La descente d’échelle des prévisions saisonnières
6.4 Impact de DSCLIM sur les prévisions saisonnières hydrologiques : comparaison avec une descente d’échelle
6.4.2 Les débits
MAM Mars Avril Mai
FIG. 6.16. Régions où : l’expérience avec la descente d’échelle DSCLIM est meilleure que celle avec la descente d’échelle simple (en orange) ; l’expérience avec la descente d’échelle simple est meilleure qu’avec DSCLIM (en bleu foncé) ; les deux expériences sont équivalentes (bleu clair) ; les calculs sont réalisés pour les 100 ΔR pour les débits moyens trimestriels et mensuels (cf. détails sect. 4.3).
Sur les corrélations temporelles des débits (FIG. 6.16), nous pouvons observer que : - au mois de Mars, DSCLIM améliore globalement les scores ;
- en Avril, DSCLIM et la méthode simple montrent globalement peu de différence ;
- en Mai, c’est la méthode simple qui réalise de meilleurs scores que la méthode DSCLIM.
En ce qui concerne, les scores probabilistes, DSCLIM réalise de meilleures scores que la méthode simple sur les débits et surtout sur le tercile supérieur en Mars et en Avril, comparé au tercile inférieur où DSCLIM apporte moins d’amélioration et dégrade les scores (FIG. 6. 17). Par contre sur les scores trimestriels, les résultats restent mitigés.
MAM Mars Avril Mai
FIG. 6.17. Régions où : l’expérience avec la descente d’échelle DSCLIM est meilleure que celle avec la descente d’échelle simple (en orange) ; l’expérience avec la descente d’échelle simple est meilleure qu’avec DSCLIM (en bleu foncé) ; les deux expériences sont équivalentes (bleu clair) ; les calculs sont réalisés pour les 100 variables de comparaison de BSS pour les terciles supérieur (haut) et inférieur (bas) pour les débits moyens trimestriels et mensuels (cf. détails sect. 4.3).
6.5 Conclusion
L’objectif de ce chapitre était d’introduire la problématique de l’application de la descente d’échelle dans le cadre de la prévision saisonnière hydrologique au printemps en France métropolitaine.
La méthode de descente d’échelle, ou désagrégation, peut être réalisée soit par une approche dynamique, soit par une approche statistique. Les méthodes dynamiques, à travers l’utilisation de modèles régionaux climatiques, sont très coûteuses et donc moins utilisées en prévision saisonnière hydrologique que les méthodes statistiques. Plusieurs méthodes statistiques, de la plus simple à la plus complexe, existent pour permettre d’établir des relations entre la circulation de grande échelle et le climat régional étudié.
Dans la chaîne de prévision saisonnière hydrologique Hydro-SF, jusqu’ à présent, une méthode d’interpolation spatiale et de calcul d’anomalies standardisées, était principalement utilisée. Nous avons donc essayé une autre méthode statistique plus complexe qui a déjà été validée au cours de précédentes études avec notamment la chaîne SIM : la classification par type de temps et analogues grâce à l’outil DSCLIM. Cette méthode se base sur la décomposition en types de temps pour relier les changements de circulation de grande échelle sur un domaine géographique Europe-Atlantique (pressions au niveau de la mer et températures de surface) au climat régional sur le territoire français (précipitations totales).
En utilisant cette nouvelle méthode, nous espérons ainsi améliorer les scores du forçage atmosphérique, et donc celle des prévisions saisonnières hydrologiques, surtout en zone de plaine.
Nous avons donc comparé directement les prévisions saisonnières régionalisées suivant les deux méthodes (DSCLIM et méthode simple) sur le trimestre Mars-Avril-Mai avec le modèle ARPEGE-ENSEMBLES sur la période 1960-2005. Cette comparaison a été réalisée notamment grâce aux corrélations temporelles et aux scores de biais (MSE et composantes, Brier Skill Score).
Les résultats obtenus sont très mitigés. En effet, DSCLIM apporte une amélioration significative sur les forçages atmosphériques et les variables hydrologiques en terme de biais déterministe et probabiliste sur des régions très locales dont le pourtour méditerranéen.
Puis, DSCLIM a tendance à plus dégrader les corrélations temporelles par rapport à la méthode simple utilisée auparavant. Nous supposons donc qu’il existe une perte de chronologie pour la méthode DSCLIM par rapport à la méthode simple utilisée auparavant.
Ensuite, DSCLIM a également de moins bons scores sur le tercile inférieur que le tercile supérieur. Plus l’échéance s’allonge et plus DSCLIM dégrade les scores par rapport à la méthode simple. Ce résultat n’est cependant pas surprenant puisque DSCLIM obtient de moins bons scores en été qu’en hiver [Souchu, 2011].
Signalons tout de même que parallèlement à ce travail, d’autres études ont été réalisées avec DSCLIM.
