Le changement climatique:
Comment estimer et r´
eduire les incertitudes sur
les projections?
Camille Risi
Chercheuse CNRS
au Laboratoire de M´et´eorologie Dynamique (Paris)
Le changement climatique en cours
par rapport à 1961−1990
Température (°C)
Le changement climatique en cours
en CO2 (ppm) Concentration effet de serre par rapport à 1961−1990 Température (°C) Température (°C) 2/20Les enjeux, le rˆ
ole de la recherche
I Impacts du changement climatique?
I augmentation du niveau de la mer
I changements de precipitations: s´echeresses, innondations
I changement de zones de r´epartition des maladies
I que peut faire la recherche scientifique?
I quantifier la responsabilit´e de l’homme
I pr´evoir pour ´eclairer les d´ecisions politiques
I pr´evoir la r´eponse du climat aux d´ecisions politiques
I informer sur les incertitudes
I Le GIEC: Groupe International pour l’Etude du Climat, sous l’´egide de l’ONU
I rapports en 1990, 1995, 2001, 2007, en pr´eparation
Les enjeux, le rˆ
ole de la recherche
I Impacts du changement climatique?
I augmentation du niveau de la mer
I changements de precipitations: s´echeresses, innondations
I changement de zones de r´epartition des maladies
I que peut faire la recherche scientifique?
I quantifier la responsabilit´e de l’homme
I pr´evoir pour ´eclairer les d´ecisions politiques
I pr´evoir la r´eponse du climat aux d´ecisions politiques
I informer sur les incertitudes
I Le GIEC: Groupe International pour l’Etude du Climat, sous l’´egide de l’ONU
I rapports en 1990, 1995, 2001, 2007, en pr´eparation
I accords internationaux: ex: Kyoto 1997
Les enjeux, le rˆ
ole de la recherche
I Impacts du changement climatique?
I augmentation du niveau de la mer
I changements de precipitations: s´echeresses, innondations
I changement de zones de r´epartition des maladies
I que peut faire la recherche scientifique?
I quantifier la responsabilit´e de l’homme
I pr´evoir pour ´eclairer les d´ecisions politiques
I pr´evoir la r´eponse du climat aux d´ecisions politiques
I informer sur les incertitudes
I Le GIEC: Groupe International pour l’Etude du Climat, sous l’´egide de l’ONU
Les m´ecanismes du changement climatique
H2O CO2 O3 CH4 nauges 24% 6% 9% 60% 100% 115% 23% 100% 106% Bilanradiatif 31% 46% solaire rayonnement ux turbulents infra-rouge rayonnement Eet deserre=⇒ besoin de mod`eles complets et d´etaill´es
Les m´ecanismes du changement climatique
H2O CO2 O3 CH4 nauges H2Oր Tր +Rétro-a tion delavapeur d'eau
eetdeserreր 24% 6% 9% 60% 100% 115% 23% 100% 106% Bilanradiatif 31% 46% solaire rayonnement ux turbulents infra-rouge rayonnement Eet deserre
Les m´ecanismes du changement climatique
H2O CO2 O3 CH4 nauges H2Oր Tր +Rétro-a tion delavapeur d'eau
eetdeserreր
Tր
+
neige/gla eց albédoց
Rétro-a tiondel'albédodesurfa e 24% 6% 9% 60% 100% 115% 23% 100% 106% Bilanradiatif 31% 46% solaire rayonnement ux turbulents infra-rouge rayonnement Eet deserre
=⇒ besoin de mod`eles complets et d´etaill´es
Les m´ecanismes du changement climatique
H2O CO2 O3 CH4 nauges H2Oր Tր +Rétro-a tion delavapeur d'eau
eetdeserreր
Tր
+
neige/gla eց albédoց
Rétro-a tiondel'albédodesurfa e
nuageshautsց nuagesbasց T ր Rétro-a tions nuageuses ց albédoց + ? 24% 6% 9% 60% 100% 115% 23% 100% 106% Bilanradiatif 31% 46% solaire rayonnement ux turbulents infra-rouge rayonnement Eet deserre
Les m´ecanismes du changement climatique
H2O CO2 O3 CH4 nauges H2Oր Tր +Rétro-a tion delavapeur d'eau
eetdeserreր
Tր
+
neige/gla eց albédoց
Rétro-a tiondel'albédodesurfa e
nuageshautsց nuagesbasց T ր Rétro-a tions nuageuses eetdeserreց albédoց + -? 24% 6% 9% 60% 100% 115% 23% 100% 106% Bilanradiatif 31% 46% solaire rayonnement ux turbulents infra-rouge rayonnement Eet deserre
=⇒ besoin de mod`eles complets et d´etaill´es
La mod´elisation climatique
Modèle de banquise
Ecomomistes, biologistes: de combien le CO2 va−t−il augmenter?
