Université Paul Sabatier

Présentation au sujet: "Université Paul Sabatier"— Transcription de la présentation:

1 Université Paul Sabatier
Impacts du changement climatique sur le potentiel éolien en France: une étude de régionalisation 6 novembre 2008 Julien Najac CERFACS/CNRS Électricité De France Université Paul Sabatier

2 + - + 1. Introduction L’énergie éolienne 4ème rapport du GIEC (2007):
le réchauffement climatique est sans équivoque l’essentiel de l’élévation de la température moyenne du globe depuis le milieu du XXème siècle est très probablement attribuable à la hausse des concentrations en gaz à effet de serre (GES) anthropiques la poursuite des émissions de GES au rythme actuel ou à un rythme plus élevé devrait accentuer le réchauffement et modifier profondément le système climatique au XXIème siècle Nécessité de diminuer nos émissions de GES + Epuisement progressif des sources d’énergie fossiles Pour la production d’électricité, l’énergie éolienne est une énergie séduisante - + -pas d’émission de GES -technologie relativement simple production énergétique décentralisée source d’énergie inépuisable -indépendance énergétique -production électrique modeste -caractère aléatoire / prévision production -interférences électromagnétiques/radars -nuisances visuelles et sonores -oiseaux /chauve-souris

3 1. Introduction L’énergie éolienne
Pour une éolienne classique à axe horizontal, la puissance éolienne disponible est : u: vitesse du vent ρ: densité de l’air D: diamètre du rotor D La puissance électrique en sortie de l’éolienne est : avec 0 ≤ Cp ≤ ( coefficient de puissance ) → Cp = 0 pour u ≤ 4 m/s et u ≥ 25 m/s → en général, Cp = 0.5 la puissance électrique maximale d’une éolienne terrestre est actuellement de l’ordre de 1 MW (1,3 GW pour un réacteur nucléaire)

4 1. Introduction L’énergie éolienne
Production brute d’électricité en France en 2007: 544 TWh L’énergie éolienne connait actuellement une très forte croissance Pourcentage de la production nette d’électricité (%) (~ 48 réacteurs nucléaires à pleine puissance) Eolien % Autre renouvelable % Hydraulique % Thermique à flamme % Nucléaire % ● fort potentiel éolien (Nord, Bretagne, Sud-est) ● développement tardif tarifs de rachat très attrayants Objectif du Grenelle de l’Environnement: 10 % en 2020 (x10) le fort développement de l’éolien devrait se poursuivre

5 1. Introduction Les changements climatiques
Pourquoi estimer l’impact du réchauffement global sur les vents de surface ? → potentiel éolien → dimensionnement de bâtiments et ouvrages d’art (extrêmes de vents) → circulation océanique (échange de chaleur et de quantité de mouvement) Changement relatif moyen multi-modèles (%) du vent à 10 m ( ) vs ( ) GIEC 2007, SRES A1B les vecteurs anomalies sont indiqués lorsqu’au moins 80 % des modèles prévoient un changement du même signe

6 1. Introduction Les vents de surface
vents de surface = vent à 10 m (80 m pour application au potentiel éolien) → les vents de surface (module + direction) présentent une forte variabilité Spectre d’énergie de la vitesse du vent à 10 m [d’après van der Hoven 1957] Variabilité temporelle Nous ne considérons que des moyennes journalières - observations : calculées à partir de 24 valeurs horaires (moyennes sur 10 minutes) - modèles : calculées à partir de 24 valeurs horaires (valeurs instantanées)

7 1. Introduction Les vents de surface
vents de surface = vent à 10 m (80 m pour application au potentiel éolien) → les vents de surface (module + direction) présentent une forte variabilité Vent à 10 m le 18/12/1989 à 00 UTC (Simulation avec Méso-NH – 9 km) Variabilité spatiale Problème: la résolution spatiale des modèles climatiques est faible 150 – 350 km (GIEC 2007) Inadéquation entre la résolution des modèles climatiques et l’échelle spatiale d’intérêt pour le potentiel éolien

8 1. Introduction Les vents de surface Anomalies de vent à 10m associées
Observations (Météo-France) Flux de nord Anomalies PSL (hPa) (Réanalyses ERA40) Anomalies de vent à 10m associées ECHO-G km ECHAM km Méso-NH - 9 km Méso-NH - 3 km nsles Anomalies de vent à 10m associées

