Outils de réduction d'échelle

Introduction

Bien qu'il n'y ait pas de méthode standard de réduction d'échelle (pour obtenir des scénarios de changements climatiques à plus haute résolution à partir d'un MCG de plus faible résolution), il existe actuellement deux logiciels qui permettent de réduire l'échelle spatiale et temporelle.

SDSM

Le Modèle de réduction d’échelle statistique (SDSM) (en anglais seulement) permet la réduction d'échelle spatiale des rapports quotidiens entre les variables prédicteurs et le predictand au moyen des techniques de régression linéaire multiple. Les variables prédicteurs fournissent des données quotidiennes sur l'état de l'atmosphère à grande échelle alors que les predictand décrit les conditions climatiques locales. Le logiciel permet de minimiser la tâche de réduction d'échelle statistique des séries météorologiques quotidiennes via les différents processus discrets suivants :

1. Analyse préliminaire des variables prédicteurs dont l'échelle peutêtre réduite — détermine les variables prédicteurs à grande échelle qui ont une forte corrélation avec les données observées aux stations (predictand). Un certain nombre de variables issues des champs de pression au niveau moyen de la mer sont comprises, par exemple la force du vent, les composantes méridiennes et zonales du vent, tourbillon, etc. (Voir Réduction d'échelle statistique dans la section Téléchargement des données)
2. Assemblage et étalonnage du modèle de réduction d'échelle statistique — les variables prédicteurs à grande échelle recensées en (1) servent à déterminer les relations de régression linéaire multiple entre ces variables et les données des stations locales. Les modèles statistiques peuvent être établis à l'échelle mensuelle, saisonnière ou annuelle. Des données sont fournies sur l'ampleur de la variance expliquée par le modèle et l'erreur type afin de déterminer la viabilité de la réduction d'échelle spatiale de la variable et du lieu en question.
3. Synthèse d'ensembles de données météorologiques courantes à l'aide des variables « prédicteurs » observées — une fois que les modèles de réduction d'échelle statistique ont été établis, on peut les vérifier en utilisant un ensemble de données indépendantes parmi les variables prédicteurs observées. La partie stochastique de SDSM permet de produire jusqu'à 100 ensembles de séries de données qui présentent les mêmes caractéristiques statistiques mais qui varient sur une base quotidienne.
4. Génération d'ensembles de données météorologiques futures à l'aide des variables prédicteurs issues de MCG — la production des variables prédicteurs appropriées issues de MCG permet de générer des ensembles de données météorologiques futures en utilisant les rapports statistiques calculés en (2).
5. Essai/analyse diagnostiques des données observées et des scénarios de changements climatiques — il est possible de calculer les caractéristiques statistiques des données observées et des données synthétiques pour procéder à une comparaison facile et ainsi déterminer l'effet de la réduction d'échelle spatiale.

Pour avoir accès aux données prédicteurs, voir les sections, réduction d'échelle statistique pour CMIP5.

À Propos de SDSM

SDSM est un outil d’aide à la décision conçu par les Drs. Robert Wilby et Christian Dawson au R.-U. afin d’évaluer les répercussions des changements climatiques locaux au moyen d’une technique robuste de réduction d’échelle statistique. C’est un hybride entre un générateur stochastique de données météorologiques et une méthode de régression linéaire multiple qui facilite le développement rapide de multiples scénarios (i.e. faible coût de calcul) en un seul site pour les variables météorologiques quotidiennes dans des conditions de forçages climatiques actuels et futurs.

SDSM a été conçu pour aider l’utilisateur à identifier les variables climatiques globales (les variables prédicteurs) qui expliquent la majeure partie de la variabilité climatique (du prédictand) en un lieu particulier, et des modèles statistiques sont alors construits à partir de ces informations. Les modèles statistiques sont construits au moyen des données quotidiennes observées – les données climatiques locales à propos d’un lieu particulier pour le prédictand, et les données à grande échelle de NCEP pour les variables prédicteurs;- et ces modèles sont ensuite utilisés avec les variables prédicteurs; issues des MCG pour obtenir les données météorologiques quotidiennes à l’endroit en question pour une période future.

Commencement

Où puis-je me procurer SDSM?

Vous pouvez télécharger le logiciel, le mode d’emploi et un ensemble de données de démonstration (pour la station de Blogsville) gratuitement sur le site Web de SDSM.

Comment dois-je préparer mes propres données pour les utiliser avec SDSM?

Il est préférable de créer un nouveau répertoire pour chaque site dont vous voulez réduire l’échelle à l’aide de SDSM. Ce répertoire doit contenir à la fois les données quotidiennes observées (c.-à-d. les prédictands) et les variables prédicteurs observées (i.e. NCEP, pour National Centre for Environmental Prediction, Kalnay et al., 2006) et des prédicteurs de MCG. Vous devrez fournir les données sur les prédictands, mais vous pouvez obtenir les données prédicteurs sur le site Web du DSCC (voir CMIP5 réduction d’échelle statistique).

Environnement et Changement climatique Canada fournit accès aux données climatiques ajustées et homogénéisées basées sur les observations climatiques historiques.

