Échelles de Temps des Précipitations

Cette Maproom présente une décomposition approximative des variations de précipitations du XXème siècle en échelles de temps.

Trois échelles sont définies, dénotées "tendance," "décennale" et "interannuelle." Elles correspondent vaguement à la variation séculière due à l'influence anthropogénique, et aux composantes basses et hautes fréquences de la variabilité naturelle (variabilité intrinsèque au système climatique).

La séparation entre les échelles décennales et interannuelles correspond à une période de 10 ans, de telle sorte que la variabilité due à El Niño - Oscillation Australe (ENSO) tombe dans la catégorie interannuelle, tandis que la varibilité sur des échelles de temps de 10 ans ou plus est classifiée comme décennale. Les méthodes utilisées pour séparer ces composantes du signal, ainsi que des nota bene sur leurs interprétations, sont discutées dans un article d'EOS accompagnant la Maproom, et dans un document de référence plus détaillé.

Un panel d'options d'analyse et de visualisation est disponible : l'utilisateur peut définir une saison d'intérêt, auquel cas la décomposition sera réalisée sur les données correspondantes après moyenne saisonnière. Les résultats peuvent être présentés sous forme de carte, ou de série temporelle pour un point de grille donné ou pour la moyenne sur une zone spatiale définie par l'utilisateur. Les cartes peuvent présenter l'écart type ou le pourcentage de variance des données brutes expliqué par la variabilité de l'échelle de temps choisie.

Documentation

La Maproom d'Échelles Temporelles

Bien que la décomposition d'un signal en une tendance et des composantes de basse et haute fréquences puisse paraître triviale, l'analyse présentée ici implique un certain nombre de subtilités. Ce document propose un regard plus détaillé sur les méthodes analytiques utilisées que le résumé présenté dans Greene et al. (2011), ainsi qu'un certain nombre de mises en garde en ce qui concerne l'interprétation des résultats.

Méthode

L'analyse des données se résume en deux étapes : la soustraction de la tendance pour extraire les changements de longue haleine et le filtrage pour séparer les composantes de haute et basse fréquence dans les données où la tendance a été enlevée. Les données sont analysées point de grille par point de grille, c'est-à-dire que les données dans des points de grille adjacents ne sont pas comparées ou combinées, à moins que l'utilisateur ne requiert l'analyse sur une plus grande zone géographique. La moyenne des données est alors appliquée aux points de grille de la zone avant que ne soit effectuée la décomposition en échelles de temps.

La tendance

Les tendances sont le plus souvent calculées dans le domaine temporelle, auquel cas elles peuvent être exprimées, par exemple, comme un changement d'un nombre de millimètres par mois par décennie. La méthode typique pour estimer une tendance linéaire suppose que ce taux de changement est constant avec le temps.

La Maproom utilise une approche différente, basée sur un modèle conceptuel simple : au lieu d'exprimer les tendances locales ou régionales en fonction du temps, nous les associons au changement mondial des températures. L'hypothèse n'est pas que les précipitations (ou températures) changent simplement comme une conséquence du temps qui passe, mais plutôt, à cause du réchauffement de la planète. C'est dans ce sens que la tendance, telle qu'elle est calculée dans la Maproom, peut être identifiée avec le "changement climatique." Une telle tendance a un sens fonctionnel, et non pas seulement numérique.

Le calcul du signal de la température mondiale à utiliser pour cette régression est moins simple qu'il n'y paraît. Les fluctuations du climat de la Terre ont de nombreuses sources, y compris une variabilité "naturelle" — des variations intrinsèques qui ne sont pas associées avec un changement climatique induit par l'homme. De telles variations, si elles sont suffisament relativement importantes, peuvent significativement influencer, ou "se projeter" sur la température moyenne globale. Il y a donc un risque d'inclure inintentionnellement de la variabilité naturelle dans la signature identifiée comme celle du changement climatique.