Modèle de continent Modèle d’océan
physiques
des processusstatitistique
représentation 100 à 300 km
Modèle 3D atmosphérique Modèle de climat
Repr´esentation statistiques des processus
sous-maille: ex des nuages
q
q
qs
P (q)
σ
q Fraction nuageuse: f = ´∞ qs P(q)· dq ´∞ 0 P(q)· dqQuantit´e de liquide dans le nuage:
qlin cloud = ´∞
qs (q´− qs)· P(q) · dq ∞
qs P(q)· dq
=⇒ sensibilit´e des mod`eles `a des param`etres d’ajustement: ex: σq
Repr´esentation statistiques des processus
sous-maille: ex des nuages
q
P (q)
σ
q Fraction nuageuse: f = ´∞ qs P(q)· dq ´∞ 0 P(q)· dqQuantit´e de liquide dans le nuage:
qlin cloud = ´∞
qs (q´− qs)· P(q) · dq ∞
Quantifier le rˆ
ole de l’homme
phénomènes naturels seulement
phénomènes naturels + effet de l’homme
température (°C)
température (°C)
température globale par rapport à 1961−1990
Projections climatiques
I GIEC: s’appuie sur simulations d’une trentaine de mod`ele de climat dans le monde, archiv´es et publi´es par CMIP
changement de précipitation d’ici 2100 (%) réchauffement global en surface (°C) moyenne multi−modèle I dispersion =⇒ incertitude
Projections climatiques
I GIEC: s’appuie sur simulations d’une trentaine de mod`ele de climat dans le monde, archiv´es et publi´es par CMIP
changement de précipitation d’ici 2100 (%) réchauffement global en surface (°C) moyenne multi−modèle I dispersion =⇒ incertitude
I sources de dispersions: for¸cages, structurelle, param´etrique
Sources de dispersion par r´etroactions
nuages
neige et banquise vapeur d’eau
effet de serre direct aérosols
océan
écart type entre les modèles (°C)
Quelle projection est la plus r´ealiste?
I performance des projections climatiques non ´evaluable
I Si accord entre les diff´erents mod`eles, confiance %
I Mais: mod`eles pourraient tous ˆetre faux!
I Si d´esaccord: projection + cr´edible si mod`ele + r´ealiste? =⇒ ´evaluer les mod`eles =⇒ d´efinitions de “metrics”
=⇒ classement des mod`eles selon leur performance
=⇒ Ne prendre que le meilleur? Eliminer les plus nuls? Moyenne pond´er´ee par les scores de performance?
Quelle projection est la plus r´ealiste?
I performance des projections climatiques non ´evaluable
I Si accord entre les diff´erents mod`eles, confiance %
I Mais: mod`eles pourraient tous ˆetre faux!
I Si d´esaccord: projection + cr´edible si mod`ele + r´ealiste?
=⇒ ´evaluer les mod`eles =⇒ d´efinitions de “metrics” =⇒ classement des mod`eles selon leur performance
=⇒ Ne prendre que le meilleur? Eliminer les plus nuls? Moyenne pond´er´ee par les scores de performance?
Quelle projection est la plus r´ealiste?
I performance des projections climatiques non ´evaluable
I Si accord entre les diff´erents mod`eles, confiance %
I Mais: mod`eles pourraient tous ˆetre faux!
I Si d´esaccord: projection + cr´edible si mod`ele + r´ealiste? =⇒ ´evaluer les mod`eles =⇒ d´efinitions de “metrics”
=⇒ classement des mod`eles selon leur performance
=⇒ Ne prendre que le meilleur? Eliminer les plus nuls? Moyenne pond´er´ee par les scores de performance?
Quelle projection est la plus r´ealiste?
I performance des projections climatiques non ´evaluable
I Si accord entre les diff´erents mod`eles, confiance %
I Mais: mod`eles pourraient tous ˆetre faux!
I Si d´esaccord: projection + cr´edible si mod`ele + r´ealiste? =⇒ ´evaluer les mod`eles =⇒ d´efinitions de “metrics”
=⇒ classement des mod`eles selon leur performance
=⇒ Ne prendre que le meilleur? Eliminer les plus nuls? Moyenne pond´er´ee par les scores de performance?
Du bon usage des metrics
moins bon
performance relative
meilleur
I le meilleur mod`ele= moyenne de tous les mod`eles
I risque de bon scores par compensation d’erreurs
I convergence vers mˆemes cibles⇒sous-estimation incertitudes
I meilleurs mod`eles: pas plus d’accord sur projections
Du bon usage des metrics
moins bon
performance relative
meilleur
I le meilleur mod`ele= moyenne de tous les mod`eles
I risque de bon scores par compensation d’erreurs
I convergence vers mˆemes cibles⇒sous-estimation incertitudes
Du bon usage des metrics
moins bon
performance relative
meilleur
I le meilleur mod`ele= moyenne de tous les mod`eles
I risque de bon scores par compensation d’erreurs
I convergence vers mˆemes cibles⇒sous-estimation incertitudes
I meilleurs mod`eles: pas plus d’accord sur projections
Quels sont les facteurs de confiance en une
projection?
