AMA 2015 – ATELIER LEFE/IMAGO

Présentation au sujet: "AMA 2015 – ATELIER LEFE/IMAGO"— Transcription de la présentation:

1 AMA 2015 – ATELIER LEFE/IMAGO
Comment expliquer la variabilité du climat à l’échelle régionale? Apport de SIRTA-ReOBS M. Chiriaco(1), S. Bastin(1), M. Haeffelin(2), J.-C. Dupont(3), J. Badosa(3), J. Lopez(3) LATMOS LMD IPSL AMA 2015 – ATELIER LEFE/IMAGO

2 Changement climatique  échelle régionale
Contexte (1) Changement climatique  échelle régionale Augmentation de la fréquence et de l’intensité des anomalies Tendances sur certaines variables Apport d’observations locale : Comment attribuer les causes des anomalies? Documenter les caractéristique de la variabilité dans la troposphère Utiliser des méthodes qui permettent de séparer l’influence de la grande échelle et des processus locaux Disposer d’observations multi-paramètres et multi-échelles de temps Combiner observations et simulations, avec simulateurs d’observables Apport d’observations locale : Quels méthodes/outils pour détecter des tendances dans la troposphère où les variables évoluent à l’échelle des processus? Utiliser des grandeurs verticalement résolues pour ne pas considérer des grandeurs intégrées sur la troposphère Déterminer des métriques adaptées Travailler en régimes de temps pour diminuer la variabilité naturelle et faire plus vite sortir des tendances Combiner observations et simulations, avec simulateurs d’observables Carré de gauche : Pour aborder cette axe, il faut commencer par documenter les caractéristiques de la variabilité dans la troposphère, on peut parler du comportement moyen de l’atmosphère, pour ensuite pourvoir détecter à quel moment on sort justement de ce comportement moyen : paramètres que l’on observe localement, mais aussi variables environnantes, et conditions de grande échelle… Dans ce qui va influencer la variabilité, une approche est d’utiliser des méthodes qui permettent de séparer la grande échelle des processus locaux, comme le travail en régimes de temps, ou les analogues de circulation, ou encore utiliser les isotopes de l’eau atmosphérique pour déterminer l’origine des masses d’air. En terme d’outils, on a besoin d’observations pour lesquelles un maximum de paramètres sont collocalisés, et ce de l’échelle décennale jusqu’à l’échelle des processus (c’est à dire l’heure). Ensuite, pour ne pas avoir qu’un seul point et 10 ans, il faut étendre cette base de données, pour certains paramètres : avec des stations météo environnantes, des observations spatiales, des réanalyses. On peut aussi combiner les observations avec des simulations, surtout si on utilise des méthodes spécifiques comme les simulateurs d’observables qui permettent de rapprocher les simulations des mesures. Carré de droite : , la question posée est « quelles méthodes, quels outils pour détecter des tendances dans la troposphère, où les variables évoluent à l’échelle du processus ? ». En effet, sorti de la température à 2m et du CO2, il est très difficile de détecter des tendances dans la troposphère, surtout en ce qui concerne l’eau sous toutes ses formes : certainement parce que les variables évoluent très vite, à l’échelle du processus, et parce que les jeux de données longues durée dont nous disposions jusqu’à présent étaient des grandeurs intégrées où la variabilité peut se compenser. Une approche est donc d’utiliser des grandeurs verticalement résolues, issues de la télédétection active (on a par exemple 10 ans de mesures lidar au SIRTA). Après, il faut aussi mener une réflexion sur quelles métriques on utilise : il faut trouver des variables qui présentent des tendances à l’échelle décennale ou multi-décennale, comme c’est le cas pour la hauteur des océans par exemple. Pour ces grandeurs, comme on n’a pas forcément des jeux de données avec plein de décennies, une possibilité pour diminuer la variabilité naturelle et donc faire sortir plus vite des tendances, est de regarder comment évoluent les grandeurs dans des classifications judicieusement choisies, par exemple en travaillant en régimes de temps.