9 Désagrégation statistique Désagrégation dynamique
1. Introduction La régionalisation Problème: Comment passer de l’échelle spatiale des modèles climatiques à l’échelle spatiale permettant d’estimer le potentiel éolien ? régionalisation / descente d’échelle / désagrégation Caractéristiques géographiques locales (relief, rugosité du sol) Etat climatique de grande échelle Etat climatique local (vent à 10m) Désagrégation statistique Etablir un modèle statistique reliant le vent de surface aux variables de grande échelle Désagrégation dynamique Résoudre explicitement la physique et la dynamique du système climatique régional

10 1. Introduction Objectifs
peu d’études de régionalisation et d’études d’impact du réchauffement global sur les vents de surface (Pryor et al pour l’Europe du Nord) Objectifs de la thèse Développer différentes stratégies de descente d’échelle (statistique, dynamique) pour les vents de surface en France Etudier les impacts du réchauffement global sur les vents de surface en France Etudier les incertitudes associées

11 1. Introduction Plan de l’exposé
Plan de l’exposé : la régionalisation, étape par étape Etat climatique de grande échelle Part. 2 Liens entre la circulation atmosphérique de grande échelle et le vent à 10m Régimes de temps et Types de temps Part. 3 Désagrégation statistique Part. 4 Désagrégation hybride (statistico-dynamique) vent à 10 m Part. 5 Impacts et incertitudes

12 Sommaire Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Méthode de désagrégation hybride 5. Impacts et incertitudes 6. Conclusion et perspectives

13 2. Circulation atmosphérique
Introduction Etat climatique de grande échelle (prédicteurs) modèle statistique Etat climatique local vent à 10 m - France Préliminaire: étudier les liens entre la circulation atmosphérique de grande échelle et les vents de surface en France Idée: ● définir des groupes de jours présentant des circulations atmosphériques de grande échelle similaires ● voir si ces groupes de jours sont discriminants pour le UV10 en France: 1) anomalies marquées 2) variabilité intra-groupes faible 3) extrêmes leee Comment: méthodes de classification

14 2. Circulation atmosphérique
Introduction La classification Groupe 1 Centroïde du Groupe 1 Centroïde d’un groupe: composite (moyenne) de la variable classifiée à l’intérieur de ce groupe pression atmosphérique moyennes journalières Groupe 2 Centroïde du Groupe 2 Chaque groupe est défini: par son centroïde par la distribution des jours autour du centroïde La variabilité du UV10 peut s’expliquer par: des modifications inter-groupes changements de la fréquence d’occurrence des groupes des modifications intra-groupes ex: modifications de la distribution des jours à l’intérieur des groupes leee

15 2. Circulation atmosphérique
Méthode → Analyse classique en régimes de temps (Vautard 1990) ● classification PSL journalière (PSL = pression atmosphérique au niveau de la mer ) ● région Europe-Atlantique Nord ● 4 régimes en hiver 4 régimes en été → Analyse en types de temps ● classification préliminaire multi-variée (UV850, UV10) centroïdes calculés dans l’espace (UV850) reclassification du UV850 (d’après Plaut et al. 2001) ● région France étendue ● 6 types de temps en hiver 6 types de temps en été (critères de Michelangeli et al. 1995) Données: classification PSL : Réanalyses ERA40 UV850 : Réanalyses ERA40 UV10 : Observations SQR Météo-France 78 stations Hiver = ONDJFM Été = AMJJAS

16 2. Circulation atmosphérique
Régimes et types de temps Les régimes et les types de temps sont-ils discriminants pour le UV10 ? Hiver Exemples de régimes de temps Exemples de types de temps Anomalies PSL Anomalies UV10 Anomalies UV850 – PSL Anomalies UV10

17 2. Circulation atmosphérique
Régimes et types de temps Les régimes et les types de temps sont-ils discriminants pour le UV10 ? Hiver → Moyenne de la variance intra-groupes du UV10 / Variance totale du UV10 Régimes de temps Types de temps

18 2. Circulation atmosphérique
Régimes et types de temps Les régimes et les types de temps sont-ils discriminants pour le UV10 ? → les extrêmes de vents (approche REXA, Yiou et al. 2004) Régimes de temps Types de temps Pour chaque station, régimes et types de temps présentant le plus grand nombre de jours de vent fort (vitesse du vent supérieure au 99ème percentile) Seules sont indiquées les stations où plus de 50 % des jours de vent fort sont associés au régime ou au type de temps obtenu

