Documentation technique des indices agroclimatiques à échelle statistiquement réduite de la CMIP6

Sur cette page

• Aperçu
• Données et traitement
• CanDCS-U6
• CanDCS-M6
• Indices
• Modèle climatique mondial par rapport aux données mises à l’échelle
• Limites d’utilisation
• Coordonnées
• Références

Aperçu

Le site Web des Données et scénarios climatiques canadiens (DSCC) fournit des indices climatiques à haute résolution spatiale. Ces indices sont calculés à l’aide d’une mise à l’échelle de manière statistique et sont fondés sur les projections de 26 modèles climatiques mondiaux (MCM). Les modèles de l’ensemble de données proviennent de la phase 6 du projet d’intercomparaison de modèles couplés (CMIP6).

Les indices agroclimatiques mis à l’échelle de manière statistique de la CMIP6 d’Environnement et Changement climatique Canada (ECCC) sont une version mise à jour de l’ensemble de données de la CMIP5. Ils utilisent des projections mises à l’échelle (CanDCS-U6) du Pacific Climate Impacts Consortium (PCIC).Les indices couvrent une période historique (1951 à 2014) et trois scénarios d’émissions futures appelés « profils socioéconomiques partagés» (SSP), SSP1-2.6, SSP2-4.5, et SSP5-8.5 (2015 à 2100). Les données sont disponibles sur une grille de 10 par 10 km.

La version CanDCS-M6 des 49 indices agroclimatiques, produite par le PCIC, est maintenant disponible. Elle inclut les indices SSP3-7.0 pour la plupart des MCM. Le PCIC a également introduit 18 nouveaux indices au lieu des 49 originaux, pour un total de 67 indices. Ceux-ci sont disponibles pour CanDCS-U6 et CanDCS-M6. Voir le tableau des définitions pour une liste des indices.

Pour plus de détails sur les méthodes, veuillez consulter Li et coll. (2018).^Référence1

Données et traitement

CanDCS-U6

Les températures minimales et maximales quotidiennes, ainsi que les données sur les précipitations provenant des MCM, ont été mises à l’échelle de manière statistique à l’aide de l’approche BCCAQv2. Il s’agit de l’abréviation de la méthode des analogues avec correction de biais et cartographie des quantiles, version 2. Au total, 26 résultats de MCM mis à l’échelle ont été utilisés pour calculer les indices.

BCCAQ est un algorithme hybride de mise à l’échelle qui combine la mise à l’échelle par BCCA (méthode des analogues avec correction de biais)^Référence2 avec la cartographie des quantiles. De plus amples renseignements sont disponibles dans Werner et Cannon (2016).^Référence3 BCCAQv2 se distingue des versions précédentes par l’utilisation de la cartographie des différences par quantiles (QDM)^Référence4, une méthode qui préserve les changements au fil du temps.

Pour plus de détails sur les méthodes CanDCS-U6 et BCCAQv2, veuillez consulter les notes techniques.

Remarque : La méthode BCCAQv2 exige que chaque simulation historique soit jumelée à chaque projection future (SSP). Étant donné que chaque ensemble de données est mis à l’échelle séparément, ce processus produit de petites différences dans les données historiques pour chaque SSP. Cependant, ces différences sont généralement mineures.

La mise à l’échelle des variables indépendamment peut parfois entraîner des incohérences physiques mineures. Par exemple, la température minimale peut dépasser la température maximale certains jours. Cependant, des études montrent que la correction de ces cas (par permutation des valeurs) a généralement un effet négligeable sur les indices climatiques qui en résultent.^Référence1

CanDCS-M6

Une méthode de mise à l’échelle à une variable met à l’échelle chaque mesure climatique séparément sans évaluer les effets combinés. Bien que cette approche soit plus simple, elle peut omettre ou mal représenter des événements importants qui concernent à la fois la température et les précipitations.

En revanche, une approche de mise à l’échelle à plusieurs variables traite plusieurs mesures climatiques ensemble. Bien que cette méthode soit plus coûteuse en termes de puissance de calcul, elle peut maintenir les relations entre les mesures climatiques et permet d’analyser des événements qui comprennent plusieurs variables.

L’une de ces méthodes est la correction des biais à plusieurs variables n-dimensionnelle, ou MBCn.^{Références5} MBCn utilise une version modifiée de la cartographie des différences par quantiles (QDM). Il s’agit à la fois d’une méthode de correction des biais et de mise à l’échelle. Cette version est en mesure de travailler avec plusieurs variables climatiques tout en préservant les propriétés statistiques entre elles.

Pour plus de détails sur MBCn et CanDCS-M6, veuillez consulter les notes techniques.

Indices

Plusieurs ensembles d’indices climatiques sont disponibles. Un exemple bien connu est celui du Groupe d’experts sur la détection et les indices d’extrêmes climatiques (ETCCDI). Les indices du ETCCDI ont été élaborés pour étudier les changements passés et futurs dans les extrêmes climatiques.^{Référence6Référence7} Cependant, ils ne montrent pas toujours les effets climatiques locaux ou régionaux.^Référence1

Afin de soutenir un large éventail d’utilisateurs au Canada, les DSCC offrent un ensemble personnalisé d’indices. ECCC a élaboré ces indices avec la contribution de la communauté canadienne d’adaptation aux changements climatiques. Une liste complète de ces indices ainsi que des descriptions et des équations est disponible dans la liste des définitions.

Modèle climatique mondial par rapport aux données mises à l’échelle

Les projections futures à partir de données mises à l’échelle de manière statistique ne sont pas toujours plus fiables que celles des modèles climatiques de base. Dans de nombreux cas, en particulier pour les indices fondés sur des seuils fixes, les données mises à l’échelle varient souvent moins en raison de la suppression des biais du modèle. Cependant, ce n’est pas le cas pour tous les indices.

La mise à l’échelle des MCM à l’échelle spatiale fine nécessaire à l’évaluation des impacts ajoute des détails et saisit une plus grande variabilité temporelle, ce qui rend les données plus proches des observations réelles. Étant donné que ces changements dépendent du MCM, la dispersion des résultats des données mises à l’échelle peut être plus large que celle du modèle original. Cependant, cet écart plus large ne signifie pas que la mise à l’échelle ajoute plus d’incertitude. Il reflète plutôt la forte variabilité naturelle que l’on trouve à des échelles plus fines.

Limites d’utilisation

Licence du gouvernement ouvert – Canada

Les ensembles de données de modèles individuels et tous les produits dérivés connexes sont assujettis aux conditions d’utilisation de l’organisation source.

Coordonnées

Courriel : f.ccds.info-info.dscc.f@ec.gc.ca