Auteurs principaux : Paul Kushner (Université de Toronto) et Elaine Barrow (CCSC/ECCC)
Les résultats des modèles climatiques constituent une source de données distincte, mais essentielle, pour la prise de décisions en matière d’analyse et d’adaptation climatiques; leur utilisation dans le Nord canadien pose un défi technique à de nombreuses applications. Les résultats des modèles climatiques couvrent les conditions historiques et futures, ou « projetées » (Eyring et coll., 2016). Les résultats des modèles climatiques historiques peuvent être évalués ou comparés aux données climatiques historiques provenant de stations, de réanalyses et d’autres sources. Une telle comparaison doit tenir compte de la conception du modèle climatique; en général, les résultats du modèle climatique ne peuvent pas être considérés comme étant précisément égals aux conditions observées dans le passé, pour les raisons qui suivent, mais il doit représenter bien les statistiques du climat passé. Une comparaison entre les résultats du modèle climatique et les données historiques observées peut fournir une évaluation de la pertinence du modèle climatique pour une application donnée. Si le résultat du modèle climatique est jugé approprié pour une application, la comparaison modèle-observation fournit également des ajustements numériques pour mieux aligner le résultat du modèle climatique avec les conditions régionales ou locales. Dans les applications, ce type d’étalonnage (mise à l’échelle) utilise habituellement des données ponctuelles/celles de la station de mesure ou des données sur grille à une résolution plus haute que le modèle climatique. Les données climatiques projetées peuvent ensuite être combinées à ces ajustements pour produire une analyse des conditions futures, pour une application donnée.
Les modèles climatiques représentent la variabilité et les changements climatiques passés, actuels et prévus d’une manière cohérente sur le plan physique. Au cours de plusieurs décennies, le réalisme des modèles climatiques a augmenté parallèlement à l’amélioration des connaissances du système climatique et à l’avancement de la technologie informatique. Les modèles climatiques physiques de base sont appelés modèles de circulation générale ou modèles climatiques globaux (MCG). Les MCG comprennent des algorithmes et des logiciels complexes qui reposent sur les principes de la dynamique des fluides, de la thermodynamique et du « transfert radiatif », c’est-à-dire le flux de rayonnement électromagnétique dans le système soleil-atmosphère-Terre. Un MCG représente, dans un ordinateur, les equations mathématique des processus physiques de l’atmosphère, de l’océan, de la cryosphère et de la surface terrestre, ainsi que les interactions et lea rétroactions entre eux. Le système Terre-atmosphère-océan est divisé en milliers de mailles de grille tridimensionnelles, chacune ayant une résolution horizontale de 100 à 300 km et contenant les équations mathématiques décrivant comment l’énergie et la matière sont transférées dans le système climatique (figure 2.2). Il y a généralement entre 30 et 40 couches verticales dans l’atmosphère, entre 3 et 10 couches dans le sol et entre 40 et 50 couches dans l’océan.
Figure 2.2 : Représentation simplifiée d’un modèle climatique. Les processus climatiques qui se produisent dans chacune des milliers de mailles de grille sont représentés par des équations basées sur les lois fondamentales de la physique, du mouvement des fluides et de la chimie. (Source : Cannon et coll., 2020)
Outre leur résolution, les MCG se distinguent par la complexité et l’exhaustivité des composantes des systèmes climatiques qu’elles représentent. Les modèles du système terrestre (MST) représentent la plus récente génération de modèles climatiques. Ils comportent tous les éléments d’un MCG typique, mais aussi des cycles biogéochimiques, qui décrivent le transfert de produits chimiques entre des êtres vivants et leur environnement physique et biologique. Les MST peuvent donc inclure et représenter explicitement les cycles du carbone et de l’azote, la chimie atmosphérique, l’écologie océanique et les changements dans la végétation et l’utilisation des terres. L’inclusion de ces cycles biogéochimiques signifie que les écosystèmes marins et terrestres (p. ex., les forêts) dans le MST peuvent réagir au CO2 atmosphérique, à la température et aux précipitations. Cela nous permet de modéliser l'évolution du carbone provenant du CO2 et d’autres gaz à effet de serre (GES) émis dans l’atmosphère par la combustion de combustibles fossiles.
Malgré la complexité des modèles climatiques, ils ne sont pas parfaits. Bien qu’ils représentent notre meilleure compréhension du fonctionnement du système Terre-atmosphère-océan, le système climatique est très complexe et il demeure fondamentalement impossible de modéliser tous ses processus. Les échelles spatiales relativement grossières des modèles limitent la modélisation explicite des processus qui se produisent à des échelles plus haute que celles de la grille, comme les processus relatifs aux nuages, les processus convectifs et la turbulence. Dans ces cas, les processus physiques, chimiques et biologiques sont paramétrés, c’est-à-dire que leurs effets sont représentés par des approximations dont la conception varie selon les différents modèles.
