Impact du réchauffement climatique sur l’hydrologie: Scénarios globaux, régionaux et descente d’échelle Jean-François Royer, Serge Planton CNRM/GAME (Meteo-France/CNRS) Toulouse Daniel Schertzer CEREVE, Marne-la-Vallée

L’étude du changement climatique à Meteo France Recueil et archivage d’informations sur le climat observé Direction de la Climatologie (DCLIM) Recueil et homogénéisation de longues séries climatiques Création de bases de données Etudes sur la détection du changement climatique Recherche en modélisation des changements climatiques Centre National de Recherches Météorologiques Groupe de Modélisation Grande Echelle et Climat (GMGEC) Développement de modèles de climat Applications à l’étude des mécanismes de changement climatique Création de scénarios du climat futur (GIEC) (Projections du changement climatique sur le 21-ème siècle)

Températures minimales Un réchauffement non continu qui s’accélère Moyenne des températures homogénéisées sur la France Tendance 1901-2000 (en °/siècle) Températures minimales

EVOLUTION SAISONNIERE DES TENDANCES DES PRECIPITATIONS ETE PRINTEMPS %/siècle EVOLUTION SAISONNIERE DES TENDANCES DES PRECIPITATIONS HIVER AUTOMNE Intègre les résultats récents Hausse en hiver Baisse en été Printemps, automne : saisons de transition  baisse significative  baisse non signif.  hausse non signif.  hausse signif. (95%)

Evolution du climat sur la France au 20-ème siècle En France, le réchauffement sur le dernier siècle est plus marqué sur le Sud que sur le Nord. Les températures minimales se sont plus réchauffées que les températures maximales. Comme dans la plupart des régions d’Europe, le nombre de jours de fortes chaleur a augmenté sur la période récente et l’été 2003 est le plus chaud de la période d’observation. On n’observe pas de tendance à l’augmentation des tempêtes en nombre ou en intensité au cours des cinquante dernières années. Le nombre d’épisodes de pluies diluviennes dans le Sud-Est de la France n’a pas non plus significativement augmenté au cours de la même période.

Causes des changements climatiques observés: La concentration des gaz à effet de serre (CO2, CH4, N2O) augmente depuis le début de l’ère industrielle (30%, 145%, 15%). La variabilité de l’énergie solaire et les éruptions volcaniques contribuent à la variabilité du climat depuis 1600, mais l’effet du gaz carbonique a été dominant au cours du XXième siècle La similitude entre les simulations numériques du climat sur le siècle écoulé et les observations des dernières décennies augmente lorsque l’évolution des concentrations des gaz à effet de serre et les aérosols sont prises en compte par les modèles

Evolution des forçages climatiques au 20ème siècle Gaz à effet de serre Solaire Volcanique sulfates D Stone (2005) http://www.yale.edu/yibs/climate_forum.html

Simulations avec forçages naturels et anthropiques Comparaison entre la modélisation et les observations de la température moyenne annuelle à la surface du globe Figure 4: Simulating the Earth’s temperature variations, and comparing the results to measured changes, can provide insight into the underlying causes of the major changes. A climate model can be used to simulate the temperature changes that occur both from natural and anthropogenic causes. The simulations represented by the band in (a) were done with only natural forcings: solar variation and volcanic activity. Those encompassed by the band in (b) were done with anthropogenic forcings: greenhouse gases and an estimate of sulphate aerosols, and those encompassed by the band in (c) were done with both natural and anthropogenic forcings included. From (b), it can be seen that inclusion of anthropogenic forcings provides a plausible explanation for a substantial part of the observed temperature changes over the past century, but the best match with observations is obtained in (c) when both natural and anthropogenic factors are included. These results show that the forcings included are sufficient to explain the observed changes, but do not exclude the possibility that other forcings may also have contributed. The bands of model results presented here are for four runs from the same model. Simulations avec forçages naturels et anthropiques Simulations avec forçages naturels Variations de la température moyenne globale en surface simulées et observées (GIEC, 2007)

Comment modéliser le climat futur Comment modéliser le climat futur ? Un exemple de « système-terre » (CNRM-GAME) Le modèle climatique couplé global CNRM-CM3 Chimie MOBIDIC

