada. Ils tirent parti de la plus récente génération de modèles climatiques mondiaux internationaux, des méthodes de mise à l’échelle statistique les plus récentes (dans la méthode BCCAQv2) et des plus récents MRC (dans les ensembles CORDEX), ainsi que des ensembles de données observées sur grille à haute résolution disponibles pour tout le Canada (dans BCCAQv2). Les ensembles fournissent de multiples simulations climatiques pour tenir compte de l’incertitude des modèles (24 membres pour l’ensemble BCCAQv2, 7 MRC pilotés par 9 MCG pour l’ensemble CORDEX-NA, 11 MRC pilotés par 4 GCM pour CORDEX-Arctic et 50 simulations avec le modèle canadien pour l’ensemble CanLEAD), chaque ensemble ayant des points positifs et négatifs à considérer. Voici un résumé de certains de ces points.
BCCAQv2 :
- L’ensemble BCCAQv2 présenté sur la page Web du CCSC et sur Donneesclimatiques.ca comprend 24 simulations à échelle réduite des 29 utilisées dans le Rapport sur le climat changeant du Canada et couvre bien l’incertitude des MCG.
- L’ensemble BCCAQv2 fournit des projections avec biais corrigé sur une grille à haute résolution de 300 secondes d’arc (grilles de 1/12°, environ 10 km) pour la température minimale quotidienne, la température maximale quotidienne et les précipitations totales quotidiennes. De nombreux indices climatiques ont été calculés à partir de ces deux variables et mis à disposition pour téléchargement sur plusieurs portails climatiques dans des formats adaptés à une grande variété d’applications : les percentiles de l’ensemble pour chaque mois et chaque saison de l’année peuvent être utilisés dans des évaluations des risques simples et des documents de communication, tandis que des données quotidiennes pour chaque membre de l’ensemble sont nécessaires pour des évaluations des risques plus complexes fondées sur les seuils de dépassement.
- Étant donné que la méthode BCCAQv2 réduit l’échelle de la température maximale et minimale et des précipitations indépendamment, ces données ne peuvent pas être utilisées pour calculer les indices composés qui nécessitent une cohérence temporelle entre la température et les précipitations, ou d’autres variables.
- Il faut faire attention lorsqu’on examine des événements sur plusieurs jours (comme des indices décrivant des événements consécutifs chauds/froids/humides/secs), car la méthode BCCAQv2 peut décomposer des événements météorologiques sur plusieurs jours (c.-à-d. persistants).
- Bien qu’il n’y ait pas d’analyse des résultats de la méthode BCCAQV2 spécifiquement pour le Nord canadien, certaines observations théoriques doivent être prises en compte. La méthode BCCAQv2 corrige les biais du MCG à l’égard des observations sur grille d’ANUSPLIN. Dans les endroits où les données d’observation sous-jacentes dans le jeu de données cible sont rares, comme dans le Nord canadien, la robustesse du jeu de données d’observation est discutable. La qualité des données de sortie de la méthode BCCAQv2 dépend de la qualité du jeu de données cible, de sorte que lorsqu’il existe peu d’observations sur lesquelles fonder la mise à l’échelle de la BCCAQv2, les produits à échelle réduite qui en résultent peuvent contenir plus d’incertitude. Par conséquent, les résultats de la BCCAQv2 dans l’Arctique ne reposent pas sur une solide base d’observation.
- L’ensemble BCCAQv2 ne fournit pas de projections pour d’autres variables météorologiques, comme le vent et l’humidité parce qu’il est difficile de construire un jeu de données d’observation historique sur grille précis à utiliser comme cible pour le vent et l’humidité à partir des observations limitées des stations disponibles au Canada.
CORDEX :
- Les ensembles de données brutes de CORDEX fournissent des données pour toutes les variables météorologiques analysées dans le présent rapport, mais à une résolution spatiale plus basse que l’ensemble BCCAQv2. Les données peuvent être téléchargées commedes données de sortie brutes des modèles (aucun percentile d’ensemble n’est disponible pour le téléchargement) et peuvent être utilisées comme données d’entrée dans les modèles régionales d’impact et pour le calcul d’indices simples et complexes (p. ex., l’indice forêt-météo), qui doivent respecter la cohérence temporelle entre les variables. Les projections de température et de précipitations (et les indices climatiques connexes) de CORDEX ont été analysées dans le contexte du climat canadien (voir par exemple Diaconescu et coll., 2018 pour l’Arctique canadien et Barrette et coll. (2020) pour Nunavik et du Nunatsiavut). Diaconescu et coll. (2018) ont montré que la plupart des MRC de l’ensemble CORDEX-Arctique étaient en mesure de bien simuler les indices climatiques liés à la température moyenne de l’air et aux extrêmes de chaleur pour la majeure partie de l’Arctique canadien, à l’exception de la région du Yukon, où les modèles montraient des biais liés aux effets topographiques. La performance globale était généralement mauvaise pour les indices liés aux températures froides extrêmes, et les MRC canadiens (CanRCM4 et CRCM5) ont une meilleure performance que les réanalyses pour les indices de précipitations. Cependant, aucune étude n’a analysé les indices climatiques fondés sur le vent et l’humidité dans le Nord canadien. Par conséquent, la performance de CORDEX pour ces indices est inconnue.
