Auteurs principaux : Stephan Gruber (Université de Carleton)
Même si des variables liées à la température du sol sont disponibles dans les projections climatiques, leur application pour éclairer la prise de décision concernant le dégel futur du pergélisol est limitée. Il s'agit d'une lacune pour laquelle il est urgent de développer de nouvelles connaissances, méthodes et capacités au Canada. En l'absence de pratiques établies, la présente section décrit les considérations importantes à prendre en compte pour l'utilisation des résultats des modèles de projection relatifs au pergélisol dans les applications visant à éclairer les décisions en matière d'adaptation ou d'atténuation.
Contexte : Le changement climatique entraîne la décongélation du pergélisol à l'échelle mondiale et à long terme. Les modèles climatiques utilisés pour estimer les schémas spatiaux et temporels probables des changements climatiques utilisent des grilles d'une résolution horizontale d'environ 100 à 300 km et la rétroaction du dégel du pergélisol sur le changement climatique n'est incluse que dans certains d'entre eux, et seulement partiellement, les processus physiques étant parfois représentés [par exemple Burke et al., 2020] et la dynamique du carbone du pergélisol rarement [par exemple Natali et al., 2021]. Le moment et l'ampleur du dégel du pergélisol résultant du changement climatique sont toutefois déterminés par des caractéristiques de surface (végétation, neige, drainage) et de subsurface (teneur en glace et autres variables géotechniques) qui varient fortement sur des distances de quelques dizaines à quelques centaines de mètres, et par des processus qui se produisent principalement à ces échelles. Les défis à relever pour appuyer les décisions à l'aide des résultats des modèles climatiques qui résultent de cette disparité d'échelles varient selon le type de décision.
Atténuation : L'ampleur et le calendrier de la rétroaction du carbone du pergélisol sont généralement estimés à l'aide de modèles de surface terrestre hors ligne [par exemple, de Vrese et Brovkin, 2021] ou couplés [Burke et al., 2020, CMIP5/6]. Ces derniers présentent des lacunes importantes dans la représentation des processus liés au carbone du pergélisol et des rétroactions liées à l'eau et au thermokarst. Le conflit d'échelle concerne ici la possibilité de comparer les résultats des modèles avec les observations [Melton et al., 2019] et la capacité des grilles grossières à représenter les processus non linéaires dans la sous-grille [Giorgi et Avissar, 1997 ; Gruber, 2012]. Comme la variable d'intérêt ici est la quantité globale de gaz à effet de serre émise par le dégel du pergélisol, le conflit d'échelle peut gravement affecter la qualité de la simulation, mais il ne remet probablement pas fondamentalement en cause l'utilité des résultats. Les biais chauds et froids régionaux peuvent s'équilibrer dans une certaine mesure.
Adaptation : Pour soutenir l'adaptation, la sortie des modèles doit éclairer les décisions liées à des emplacements spécifiques et à des conditions de sol spécifiques, impliquant généralement des variables telles que la température, la teneur en glace et la subsidence de la surface du sol. Ces simulations sont nécessaires à une résolution suffisamment fine (grille ou sous-grille) pour représenter les processus à l'échelle du paysage [O'Neill et al., 2020, Cao et al., 2019, Schneider et al., 2021]. Les modèles utilisés à cette fin ont besoin de capacités spécifiques au pergélisol [Endrizzi et al., 2014, Tubini et al., 2021] et nécessitent des données sur les caractéristiques de la subsurface, comme la teneur en glace, qui sont rarement disponibles en dehors des applications locales. Pour effectuer de telles simulations de pergélisol, les résultats des modèles climatiques doivent être réduits et/ou déformés, par exemple en utilisant la réanalyse. Le débiaisage direct des variables du pergélisol, telles que les températures du sol ou l'épaisseur de la couche active, ne convient pas en raison de l'importance des effets transitoires liés au changement de phase au voisinage de 0ºC.
Considérations supplémentaires : Le pergélisol n'est pas facilement observable à distance, et les observations in situ sont rares et biaisées par rapport à des régions et des types de terrain particuliers [Biskaborn et al., 2015]. Presque aucune donnée n'est disponible pour des périodes climatologiques (par exemple, 30 ans), par exemple, une analyse mondiale récente ne comptait qu'une centaine de sites avec une décennie d'observations [Biskaborn et al., 2019]. Par conséquent, le test de la représentation du pergélisol dans les modèles de surface terrestre doit s'appuyer fortement sur les simulations pilotées par la réanalyse [Cao et al., 2019, Fiddes et al., 2015].
Références - Pergelisol:
Biskaborn, B.K., J.P Lanckman, H. Lantuit, K. Elger, D.A. Streletskiy, W.L. Cable, et V.E. Romanovsky, 2015: « The new database of the Global Terrestrial Network for Permafrost (GTN-P). Earth System Science Data », 7(2), 245-259.