19 2. Circulation atmosphérique
Types de temps Conclusions: les types de temps sont plus appropriés pour l’étude des vents de surface sur la France que les régimes de temps: - anomalies plus marquées - variabilité intra-groupes plus faible - plus discriminants pour les extrêmes les types de temps vont être utilisés comme base pour les méthodes de désagrégation présentées dans la suite

20 Sommaire Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Méthode de désagrégation hybride 5. Impacts et incertitudes 6. Conclusion et perspectives

21 Etat climatique de grande échelle
3. Désagrégation statistique Méthode Principe général de la méthode: Apprentissage Reconstruction 14 modèles (GIEC) 3 périodes: (A1B) (A1B) Modèle CMIP3 UV850 Simu Etat climatique de grande échelle UV850 moyenne journalière Réanalyses ERA40 Modèle statistique Etat climatique local UV10 moyenne journalière Observations SQR UV10 Desag Été et hiver traités séparément

22 Coefficients de régression
3. Désagrégation statistique Méthode Période d’apprentissage ( ) Etude d’impact (1970, 2050, …) UV850 (moyenne journalière) Réanalyses ERA40 Modèles climatiques UV850 (moyenne journalière) Types de temps Calcul des distances aux centroïdes des types de temps Calcul des distances journalières aux centroïdes des types de temps Régressions linéaires multiples entre les distances aux centroïdes et le vent à 10 m observé UV10 (moyenne journalière) U10Reg = f (distances centroïdes) + ré-échantillonnage (variance) Coefficients de régression

23 3. Désagrégation statistique
Validation Plusieurs paramètres du modèle statistique ont été testés: ● prédicteurs (UV850, Z500, PSL, Vort500, combinaisons de variables) ● zone géographique des prédicteurs → performance de la méthode / liens forts avec le UV10 → correctement simulés par les modèles climatiques ● étape de régression ● ré-échantillonnage → performance de la méthode Cette méthode a été confrontée à d’autres méthodes plus classiques: ● méthode des analogues ● régression sur les composantes principales → performances de notre méthode similaires ou plus élevées (en particulier, meilleure reproduction de la variance)

24 Nombre de jours de vent fort (u > 16 m/s à au moins une station)
3. Désagrégation statistique Validation Validation croisée sur la période (prédicteur UV850 ERA40) Cycle saisonnier Ouessant Nîmes Ouessant Nîmes Observation Désagrégé Nombre de jours de vent fort (u > 16 m/s à au moins une station) u10 désagrégé vs u10 observé

25 3. Désagrégation statistique
Validation Validation sur la période (prédicteur UV850 des modèles CMIP3) u10 désagrégé vs u10 observé % Ordre décroissant de résolution 150 km 350 km Moyennes sur la France des erreurs relatives absolues (%)

26 3. Désagrégation statistique
Validation Hypothèse de stationnarité: Le modèle statistique établi sur la période historique est supposé rester valide dans le futur cette hypothèse peut-être testée dans le monde des modèles climatiques (Frias et al. 2008) Apprentissage Reconstruction Modèle CMIP3 Modèle CMIP3 Modèle CMIP3 Période indépendante (validation croisée) UV850 Réanalyses UV850 Simu l’erreur sur le vent à 10 m, dans le monde des modèles CMIP3, augmente-t-elle dans le futur ? UV850 Simu Modèle statistique UV10 Obs UV10 Simu UV10 Desag UV10 Simu

27 Hypothèse de stationnarité:
Moyenne spatiale multi-modèles des corrélations journalières entre u10-Desag et u10-Simu Moyenne spatiale multi-modèles des erreurs relatives absolues sur la moyenne entre u10-Desag et u10-Simu %

28 - + 3. Désagrégation statistique Conclusion Conclusions:
●avec le UV850 des réanalyses ERA40, la méthode permet de reproduire correctement les caractéristiques principales du vent à 10 m : moyenne, variance, variabilité interannuelle… ●avec les modèles CMIP3, les performances de la méthode sont peu dégradées ●l’hypothèse de stationnarité n’est pas rejetée - + -peu coûteuse en temps de calcul reconstruction de séries temporelles - dépend de la qualité des données observées ne permet de reconstruire le vent à 10 m qu’aux 78 stations SQR

29 Sommaire Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Méthode de désagrégation hybride 5. Impacts et incertitudes 6. Conclusion et perspectives

