bilité ?
— Est-ce que l’année 2010 est représentative des autres années de la dernière dé- cennie au regard des émissions de méthane ?
6.3
Sensibilité des inversions de méthane aux
paramétrisations physiques
Cette section se base sur un article à soumettre donné en section 6.4 et dont les principaux résultats sont présentés au préalable.
6.3.1 Présentation
Dans cette section, on revient plus longuement sur la sensibilité des estimations des émissions de méthane par modélisation inverse aux paramétrisations physiques du modèle de chimie-transport. Les trois versions du système inverse, détaillées précé- demment et différenciées par la version du modèle de transport (LMDz-TD, LMDz-SP et LMDz-NP) utilisée, sont comparées. Les trois jeux de données atmosphériques (voir la section6.1.4pour le détail des jeux de données) décrits précédemment sont utilisés pour contraindre les différentes inversions.
Ici, on compare successivement les émissions totales de méthane à l’échelle globale et aux échelles régionales trouvées pour 9 inversions (3 versions du modèle et 3 jeux de données) dans le but de quantifier l’impact des paramétrisations physiques sur les esti- mations des émissions de méthane. On analysera également la cohérence des résultats obtenus entre les inversions basées sur des contraintes atmosphériques à la surface (in- versions BG et EXT) et sur la colonne atmosphérique (inversions PR-LEI) afin de voir comment il est possible d’utiliser au mieux les informations complémentaires apportées par ces deux types de données.
6.3.2 Principaux résultats
6.3.2.1 Impact des paramétrisations physiques sur les estimations globales A l’échelle planétaire, on trouve que la dispersion due à l’utilisation de différentes paramétrisations physiques atteint 2.7, 7.5 et 2.1 TgCH4.an−1 dans les inversions
contraintes respectivement par les jeux de données BG, EXT et PR-LEI. Ces chiffres représentent 0.5%, 1.4% et 0.4% des émissions de méthane à l’échelle planétaire, et 10.0%, 27.8% et 7.8% des différences dues au transport atmosphérique notées avec l’utilisation d’un ensemble de 9 modèles différents (Locatelli et al., 2013). Le fait que les contraintes de surface contiennent un signal plus fort des émissions que les contraintes sur la colonne totale, permet de comprendre la dispersion plus grande des émissions trouvées dans les inversions basées sur des contraintes de surface.
On quantifie également le fait que les inversions basées sur une version du modèle de chimie-transport utilisant le schéma de convection profonde de Emanuel (1991) estiment un gradient inter-hémisphérique plus faible pour les émissions de méthane. Ce résultat confirme les hypothèses formulées dans Locatelli et al. (2014) et illustre l’une des améliorations obtenues avec le nouveau système. En effet, la représentation des échanges inter-hémisphériques est un problème récurrent des anciennes versions de LMDz. Il a été mis en évidence parPatra et al.(2011) dans la version originelle de
Chevallier et al. (2005) (dont la version de LMDz utilisée est basée sur le schéma de
le biais du gradient des émissions entre les deux hémisphères que ce problème cause.
6.3.2.2 Impact des paramétrisations physiques sur les estimations régionales Aux échelles régionales, l’impact des paramétrisations physiques est compris entre 1% et 11%, 3% et 18%, et entre 2% et 17% pour les inversions contraintes respecti- vement par BG, EXT et PR-LEI. L’implémentation du modèle des thermiques dans le système inverse impacte fortement les estimations aux échelles régionales, notamment dans les régions où de fortes quantités de méthane sont émises. C’est le cas princi- palement dans les régions tropicales pour les inversions contraintes par PR-LEI où l’on observe une distribution spatio-temporelle très différente entre le système inverse utilisant LMDz-NP et les autres systèmes n’utilisant pas le modèle du thermique pour représenter le mélange dans la couche limite.
6.3.2.3 Cohérence entre les inversions de surface et les inversions satellites La cohérence entre les inversions basées sur des données de surface et les inversions basées sur des données satellites est également étudiée. En effet, c’est une question importante à traiter pour envisager de mélanger ces jeux de données, et ce d’autant que le nombre de données satellites et la diversité des observations atmosphériques disponibles ont augmenté depuis 10 ans. Ici, nous montrons que les inversions de surface et les inversions satellites ne sont pas cohérentes entre elles. En effet, un biais important de 40 ppb en moyenne et légèrement dépendant de la latitude est mis en évidence en surface pour les inversions satellites : les concentrations modélisées par LMDz en utilisant le flux optimisé par les inversions satellites surestiment les concentrations observées à la surface (et non assimilées dans l’inversion). En outre, on montre que ce biais est indépendant des paramétrisations physiques testées ici. Au contraire, on montre qu’une partie de ce biais peut être expliquée par une mauvaise représentation des échanges entre la troposphère et la stratosphère, qui dans le cas de LMDz ont été fortement améliorés grâce au gain de la résolution verticale (passage de 19 à 39 niveaux verticaux). L’autre partie du biais est très probablement liée aux données satellites elles-mêmes.
6.3.2.4 Discussions et conclusions
La quantification de l’impact des paramétrisations physiques sur les inversions de méthane présentée dans cette étude permet de distinguer la contribution due aux paramétrisations dans l’ensemble des erreurs de modélisation qui ont été étudiées dansLocatelli et al.(2013). A l’échelle globale, l’impact des erreurs liées à l’utilisation de différents modèles de transport s’élève à 27 TgCH4.an−1 (soit 5% des émissions
planétaires) d’aprèsLocatelli et al.(2013). Ici, la moyenne des 3 paquets d’inversions (relativement aux 3 types de contraintes) donne une incertitude sur les estimations des flux de méthane liée aux paramétrisations physiques de 0.8%. Ainsi, une variation substantielle des paramétrisations physiques d’un même modèle explique seulement très partiellement (16%) l’ensemble des erreurs liées à la modélisation du transport atmosphérique. Le reste doit alors être attribué aux incertitudes existantes dans les forçages météorologiques et aux autres éléments des configurations du modèle (ré- solution, choix et couplages entre schémas numériques, etc). A l’échelle régionale, par contre, la comparaison de nos résultats avec l’étude de Locatelli et al. (2013) montre que les paramétrisations physiques testées ici expliquent en moyenne 24%
6.4. Publication draft : « Sensitivity of the recent methane budget to LMDz sub-grid