4.2.2 Variables de neige et d'hydrologie

Auteurs principaux : Lawrence Mudryk (CRD/ECCC) et Rajesh Shrestha (W-CIRC/ECCC)

4.2.2.1 Données simulées sur la neige

La neige est une variable climatique complexe qui peut être simulée dans divers types de modèles (p. ex., modèles atmosphère-océan entièrement couplés /MST, modèles de surface terrestre hors ligne et réanalyses) en tant que composante de la surface qui peut interagir avec le rayonnement incident et qui associe la couche la plus basse de l’atmosphère au sol de façon thermodynamique et hydrologique. Il peut y avoir de la neige sur les surfaces terrestres, les surfaces de glace ou les deux, selon le type de modèle.

Il existe trois principaux effets physiques liés à la neige habituellement simulés dans un modèle climatique :

1. La couche de neige modifie l’absorption du rayonnement par la surface, car son albédo élevé reflète plus de rayonnement incident à courtes longueurs d’onde que la plupart des autres types de couvertures de surface. Cet effet dépend de l’emplacement et de la saison puisque la quantité de rayonnement incident varie en fonction de ceux-ci, ainsi que de l’état de la neige; les processus de fonte et de vieillissement de la neige peuvent réduire quelque peu l’albédo de la neige, et le dépôt de carbone noir (« suie ») ou d’autres matières contaminantes foncées (p. ex., débris organiques) sur le manteau neigeux peut modifier l’albédo de façon plus importante.
2. La neige sert de médiateur à l’échange de chaleur entre l’atmosphère et la couche de sol sous la neige en ralentissant le transfert de chaleur entre les deux. Dans des conditions hivernales typiques, l’air au-dessus du manteau neigeux est plus froid que la couche du sol, de sorte que la neige agit pour garder le sol plus chaud. Cet effet dépendra de l’épaisseur de la neige accumulée et des caractéristiques internes qui influent sur sa diffusivité thermique, comme la densité, la teneur en eau liquide et la stratigraphie.
3. L’accumulation de neige agit comme réservoir d’eau, accumulant des précipitations gelées en hiver et les libérant pendant la fonte. Dans les régions dominées par la neige, cette eau emmagasinée fond habituellement sur une période raisonnablement courte et est responsable des ondes printanières de ruissellement et de débit des rivières, ainsi que des contributions saisonnières aux niveaux d’eau du sol.

À la surface du sol, la neige est habituellement modélisée en plusieurs couches distinctes (p. ex., 1 à 5, bien que des modèles de neige hors ligne complexes puissent en utiliser 10 à 100) en utilisant la même géométrie que la grille atmosphérique. On considère parfois qu’il s’agit d’une « couche de sol » supérieure. Sur la glace de mer, la neige n’a généralement pas été modélisée explicitement puisque la glace de mer est mobile et qu’il a toujours été trop coûteux sur le plan des calculs de modéliser des floes distincts (pas plus que les paramétrages heuristiques; par exemple, une épaisseur de neige liée à la rugosité de la surface de la glace de mer est habituellement utilisée). Plus récemment, la neige sur la glace de mer a été modélisée en plusieurs étapes, en utilisant le mouvement de la glace dérivé de la sortie du modèle dans une deuxième exécution qui dépose ensuite de la neige sur la glace de mer en mouvement.

La neige est traitée comme une composante du cycle hydrologique mondial dans les modèles climatiques et, en général, tous les résultats liés à la neige découlent du calcul de la quantité de neige contenue dans une maille de grille. Cette masse de neige est habituellement exprimée comme sa hauteur équivalente dans l’eau répartie uniformément sur l’ensemble de la maille de grille ou sur la partie terrestre de la maille de grille (« équivalent en eau de la neige »). La masse est calculée en faisant le suivi du bilan entre l’accumulation et les pertes ablatives (fonte, sublimation), et en fonction de la complexité du modèle, de divers processus liés au transfert de masse vertical entre les couches, et du transfert horizontal de masse entre les mailles adjacentes (très rarement). D’un point de vue pratique, toutes les autres quantités de neige sont dérivées de cette principale quantité. Les estimations de l’épaisseur de la neige sont calculées en modélisant également la densité des couches de neige combinée à l’information sur la masse. La proportion de la surface recouverte de neige est également généralement paramétrée en fonction de la masse de neige dans la maille (p. ex., entièrement recouverte au-delà d’un certain seuil de masse et comme fraction décroissante de toute la couverture terrestre en dessous, bien qu’il existe une gamme de formulations, et dans les régions montagneuses, elles peuvent inclure des dépendances supplémentaires).