I robustesse entre les diff´erents mod`eles
I compr´ehension des m´ecanismes
I robustesse entre mod`eles de diff´erentes complexit´e
I confiance dans les mod`eles pour la simulation de ces m´ecanismes
=⇒contraintes observationnelles= metrics cibl´ees,
“process-oriented”, `a la pertinence prouv´ee pour le changement climatique
I Statistique -> estimer des incertitudes Physique -> renforcer la confiance
Quels sont les facteurs de confiance en une
projection?
I robustesse entre les diff´erents mod`eles
I compr´ehension des m´ecanismes
I robustesse entre mod`eles de diff´erentes complexit´e
I confiance dans les mod`eles pour la simulation de ces m´ecanismes
=⇒contraintes observationnelles= metrics cibl´ees,
“process-oriented”, `a la pertinence prouv´ee pour le changement climatique
I Statistique -> estimer des incertitudes Physique -> renforcer la confiance
Quels sont les facteurs de confiance en une
projection?
I robustesse entre les diff´erents mod`eles
I compr´ehension des m´ecanismes
I robustesse entre mod`eles de diff´erentes complexit´e
I confiance dans les mod`eles pour la simulation de ces m´ecanismes
=⇒contraintes observationnelles= metrics cibl´ees,
“process-oriented”, `a la pertinence prouv´ee pour le changement climatique
Contraintes observationnelles pertinentes
ex de la r´etroaction de l’alb´edo de la neige:
par unité de changement de température (°C)
en changement climatique observations
en été par rapport à l’hiver Changement de couverture de neige (%)
neigefond
solaire
plusd'énergie
températureր
albédoց
I mais: l’un des rares exemples actuellement, pas la principale source d’incertitude
Contraintes observationnelles pertinentes
ex de la r´etroaction de l’alb´edo de la neige:
par unité de changement de température (°C)
en changement climatique observations
en été par rapport à l’hiver Changement de couverture de neige (%)
neigefond
solaire
plusd'énergie
températureր
Observations des processus nuageux
Cloudsat
Constellation de satellite
Satellite météo visible
Comparaison mod`ele-donn´ees
sensibilité des instrumentserreurs de mesureserreurs d’interprétation
réalité
modèle:
réalité simulée
Comparaison mod`ele-donn´ees
simulateursd’observables
sensibilité des instrumentserreurs de mesureserreurs d’interprétation
observations simulées réalité modèle: réalité simulée observations 15/20
Comparaison mod`ele-donn´ees
simulateursd’observables
sensibilité des instrumentserreurs de mesureserreurs d’interprétation
− →q = A· (−→r − −→p ) + −→p altitudei observations simulées réalité modèle: réalité simulée observations
Comparaison mod`ele-donn´ees
simulateursd’observables
sensibilité des instrumentserreurs de mesureserreurs d’interprétation
(noninversible)
fra tionnuagesbas
− →q = A· (−→r − −→p ) + −→p obs kernel réalité prior k Aki altitudei observations simulées ISCCP réalité modèle: réalité simulée observations 15/20
Comparaison mod`ele-donn´ees
simulateursd’observables
sensibilité des instrumentserreurs de mesureserreurs d’interprétation
fra tionnuagesbas
− →q = A· (−→r − −→p ) + −→p altitudei observations simulées ISCCP réalité modèle: réalité simulée observations
Changements climatiques pass´es
Cycles glaciaires−interglaciaires mesurés en Antarctique température CO2 (ppm) maximum glaciaire actuel dernier 16/20Cause des variations pass´ees
Cause des variations pass´ees
excentricité
obliquité
pré ession
=⇒pas analogue direct du changement climatique
Cause des variations pass´ees
excentricité fontedes
gla es
Tր
insolationsur allotteր
albedoց
obliquité
pré ession
Cause des variations pass´ees
excentricité fontedes
gla es
Tր
insolationsur allotteր
albedoց dégazage deso éans CO2ր obliquité pré ession
=⇒pas analogue direct du changement climatique
Cause des variations pass´ees
excentricité fontedes
gla es
Tր
insolationsur allotteր
albedoց dégazage deso éans CO2ր obliquité pré ession
Le dernier maximum glaciaire (21ka)
Changementdetempératuredesurfa e(
◦
C)
observations
I Utilisation pour contraindre la sensibilit´e climatique?
I M´ethode: simulations LGM et 2xCO2 avec un mod`ele aux param`etres perturb´es
I Limites: incertitude structurelle? pertinence de cette ´epoque?