Biskaborn, B.K., S.L. Smith, J. Noetzli, H. Matthes, G. Vieira, D.A. Streletskiy, P. Schoeneich, V.E. Romanovsky, A.G. Lewkowicz, A. Abramov, M. Allard, J. Boike, W.L. Cable, H.H. Christiansen, R. Delaloye, B. Diekmann, D. Drozdov, B. Etzelmüller, G. Grosse, M. Guglielmin, T. Ingeman-Nielsen, K. Isaksen, M. Ishikawa, M. Johansson, H. Johannsson, A. Joo, D. Kaverin, A. Kholodov, P. Konstantinov, T. Kröger, C. Lambiel, J.-P. Lanckman, D. Luo, G. Malkova, I. Meiklejohn, N. Moskalenko, M. Oliva, M. Phillips, M. Ramos, A.B.K. Sannel, D. Sergeev, C. Seybold, P. Skryabin, A. Vasiliev, Q. Wu, K. Yoshikawa, M. Zheleznyak, et H. Lantuit, 2019: « Permafrost is warming at a global scale. Nature communications », 10(1), 1-11, doi:10.1038/s41467-018-08240-4.
Burke, E.J, Y. Zhang, et G. Krinner, 2020: « Evaluating permafrost physics in the Coupled Model Intercomparison Project 6 (CMIP6) models and their sensitivity to climate change. The Cryosphere », 14(9), 3155-3174, doi:10.5194/tc-14-3155-2020.
Cao, B., X. Quan, N. Brown, E. Stewart-Jones, 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.. doi:10.5194/gmd-12-4661-2019.
Endrizzi, S., S. Gruber, M. Dall'Amico, et R. Rigon, 2014: « GEOtop 2.0: simulating the combined energy and water balance at and below the land surface accounting for soil freezing, snow cover and terrain effects. Geoscientific Model Development », 7(6), 2831-2857.
Fiddes, J., S. Endrizzi, et S. Gruber, 2015: « Large-area land surface simulations in heterogeneous terrain driven by global data sets: application to mountain permafrost. The Cryosphere », 9(1), 411-426, doi:10.5194/tc-9-411-2015.
Giorgi, F., et R. Avissar, 1997: « Representation of heterogeneity effects in earth system modeling: Experience from land surface modeling. Reviews of Geophysics », 35(4), 413-437.. doi:10.1029/97RG01754.
Gruber, S., 2012: « Derivation and analysis of a high-resolution estimate of global permafrost zonation. The Cryosphere », 6(1), 221-233.. doi:10.5194/tc-6-221-2012.
Natali, S.M, J.P. Holdren, B.M. Rogers, R. Treharne, P.B. Duffy, R. Pomerance, et E. MacDonald, 2021: « Permafrost carbon feedbacks threaten global climate goals. Proceedings of the National Academy of Sciences », 118(21).
Melton, J.R., V.K. Arora, E. Wisernig-Cojoc, C. Seiler, M. Fortier, E. Chan, et L. Teckentrup, 2020: « CLASSIC v1. 0: the open-source community successor to the Canadian Land Surface Scheme (CLASS) and the Canadian Terrestrial Ecosystem Model (CTEM)–Part 1: Model framework and site-level performance. Geoscientific Model Development », 13(6), 2825-2850, doi:10.5194/gmd-12-4443-2019.
O’Neill, H.B., C.R. Burn, M. Allard, L.U. Arenson, M.I. Bunn, R.F. Connon, S.A. Kokelj, S.V. Kokelj, A.-M. LeBlanc, P.D. Morse, et S.L. Smith, 2020: Permafrost thaw and northern development. Nature Climate Change, 10(8), 722-723. doi:10.1038/s41558-020-0862-5.
Schneider Von Deimling, T., H. Lee, T. Ingeman-Nielsen, S. Westermann,V. Romanovsky, S. Lamoureux , D.A. Walker, S. Chadburn, E. Trochim, L. Cai, J. Nitzbon, S. Jacob, et M. Langer , 2021: « Consequences of permafrost degradation for Arctic infrastructure–bridging the model gap between regional and engineering scales. The Cryosphere », 15(5), 2451-2471, doi:10.5194/tc-15-2451-2021.
Tubini N., S. Gruber, et R. Rigon, 2021: « A method for solving heat transfer with phase change in ice or soil that allows for large time steps while guaranteeing energy conservation. Cryosphere », 15:2541–2568, doi:10.5194/tc-15-2541-2021.
de Vrese, P., et V. Brovkin, 2021: « Timescales of the permafrost carbon cycle and legacy effects of temperature overshoot scenarios. Nature communications », 12(1), 1-13.. doi:10.1038/s41467-021-23010-5.