3 Plan de la présentation
Contexte SIRTA-ReOBS 3 axes pour étudier la variabilité du climat à l’échelle régionale La canicule de juillet 2006 (anomalies) Le biais chaud dans les simulations régionales en été (outils modèle) 10 ans de cycle diurne des nuages au SIRTA (tendances) Conclusions et perspectives Les mots entre parenthèse en italiques indiquent à quelle partie des encadrés sur le slide contexte on se rapporte

4 Autres mesures continues en région parisienne
SIRTA-ReOBS (1) SIRTA-ReOBS : synthèse de 10ans+ d’observations multi-paramètres au SIRTA Re = Réétalonnage Recontrôle-qualité Remoyennage Retraitement Réexpertise … SIRTA Surface, 2m, profils verticaux Stations Météo-France proches SIRTA-ReOBS Synthèse décennale d’une quarantaine de paramètres atmosphériques Un jeu de données multi-paramètres unique en Europe Harmonisation traitement/inversion Synchronisations et moyennes horaires Contrôle qualité ++ Nomenclature standardisée Évaluation incertitudes, représentativité Documentation Extraction mesures satellite Autres mesures continues en région parisienne Voir poster J. Badosa et al.

5 Paramètres restitués à partir des observations
SIRTA-ReOBS (2) Paramètres restitués à partir des observations Stations MF Mesures advanced Manque l’info sur les années : voir si jordi arrive à faire une mise à jour de cette figure à temps  Voir poster Badosa et al.

6 SIRTA-ReOBS (3)

7 SIRTA-ReOBS (4) Exemple de contenu pour le flux LW descendant  voir poster J. Badosa et al. On a une figure telle que celle-là par variable, on a encore quelques détails à régler puis on les mettra en accès libre. ©J. Badosa

8 La canicule de juillet 2006 (1)
Ano. juillet 2006 Ano. juillet 2006 Excès de T en Europe de l’ouest Déficit de nuages bas en Europe de l’ouest CALIPSO/GOCCP Même chose dans les simulations WRF-MEDCORDEX Juillet 2006 au SIRTA : plus chaud que (i) les autres juillets ET (ii) des situations grande échelle analogues (ligne grise) Juillet 2006 au SIRTA : moins nuageux que (i) les autres juillets ET (ii) des situations grande échelle analogues (ligne grise) Mesures jour J Mesures jours analogues SIRTA SIRTA Chiriaco et al. 2014, GRL

9 La canicule de juillet 2006 (2)
Simulations WRF-MEDCORDEX : écart par rapport aux analogues Schéma de surface RUC : humidité du sol évolue librement Schéma de surface DIF : humidité de sol prescrite (valeur hivernale  pas de sécheresse possible) Différence entre Jour J et analogues explique la part de l’anomalie de T2m qui n’est pas due aux conditions de circulation grande échelle  la part de l’anomalie de T2m due à la sécheresse du sol peut atteindre plusieurs degrés. Le sol sec contribue à amplifier l’anomalie de T2m durant les 5 premiers jours de la canicule seulement, lors d’un régime de blocage Le sol sec n’est pas responsable du déficit de nuages (not shown) Chiriaco et al. 2014, GRL

10 Le biais chaud dans WRF-MEDCORDEX en été (1)
Bastin et al. in prep. WRF 20 km OBS Température ? 2. Représentation des nuages ? ? 1. Schéma de surface ? Flux radiatifs Surestimation flux visible en été Flux de chaleur Mauvaise fraction évaporative printemps/été 3. Boucle de rétroaction positive? (trop de SW -> evaporation + rapide -> sol plus sec -> + de sensible -> T plus élévée et moins de nuages -> trop de SW…)

11 Le biais chaud dans WRF-MEDCORDEX en été (2) Impact schéma de surface et résolution
Bastin et al. in prep. Température WRF 20 km OBS WRF 20 km DIF WRF 50 km Flux de chaleur Flux radiatifs Température de surface fortement influencée par fraction évaporative (surtout si changement de régime de soil-moisture à energy limited) Peu de sensibilité des flux radiatifs: quid des nuages? Rappel : DIF = sol toujours humide Presque le même que le sldie précédent : seules les courbes pointillées sont rajoutées pour étudier les impacts spécifiques Pointillé noir (toutes les heures), trait noir (heures modèles = heures obs) WRF DIF pas réaliste non plus (met trop d’eau dans la CLA).