Aucun modèle climatique n’existe en vase clos. La communauté internationale de la modélisation climatique, qui se compose de nombreux groupes de modélisation climatique exploitant des dizaines de MCG et de MST, s’organise sous les auspices du Projet de comparaison de modèles couplés (CMIP pour Coupled model intercomparison project en anglais), qui fait partie du Programme mondial de recherche sur le climat (PMRC ou WCRP pour World Climate Research Programme en anglais) . Bien que ces modèles climatiques soient tous fondés sur les mêmes principes physiques, chaque groupe paramètre les mêmes processus d’une manière légèrement différente et fait des choix différents au sujet de la structure du modèle et de la résolution horizontale et verticale. De plus, les groupes de modélisation prennent des décisions de conception au sujet des processus à inclure ou non dans un modèle, ce qui constitue une autre source de diversité des modèles. Ainsi, différents modèles réagissent de diverses façons au même forçage, comme le forçage anthropique des GES. À ce stade, l’approche actuelle pour composer avec cette « incertitude dans la représentation du climat par les modèles» est l’approche pluraliste qui met l’accent sur l’utilisation d’ensembles de nombreux modèles climatiques (Meeht et coll., 2007), sélectionnés à l'aide de diverses stratégies (p. ex., Massonnet et coll., 2012; Evans et coll., 2013; Cannon, 2015; Cook et coll., 2017; Herger et coll., 2018; Docquier et Koenigk, 2021). Toutefois, il existe des limites à cette approche et d’autres approches ont été suggérées, comme l’approche unifiée qui concentre plus de ressources sur moins de modèles avec une résolution plus haute et une meilleure représentation globale de tous les processus (Hurrell et coll., 2009, Palmer, 2012).
Comme pour tout modèle mathématique, les modèles climatiques ont besoin de conditions initiales pour initialiser les calculs et les conditions limites qui représentent des paramètres et des variables externes. Parce qu’il est impossible de connaître l’état exact du climat à un moment donné et parce que le système climatique est un système chaotique (une petite différence dans les conditions initiales aboutira à une nouvelle solution – p. ex., les oscillations dans l’atmosphère et dans l’océan, comme El Niño-oscillation australe ou l’oscillation arctique, varieront pour chaque modèle exécuté avec des conditions initiales légèrement différentes), il n’est pas possible de simuler l’évolution temporelle du système climatique de manière déterministe même si le modèle climatique représente parfaitement le système dans ces équations. L’approche visant à gérer ce qu’on appelle la « variabilité interne du climat » consiste à exécuter de multiples simulations à partir de chaque modèle. Bien qu’une seule simulation ou une « réalisation » d’un modèle ne puisse pas prédire exactement le moment de divers phénomènes dans le système climatique, leurs caractéristiques statistiques peuvent être potentiellement bien caractérisées par un ensemble suffisamment important de réalisations. Par conséquent, chaque centre climatique a soumis au CMIP un nombre multiple de réalisations avec le même modèle. Ainsi, en raison de la variabilité interne du climat, un modèle qui est exécuté sur la période historique est intrinsèquement incapable de représenter avec précision les conditions météorologiques quotidiennes historiques. Cependant, un MCG peut être considéré comme réaliste dans la mesure où ses statistiques climatiques sont conformes aux statistiques climatiques observées.
À l’heure actuelle, des ensembles comportant de multiples réalisations de différents MCG et MST sont utilisés pour simuler le climat préindustriel et l’évolution historique du climat, ainsi que pour créer des projections climatiques futures. Compte tenu de la complexité actuelle des MST, une vaste gamme de variables liées au climat et à l’environnement peut être extraite pour chaque maille de grille d’un MST afin de décrire l’état physique de l’atmosphère, de la surface terrestre et de l’océan. Bien que les simulations de modèles réelles soient généralement effectuées à des pas de temps de 10 à 20 minutes, les considérations relatives au stockage signifient que les données ne sont pas archivées à une résolution temporelle aussi haute. On utilise plutôt une approche par paliers dans laquelle quelques variables choisies sont stockées sur des échelles temporelles d’une à trois heures et un nombre croissant de variables sont stockées sur des échelles temporelles quotidiennes et mensuelles. Les résultats du modèle sont en principe disponibles pour tous les sous-domaines d’intérêt du présent rapport, y compris les variables météorologiques, pour la neige et l’hydrologie, la glace de mer et, dans une certaine mesure, le pergélisol. Cependant, tous les résultats des modèles doivent être évalués en fonction de la pertinence du processus et de la représentation spatio-temporelle, selon les applications.