Les projections du changement climatique Les scénarios économiques du GIEC +CH4, N2O, CFC-11/12 CO2 A2 A1B B1 B2 A2 A1 B1 Plus mondial économique régional environnemental

Moyennes multimodèles et intervalles estimés du réchauffement global en surface suivant les scenarios économiques (GIEC, 2007) Source : IPCC 2007 WG1 3

Les projections GIEC/ESCRIME changement des températures à la fin du 21-ème siècle (2090-2099) CNRM IPSL A2 A l'échelle du globe, les deux modèles s'accordent sur les grandes structures du réchauffement climatique. Les régions continentales de l'hémisphère nord et les régions arctiques se réchauffement plus que la moyenne du globe. L'hémisphère sud à un réchauffement moins marqué et il y a pratiquement aucun changement dans les régions du courant circumpolaire. Les deux modèles présentent une zone de température légèrement plus froide dans Atlantique nord. Le faible refroidissement de ces régions provient de modifications de la circulation océanique. Cet effet est plus marqué dans le modèle du CNRM que dans le modèle de l'IPSL. On peut aussi noter que le réchauffement simulé dans les régions sèches s'étendant de l'Afrique au nord de l'Inde est relativement marqué pour les deux modèles, et plus fort que les résultats obtenus pour le rapport de 2001. Pour un même modèle, les caractéristiques du réchauffement ont environ les mêmes structures, mais une amplitude moindre pour le scénario B1. La différence entre les deux scénarios est d'environ 2°C sur la région européenne. La comparaison des résultats obtenus avec les deux modèles montrent quelques disparités régionales. Il est donc important de confronter les résultats, pour déterminer les incertitudes liées aux modèles et leurs conséquences sur les interprétations des effets du changement climatique. En particulier, le réchauffement est plus fort sur l'Europe pour le modèle de l'IPSL. Le refroidissement de l'Atlantique Nord est bien marqué pour le modèle du CNRM avec un minimum en mer du Labrador, alors que pour le modèle de l'IPSL le refroidissement se produit plutôt dans les mers nordiques. Ces différences proviennent de simulations différentes des formations d'eau profonde océanique dans ces régions. On peut aussi noter des différences importantes sur le continent américain. Les différences des modifications de température de l'océan subtropical (ex en Atlantique) résultent des différences d'extension de la zone de faible réchauffement de l'Atlantique Nord et de différences dans le comportement des régions de mousson (Afrique, Inde). B1

Evolution des précipitations Modèles du projet Européen ENSEMBLES Scénario A2 Scénario B1 http://www.cnrm.meteo.fr/ensembles/

Les projections GIEC/ ESCRIME changement des précipitations à la fin du 21-ème siècle (2090-2099) CNRM IPSL A2 B1

Probabilité d’augmentation des précipitations (A1B 2070-2099) Nombre des modèles du projet ENSEMBLES simulant une augmentation de précipitation en 2070-2099 (par rapport à 1961-1990) pour le scénario A1B (Niehörster et al, 2006, D2A.3.2 report) http://www.cnrm.meteo.fr/ensembles/

Pourquoi régionaliser les simulations globales? Les principaux objectifs de la régionalisation : Améliorer la représentation de la variabilité spatiale et temporelle du climat et de son évolution, en particulier les statistiques des événements extrêmes climatiques (vagues de chaleurs, fortes pluies, sécheresses, tempêtes, cyclones, …). Faciliter les études d’impacts du changement climatique sur les différents secteurs socio-économiques (hydrologie, écosystèmes, santé, …).