12 Le biais chaud dans WRF-MEDCORDEX en été (3) Représentation des nuages
Bastin et al. in prep. Histogrammes de SR OBS LNA DJF OBS LNA JJA WRF +simulateur JJA WRF +simulateur DJF WRF DIF +simulateur DJF WRF DIF +simulateur JJA Manque nuages bas de faible SR = cumulus de « beau temps » => processus CLA WRF 20 km + simulateur OBS (lidar LNA) WRF 20 km DIF + simul. Occurrence nuages bas WRF WRF DIF Manque nuages bas, même si plus de nuages bas avec sol humide en été JJA Ccl = conclusion « question3 » fait référence au 3. du slide 9 (sur la boucle de rétroaction Ccl = besoin d’améliorer nuages bas pour répondre à boucle de rétroaction.

13 10 ans de cycle diurne des nuages au SIRTA (1)
Fréquence des nuages en JJA en fonction de 4 régimes de temps altitude Blocage NAO+ NAO- Dorsale T max, P élevée, vent faible T élevée, P élevée, vent du sud/ouest P min, T min, HR max, vent d’ouest max P max, T faible Chiriaco et al. in prep. heure Nuages bas : important signal diurne, lié au développement en altitude, et variabilité d’un régime à l’autre. Nuages hauts : peu de signal diurne (pas étonnant) mais forte variabilité d’un régime à l’autre.

14 10 ans de cycle diurne des nuages au SIRTA (2)
Sans séparation en régimes Blocage Dorsale NAO+ NAO- Le signal de variabilité est plus fort avec la séparation en régimes  La part de variabilité due aux processus locaux est ici zmax ziso en fait les variables que j'indique 'zmax, ziso...) sont les pistes que j'explore pour trouver les fameuses "bonnes métriques", adaptées aux nuages bas, aux nuages hauts, qui ont un fort signal interannuel... zmax : altitude du max de CF CFmax : valeur du max de CF Ziso : altitude d'une iso-ligne de CF que l'on suit année après année. CFhigh CFlow  Déterminer les bonnes métriques! Chiriaco et al. in prep.

15 Conclusions et perspectives
Changement climatique vu à l’échelle régionale/locale : Augmentation de la fréquence et de l’intensité des anomalies - Vu : Effet des processus locaux sur une canicule de grande échelle, évaluation d’un biais de WRF-MEDCORDEX via (entre autres) un simulateur d’observables - A suivre : Etude d’autres anomalies présentant des mécanismes différents Tendances sur certaines variables - Vu : influence de la grande échelle sur l’échelle locale, utilisation de grandeurs verticalement résolues - A suivre : utiliser obs + modèle avec simulateur d’observables pour déterminer la métrique qui permettra de répondre à la question « au bout de combien de temps peut-on escompter détecter une tendance? »

16

17 Diapos supplémentaires

18 Classification en régimes de temps
NAO- dorsale Humidité au sud, sècheresse au nord Beau temps NAO+ blocage Humidité au nord, sècheresse au sud : favorise les jours chauds en été Canicules en été

19 Nuages par lidar : que manque-t-on?
Lidar ne fonctionne qu’avec un opérateur (journée, semaine) et sans précipitations Echantillonnage complet Uniquement quand mesures lidar Stat nuages météo 2m SW CRE très fort ( ) pdt éch. Lidar Quand lidar : proportion de nuages optiquement fins (et de ciel clair) plus importante, et temps plus « beau » (T et P plus élevées, HR plus faible)

20 Question du sous-échantillonnage des flux de chaleur

21 Caractéristiques des régimes au SIRTA JJA 2003 – 2012, conditions à 2m
Température Humidité relative Valeurs des variables différentes d’un régime à l’autre, mais intensité du cycle diurne assez stable, à part pour les vents Pression (sea level) Vent du sud Vent d’ouest Blocage NAO+ NAO- Dorsale T max, P élevée, vent faible T élevée, P élevée, vent du sud/ouest P min, T min, HR max, vent d’ouest max P max, T faible