Le dernier maximum glaciaire (21ka)
hangementdetempérature( ◦ C) densité de probabilitéChangementdetempératuredesurfa e(
◦
C)
observations
I Utilisation pour contraindre la sensibilit´e climatique?
I M´ethode: simulations LGM et 2xCO2 avec un mod`ele aux
Le dernier maximum glaciaire (21ka)
hangementdetempérature( ◦ C) densité de probabilitéChangementdetempératuredesurfa e(
◦
C)
observations
I Utilisation pour contraindre la sensibilit´e climatique?
I M´ethode: simulations LGM et 2xCO2 avec un mod`ele aux param`etres perturb´es
I Limites: incertitude structurelle? pertinence de cette ´epoque?
Le moyen Holoc`ene (6ka)
le "Sahara vert" Changement de précipitations observé
/an
I Utilisation pour contraindre les changement de pr´ecipitations?
I Les mod`eles sous-estiment tous les changements au moyen Holoc`ene =⇒ probl`emes dans r´etroactions nuageuses, li´ees `a v´eg´etation? Cons´equences sur les projections?
Le moyen Holoc`ene (6ka)
le "Sahara vert"
chauffage Changement de précipitations observé
chauffage /an chauffage amplifié par la condensation nuageuse recyclage par la végétation
I Utilisation pour contraindre les changement de pr´ecipitations?
I Les mod`eles sous-estiment tous les changements au moyen Holoc`ene =⇒ probl`emes dans r´etroactions nuageuses, li´ees `a v´eg´etation? Cons´equences sur les projections?
Le moyen Holoc`ene (6ka)
le "Sahara vert"
chauffage Changement de précipitations observé
chauffage /an chauffage amplifié par la condensation nuageuse recyclage par la végétation
I Utilisation pour contraindre les changement de pr´ecipitations? Les mod`eles sous-estiment tous les changements au moyen
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
I Les math´ematiques sont utilis´ees en permanence
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
I Les math´ematiques sont utilis´ees en permanence
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
I Les math´ematiques sont utilis´ees en permanence
Conclusion: certitudes et incertitudes
I Certitudes: ex: la terre se r´echauffe, ceci est li´e `a l’homme, la terre continuera probablement `a se r´echauffer
I Encore de grosses incertitudes: ex: de combien la terre se r´echauffera? Comment changeront les pr´ecipitations? les extrˆemes?
I Source majeure d’incertitude: repr´esentation des nuages dans les mod`eles de climat
I Pour avancer: mieux comprendre m´ecanismes du changement climatique, en d´eduire des contraintes observationnelles
I Attention `a ne pas mettre la charrue avant les boeufs lors des ´
etudes d’impact: risque de “garbage in- garbage out”
Atelier sur le changement climatique: le bilan
radiatif
rayonnement rayonnement infra-rouge rayonnement in ident Terre atmosphère réé hiR
out= (1
− G) · σ · T
4A
·
S0 4σ
· T
4 S0 4R
in= (1
− A) ·
S40 21/20Equilibres et hist´
er´esis
0 50 100 150 200 250 300 350 400 450 500 Rin pasde alottes boule de neige Terre Rout, CO2= 100ppm Rout, CO2= 500ppm Rout, CO2= 62500ppm Rout, CO2= 12500ppm Rout,CO2= 30%R
in ,R
ou tTerre boule de neige
1m
Snow ball evidence
Sediments in Namibia cap ice−rafted dolostone debris 23/20
Lien entre ∆T et les r´etro-actions
A l’´equilibre,
∆Rf =−∆(Rin− Rout)
1) Si pas de r´etroactions
D’apr`es le bilan radiatif, si T est l´eg`erement perturb´e, si G et A restent constants, alors:
∆(Rin− Rout) =−4 · (1 − G ) · σ · T3· ∆T0 On a donc: ∆T0 =λ0· ∆Rf avec λ0= 1 4· (1 − G ) · σ · T3
Lien entre ∆T et les r´etro-actions
2) Si r´etroactions: G et A d´ependent de variablesαi, i ∈ [1 : n],
qui d´ependent de T : Alors: ∆(Rin− Rout) = −1 λ0 + n X i =1 dR dαi · dαi dT ! · ∆T On a donc: ∆T = ∆T0 1− f avec f =λ0· n X i =1 d (Rin− Rout) dαi · dαi dT 25/20
Estimation d’une PDF de ∆T
Contrainte observationelle du ∆T
On cherche hT(∆T ) en 2xCO2 connaissant hθ(∆θ) au LGM.
Analyse multi-mod`ele ou tests de sensibilit´e -> g (∆T|θ)
hT(∆T ) = ˆ θ=+∞ θ=−∞ fθ(θ)· g(∆T |θ) ∆ T ∆θ ∆θ fθ (θ ) ∆ T f∆T(∆T ) F (∆θ∩ ∆T ) 27/20