Variabilité journalière

La perspective principale d’une telle méthode de désagrégation se plaçant dans un contexte climatique, l’accent a été mis dans l’article sur la validation de la variabilité interannuelle de notre forçage. Nous proposons ici quelques analyses supplémentaires visant à valider les va- riables atmosphériques de surface reconstruites à l’échelle de temps journalière.

La distribution moyenne du vent zonal, méridien et du module du vent est représentée sur la Figure 3.3 pour chacune des sept boîtes atlantiques définies précédemment pour les saisons d’hiver et d’été, à la fois pour le vent REC et DFS4. On y voit clairement que l’intensité moyenne du vent ainsi que sa variabilité journalière sont parfaitement capturées dans la reconstruction, et cela quelle que soit la saison.

FIG. 3.3: Fonctions de densité de probabilité (exprimées en nombres de jours) de la composante zonale, méridienne et du module du vent à 10m pour les différentes boîtes atlantiques sur la période 1958-2001. En haut pour la saison d’hiver DJFM, en bas pour JJAS. En trait plein pour le vent DFS4, en pointillés pour le

Les propriétés à l’échelle de temps journalière du jeu de forçage REC sont estimées main- tenant à l’aide d’un diagramme de Taylor (Taylor 2001, Figure 3.4). Ce type de diagramme permet d’obtenir une vision concise des caractéristiques journalières de l’ensemble des variables de surface reconstruites en estimant leur corrélation et leur écart-type par rapport aux variables de référence DFS4. Chaque variable est représentée par une couleur différente, pour les sept boîtes atlantiques auxquelles sont associés des numéros. Les points représentent le vent zonal et méridien reconstruits, ainsi que les anomalies journalières reconstruites de température, d’hu- midité, de rayonnement solaire et de rayonnement infrarouge. Les croix représentent quant à elles T2, Q2, SW et LW une fois leur climatologie journalière rajoutée aux anomalies recons- truites. Trois diagrammes sont représentés, pour DJFM, JJAS et pour l’ensemble des jours, sur la période 1958-2002 pour U10, V10, T2 et Q2 et sur la période 1984-2002 pour les champs de rayonnement.

Ces trois diagrammes montrent que la variance journalière de l’ensemble des variables de surface est très bien reproduite, puisque la majorité des points est située sur l’arc de cercle cor- respondant à un ratio d’écart-type égal à 1. Ceci est vrai en DJFM, JJAS comme en annuel, et quelle que soit la boîte atlantique considérée. Regardons maintenant la corrélation entre les champs reconstruits et les champs DFS4, en ne considérant dans un premier temps que les va- riables directement issues du processus de désagrégation, U10, V10, et les anomalies de T2, Q2, SW et LW, représentées par les points. Le vent zonal est le champ qui en hiver présente les corré- lations les plus élevées, atteignant 0.7. Les corrélations sont plus faibles pour le vent méridien. On note que pour le vent, les corrélations sont généralement meilleures pour les boîtes les plus au nord. Pour les quatre autres variables, cette corrélation est globalement assez faible, quelle que soit la saison considérée. Pour les anomalies de T2 et Q2, les corrélations sont un peu plus fortes en DJFM qu’en JJAS, comprises entre 0.1 et 0.5. Quant aux anomalies de rayonnement, la corrélation est toujours extrêmement faible et comprise entre 0 et 0.2.

La particularité de la méthode de désagrégation développée dans cette thèse par rapport aux études de descente d’échelle classiques est le grand domaine spatial sur lequel elle est construite. Il apparaît donc difficile sur un domaine de cette taille de pouvoir conserver une bonne cohé- rence temporelle journalière sur l’ensemble des points de grille, et les résultats précédents ne sont pas très étonnants. Il faut rappeler que dans la méthode, il arrive que pour la reconstruction d’un jour de vent de Janvier, le jour analogue choisit soit un jour de Mars. Cela n’est pas problé- matique pour le vent, qui peut connaître des états similaires en Janvier ou en Mars. Cependant, les autres variables de surface que nous cherchons à reconstruire, T2, Q2, SW et LW, possèdent un cycle saisonnier et intra-saisonnier bien plus marqués. La variance des leurs anomalies jour- nalières est extrêmement faible comparée à la variance totale, largement dominée par le cycle saisonnier. Ainsi, pour la température par exemple, il y a une grande différence entre une tempé- rature d’un jour de Mars et d’un jour de Janvier. Nous avons donc fait le choix de ne reconstruire que les anomalies auxquelles nous rajoutons la climatologie journalière du jour analogue. Ainsi, si l’on regarde ces variables une fois leur climatologie journalière rajoutée, c’est à dire une fois

FIG. 3.4: Diagramme de Taylor pour les valeurs journalières des 6 variables de surface reconstruites repré- sentées par des couleurs différentes sur les sept boîtes atlantiques (numéro de 1 à 7), en DJFM, JJAS et en annuel. Les points représentent U10, V10 reconstruits ainsi que les anomalies journalières reconstruites de T2, Q2, SW et LW. Les croix sont associées à T2, Q2, SW et LW une fois la climatologie journalière de réfé- rence ajoutée aux anomalies reconstruites. La période considérée est 1958-2002 excepté pour SW et LW où elle est 1984-2001. Les axes horizontal et vertical représentent le ratio de l’écart-type journalier du champ reconstruit sur celui de référence (DFS4). L’axe radial correspond à la corrélation entre le champ reconstruit et de référence.

leur cycle saisonnier rajouté (croix sur les diagrammes), on se rend compte que la corrélation journalière est nettement plus forte. Cela est particulièrement visible sur le diagramme où tous les jours de l’année sont représentés, montrant ainsi l’importance du cycle saisonnier qui domine pour ces quatre variables. C’est également le cas en hiver et en été, montrant également l’impor- tance du cycle intra-saisonnier. Le rayonnement solaire présente ainsi des corrélations toujours supérieures à 0.9 et le rayonnement infrarouge comprises entre 0.6 et 0.9.

En conclusion, la méthode capture bien l’intensité de la variabilité journalière pour l’en- semble des variables, cela parce-que nous prescrivons le cycle saisonnier pour T2, Q2, SW et LW. Sans cela, il était impossible, étant donné la taille du domaine d’étude et l’intensité du cycle