Comment utiliser SDSM?

Vous pouvez consulter le mode d’emploi de SDSM.

Références sur SDSM (outil et variables prédicteurs)

Barrow, E., B. Maxwell and P. Gachon, 2004: Climate Variability and Change in Canada: Past, Present and Future, Climate Change Impacts Scenarios Project, National Report, Environment Canada, Meteorological Service of Canada, Adaptation Impacts Research Group, Atmospheric and Climate Sciences Directorate publication, Canada, 114 pp, ISBN: 0-662-38497-0.

Choux M., (2005): Development of new predictor variables for the statistical downscaling of precipitation. Degree Master of Engineering, Department of Civil Engineering and Applied Mechanics, McGill University. (Dec. 2005).

Conway, D., Wilby, R.L. and Jones, P.D. (1996): Precipitation and air flow indices over the British Isles. Climate Research 7: 169-183.

Dibike, Y., P. Gachon, A. St-Hilaire, T.B.M.J. Ouarda, and VTV Nguyen, 2007: Uncertainty analysis of statistically downscaled temperature and precipitation regimes in northern Canada. Theoretical and Applied Climatology (in press).

Gachon, P., A. St-Hilaire, T. Ouarda, VTV Nguyen, C. Lin, J. Milton, D. Chaumont, J. Goldstein, M. Hessami, T.D. Nguyen, F. Selva, M. Nadeau, P. Roy, D. Parishkura, N. Major, M. Choux & A. Bourque, 2005: A first evaluation of the strength and weaknesses of statistical downscaling methods for simulating extremes over various regions of eastern Canada. Sub-component, Climate Change Action Fund (CCAF), Environment Canada, Final report, Montréal, Québec, Canada, 209 pp.

Goldstein, J., J. Milton, N. Major, P. Gachon, and D. Parishkura, 2004: Climate extremes indices and their links with future water availability: Case study for summer of 2001, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Canada, June 16-18 2004, 7pp.

Hassan, H., Aramaki, T., Hanaki, K., Matsuo, T. and Wilby, R.L. (1998): Lake stratification and temperature profiles simulated using downscaled GCM output. Journal of Water Science and Technology 38: 217-226.

Hessami M., T.B.M.J. Ouarda, P. Gachon, A. St-Hilaire, F. Selva and B. Bobée, 2004: Evaluation of statistical downscaling methods over several regions of eastern Canada, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Québec, Canada. June 16-18, 2004, 9 pp.

Jones, P.D., Hulme, M. and Briffa, K.R. (1993): A comparison of Lamb circulation types with an objective classification scheme. International Journal of Climatology 13: 655-663.

Kalnay, E., Kanamitsu, M., Kistler, R. et al. (1996): The NCEP/NCAR 40-year reanalysis project. Bulletin of the American Meteorological Society 77: 437-471.

Nguyen T., V.T.V. Nguyen, P. Gachon and A. Bourque, 2004a: An assessment of statistical downscaling methods for generating daily precipitation and temperatures extremes in the greater Montreal region, article published in the proceeding of the 57th Annual Conference of the Canadian Water Resources Association. Montreal, Québec, Canada. June 16-18, 2004, 10 pp.

Nguyen VTV, Nguyen TD, Gachon P. 2004b: An Evaluation of Statistical Downscaling Method for Simulating Daily Precipitation and Extreme Temperature Series at a Local Site, 14th Congress of the APD-International Association of Hydraulic Engineering and Research, Hongkong, December 15-18, 2004, pp. 1911-1916.

Nguyen VTV, Nguyen TD, Gachon P., 2006: On the linkage of large-scale climate variability with local characteristics of daily precipitation and temperature extremes: an evaluation of statistical downscaling methods. Advances in Geosciences (WSPC/SPI-B368) 4(16): 1-9.

Nguyen, T-D., V-T-V. Nguyen, and P. Gachon, 2007: A spatial-temporal downscaling approach for construction of intensity-duration-frequency curves in consideration of GCM-based climate change scenarios, in “Advances in Geosciences, Vol. 6: Hydrological Sciences”, N. Park et al. (Eds.), World Scientific Publishing Company, pp. 11-21.

Wilby, R.L. and Dettinger, M.D. (2000): Streamflow changes in the Sierra Nevada, CA, simulated using a statistically downscaled General Circulation Model scenario of climate change. In: Linking Climate Change to Land Surface Change, McLaren, S.J. and Kniveton, D.R. (Eds.), Kluwer Academic Publishers, Netherlands, pp. 91-121.

Wilby, R.L., and Wigley, T.M.L., (2000): Precipitation predictors for downscaling: observed and General Circulation Model relationships. International Journal of Climatology 20: 641-661.

Wilby, R.L., Dawson, C.W. and Barrow, E.M. (2002): SDSM - a decision support tool for the assessment of regional climate change impacts. Environmental and Modelling Software 17: 145-157.

Wilby, R.L., Hassan, H. and Hanaki, K. (1998): Statistical downscaling of hydrometeorological variables using general circulation model output. Journal of Hydrology 205: 1-19.