Les résultats des modèles climatiques partagent les mêmes considérations d'échantillonnage que les données des réanalyses (section 2.1.3). Étant donné que les données de sortie des MCG et MST sont des produits sur grille, comme les produits des réanalyses, la comparaison des modèles climatiques aux observations doit tenir compte des facteurs locaux, de la densité des observations et des ajustements pour des sites particuliers (comme la topographie qui n'est pas explicitement représentée dans les MCG).
La quantité énorme et croissante de modèles offerts présente à la fois des défis et des possibilités d’application dans le Nord canadien. Les limites des données d’observation décrites à la section 2.1 pour le Nord canadien donnent à penser que l’évaluation du réalisme des MCG et des MST demeure un défi de taille dans cette région. Bien qu’il existe des exemples de telles applications, du moins à grande échelle (p. ex., Guo et Wang, 2016, Bush et Lemmen, 2019; Mudryk et coll., 2021), il y a moins d’exemples de mise à d’échelle des données de MST pour les applications d’intérêt pour les collectivités du Nord. (p. ex., Teufel et Sushama, 2019; Barrette et coll., 2020). Enfin, il demeure complexe pour l’Arctique de trouver la meilleure méthode de sélection parmi les MST pour déterminer si elles conviennent aux besoins (p. ex., Massonnet et coll., 2012). Mais tout compte fait, étant donné l’attention accrue portée à la représentation des processus du climat froid dans les régions polaires, il y a maintenant de meilleures possibilités d’exploiter plusieurs générations de MST pour évaluer la cohérence et la robustesse des projections climatiques dans le Nord canadien.//
Nous fournissons aux utilisateurs les conseils généraux suivants à garder à l'esprit lorsqu'ils utilisent les résultats des modèles climatiques:
- Avant d’utiliser les données de sortie de modèles climatiques dans des applications pour des projections futures dans le Nord canadien, il faut bien comprendre la façon dont les processus sont représentés dans les modèles climatiques et les comparer aux données climatiques historiques observées. Par conception, les résultats des modèles climatiques couvrant la période historique ne devraient pas être égaux aux observations à chaque instant. Au lieu de cela, les statistiques des données de sortie des modèles climatiques doivent être comparées aux statistiques observées, à l’aide de multiples réalisations d’un modèle climatique donné, selon les disponibilités.
- Étant donné que les MCG et les MST récents diffèrent sur le plan de la résolution, de la représentation des processus, etc., il est recommandé d’utiliser plusieurs MCG et MST dans une analyse donnée. La sélection des MCG et MST dépend de l'application.
- Il faut faire preuve de prudence lorsqu’on utilise les données de sortie des modèles climatiques pour définir les tendances ou la variabilité sur une longue période, car les effets de la variabilité interne peuvent être importants (Deser et coll., 2016), surtout à des latitudes élevées; l’analyse des tendances nécessite une évaluation sur un vaste ensemble de réalisations.
Des détails sur les forçages des modèles climatiques, d’autres aspects de la conception expérimentale, les ensembles disponibles pour téléchargement, la discussion des limites et la prise en compte des pratiques exemplaires actuelles dans les applications pour le Nord canadien sont présentés au chapitre 4.
Références - Description générale des sources de données
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 (éditeurs): « 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.L., 2015: « Selecting GCM scenarios that span the range of changes in a multimodel ensemble: Application to CMIP5 climate extremes indices. Journal of Climate », 28(3), 1260-1267.
Cannon, A.J., D.I. Jeong, X. Zhang, et F.W. Zwiers, 2020: Bâtiments et infrastructures publiques de base résistants aux changements climatiques (BIPBRCC): évaluation des effets des changements climatiques sur les données de conception climatique au Canada, Gouvernement du Canada, Ottawa, ON. 106 p.
Cook, L.M., C.J. Anderson, et C. Samaras, 2017: « Framework for incorporating downscaled climate output into existing engineering methods: application to precipitation frequency curves. Journal of Infrastructure Systems », 23(4), 04017027, doi: 10.1061/(ASCE)IS.1943-555X.0000382.
Cullather, R.I., T. Hamill, D. Bromwich, X. Wu, et P. Taylor, 2016: « Systematic improvements of reanalyses in the Arctic (SIRTA): A White paper. Développé pour Interagency Arctic Research Policy Committee (IARPPC) », Consulté le: 2022-02-09. Accessible depuis: www.iarpccollaborations.org/uploads/cms/documents/sirta-white-paper-final.pdf
Deser, C., L. Terray, et A.S. Phillips, 2016: « Forced and internal components of winter air temperature trends over North America during the past 50 years: Mechanisms and implications. Journal of Climate », 29(6), 2237-2258.