30 4. Désagrégation hybride
Méthode Etat climatique de grande échelle (prédicteurs) vent à 850hPa journalier UV850 Modèle statistique Etat climatique local vent à 10m journalier UV10 Méthode hybride: établir une relation statistique entre UV10 et UV850 en utilisant un petit nombre de simulations d’un modèle méso-échelle au lieu d’observations à des stations Méthode déjà utilisée pour des périodes historiques (Frey-Buness et al. 1995, Champeaux et al – action RETIC B95) mais jamais pour étudier le climat futur

31 Simulations méso-échelles
4. Désagrégation hybride Méthode Apprentissage UV850 (moyenne journalière) (Réanalyses ERA40 – ) Type1 Type6 Types de temps Subdivision des types de temps en classes de vent, en fonction de la fréquence d’occurrence des types de temps un jour est choisi au hasard dans chaque classe de vent Simulations méso-échelles des jours sélectionnés { U10m, i / i  classes de vent} Été et hiver traités séparément

32 4. Désagrégation hybride
Méthode Apprentissage Etape 1: Echantillonnage UV850 (moyenne journalière) (Réanalyses ERA40 – ) L’échantillon de jours doit permettre de reconstruire la distribution du UV10 → taille de l’échantillon de jours ? ie nombre de classes de vent ? Types de temps C’est un compromis: - simulations méso-échelles très coûteuses en temps de calcul - qualité de la reconstruction Subdivision des types de temps en classes de vent, en fonction de la fréquence d’occurrence des types de temps → 200 jours (100 pour chaque saison) un jour est choisi au hasard dans chaque classe de vent Hiver Simulations méso-échelles des jours sélectionnés { U10m, i / i  classes de vent} Etape 2: Simulations méso-échelles

33 Simulations méso-échelles
4. Désagrégation hybride Méthode Apprentissage Etude d’impact (1970, 2050, …) UV850 (moyenne journalière) (Réanalyses ERA40 – ) Modèles climatiques UV850 (moyenne journalière) Types de temps Subdivision des types de temps en classes de vent, en fonction de la fréquence d’occurrence des types de temps Calcul de la fréquence d’occurrence des classes de vent un jour est choisi au hasard dans chaque classe de vent Pondération des simulations méso-échelles par les fréquences d’occurrence des classes de vent Simulations méso-échelles des jours sélectionnés { u10m, i / i  classes de vent} Distribution du vent à 10 m

34 Roses de vent et critère de qualité
4. Désagrégation hybride Méthode Roses de vent et critère de qualité Les roses de vent à 10m sont constituées de 55 catégories 1 catégorie de vents faibles U10 < 1.5 m/s 3 autres catégories pour la vitesse du vent 1.5 m/s ≤ U10 < 4.5 m/s 4.5 m/s ≤ U10 < 8.5 m/s 8.5 m/s ≤ U10 divisées en 18 catégories de direction (tous les 20°) 360° 20° 40° 60° 80° 100° 120° 140° 160° 180° 200° 220° 240° 260° 280° 300° 320° 340° Le critère de qualité permet de comparer les roses de vent reconstruites et observées Fréquence de la catégorie i, observations Fréquence de la catégorie i, reconstruction C = → roses de vent disjointes C = 100 → roses de vent identiques

35 Etape 1: Echantillonnage
4. Désagrégation hybride Etape 1: Echantillonnage Critère de qualité – 200 jours – roses reconstruites après échantillonnage vs roses observées Le critère de qualité est plus faible dans les zones où la variabilité temporelle du vent à 10m (module + direction) est élevée (Nord-Ouest, zones côtières)

36 4. Désagrégation hybride
Etape 2: Méso-NH Méso-NH: modèle atmosphérique méso-échelle non-hydrostatique - développé par le Laboratoire d'Aérologie (UPS/CNRS) et le CNRM (CNRS/Météo-France) Relief (m) - 3 domaines emboîtés: D1: 36km, 4300 x 4300 km2, 72s D2: 9 km , 1300 x 1300 km2, 18s D3: 3 km , x 290 km2, 6s - 40 niveaux verticaux - Simulations de 24 heures (+ initialisation de 6h) - Conditions aux limites (6h) et initiales: Réanalyses ERA40 - 200 jours simulés Validation en utilisant les points de grille les plus proches des stations d’observation

37 4. Désagrégation hybride
Etape 2: Méso-NH Comparaison UV10 simulé et observé – 200 jours – domaine Méso-NH à 9 km Erreur moyenne sur le module (%) Erreur moyenne sur la direction (°) Erreurs plus importantes dans les zones où la variabilité spatiale du vent à 10m est élevée (zones de relief)