La nécessité d’une descente d’échelle Scénarios climatiques globaux ~ 300km Scénarios climatiques régionaux ~ 20-50 km Modèles d’impacts ~qq m - qq km

La descente d’échelles: différents types de méthodes Deux approches complémentaires Etablir une relation statistique entre les variables locales et les prédicteurs modèles Résoudre explicitement la physique et la dynamique du système climatique regional Désagrégation statistique Désagrégation dynamique Utilisées de façon indépendante ou combinée

Qu’est ce que la régionalisation ? Les grandes classes de méthodes de régionalisation : Désagrégation ou descente d’échelle statistique: mise en œuvre au début des années 90 pour l’étude du changement climatique (Von storch et al, 1993; Boé et al, 2006; Vrac, 2007; Royer et al, 2008…). Elle consiste à reproduire le climat par un modèle statistique mis au point à partir de données d’observations (analogues, générateurs de temps, régressions, réseaux de neurone, invariance d’échelle …). Désagrégation dynamique: aussi mise en œuvre au début des années 90 pour l’étude du changement climatique (Giorgi et al, 1992; Déqué et al, 1998; Li et al, 2005, …). Elle consiste à reproduire le climat par un modèle climatique régional à aire limitée ou à maille variable.

La régionalisation dynamique des scénarios climatiques au CNRM Modèle à aire limitée (ALADIN-Climat) Modèle à maille variable ARPEGE-Climat

Modélisation climatique régionale: ALADIN-Climat Développé dans le cadre du projet Européen ENSEMBLES Résolution horizontale: 50km ou 25 km Résolution verticale: 31 niveaux Forçage aux frontières toutes les 6h: ARPEGE-Climat étiré ou ERA40

Changement climatique: trois menaces pour la France  fréquence des canicules estivales  durée des périodes de sécheresse  augmentation en intensité et fréquence des pluies intenses

Température estivale à Paris (juin, juillet, août) Observations ( + ) simulations avec scénario A2 2003

Nombre de jours de canicule estivale A1B 2000 2010 2020 2030 2040 2050 B1

Nombre de jours de canicule estivale A1B 2050 2060 2070 2080 2090 2100 B1

Nombre maximum simulé de jours consécutifs sans précipitation dans le sud de la France

Durée des sécheresses estivales 2000-2010 2090-2100 Extrêmes: Illustrations avec des résultats des scénarios ARPEGE étiré (A1B-3ème génération)‏

Nombre de jours par an avec précipitations > 20 mm JJA DJF Climat actuel Scénario A2

Les incertitudes Nature chaotique du climat Quel scénario (A1T, B1, B2, A1B,A2,A1FI) ? Quel modèle choisir ?

Nature chaotique du climat Nombre de jours de canicule par an 2090-2100: trois simulations identiques, effet papillon Incertitudes: Illustrations avec des résultats des scénarios ARPEGE étiré ( A2-2ème génération)‏

Incertitudes liées aux scénarios d’émission: pattern identique mais amplitude modifiée JJAS P change (mm/day) projected by CNRM-CM3 driven by 4 IPCC concentration scenarios

Projet européen PRUDENCE Quel modèle choisir ? Température estivale Mini(10 modèles)‏ Maxi(10 modèles)‏ Projet européen PRUDENCE

Biais et méthodes de correction Approche basique: erreur moyenne du modèle Réponse du modèle: scénario-contrôle Ne marche pas pour les extrêmes (effet de seuil) Méthode quantile-quantile Nécessité de séries longues observées (40 ou 50 ans) quotidiennes pas trop mitées, si possible échelle plus fine que le modèle

Les problèmes posés par la variabilité et l’hétérogénéité spatiales Régionalisation des simulations: Transformer les séries simulées sur la grille du modèle en des séries représentant le comportement à plus petite échelle Méthodes statistiques Recherche d’analogues (lien entre séries locales et situation synoptique) « weather generators » Méthodes multiéchelles (cascades multifractales) Prise en compte de l’hétérogénéité sous maille Représenter l’effet des échelles non résolues (paramétrisations) Ex: nuages, turbulence, processus en surface, orographie

Quelle méthode utiliser. Approche statistique ou dynamique Quelle méthode utiliser ? Approche statistique ou dynamique ? (C Dreveton) L’approche dynamique est très coûteuse en temps de calcul. L’approche statistique est intéressante sous réserve de disposer de données observées homogènes sur une période suffisamment longue. Elle est conseillée pour des paramètres élaborés et pour disposer d’informations locales. Il est nécessaire de connaître les limites des différentes méthodes, de les tester/valider/comparer pour l’application étudiée. L’approche dynamique permet de disposer de valeurs cohérentes pour plusieurs paramètres et/ou plusieurs sites. Il peut être intéressant de combiner les deux approches, en particulier pour déterminer statistiquement des périodes d’intérêt pour des simulations haute résolution.

