S'abonner à l’infolettre
L'endroit où trouver les nouvelles non filtrées sur le climat et les développements de Deep Sky
![](https://cdn.prod.website-files.com/643e34bc0908d9b7c763d3f0/6661e6f26b2c2df8d4ea245c_ds_intro_how_do_we_model_hero.jpg)
Comment nous modélisons le climat
Recherche chez Deep Sky : Méthodologie de base
Dans le cadre de ses recherches, Deep Sky analyse les plus récentes données sur le climat et applique des techniques de modélisation novatrices pour comprendre et modéliser le climat, qui est en pleine évolution, de façon à représenter avec exactitude les extrêmes que l’on observe actuellement.
Données
Nos modèles s’appuient sur diverses sources de données accessibles au public provenant d’organismes comme le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT), la National Oceanic and Atmospheric Administration (NOAA) et la National Aeronautics and Space Administration (NASA). Ces organismes recueillent des données historiques sur le climat et effectuent des projections saisonnières en fonction des modèles climatiques du Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC), puis ils publient ces données et projections.
Les données de réanalyse ERA5 constituent l’une des principales sources. La réanalyse combine les données des modèles et les observations historiques pour créer un ensemble de données mondiales complet et cohérent, fondé sur les lois de la physique. Elle comprend l’établissement d’une estimation de l’incertitude à partir d’un ensemble sous-jacent de dix éléments toutes les trois heures. Les données de réanalyse ERA5 fournissent un historique d’un grand nombre de variables climatiques, de la température aux précipitations en passant par le régime des vagues. On utilise ces données pour déterminer les tendances historiques, ainsi que pour confirmer la validité et l’exactitude des projections. Voici un exemple d’ensemble de données de réanalyse ERA5.
Les prévisions saisonnières sont une autre source de données cruciale. Il s’agit de projections du système climatique sur quelques semaines ou quelques mois. Les prévisions saisonnières diffèrent des prévisions météorologiques en ce qui a trait à la précision et à la période visée. Elles peuvent, par exemple, fournir une projection de la température moyenne pour les trois prochains mois, alors que les prévisions météorologiques portent plutôt sur des éléments comme la température maximale qu’il fera demain. En raison de leur horizon plus long, les prévisions saisonnières comportent une incertitude accrue. Pour quantifier l’incertitude, les prévisions à long terme s’appuient sur des ensembles qui regroupent les prévisions issues de plusieurs modèles climatiques. Ces modèles comprennent des représentations de l’atmosphère, des océans et de la surface terrestre, et reposent sur les lois de la physique. Voici un exemple d’ensemble de données de prévision saisonnière.
Cadre UNSEEN
Le cadre UNSEEN (UNprecedented Simulated Extremes using ENsembles) (THOMPSON, Vicky, et collab. « High risk of unprecedented UK rainfall in the current climate », 2017) offre une solution à un problème fondamental qui se pose lors de la modélisation d’un climat en pleine évolution : la modélisation des événements rares qui n’ont pas de précédent. La modélisation statistique s’appuie sur un grand nombre d’observations pour calculer les probabilités et évaluer les risques. Ainsi, à titre d’exemple, l’évaluation du risque d’une vague de chaleur extrême pour laquelle il y a très peu de précédents est presque impossible. Sans observations suffisantes, les outils statistiques ne fonctionnent pas. Même si la probabilité d’un tel événement a augmenté de façon exponentielle, les modèles ne permettent pas de mesurer le risque avec précision en raison d’un manque de données.
La modélisation selon le cadre UNSEEN offre une solution novatrice à ce problème. Elle s’appuie sur des ensembles de prévisions saisonnières pour créer des milliers de résultats climatiques non réalisés, mais probables, à partir desquels il est possible d’établir des inférences statistiques. Cette modélisation tire parti d’un ensemble d’observations élargi, complétant les données de réanalyse ERA5 à l’aide des données de prévision saisonnière. Elle comprend des garde-fous intégrés qui assurent la qualité des prévisions selon diverses mesures statistiques, comme la validité, la fiabilité, l’exactitude et l’indépendance, afin de confirmer que les prévisions sont bel et bien probables dans les conditions climatiques considérées. En d’autres termes, les modèles élaborés selon le cadre UNSEEN tiennent compte non seulement des conditions climatiques réellement observées, mais aussi de conditions climatiques qui auraient pu survenir, afin de prédire ce qui est susceptible de se produire dans l’avenir. Il s’agit donc d’un puissant outil pour prévoir un climat qui continue d’être marqué par des événements catastrophiques sans précédent constituant des observations aberrantes sur le plan statistique.
Cette approche est mise en œuvre dans un nombre croissant d’articles évalués par les pairs, et il existe un cadre UNSEEN à code source libre publié par Timo Kelder.
Statistique des valeurs extrêmes
Dans le cadre de ses recherches, Deep Sky s’intéresse principalement à l’évaluation du risque d’événements extrêmes causés par les changements climatiques. Au-delà du cadre UNSEEN, cela exige la modélisation des extrêmes de la distribution de probabilités, plutôt que la simple prédiction de la moyenne. Dans ses recherches, Deep Sky s’appuie donc sur l’analyse des valeurs extrêmes, une approche bien établie. La théorie des valeurs extrêmes permet de prévoir les familles de distribution vers lesquelles le maximum d’un échantillon de variables aléatoires indépendantes et distribuées de manière identique peut converger après une renormalisation appropriée.
Le paquetage eXtremes R est le logiciel statistique le plus avancé pour ce type d’analyse, et Deep Sky l’utilise fréquemment pour la modélisation des valeurs extrêmes dans le cadre de ses recherches. Les paramètres exacts des modèles dépendent des données. Deep Sky fait appel à une approche statistique axée sur les pratiques exemplaires pour utiliser le modèle le plus simple qui convienne aux données et pour comparer divers modèles en fonction de mesures statistiques de performance.
Périodes de récurrence
Deep Sky exprime souvent la probabilité d’événements climatiques extrêmes en fonction de périodes de récurrence. La période de récurrence correspond à la durée moyenne estimée entre deux événements. En climatologie, on utilise couramment des expressions comme « une tempête de 100 ans », qui désigne une tempête dont la période de récurrence est de 100 ans. Une telle tempête survient en moyenne une fois tous les 100 ans, ce qui signifie que chaque année, la probabilité qu’elle se produise est de 1/100.
Si une tempête qui était autrefois considérée comme une tempête de 100 ans affiche maintenant une période de récurrence de 10 ans, la probabilité qu’elle se produise est de 1/10 chaque année, soit une augmentation de 10 fois. Il y a beaucoup d’idées fausses au sujet des périodes de récurrence. À titre d’exemple, certaines personnes pensent que si 99 ans se sont écoulés sans qu’une tempête de 100 ans ne survienne, il faut s’attendre à ce que la tempête ait lieu l’an prochain. Le fait que la période de récurrence d’une tempête soit de 100 ans signifie seulement que la probabilité que la tempête survienne est de 1/100 chaque année. Cette probabilité n’augmente pas chaque année où la tempête ne survient pas. La probabilité qu’une tempête se produise l’année prochaine ne change pas, à moins que la période de récurrence n’ait changé.
![photo du ciel - Deep Sky](https://cdn.prod.website-files.com/643e34bc0908d9a2e763d3bf/643e34bc0908d94a3663d4b7_company-banner-bottom.jpg)