Considérations et limites :

Les considérations typiques requises pour l’analyse d’un ensemble de modèles d’autres variables climatiques physiques s’appliquent également à la neige, puisque l’incertitude sur le plan des projections quant à la neige découle d’une combinaison de différents biais de modèle et de la variabilité climatique interne. Par conséquent, la pratique actuelle consiste à utiliser les ensembles CMIP ou CORDEX pour plusieurs scénarios d’émissions afin d’obtenir des renseignements climatiques régionaux ou à grande échelle.

La fréquence de sortie de variables particulières variera selon le modèle et le choix des expériences (p. ex., scénarios historiques par rapport aux scénarios futurs) pour le CMIP6 et le CMIP5. Pour les variables liées à la neige du CMIP6, les variables habituellement fournies sont la fraction du manteau neigeux (snc) et la quantité de neige à la surface (snw), suivies de l’épaisseur de la neige (snd) et des chutes de neige (prsn). Pour certains modèles, certaines des variables seront disponibles à une fréquence quotidienne.

Les renseignements sur la couverture de neige du CMIP5 au Canada sont résumés dans le Rapport sur le climat changeant du Canada (Bush et Lemmen, 2019) pour les RCP2.6, RCP4.5 et RCP8.5. À l’heure actuelle, les simulations mises à l’échelle de manière statistique ou à biais corrigés pour la neige dans le Nord canadien ne sont pas disponibles. Voici un résumé des connaissances actuelles sur la compétence des modèles.

Les générations successives d’ensembles de modèles climatiques ont amélioré leur capacité de représenter l’étendue de neige historique en moyenne (c.‑à‑d. la moyenne d’ensemble) depuis le CMIP3 jusqu’au CMIP6, mais il reste un degré persistant de dispersion des capacités des modèles (Mudryk et coll., 2020 et ses références). Cette dispersion dans l’étendue de la neige historique continue de causer une dispersion dans les rétroactions simulées de l'albédo de la neige (Thackeray et coll., 2021). La capacité des modèles climatiques de reproduire la climatologie de la masse de neige historique est limitée parce que les estimations de la masse de neige historique à partir de produits mailléssur grille ont une incertitude relativement élevée par rapport à l’étendue de la neige, particulièrement dans les régions montagneuses (Mudryk et coll. 2015). Cela découle du fait que les observations de la neige sont échantillonnées à une fréquence spatiale et temporelle limitée comparativement à leur variabilité, bien que des travaux récents aient réduit la dispersion (Pulliainen et coll. 2020) et ont mieux évalué l’exactitude des produits sur grille de la masse de neige (Mortimer et coll. 2020) dans les régions non alpines de l’hémisphère Nord. L’incertitude du bilan massique global signifie que les taux climatologiques de fonte et de sublimation sont également incertains (et il est difficile d’isoler les biais dans l’un par rapport à l’autre). L’incertitude globale du bilan primaire du manteau neigeux lié à l’accumulation et à l’ablation signifie également que les biais découlant des effets d’ordre plus élevé (interactions entre la végétation et la neige, redistribution du vent) peuvent être difficiles à isoler. Compte tenu de ce qui précède, on peut s’attendre à ce que les biais saisonniers et spatiaux dans l’équivalent en eau de la neige, l’épaisseur de la neige et la fraction de la couverture de neige reflètent non seulement les biais propres au modèle dans la température et les précipitations, car ils varient selon la région et la saison, mais aussi la combinaison des incertitudes de paramétrage propres à un modèle particulier.