Dans le cadre d’une étude d’impact du changement climatique sur le bassin versant de la Durance (dans les Alpes du Sud), Lafaysse [2011] a réalisé plusieurs études de sensibilité sur les précipitations totales désagrégées par DSCLIM : la variable de la grande échelle utilisée, le domaine géographique de grande échelle et de petite échelle, le nombre de classes utilisées. Les résultats ont ainsi montré que :
- la variable de grande échelle améliorant les scores variait en fonction de la saison : en hiver, ce sont les variables de pression au niveau de la mer et géopotentiel à 850hPa les mieux adaptées, alors qu’en automne ce sont les géopotentiels à 700hPa et 500hPa ; pour la prévision saisonnière, il serait donc intéressant de réaliser la descente d’échelle DSCLIM avec d’autres variables de grande échelle disponible (comme le géopotentiel à 500hPa) et comparer les résultats avec ceux des pressions au niveau de la mer utilisées dans cette thèse ; - un domaine géographique de grande échelle plus localisée sur la Méditerranée
améliorait les scores sur le bassin de la Durance, il serait donc intéressant de tester ce domaine pour en observer l’impact sur le Sud de la France dans le cadre de la prévision saisonnière hydrologique ;
- la réduction du domaine de petite échelle n’améliorait significativement pas les scores, ce qui été aussi constaté dans Sanchez Gomez et al. [2010] ;
- les scores ne sont pas améliorés au-delà de 10 classes de types de temps.
D’autres pistes de travail sont donc possibles pour l’utilisation de DSCLIM dans le cadre des prévisions saisonnières : par exemple, la descente d’échelle est réalisée principalement sur les précipitations totales, mais on pourrait imaginer une descente d’échelle dont les relations statistiques sont aussi réalisées sur les températures, ou bien on pourrait réaliser une correction de la température plutôt régionalisée et non moyennée sur l’ensemble du territoire français.
Aussi, l’utilisation d’autres types de temps pourrait être envisagée [Benatya, 2009], de même que celle d’autres variables de grande échelle.
Dans le cadre de prévisions saisonnières hydrologiques opérationnelles, nous avons commencé à mener des travaux sur l’intérêt de constituer un ensemble de prévision à partir de DSCLIM : au lieu de réaliser des prévisions saisonnières désagrégées par DSCLIM pour chaque membre, nous pourrions par exemple prendre un des membres de la prévision saisonnière, le désagréger grâce à DSCLIM, puis réaliser un rééchantillonage aléatoire des analogues X fois (X correspondant au nombre de membres voulu en entrée du modèle hydrologique).
Les résultats, non montrés ici, ont alors présenté des scores de biais et de corrélation des précipitations totales qui variaient en fonction du nombre de membre (entre 27 et 90 membres). Afin d’évaluer l’intérêt réel de constituer un ensemble de prévision à partir de DSCLIM plutôt que de désagréger chaque membre de prévision par DSCLIM, la seconde étape aurait été d’utiliser donc plusieurs membres de prévisions saisonnières issues de modèle de climat.
Cependant, ARPEGE-ENSEMBLES ne disposant que de 9 membres, deux solutions possibles se dégageaient :
(i) utiliser les prévisions saisonnières de Météo-France, du CEPMMT et du UK Met Office (cf. sect. 2. 3. 5), permettant alors de constituer un ensemble grâce à plusieurs modèles de climat jusqu’à 36 membres de 1960 à 2005 ; par contre, l’incertitude inhérente aux différents modèles serait ajoutée ;
(ii) utiliser les prévisions saisonnières du modèle opérationnel de Météo-France (SYSTEM3) disposant alors de 41 membres, mais la période testée n’est alors plus que de 5 ans (2008-2012).
D’après ces constats et les résultats mitigés obtenus auparavant, nous avons donc décidés de ne pas réaliser ces travaux.
En effet, n’ayant pas obtenus les résultats désirés par la descente d’échelle DSCLIM (nous attendions donc une amélioration surtout en zone de plaine pour augmenter les scores du forçage atmosphérique, puis hydrologiques sur la saison printanière), nous n’avons pas plus poussé nos recherches et investigations dans la problématique de la descente d’échelle des prévisions saisonnières dans un cadre de mise en opérationnel. Nous avons donc gardé la méthode de descente d’échelle simple mais efficace utilisée jusqu’à présent dans la chaîne de prévision saisonnière hydrologique Hydro-SF (sect. 3.5.1).
De plus, les résultats du chapitre précédent sur les sources de prévisibilité des ressources en eau sur la saison du printemps, nous ont montré l’importance des conditions initiales de la neige en montagne et de la nappe sur le bassin de la Seine en France métropolitaine [Singla et al., 2012]. L’objectif de cette thèse étant d’évaluer le potentiel de la chaîne Hydro-SF dans un contexte de gestion des ressources en eau, et en particulier des bas débits et d’éventuelles sécheresses, nous nous sommes donc orientés sur la saison de l’été, période où les ressources en eau sont plus vulnérables.