38 4. Désagrégation hybride
Etape Finale Etape 1 définition de 200 classes de vent et sélection d’un jour par classe Etape 2 simulations mésoéchelles des 200 jours sélectionnés Reconstruction des roses de vent à 10m en pondérant les simulations Méso-NH par les fréquences d’occurrence des classes de vent calculées avec: UV850 ERA40 UV850 CMIP3 2 sources d’erreurs: - erreurs dues à l’échantillonnage - erreurs dues aux simulations 3 sources d’erreurs: - erreurs dues à l’échantillonnage - erreurs dues aux simulations - erreurs dues au prédicteur CMIP3

39 4. Désagrégation hybride
Etape Finale Critère de qualité – Prédicteur ERA40 – domaine Méso-NH à 9 km Rappel: Critère de qualité obtenu après échantillonnage Critère de qualité obtenu après pondération des simulations Méso-NH

40 Origine de l’erreur sur les roses de vent (%)
4. Désagrégation hybride Etape Finale Origine de l’erreur sur les roses de vent (%) % % Simulation Echantillonnage

41 4. Désagrégation hybride
Etape Finale Critère de qualité – Prédicteurs CMIP3 – domaine Méso-NH à 9 km Différence moyenne entre le critère de qualité obtenu avec le UV850 CMIP3 et le critère de qualité obtenu avec le UV850 ERA40

42 - + 4. Désagrégation hybride Conclusion Conclusions:
●avec le UV850 des réanalyses ERA40, la méthode permet de reproduire correctement les caractéristiques principales de la distribution du vent à 10 m ●avec les modèles CMIP3, les performances de la méthode sont peu dégradées ●l’hypothèse de stationnarité n’est pas rejetée, mais elle est plus fragile qu’avec la méthode de désagrégation purement statistique - + - résultats à haute résolution étape d’apprentissage coûteuse en temps de calcul reconstruction des distributions de vent uniquement - peu appropriée pour étudier les extrêmes

43 Sommaire Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Méthode de désagrégation hybride 5. Impacts et incertitudes 6. Conclusion et perspectives

44 5. Impacts et incertitudes
Introduction Les projections disponibles : UV10 Simu (x14) Simulé par les modèles 14 modèles climatiques CMIP3 (GIEC 2007) UV850 (moyennes journalières) Période historique: Scénario A1B: UV10 Desa Stat (x14) Désagrégation statistique UV10 Desa Hyb (x14) Désagrégation hybride 42 projections Pour chaque méthode, nous utilisons le changement moyen multi-modèle comme estimateur du changement

45 5. Impacts et incertitudes
Changements moyens multi-modèles de la vitesse moyenne du vent à 10 m et vecteurs anomalies (Ref ) UV10 Desa Hyb UV10 Desa Stat UV10 Simu Hiver Eté

46 5. Impacts et incertitudes
Changements moyens multi-modèles de la puissance éolienne disponible à 80 m (Ref ) P80 Desa Hyb P80 Desa Stat P80 Simu Hiver Eté

47 Changements de fréquences d’occurrence des types de temps (%)
5. Impacts et incertitudes Impacts Changements de fréquences d’occurrence des types de temps (%) ( ) vs ( ) Hiver WT1 WT4 P80 Desa Hyb +8% +11% -12% -11% WT2 WT5 WT1 WT2 WT3 WT4 WT5 WT6 Composites UV10 SQR

48 Changements de fréquences d’occurrence des types de temps (%)
5. Impacts et incertitudes Impacts Changements de fréquences d’occurrence des types de temps (%) ( ) vs ( ) Eté WT1 P80 Desa Stat +14% -10% -8% WT2 WT5 WT1 WT2 WT3 WT4 WT5 WT6 Rôle de l’intra-types Composites UV10 SQR

49 5. Impacts et incertitudes
Changements sur les extrêmes (Ref ) Hiver et été confondus Desa Hyb Desa Stat Simu Nombre de jours de vent fort (vitesse du vent à 10 m supérieure au 90ème percentile de la période historique) Nombre de jours de vent faible (vitesse du vent à 80 m inférieure à 4 m/s)

