Méthode de désagrégation hybride statistico-dynamique pour les scénarios climatiques sur le bassin de la Seine

DOI
https://doi.org/10.26047/PIREN.rapp.ann.2021.vol24

Résumé
Dans ce rapport, une nouvelle méthode de désagrégation, devant permettre d’obtenir des scénarios climatiques à haute résolution sur le bassin de la Seine à partir des projections climatiques globales à basse résolution, est présentée. Il s’agit d’une approche hydride statistico-dynamique, qui vise à émuler un modèle climatique régional à l’aide d’une approche d’apprentissage automatique.
Cette méthode vise à combiner les points forts de la désagrégation dynamique par modélisation climatique régionale (prise en compte à un niveau fondamental de tous les mécanismes pouvant jouer un rôle dans le changement climatique et donc robustesse des résultats) et de la désagrégation statistique (faible coût de calcul, facilité de mise en oeuvre) tout en minimisant leurs points faibles respectifs. Elle utilise une approche par analogues construits.
Une méthodologie de type « modèle parfait » ou « pseudo-réalité », utilisant un large ensemble de projections climatiques régionales, est mise en oeuvre afin d’évaluer cette nouvelle méthode de désagrégation et en particulier de s’assurer de sa capacité à capturer correctement les signaux du changement climatique à fine échelle, afin de pouvoir l’utiliser pour étudier les impacts hydrologiques du changement climatique sur un bassin comme celui de la Seine.
La nouvelle méthode de désagrégation hydride s’avère très performante, même appliquée à des modèles climatiques globaux à très basse résolution. Ses performances sont en outre largement meilleures en ce qui concerne les changements futurs qu’une méthode de désagrégation statistique classique.

Points clefs
✓ Une nouvelle méthode de désagrégation hydride statistico-dynamique visant à émuler un modèle climatique régional par apprentissage automatique est présentée
✓ Une stratégie d’évaluation dite en « modèle parfait » permettant de s’assurer des performances de la méthode dans le contexte de l’étude des impacts du changement climatique est mise en oeuvre
✓ La nouvelle méthode se montre très performante. Peu sensible à la résolution du modèle à désagréger, elle mène à des projections climatiques à fine échelle bien plus réalistes qu’une méthode de désagrégation statistique classique