La capacité des modèles climatiques à simuler les tendances historiques de l’étendue de la neige s’est également améliorée entre le CMIP3 et le CMIP6, en partie grâce à une meilleure compréhension des tendances des ensembles de données historiques (Brown et Derksen 2013, Hori et coll., 2017, Mudryk et coll. 2020). Pour ce qui est de la masse de neige, malgré de mauvaises contraintes sur le bilan saisonnier de l’accumulation et de l’ablation, les tendances mensuelles de cette quantité sont mieux estimées. Cela s’explique par le fait que les tendances sont contrôlées par une combinaison de forçages limites qui évoluent plus lentement (p. ex., aérosols anthropiques, GES, forçage volcanique et variabilité solaire) et que la variabilité à l’échelle synoptique de la température et des précipitations est plus ou moins raisonnablement simulée par les modèles. De même, dans les modèles hors ligne ou les réanalyses, la température, les précipitations et d’autres données d’observation historiques sont utilisées pour simuler le manteau neigeux; or ces variables contiennent déjà les signaux variables des forçages aux limites et de la variabilités à l’échelle synoptique, aboutissant à des estimations de la masse de neige ayant des composantes temporelles semblables.

Les expériences de sensibilité indiquent que l’étendue de la neige dans l’hémisphère, comme l’étendue de la glace de mer, réagit comme une composante rapide de la cryosphère et ne dépend donc pas du taux de réchauffement (Mudryk et coll., 2020), ni des conditions d’étendue de neige antérieures (hystérésis). Cette réponse rapide suggère que des projections exactes de l’étendue de la neige dans l’hémisphère devraient découler de projections exactes des températures mondiales. La fidélité de ces projections à l’échelle régionale ou locale est moins bien établie puisque l’évaluation historique à ces échelles est limitée en raison de la présence d’une variabilité naturelle accrue (Mudryk et coll., 2017). La sensibilité de la masse de neige à la température est également moins établie.

Références - neige:

Brown, R.D. et C. Derksen, 2013: « Is Eurasian October snow cover extent increasing? Environmental Research Letters », 8(2), 024006.

Bush, E. et D.S. Lemmen (éditeurs), 2019: Rapport sur le climat changeant du Canada, gouvernement du Canada, Ottawa, Ontario, 446 p.

Hori, M., K. Sugiura, K. Kobayashi, T. Aoki, T. Tanikawa, K. Kuchiki, M. Niwano, et H. Enomoto, 2017: « A 38-year (1978–2015) Northern Hemisphere daily snow cover extent product derived using consistent objective criteria from satellite-borne optical sensors. Remote Sensing of Environment », 191, 402-418.

Mortimer, C., L. Mudryk, C. Derksen, K. Luojus, R. Brown, R. Kelly, et M. Tedesco, 2020: « Evaluation of long-term Northern Hemisphere snow water equivalent products. The Cryosphere », 14(5), 1579–1594, doi:10.5194/tc-14-1579-2020.

Mudryk, L.R., C. Derksen, P.J. Kushner, et R. Brown, 2015: « Characterization of Northern Hemisphere Snow Water Equivalent Datasets, 1981–2010. Journal of Climate », 28(20), 8037-8051.

Mudryk, L.R., P.J. Kushner, C. Derksen, et C. Thackeray, 2017: « Snow cover response to temperature in observational and climate model ensembles. Geophysical Research Letters », 44(2), 919-926, doi:10.1002/2016GL071789.

Mudryk, L., M. Santolaria-Otín, G. Krinner, M. Ménégoz, C. Derksen, C. Brutel-Vuilmet, M. Brady, et R. Essery, 2020: « Historical Northern Hemisphere snow cover trends and projected changes in the CMIP6 multi-model ensemble. The Cryosphere », 14(7), 2495-2514, doi:10.5194/tc-14-2495-2020.

Pulliainen, J., K. Luojus, C. Derksen, L. Mudryk, J. Lemmetyinen, M. Salminen, J. Ikonen, M. Takala, J. Cohen, T. Smolander, et J. Norberg, 2020: « Patterns and trends of Northern Hemisphere snow mass from 1980 to 2018. Nature », 581(7808), 294-298, doi:10.1038/s41586-020-2258-0.