- Le nombre de simulations dans les ensembles CORDEX est plus petit que dans les ensembles CMIP5 ou BCCAQv2. D’après Andrews et coll. (2012) et Zhu et coll. (2013), la sensibilité climatique d’équilibre (ECS) du MCG du CMIP5 s’étend de 2,1 °C à 4,7 °C. Les simulations du MRC prises en compte dans les ensembles CORDEX ont été pilotés par des MCG dont les valeurs de sensibilité climatique d’équilibre s’étendent sur un intervalle de valeurs semblable (de 2,4 °C à 4,6 °C; voir https://na-cordex.org/simulation-matrix [en anglais seulement]). Par conséquent, le choix des MCG utilisés pour les simulations CORDEX a permis d’échantillonner adéquatement l’intervalle des valeurs de sensibilité climatique d’équilibre du CMIP5, en veillant à ce que l’incertitude liée à l’échelle mondiale soit adéquatement représentée. La figure 4.8 montre qu’à l’échelle régionale, l’ensemble CORDEX-NA couvre bien l’étendue du CMIP5 pour la température moyenne annuelle et les précipitations moyennes annuelles.
Figure 4.8. Fonction de densité de la probabilité (PDF) montrant la fraction terrestre (au Canada) présentant un changement donné pour la période de 1976 à 2100 (axe des x) par rapport à la période de 1980 à 2004 pour : a) la température moyenne annuelle; b) les précipitations moyennes annuelles. Les changements de la température moyenne annuelle à chaque point de grille et pour chaque simulation sont normalisés par rapport à l’écart-type de la simulation correspondante au cours de la période de 1980 à 2004; pour la moyenne annuelle des précipitations, ils sont normalisés en pourcentage par rapport à la moyenne climatologique de la simulation correspondante pour la période de 1980 à 2004. Les lignes bleu clair/rouge correspondent aux simulations CMIP5/NA-CORDEX distinctes, tandis que l’ombrage bleu/rouge indique la plage pour toutes les simulations CMIP5/NA-CORDEX. Les lignes bleue/rouge épaisses correspondent à la fonction de densité (PDF) médiane de l’ensemble CMIP5/NA-CORDEX et a été calculée en regroupant tous les changements CMIP5/NA-CORDEX. Les fonctions de densité ont été calculées selon la méthodologie proposée par Fischer et coll. (2013).
- CORDEX a également mis au point un ensemble avec biais corrigé pour les températures minimales et maximales quotidiennes, les précipitations, l’humidité spécifique et le rayonnement solaire incident, en utilisant comme cible un jeu de données à très haute résolution (Daymet à 1 km x 1 km). Les utilisateurs doivent se rappeler que l’augmentation du niveau de détail n’ajoute pas nécessairement de valeur aux données, surtout dans le Nord canadien, car le jeu de données à haute résolution cible est basé sur le même réseau de stations éparpillées que le jeu de données ANUSPLIN utilisé par l’ensemble BCCAQv2. Aucune étude n’a analysé les ensembles avec biais corrigé de CORDEX pour le Nord canadien.
CanLEAD :
- L’ensemble avec biais corrigé CanLEAD a mis à l’échelle de manière statistique plusieurs variables météorologiques du grand ensemble du modèle système terre canadien (CanESM2 LE) au‑dessus de l’Amérique du Nord à l’aide d’une méthode multivariée (MBCn; Cannon, 2016) par rapport à deux jeux de données cibles ayant une résolution spatiale de 0,5° x 0,5°. La méthode de correction du biais préserve la cohérence intervariables et peut être utilisée pour élaborer des indices complexes comme l’indice forêt-météo. Le jeu de données a été utilisé dans le rapport sur les bâtiments et infrastructures publiques de base résistants aux changements climatiques (Cannon et coll., 2020), qui fournit des données climatiques, y compris des données sur la température, les précipitations et le vent pour plus de 660 emplacements au Canada qui seront utilisées dans les codes et les normes de construction et d’infrastructure. Cependant, il n’y a pas d’études utilisant ces projections qui portent uniquement sur le Nord canadien.
- Les données ne sont disponibles que pour le scénario d’émissions élevées RCP 8.5 et peuvent être utilisées dans le cadre des « niveaux de réchauffement planétaire » pour dériver des projections pour les autres scénarios d’émissions pour le Canada seulement.
- Comme dans le cas des autres ensembles avec une mise à l’échelle de manière statistique, les résultats pour le Nord canadien ne sont pas fondés sur une base solide d’observations.