50 14 modèles climatiques (CMIP3)
5. Impacts et incertitudes Incertitudes Différentes sources d’incertitudes : Scénarios d’émissions et de concentrations en GES et aérosols 1 scénario (SRES A1B) Modèles climatiques 14 modèles climatiques (CMIP3) 4 méthodes de désagrégation ● Désagrégation statistique: - méthode des types de temps - analogues avec UV850 - analogues avec PSL ● Désagrégation hybride nsles Régionalisation

51 5. Impacts et incertitudes
Changements de la vitesse moyenne du vent à 10 m et vecteurs anomalies (Ref ) Hiver UV10 Desa Stat Types de temps / Analogues UV850 / Analogues PSL UV10 Desa Hyb PSL Simu UV10 Simu CNRM-CM3 220 km CNRM-CM3 IPSL-CM3 240 km IPSL-CM3 PSL UV10

52 5. Impacts et incertitudes
Estimation des incertitudes Toutes les projections sont interpolées sur la grille des stations SQR Incertitudes liées aux modèles ● pour chaque méthode de désagrégation, écart-type des projections obtenues avec les 14 modèles climatiques ● moyenne des valeurs obtenues → σmodèle Incertitudes liées aux méthodes ● pour chaque modèle CMIP3, écart-type des projections obtenues avec les 4 méthodes de désagrégation ● moyenne des valeurs obtenues → σméthode

53 5. Impacts et incertitudes
Changement moyen u σmodèle σméthode (Ref ) Hiver Eté Les incertitudes liées aux modèles climatiques sont plus importantes que celles liées aux méthodes de désagrégation ( x 2)

54 Sommaire Introduction 2. Circulation atmosphérique de grande échelle 3. Méthode de désagrégation statistique 4. Méthode de désagrégation hybride 5. Impacts et incertitudes 6. Conclusion et perspectives

55 6. Conclusions et perspectives
♦ Etude des impacts du changement climatique complexe → pas de modèle parfait, pas de méthode de désagrégation idéale ! ♦ Approche multi-modèles indispensable ♦ La méthode Méso-NH permet de produire des cartes de changements du potentiel éolien à très haute résolution Mais hypothèses sous-jacentes fortes: ● utilisation de simulations historiques pour représenter le futur ● non prise en compte de la variabilité intra-classes → l’utilisation de méthodes de désagrégation complémentaires est indispensable pour évaluer la robustesse des résultats ♦ Les changements moyens multi-modèles obtenus avec différentes méthodes sont cohérents : - en été, diminution de la vitesse du vent sur toute la France - en hiver, augmentation dans le nord et diminution dans le sud → mais incertitudes importantes sur l’amplitude des changements

56 6. Conclusions et perspectives
♦ Etudier plus en détails l’incertitude liée aux modèles climatiques → utilisation d’ensembles pour différencier: - l’incertitude liée à la variabilité naturelle du système climatique - l’incertitude structurelle des modèles climatiques → adopter une approche probabiliste: pondérer les projections climatiques par des coefficients dépendant des performances des modèles climatiques pour un critère précis ♦ Etudier l’incertitude liée aux scenarios d’émissions → linéarité de la réponse au réchauffement global ? → utiliser d’autres scenarios d’émissions

57 6. Conclusions et perspectives
Changements de la vitesse moyenne du vent à 10 m en fonction du réchauffement global simulé par les modèles 12 modèles + désagrégation statistique (Ref ) * (Ref ) → 24 valeurs Eté Moyenne sur toutes les stations R2=0.53 Hiver Moyenne sur les stations du Sud-Est

58 6. Conclusions et perspectives
♦ Etudier plus en détails l’incertitude liée aux modèles climatiques → utilisation d’ensembles pour différencier: - l’incertitude liée à la variabilité naturelle du système climatique et - l’incertitude structurelle des modèles climatiques → adopter une approche probabiliste: pondérer les projections climatiques par des coefficients dépendant des performances des modèles climatiques pour un critère précis ♦ Etudier l’incertitude liée aux scenarios d’émissions → linéarité de la réponse au réchauffement global ? → utiliser d’autres scenarios d’émissions ♦ Etudier l’impact de changements non pris en compte dans la méthode Méso-NH (modifications de la CL atmosphérique, du contraste terre/mer … ) → forcer Méso-NH avec un modèle atmosphérique à résolution variable pour un échantillon de jours d’une période historique, et pour un échantillon de jours d’une période future (approche adoptée dans le projet CYPRIM) → comparer les résultats avec la méthode utilisée dans cette thèse

59 Merci de votre attention