Quelle méthode utiliser Quelle méthode utiliser ? Forces et faiblesses des méthodes de régression Méthodes de régression régression linéaire, réseaux de neurones, analyse canonique, corrélation, krigeage … Forces Relativement simples à utiliser Utilisent une panoplie complète des prédicteurs disponibles Solutions sur étagères et logiciels disponibles facilement Faiblesses Mauvaise représentation de la variance observée Peuvent supposer la linéarité ou la normalité des données Mauvaise représentation des phénomènes extrêmes

Quelle méthode utiliser Quelle méthode utiliser ? Forces et faiblesses des méthodes « Générateurs » Méthodes de générateurs de séries chaînes de Markov, modèles stochastiques, durées de périodes sèches, … Forces Production de larges ensembles pour le calcul d'incertitudes ou des simulations longues d'extrêmes Interpolation spatiale des paramètres du modèle utilisant les variables d'environnement ou des conditions de surface Peuvent générer de l'information à l'échelle sub-quotidienne Faiblesses Ajustement arbitraire des paramètres pour le climat futur Interactions entre les paramètres mal prises en compte

Quelle méthode utiliser Quelle méthode utiliser ? Forces et faiblesses des méthodes « Types de temps » Méthodes types de temps méthode des analogues, approches hybrides, classification, cartes de circulation générale, méthodes de Monte Carlo … Forces Relations interprétables physiquement entre les champs de grande échelle et les conditions climatiques de surface Nombreuses applications (peuvent être appliquées aux variables de surface, à la qualité de l'air, aux inondations, à l'érosion, ...) Combinaison possible pour l'analyse des événements extrêmes Faiblesses Nécessitent un travail supplémentaire de classification par type de temps Ne peuvent pas détecter l’apparition de nouveaux types de temps

Cas où les méthodes statistiques ne sont pas appropriées lorsque les données observées sont des séries non homogènes ou trop courtes lorsque le forçage de surface doit être pris en compte lorsque les interactions avec la surface sont fortes et impactent les changements locaux de climat lorsque les relations statistiques varient dans le temps changement climatique des régimes de temps ou changements climatiques rapides

Une alternative pour descendre les échelles? Consensus sur la nécessité (GIEC, GICC-2, etc. ) : en dessous du kilomètre pour modéliser les villes? pour la gestion des réseaux urbains (projet GARP-3C: Météo-France, LMD, ENPC, CG93 et 94..) mais un obstacle fondamental: relations grandes/petites échelles non perturbées? hypothèse implicite: - corrélations (linéaires ou non) grandes/petites échelles, réseaux de neurones: fichier d’apprentissage « non perturbé »; - type de temps: même base, seule les fréquences changent; - GCM: paramétrisations des petites échelles, … Alternative: étudier et prendre en compte l’évolution des flux à travers les échelles! Exemple: taux de précipitation pour le cycle de l’eau. Utiliser des générateurs basés sur des cascades multifractales Estimation des paramétres à partir de simulations régionales fines Poster A. Gires et al

Exemple: lois d’échelle du taux de précipitation et extrêmes Description parcimonieuse: seulement 3 exposants: intermittence de la pluie: - Intermittence moyenne C1 : combien rare est la pluie moyenne? C1≠ 0: il ne pleut pas tous les jours, ni partout ! - Variabilité de l’intermittence  : diversité des régimes de pluie  ≠ 0 : pas seulement l’alternative pluie non pluie! dépendance H du taux moyen de pluie <Rl > de l’échelle d’observation l? Pour la pluie H≈0 Conséquences triviales pour les extrêmes: C1 et   => extrêmes  ou C1 et  ↓ => extrêmes↓ Plus généralement: - ces exposants définissent les courbes Intensité-Durée-Fréquence (IDF) sur une grande gamme d’intensité et durée (Benjdoudi et al., 1987) ; - permettent l’intercomparaison des quantiles (projet MSP: Météo-France, Cemagref, ENPC)