Thackeray, C.W., A. Hall, M.D. Zelinka, et C.G. Fletcher, 2021: « Assessing Prior Emergent Constraints on Surface Albedo Feedback in CMIP6. Journal of Climate », 34(10), 3889-3905.

4.2.2.2 Données simulées sur l’écoulement fluvial

Les données simulées sur l’écoulement fluvial sont habituellement obtenues à partir de modèles hydrologiques à l’échelle du bassin hydrographique ou du bassin fluvial, qui sont considérés comme appropriés pour des analyses détaillées (p. ex., disponibilité saisonnière de l’eau, événements extrêmes). Les processus des bassins hydrographiques dans les régions froides sont principalement dominés par la fonte des neiges au printemps, ce qui mène souvent aux plus grands débits annuels. La présence de pergélisol et de sols gelés qui limitent les taux d’infiltration entraîne des défis uniques dans la modélisation du régime hydrologique des régions froides. Plusieurs modèles, comme la capacité d’infiltration variable (Liang et coll., 1994; Hamman et coll., 2018), la modélisation environnementale communautaire – surface et hydrologie (MESH) (Pietroniro et coll., 2007), le modèle hydrologique canadien (CHM) (Marsh et coll., 2020) et l’outil d’évaluation des sols et des eaux (SWAT) (Arnold et coll., 1998, 2012), entre autres, ont été élaborés pour tenir compte des exigences particulières des climats froids. Wang et coll. (2021) présentent une revue récente des travaux effectués pour la modélisation des processus des bassins hydrographiques et des bassins fluviaux dans les régions à climat froid. En plus de l’écoulement fluvial, les modèles hydrologiques fournissent des simulations d’une gamme de variables hydrologiques, comme l’évapotranspiration, l’accumulation des neiges, la fonte des neiges, l’infiltration, l’humidité du sol et le ruissellement de surface et de subsurface. Les modèles hydrologiques sont établis à diverses résolutions spatiales (généralement de 100 m à 10 km) et étalonnés pour reproduire l’écoulement fluvial à l’échelle des bassins et des sous-bassins hydrographiques, qui peut être complété par l’étalonnage de l’EEN, l’évaporation, etc.

Les forçages météorologiques requis pour les modèles hydrologiques comprennent une gamme de variables (p. ex., température minimale et maximale, précipitations, humidité relative, pression en surface, vitesse du vent, rayonnement incident à courtes longueurs d’onde et rayonnement incident à grandes longueurs d’onde, etc.), avec des simulations historiques obtenues en pilotant le modèle avec des observations ou des produits d’observation sur grille, des réanalyses, etc. Pour les simulations effectuées à l’aide d’un MCG, il est courant d’utiliser une technique de mise à d’échelle pour la représentation à une échelle spatiale plus fine des variables climatiques, qui peut inclure une technique de mise à l’échelle statistique ou dynamique en combinaison avec une méthode de correction du biais. Cette procédure est nécessaire parce que les MCG ne fournissent pas une résolution suffisante pour la simulation de modèles hydrologiques, ainsi que pour représenter les extrêmes à l’échelle locale (p. ex., conditions humides et sèches), qui sont des enjeux importants pour la gestion des ressources hydriques.