- Comme l’ensemble est construit à l’aide d’un seul modèle, la répartition couvre en grande partie, mais pas complètement, les simulations du CMIP5 (voir la figure 4.4).
Bien que les projections mises à l’échelle de manière statistique et dynamique aient une résolution plus haute que les modèles CMIP5/CMIP6, il faut interpréter les données avec prudence dans les zones à topographie complexe (Diaconescu et coll. 2018). Dans ces régions, p. ex., au Yukon, cette résolution peut être encore trop basse pour représenter adéquatement les gradients climatiques détaillés. C’est particulièrement évident lorsque les valeurs absolues des indices fondés sur des seuils sont comparées à des valeurs équivalentes à des stations dont les élévations sont considérablement différentes de celles de la maille de grille. L’utilisation d’anomalies plutôt que de valeurs absolues est l’approche privilégiée dans ce cas.
Un nombre très limité d’analyses ont été effectuées pour les projections climatiques liées au vent au-dessus du Canada (p. ex., Jeong et coll., 2020; Cheng et coll., 2012; Jeong et Sushama, 2019) et encore moins pour celles liées à l’humidité (p. ex., Jeong et Cannon, 2020).
Références - variables météorologiques:
Andrews, T., J.M. Gregory, M.J. Webb, et K.E. Taylor, 2012: « Forcing, feedback and climate sensitivity in CMIP5 coupled atmosphere-ocean climate models. Geophysical Research Letters », 39(9), L09712, doi:10.1029/2012GL051607.
Barrette, C., R.D. Brown, R. Way, A. Mailhot, E.P. Diaconescu, P. Grenier, D. Chaumont, D. Dumont, C. Sévigny, S. Howell, et S. Senneville, 2020: « Nunavik and Nunatsiavut regional climate information update », dans Ropars, P., M. Allard, et M. Lemay (dir.). « Nunavik and Nunatsiavut: From science to policy, an integrated regional impact study (IRIS) of climate change and modernization, second iteration ». ArcticNet. Québec, Québec, Canada. 58 p.
Bush, E. et D.S. Lemmen (éditeurs), 2019: Rapport sur le climat changeant du Canada, gouvernement du Canada, Ottawa, Ontario, 446 p.
Cannon, A.J., 2016: « Multivariate bias correction of climate model output: Matching marginal distributions and intervariable dependence structure. Journal of Climate », 29(19), 7045-7064, doi:10.1175/JCLI-D-15-0679.1.
Cannon, A.J., D.I. Jeong, X. Zhang, et F.W. Zwiers, 2020: Bâtiments et infrastructures publiques de base résistants aux changements climatiques: Évaluation des effets des changements climatiques sur les données de conception climatique au Canada, Gouvernement du Canada, Ottawa, ON. 106 p.
Cannon, A.J., H. Alford, R.R. Shrestha, M.C. Kirchmeier-Young, et M.R. Najafi, 2021: « Canadian Large Ensembles Adjusted Dataset version 1 (CanLEADv1): Multivariate bias-corrected climate model outputs for terrestrial modelling and attribution studies in North America. Geoscience Data Journal », 00, 1– 16, doi:10.1002/gdj3.142.
Cheng, C.S., G. Li, Q. Li, H. Auld, et C. Fu, 2012: « Possible Impacts of Climate Change on Wind Gusts under Downscaled Future Climate Conditions over Ontario, Canada. Journal of Climate », 25(9), 3390-3408.
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(5-6), 2061-2085, doi:10.1007/s00382-017-3736-4.
Flato, G., J. Marotzke, B. Abiodun, P. Braconnot, S.C. Chou, W. Collins, P. Cox, F. Driouech, S. Emori, V. Eyring, C. Forest, P. Gleckler, E. Guilyardi, C. Jakob, V. Kattsov, C. Reason, et M. Rummukainen, 2013: « Evaluation of Climate Models », dans: « Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change » [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex et P.M. Midgley (dir.)]. « Cambridge University Press », Cambridge, Cambridge (Royaume Uni) et New York (États Unis).
Fischer, E.M., U. Beyerle, et R. Knutti, 2013: « Robust spatially aggregated projections of climate extremes. Nature Climate Change », 3(12), 1033-1038, doi: 10.1038/NCLIMATE2051.
Jeong, D.I. et A.J. Cannon, 2020: « Projected changes to moisture loads for design and management of building exteriors over Canada. Building and Environment », 170, 106609, doi:10.1016/j.buildenv.2019.106609.
Jeong, D.I., A.J. Cannon, et R.J. Morris, 2020: « Projected changes to wind loads coinciding with rainfall for building design in Canada based on an ensemble of Canadian regional climate model simulations. Climatic Change », 162(2), 821–835, doi:10.1007/s10584-020-02745-y.
Jeong, D.I. et L. Sushama, 2019: « Projected changes to mean and extreme surface wind speeds for North America based on regional climate model simulations. Atmosphere », 10(9), 497, doi:10.3390/atmos10090497.