Comparaison de deux méthodes de désagrégation pour l'étude du climat et du changement climatique sur les zones de montagne en France

摘要

Les régions de montagne sont très vulnérables aux changements climatiques et sont susceptibles d'être parmi les zones les plus impactées par le réchauffement global. Or les projections climatiques pour la fin du 21~c siècle sont élaborées avec les modèles de circulation générale du climat, qui ne présentent pas une résolution horizontale suffisante pour évaluer précisément les impacts du réchauffement sur ces régions. Des techniques de désagrégation sont alors utilisées pour réaliser une descente d'échelle spatiale à une dizaine kilomètres de résolution. Il existe deux catégories de méthodes de désagrégation : les méthodes dynamiques, qui nécessitent un calculateur puissant permettant la réalisation de simulations climatiques régionales à haute résolution, et les méthodes statistiques, qui nécessitent peu de ressources numériques mais une période d'observations importante et de bonne qualité. Dans cette étude, les simulations climatiques du modèle atmosphérique global ARPEGE de Météo-France sont désagrégées sur la France avec méthode dynamique en utilisant le modèle régional ALADIN-Climat, et une méthode statistique en utilisant le logiciel DSClim développé au CERFACS. Les méthodes de désagrégations utilisées sont présentées, puis les résultats sont évalués sur les montagnes françaises pour le climat présent. Les deux méthodes donnent des résultats similaires pour les précipitations solides moyennes. En revanche les événements extrêmes de précipitation totale (sécheresse, épisodes de précipitation intense) sont sous-estimés par la méthode statistique. Ensuite, les résultats des deux méthodes de désagrégation sont comparés pour deux projections du climat futur, selon le scénario d'émission des gaz à effet de serre A1B du GIEC. On constate que les deux méthodes s'accordent bien sur la diminution du nombre de jours de gel, ainsi que sur une importante diminution des quantités de précipitations solides et une augmentation moyenne du pourcentage de jours secs supérieure à 10 %. Les résultats obtenus sur la Corse sont plus contrastés mais ils sont discutables car le domaine spatial réduit ne permet sans doute pas un échantillonnage statistique très pertinent.%Mountain regions are highly vulnerable to climate change and are likely to be among the areas most impacted by global warming. But climate projections for the end of the 21st century are developed with general circulation models of climate, which do not present a sufficient horizontal resolution to accurately evaluate the impacts of warming on these regions. Several techniques are then used to perform a spatial downscaling (on the order of 10 km). There are two categories of downscaling methods : dynamical methods that require significant computational resources for the achievement of regional climate simulations at high resolution, and statistical methods that require few resources but an observation dataset over a long period and of good quality. In this study, climate simulations of the global atmospheric model ARPEGE projections over France are downscaled according to a dynamical method, performed with the ALADIN-Climate regional model, and a statistical method performed with the software DSClim developed at CERFACS. The two downscaling methods are presented and the results on the climate of the French mountains are evaluated for the current climate. Both methods give similar results for average snowfall. However extreme events of total precipitation (droughts, intense precipitation events) are largely underestimated by the statistical method. Then, the results of both methods are compared for two future climate projections, according to the greenhouse gas emissions scenario A1B of IPCC. The two methods agree on fewer frost days, a significant decrease in the amounts of solid precipitation and an average increase in the percentage of dry days of more than 10%. The results obtained on Corsica are more heterogeneous but they are questionable because the reduced spatial domain is probably not very relevant regarding statistical sampling.