Un certain nombre d’études ont utilisé des MCG du CMIP5 avec une mise à échelle pour simuler l’écoulement fluvial historique et futur des cours d’eau dans le nord du Canada. Ces études portent notamment sur les répercussions des changements climatiques sur le transport par voies navigables intérieures dans le fleuve Mackenzie (Scheepers et coll., 2018), les répercussions du réchauffement de 1,5 et de 2,0 °C sur le débit des rivières dans la baie d’Hudson (MacDonald et coll., 2018), l’incertitude des répercussions des changements climatiques attribuables aux composantes du modèle hydrologique dans deux bassins hydrographiques nordiques du Québec (Troin et coll., 2018), les contrôles climatiques des changements hydrologiques futurs dans le bassin de la rivière Liard (Shrestha et coll., 2019), et la simulation sur 90 ans (1981-2070) des flux d’eau douce répartis spatialement provenant des bassins arctiques (Stadnyk et coll., 2021). Toutefois, il n’est pas facile d’accéder aux données sur l’écoulement fluvial modélisé de ces études. Il est possible de télécharger les données historiques et projetées sur l’écoulement fluvial et le ruissellement futurs en fonction des MCG du CMIP5 à partir du portail de données du Pacific Climate Impacts Consortium (https://www.pacificclimate.org/data/daily-gridded-meteorological-datasets [en anglais seulement]). Le jeu de données n’est disponible que pour les bassins de la Paix, du Fraser et du Columbia dans l’ouest et le sud du Canada (Schoeneberg et Schnorbus 2021) et de plus amples détails sont présentés dans les tableaux 3.2 et 3.3.

À Ouranos, PAVICS offre une suite d’outils fabriqués dans Python, nommé Raven, pour simplifier l’analyse des répercussions des changements climatiques sur l’hydrologie (https://pavics.ouranos.ca/hydrology_fr.html#a). L’outil permet d’exécuter des simulations de modèles hydrologiques sur des serveurs à distance ou avec des données d’entrée à distance, ainsi que d’étalonner des modèles hydrologiques sur un serveur à distance. Le site Web présente un exemple d’exécution du modèle hydrologique GR4J-CemaNeige. Trois autres modèles peuvent être exécutés de la même façon : HBV-E, HMETS, MOHYSE.

Considérations et limites :

À l’instar d’autres variables hydroclimatiques, les projections hydrologiques futures sont assujetties à différentes sources d’incertitude, y compris les forçages anthropiques (scénarios d’émissions), la variabilité naturelle du système climatique, la structure des MCG et les méthodes de mise à d’échelle (p. ex., Giuntoli et coll., 2018; Hattermann et coll., 2018). De plus, la structure du modèle hydrologique et le paramétrage, comme la représentation du pergélisol et des glaciers, influent sur les projections de l’écoulement fluvial (Bring et coll., 2016). En général, les incertitudes liées à la structure du MCG et à la concentration des gaz à effet de serre ainsi qu’aux forçages anthropiques sont considérées comme les sources d’incertitude les plus importantes, et il est courant d’intégrer de multiples scénarios RCP ou d’émissions et un ensemble de MCG pour la projection des effets hydrologiques des changements climatiques (p. ex., Shrestha et coll., 2014; 2019; MacDonald et coll., 2018).

En plus des modèles hydrologiques à l’échelle du bassin, les modèles hydrologiques mondiaux et régionaux ou les modèles de la surface terrestre (p. ex., Schewe et coll., 2014; Bring et coll., 2017; Gädeke et coll., 2020) fournissent des simulations de l’écoulement fluvial au moyen des MCG du CMIP5 sur des périodes historiques et futures dans le nord du Canada. Ces modèles comportent généralement une résolution plus basse (~0,5°), et contrairement aux modèles hydrologiques à l’échelle du bassin, ils ne sont généralement pas étalonnés pour reproduire l’écoulement fluvial propre au bassin, ce qui peut entraîner une incertitude considérable. De même, pour le secteur du nord du Canada, les simulations de la surface terrestre des MRC fournissent également des variables de ruissellement, par exemple, les MRC qui font partie du projet CORDEX [Coordinated Regional Climate Downscaling Experiment] (Giorgi et coll., 2009) pour l’Amérique du Nord (NA-CORDEX : na-Cordex.org) et l’Arctique (Arctic-CORDEX : https://climate-cryosphere.org/activities/polar-cordex/arctic) [en anglais seulement]. CORDEX comporte des simulations rétrospectives (ERA-Interim et simulations historiques issues du MCG) et des scénarios du CMIP5 (RCP4.5, simulations RCP8.5), avec une résolution spatiale de 0,22° (~25 km) ou 0,44° (~50 km). Certains MCG/MRC ont été associés à des schémas d’acheminement pour simuler l’écoulement fluvial, par exemple, des projections de 2 °C par rapport aux mécanismes générateurs d’inondations de réchauffement élevé au Canada (Teufel et Sushama, 2021), la simulation des changements futurs sur le plan des dangers d’inondation au Canada (Gaur et coll., 2018). Cependant, comme dans le cas d’autres variables, le biais des MRC influe également sur les simulations de l’écoulement fluvial. Néanmoins, les simulations des modèles hydrologiques mondiaux et régionaux et des MRC fournissent des informations utiles sur la direction des changements de l’écoulement fluvial causés par les changements climatiques sur de grandes zones.