Analyse des précipitations sur la France dans une simulation du climat futur (Scénario A2 1860-2100) l’intermittence moyenne C1 la variabilité de l’intermittence ↓, => difficulté d’évaluer l’évolution des extrêmes des précipitations  C1 => analyse plus fine: - évolution de la Singularité Maximale Probable s (Hubert et al, 1993; Douglas & Barros, 2003): - invariante d’échelle et plus stable que la précipitation maximale simulée Pma x. - permet de conclure: extrêmes (Royer et al., 2008). Développements en cours: intercomparaisons MESO-NH, radar, TRMM…

Conclusion: cumul des incertitudes dans la chaîne de modélisation Incertitudes liées aux modèles de circulation générale Choix du scénario Choix du modèle Variabilité intriséque (chaos) Incertitudes liées à la désagrégation des résultats Choix de la méthode dynamique, statistique, cascades multiéchelles Incertitudes dans l’hydrologie de surface: hydrologie des sols secs (conditions non connues actuellement) effet direct du CO2 sur la transpiration des plantes occupation des sols anthropisation (barrages, prélèvements) Nécessité de cominer des ensembles multi-modèles et multi-méthodes Construction d’une distribution statistique empirique Vers une estimation de l’incertitude?

Merci pour votre attention

Sites Internet GIEC/IPCC http://www.ipcc.ch/ MIES (Mission Interministérielle de l’Effet de Serre ) http://www.effet-de-serre.gouv.fr/ ONERC (Observatoire National sur les Effets du Réchauffement Climatique) http://www.onerc.gouv.fr/ ADEME (Agence de l'Environnement et de la Maîtrise de l'Énergie) http://www.ademe.fr/ IMFREX: (projet GICC) http://medias.cnrs.fr/IMFREX/ Météo-France: Climatologie http://www.meteo.fr/meteonet/services/cli.htm

Les travaux du GIEC Groupe d’experts Intergouvernemental sur l’Evolution du Climat (GIECC ou IPCC en anglais) mis en place en 1988 par l’OMM (Organisation Météorologique Mondiale) et le PNUE (Programme des Nations Unis pour l’Environnement) premier objectif principal évaluer l’information scientifique et socio-économique sur: bases scientifiques du changement climatique (groupe I) les impacts, l’adaptation et la vulnérabilité (groupe II) l’atténuation (groupe III). le GIEC a notamment produit 4 séries de rapports d’évaluation 1990, 1995, 2001, 2007

Températures moyennes globales Niveau de la mer Couverture de neige au printemps (HN) GIEC, 2007

Simulations pour le 4-e rapport du GIEC Effort international sans précédent pour coordonner les simulations de scénarios climatiques JSC/CLIVAR Working Group on Coupled Modeling (WGCM) et IPCC/WG1 Réalisation: choix des scénarios Modèles multiples (21 modèles) Archivage et distribution des simulations base de données au PCMDI Sous-projets diagnostiques >1190 sous-projets identifiés (le 9/06/2009) >500 publications répertoriées

Bilan des projections globales: Impact sur l’hydrologie Globalement, E et P augmentent, mais sans accélération du cycle de l’eau Forts contrastes régionaux: augmentation des P aux hautes latitudes, décalage vers les pôles des routes dépressionnaires et des P associées, renforcement probable de l’ITCZ et de la subsidence subtropicale (aridification du Bassin Méditerranéen) Recul de la couverture neigeuse de l’hémisphère Nord (sauf Sibérie orientale) Amplification des contrastes saisonniers, notamment aux moyennes latitudes de l’hémisphère Nord => risque accru de sécheresses et d’inondations Augmentation de la variabilité interannuelle des précipitations et des épisodes de fortes pluies dans de nombreuses régions

Création de bases de données de scénarios climatiques sur la France Projet IMFREX (GICC) IMpact des changements anthropiques sur la FRréquence des phénomènes Extrèmes de vent, de température et de précipitations Projet financé par le programme Gestion et Impacts du Changement Climatique (GICC) Ministère de l’Ecologie et du Développement Durable (MEDD) Séries climatiques Résultats de modèles Base de données de l’ONERC Observatoire National sur les Effets du réchauffement climatique Visualisation des simulations climatiques sur la France