La méthode DSClim est une combinaison d’approche par types de temps et de méthode des analogues (Boé et al., 2008a ; Boé et al., 2009 ; Pagé et al., 2009). L’approche en types de temps permet d’identifier les liens statistiques entre la circulation atmosphérique de grande échelle et la précipitation sur la France, représentée par la base de données SAFRAN sur une grille de 8 km de résolution horizontale. Les coefficients issus d’une régression multiple entre les distances aux types de temps et la précipitation sont déterminés lors de la période d’apprentissage. Dans la deuxième étape, une méthode de recherche d’analogues est utilisée, d’une part pour améliorer la représentation des précipitations et, d’autre part, pour produire en sortie les variables supplémentaires qui sont disponibles dans SAFRAN.

La documentation est disponible sur le site du CERFACS

Schéma de l'algorithme de DSClim, extrait de Pagé et al., 2009

La méthodologie générale est présentée dans la figure ci-dessus, extraite de la documentation. Les explications disponibles dans les paragraphes qui suivent permettent de comprendre ce schéma relativement complexe.

• Les grandes étapes de la méthode :

– Les données d’apprentissage sont quotidiennes, elles doivent couvrir une longue période temporelle et doivent être normalisées et désaisonnalisées. Dans la version d’origine, pour l’échelle locale les données sont celles de la ré-analyse SAFRAN (appelées variable prédictand), pour la grande échelle les données sont celles de la ré-analyse NCEP (appelées variables prédictrices).

– La phase d’apprentissage est réalisée sur la période historique pour laquelle les données SAFRAN (échelle locale) et NCEP (échelle globale) sont disponibles. Les types de temps sont déterminés à l’aide d’une classification en 9 à 10 classes par saison, elle est réalisée sur une combinaison des composantes principales (EOF : empirical orthogonal functions) calculées à partir des données de l’anomalie de pression de surface au niveau de la mer (P-Mer) provenant de la ré-analyse NCEP et du champ de précipitations sur la France provenant de la ré-analyse SAFRAN. Ceci permet d’obtenir des types de temps plus discriminants pour la variable climatique étudiée. La version d’origine donne 9 ou 10 classes selon les saisons qui permettent une bonne séparation des principaux régimes pluvieux sur la France.

– Une régression multiple est construite entre les précipitations issues de la base SAFRAN (prédictand) et les paramètres décrivant la circulation de grande échelle du modèle NCEP (prédicteurs). Ces derniers sont estimés en distances euclidiennes entre les variables prédictrices (P-Mer) du jour et les centres des classes de types de temps. Pour la saison estivale uniquement (JJA) on fait intervenir aussi le champ de température à 2m (de grande échelle). On met en place une régression multiple pour chaque point de la grille cible (précipitations SAFRAN). Dans la mesure où ce modèle de régression multiple est construit sur des données de ré-analyse, la méthode DSCLIM fait partie de la famille des méthodes « Perfect Prog ».

– Dans la partie reconstruction (= descente d’échelle), l’attribution des classes quotidiennes des données des modèles climatiques est faite via le calcul des distances euclidiennes de l’anomalie de P-Mer de ce modèle par rapport aux centres des classes des types de temps déterminés précédemment.

– Les coefficients de régression déterminés sur les données d’apprentissage sont appliqués aux distances euclidiennes des données modélisées pour reconstruire les précipitations à l’échelle locale.

– Cette reconstruction des précipitations ainsi que la température de surface modélisée (spatialement moyennée = index de température) sont ensuite utilisées pour la recherche des jours analogues. Pour chaque jour modélisé dans le futur (1) on recherche dans les séries chronologiques du climat de référence (réanalyse SAFRAN), les journées ayant la même classe de type de temps. Parmi ces journées, on cherche les jours qui minimisent conjointement la distance entre les précipitations reconstruites (par régression multiple) et celles de la ré-analyse NCEP, et entre l’index de température modélisé et celui donné par la réanalyse NCEP. (2) Dans une sélection de n jours candidats (3) cette recherche du jour analogue peut se faire par tirage aléatoire. Une fois le jour analogue trouvé, les 24 valeurs horaires (ou les valeurs journalières) SAFRAN correspondantes sont récupérées.

– Un traitement spécifique est fait pour la température pour les simulations du climat futur afin de prendre en compte le réchauffement global. Si la différence de température entre la journée du scénario climatique et celle de la ré-analyse NCEP est supérieure à 2°C, on ajoute cet écart à la température de la base SAFRAN tout en corrigeant les autres variables dépendantes (rayonnement infrarouge et la répartition des précipitations solides et liquides).

• Remarques :

– La méthode DSClim, basée essentiellement sur une recherche d’analogues, permet de traiter l’ensemble des paramètres disponibles dans les données d’observation du climat de référence. Cette méthode préserve la cohérence inter-paramètres. Elle préserve aussi la cohérence spatiale sur tout le domaine. Elle préserve la cohérence temporelle au sein d’une journée mais pas explicitement entre deux journées consécutives. Cette cohérence temporelle n’est retrouvée que par les liens statistiques avec la circulation grande échelle.

– Le logiciel de la méthode DSClim est en libre disposition. Il permet d’introduire très librement de nombreuses variantes méthodologiques. La méthode DSClim a pu être ainsi mise en œuvre dans des conditions très différentes (exemples : Quintana-Segui, 2010 ; Lafaysse, 2014).

– La validation de cette méthodologie a été effectué en vérifiant que les propriétés statistiques et les indices de persistance du champ de précipitations sont bien conservés par la méthode de désagrégation sur une période où nous disposons des données d’observations (SAFRAN) et de ré-analyse (NCEP) (Boé et al., 2008b).

• Références :

Pagé, C., L. Terray et J. Boé, 2009 : dsclim : A software package to downscale climate scenarios at regional scale using a weather-typing based statistical methodology. Technical Report TR/CMGC/09/21, CERFACS, Toulouse, France.

Boé, J., Terray, L., Habets, F., Martin, E., 2009 : Projected changes in components of the hydrological cycle in French river basins during the 21st century. Water Resour. Res., 45, W08426.Boé, J., Terray, L., Habets, F.

Boé, J., Terray, L., 2008a : Régimes de temps et désagrégation d’échelle. La Houille Blanche, 2, doi:10.1051/lhb:2008016L05702.

Boé, J., Terray, L., 2008b : A weather-type approach to analyzing winter precipitation in France: twentieth-century trends and the role of anthropogenic forcing, J. Clim., 21, 3118– 3133, doi:10.1175/2007JCLI1796.1.

Quintana Segui, P., A. Ribes, E. Martin, F. Habets, J. Boé, 2010 : Comparison of three downscaling methods in simulating the impact of climate change on the hydrology of Mediterranean basins Journal of Hydrology 383 (2010) 111–124 doi:10.1016/j.jhydrol.2009.09.050

Lafaysse, M., B. Hingray, A. Mezghani, J. Gailhard, and L. Terray 2014 : Internal variability and model uncertainty components in future hydrometeorological projections : The Alpine Durance basin, Water Resour.Res., 50, 3317–3341, doi:10.1002/2013WR014897.