Références - Données sur le débit des cours d'eau:

Arnold, J. G., R. Srinivasan, R. S. Muttiah, et J. R. Williams, 1998: « Large Area Hydrologic Modeling and Assessment Part I: Model Development1. JAWRA Journal of the American Water Resources Association », 34(1), 73-89, https://doi.org/10.1111/j.1752-1688.1998.tb05961.x.

Arnold, J.G. , D.N. Moriasi, P.W. Gassman, K.C. Abbaspour, M.J. White, R. Srinivasan, C. Santhi, R.D. Harmel, A. van Griensven, M.W. Van Liew, N. Kannan et M.K. Jha, 2012: « SWAT: Model use, calibration, and validation. Transactions of the ASABE », 55(4), 1491-1508., https://doi.org/10.13031/2013.42256.

Bring, A., A. Shiklomanov, et R.B. Lammers, 2017: « Pan-Arctic river discharge: Prioritizing monitoring of future climate change hot spots. Earth's Future », 5(1), 72-92, https://doi.org/10.1002/2016EF000434.

Cannon, A.J., S.R. Sobie, et T.Q. Murdock, 2015: « Bias Correction of GCM Precipitation by Quantile Mapping: How Well Do Methods Preserve Changes in Quantiles and Extremes? Journal of Climate », 28(17), 6938-6959, https://doi.org/10.1175/JCLI-D-14-00754.1.

Gädeke, A., V. Krysanova, A. Aryal, J. Chang, M. Grillakis, N. Hanasaki, A. Koutroulis, Y. Pokhrel, Y. Satoh, S. Schaphoff, H.M. Schmied, T. Stacke, Q. Tang, Y. Wada, et K. Thonicke, 2020: « Performance evaluation of global hydrological models in six large Pan-Arctic watersheds. Climatic Change », 163(3), 1329-1351, https://doi.org/10.1007/s10584-020-02892-2.

Gaur, A., A. Gaur, et S.P. Simonovic, 2018: « Future Changes in Flood Hazards across Canada under a Changing Climate. Water », 10(10), 1441., https://doi.org/10.3390/w10101441.

Giorgi, F., C. Jones, et G.R. Asrar, 2009: « Addressing climate information needs at the regional level: the CORDEX framework. World Meteorological Organization (WMO) Bulletin », 58(3), 175.

Hamman, J.J., B. Nijssen, T.J. Bohn, D.R. Gergel, et Y. Mao, 2018: « The Variable Infiltration Capacity model version 5 (VIC-5): infrastructure improvements for new applications and reproducibility. Geoscientific Model Development », 11(8), 3481-3496, https://doi.org/10.5194/gmd-11-3481-2018.

Liang, X., D.P. Lettenmaier, E.F. Wood, et S.J. Burges, 1994: « A simple hydrologically based model of land surface water and energy fluxes for general circulation models. Journal of Geophysical Research: Atmospheres », 99(D7), 14415-14428, https://doi.org/10.1029/94JD00483.

MacDonald, M.K., T.A. Stadnyk, S.J. Déry, M. Braun, D. Gustafsson, K. Isberg, et B. Arheimer, 2018: « Impacts of 1.5 and 2.0 °C Warming on Pan-Arctic River Discharge Into the Hudson Bay Complex Through 2070. Geophysical Research Letters », 45(15), 7561-7570, https://doi.org/10.1029/2018GL079147.