Docquier, D. et T. Koenigk, 2021: « Observation-based selection of climate models projects Arctic ice-free summers around 2035. Communications Earth & Environment », 2(1), 1-8, doi:10.1038/s43247-021-00214-7.
Evans, J.P., F. Ji, G. Abramowitz, et M. Ekström, 2013: « Optimally choosing small ensemble members to produce robust climate simulations. Environmental Research Letters », 8(4), 1-4, doi:10.1088/1748-9326/8/4/044050.
Eyring, V., S. Bony, G.A. Meehl, C.A. Senior, B. Stevens, R.J. Stouffer, et K.E. Taylor, 2016: « Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development ». 9(5), 1937–1958, doi:10.5194/gmd-9-1937-2016.
Guo, D. et H. Wang, 2016: « CMIP5 permafrost degradation projection: A comparison among different regions. Journal of Geophysical Research: Atmospheres », 121(9), 4499–4517, doi:10.1002/2015JD024108.
Herger, N., G. Abramowitz, R. Knutti, O. Angélil, K. Lehmann, et B.M. Sanderson, 2018: « Selecting a climate model subset to optimise key ensemble properties. Earth System Dynamics », 9(1), 135–151.
Hofstra, N., M.R. Haylock, M. New, P.D. Jones, et C. Frei, 2008: « Comparison of six methods for the interpolation of daily European climate data. Journal of Geophysical Research: Atmospheres », 113(D21), doi:10.1029/2008JD010100.
Hofstra, N., M. New, et C. McSweeney, 2010: « The influence of interpolation and station network density on the distributions and trends of climate variables in gridded daily data. Climate Dynamics », 35(5), 841–858, doi:10.1007/s00382-009-0698-1.
Hurrell J., G.A. Meehl, D. Bader, T.L. Delworth, B. Kirtman, et B. Wielicki, 2009: « A unified modelling approach to climate system prediction. Bulletin of the American Meteorological Society », 90(12), 1819–1832.
Keller, J.D. et S. Wahl, 2021: « Representation of Climate in Reanalyses: An Intercomparison for Europe and North America. Journal of Climate », 34(5), 1667-1684.
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.
Massonnet, F., T. Fichefet, H. Goosse, C.M. Bitz, G. Philippon-Berthier, M.M. Holland, et P.-Y. Barriat, 2012: « Constraining projections of summer Arctic sea ice. The Cryosphere », 6(6), 1383–1394, doi:10.5194/tc-6-1383-2012.
Meehl, G.A., C. Covey, T. Delworth, M. Latif, B. McAvaney, J.F.B. Mitchell, R.J. Stouffer, et K.E. Taylor, 2007: « The WCRP CMIP3 multimodel dataset—a new era in climate change research. Bulletin of the American Meteorological Society », 88(9), 1383-1394.
Mekis, E., et W.D. Hogg, 1999: « Rehabilitation and analysis of Canadian daily precipitation time series. Atmosphere-Ocean », 37(1), 53–85. doi:10.1080/07055900.1999.9649621.
Mekis, É. et L.A. Vincent, 2011: « An overview of the second generation adjusted daily precipitation dataset for trend analysis in Canada. Atmosphere-Ocean », 49(2), 163-177.
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. doi:10.1080/07055900.2018.1433627.
Mudryk, L.R., J. Dawson, S.E. Howell, C. Derksen, T.A. Zagon, et M. Brady, 2021: « Impact of 1, 2 and 4 °C of global warming on ship navigation in the Canadian Arctic. Nature Climate Change », 11(8), 673-679, doi:10.1038/s41558-021-01087-6.
Palmer, T., 2012: « Towards the probabilistic earth-system simulator: a vision for the future of climate and weather prediction. Quarterly Journal of the Royal Meteorological Society », 138(665), 841-861.
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, doi: 10.1007/s00704-019-02952-3.
Serreze, M.C. et R.G. Barry, 2014: « The Arctic climate system, 2 edn., Cambridge University Press », Cambridge, 415 p.
Teufel, B. et L. Sushama, 2019: « Abrupt changes across the Arctic permafrost region endanger northern development. Nature Climate Change », 9(11), 858–862.
Vincent, L.A., X.L. Wang, E.J. Milewska, H. Wan, F. Yang, et V. Swail, 2012: « A second generation of homogenized Canadian monthly surface air temperature for climate trend analysis, Journal of Geophysical Research: Atmospheres », 117(D18), doi:10.1029/2012JD017859.
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, doi:10.1080/07055900.2020.1765728.