Marsh, C.B., J.W. Pomeroy, et H.S. Wheater, 2020: « The Canadian Hydrological Model (CHM) v1.0: a multi-scale, multi-extent, variable-complexity hydrological model – design and overview, Geoscientific Model Development », 13(1), 225-247, https://doi.org/10.5194/gmd-13-225-2020.

Pietroniro, A.,V. Fortin, N. Kouwen, C. Neal, R. Turcotte, B. Davison, D. Verseghy, E.D. Soulis, R. Caldwell, N. Evora, et P. Pellerin, 2007: « Development of the MESH modelling system for hydrological ensemble forecasting of the Laurentian Great Lakes at the regional scale. Hydrology and Earth System Sciences », 11(4), 1279-1294, https://doi.org/10.5194/hess-11-1279-2007.

Scheepers, H., J. Wang, T.Y. Gan, et C.C. Kuo, 2018: « The impact of climate change on inland waterway transport: Effects of low water levels on the Mackenzie River. Journal of Hydrology », 566, 285–298, https://doi.org/10.1016/j.jhydrol.2018.08.059.

Schewe, J., J. Heinke, D. Gerten, I. Haddeland, N.W. Arnell, D.B. Clark, R. Dankers, S. Eisner, B.M. Fekete, F.J. Colón-González, S.N. Gosling, H. Kim, X. Liu, Y. Masaki, F.T. Portmann, Y. Satoh, T. Stacke, Q. Tang, Y. Wada, D. Wisser, T. Albrecht, K. Frieler, F. Piontek, L. Warszawski, et P. Kabat, 2014: « Multimodel assessment of water scarcity under climate change. Proceedings of the National Academy of Sciences », 111(9), 3245-3250, https://doi.org/10.1073/pnas.1222460110.

Schoeneberg, A.T., et M.A. Schnorbus, 2021: « Exploring the Strength and Limitations of PCIC’s CMIP5 Hydrologic Scenarios. Pacific Climate Impacts Consortium, University of Victoria », https://www.pacificclimate.org/sites/default/files/publications/Revised_Hydro_Scenarios_ENV_Water_Use_Allocation_Report_21Jun2021.pdf.

Shrestha, R.R., A.J. Cannon, M.A. Schnorbus, et H. Alford, 2019: « Climatic Controls on Future Hydrologic Changes in a Subarctic River Basin in Canada. Journal of Hydrometeorology », 20(9), 1757-1778., https://doi.org/10.1175/JHM-D-18-0262.1.

Stadnyk, T.A., A. Tefs, M. Broesky, S.J. Déry, P.G. Myers, N.A. Ridenour, K. Koenig, L. Vonderbank, et D. Gustafssonand, 2021: « Changing freshwater contributions to the Arctic: A 90-year trend analysis (1981–2070). Elementa: Science of the Anthropocene », 9(1), 00098, https://doi.org/10.1525/elementa.2020.00098.

Teufel, B., et L. Sushama, 2021: « 2 °C vs. High Warming: Transitions to Flood-Generating Mechanisms across Canada. Water », 13(11), 1494, https://doi.org/10.3390/w13111494.

Troin, M., R. Arsenault, J.-L. Martel, et F. Brissette, 2018: « Uncertainty of Hydrological Model Components in Climate Change Studies over Two Nordic Quebec Catchments. Journal of Hydrometeorology », 19(1), 27-46., https://doi.org/10.1175/JHM-D-17-0002.1.

Wang, J., N.K. Shrestha, M.A. Delavar, T.W. Meshesha, et S.N. Bhanja, 2021: « Modelling Watershed and River Basin Processes in Cold Climate Regions: A Review. Water », 13(4), 518. https://doi.org/10.3390/w13040518.

Werner, A.T., M.A. Schnorbus, R.R. Shrestha, A.J. Cannon, F.W. Zwiers, G. Dayon, et F. Anslow, 2019: « A long-term, temporally consistent, gridded daily meteorological dataset for northwestern North America. Scientific Data », 6(1), 1-16., https://doi.org/10.1038/sdata.2018.299.