Pour éviter ce problème le signal de température mondiale est calculé en utilisant un ensemble de modèles de circulation générale (GCMs). Ces modèles, qui consistent en une représentation complète de notre compréhension actuelle des mécanismes de changement et variabilité climatiques, sous-tendent une grande part du Quatrième Rapport du pannel Intergouvernemental sur le Changement Climatique (IPCC, 2007). Les simulations des expérimentations "Climat du Vingtième siècle dans les Modèles Couplés" (20C3M) sont utilisées.

Comme pour la véritable Terre, le climat de chacune de ces simulations inclut à la fois une réponse "forcée" (ce que nous considérons comme changement climatique) et naturelle, variations "non forcées." Cependant, la variabilité non forcée est incohérente de modèle en modèle — il n'y a pas de synchronisation ou de relation de phase entre les modèles, et effectivement, la caractérisation de la variabilité non forcée de chaque modèle diffère à divers degrés, l'une par rapport à l'autre. Pour obtenir une estimation de la réponse forcée, nous moyennons les signaux de température moyenne mondiale du XXème siècle des membres de cet ensemble, qui dans ce cas incluent 23 (presque tous) des GCMs de l'IPCC. La moyenne a pour effet d'atténuer la variabilité non forcée incohérente (i.e. non corrélée) tout en améliorant la part de la réponse que ces modèles ont en commun — le signal du changement climatique. On peut ainsi dire que la moyenne multi-modèle augmente le rapport signal-bruit, où le "signal" fait référence à la réponse commune du changement climatique tandis que le "bruit" à la variabilité naturelle non forcée. Ce rapport est augmenté dans la moyenne multi-modèle par rapport à celui des simulations individuelles. La plupart des modèles fournissent de multiples simulations 20C3M ; pour donner une importance égale à chacun des modèles, une seule simulation de chaque modèle est utilisée pour créer la moyenne multi-modèle.

Le signal moyen multi-modèle est ensuite passé dans un filtre passe-bas. Cela a pour effet de supprimer l'essentiel de la variabilité résiduelle interannuelle et décennale qui n'a pas été annulée dans la formation de la moyenne multi-modèle. Le signal lissé de température mondiale résultant, qui sert de signature de la réponse forcée du changement climatique, est présenté en Fig. 1. Des "creux" dans ce signal dans les années 1900, 1960 et début des années 1990 peuvent probablement être attribués, au moins en partie, à des éruptions volcaniques majeures, qui ont un effet de refroidissement de court terme ; dans la mesure où ces variations sont exprimées dans des signaux régionaux, elles seront reconnue comme faisant partie de la réponse forcée. Bien que le forçage ne soit pas anthropogénique dans ce cas, il est néanmoins considéré comme "extérieur" pour les Maprooms : les éruptions volcaniques ne sont pas considérées comme associées, du moins de manière facilement démontrable, à la variabilité climatique naturelle, de telle manière qu'on a considéré inapproprié de les traiter en tant que telles.

Figure 1 : La température mondiale moyenne "changement climatique" utilisée pour la soustraction de la tendance.

La tendance d'un signal local de température ou précipitations est extraite par régression avec le signal de température globale de la Fig. 1. Les valeurs estimées de la régression représentent, par construction, cette part du signal régional qui est linéairement dépendant de la température moyenne mondiale. C'est en ce sens que la tendance, calculée de la sorte, peut être pensée comme la composante due au changement climatique du signal régional.

Il est bon de noter que pour un signal local ou régional analysé par la Maproom, l'enchevêtrement des composantes forcées et naturelles reste possible. Car, bien que le signal de la Fig. 1 soit effectivement dépourvu de variabilité naturelle interne, un signal du monde réel peut préserver des composantes naturelles qui "ressemblent" à une tendance. Cela peut se produire, par exemple, si des modes de variabilité naturelle augmentent sur une relative longue période de temps, comme par exemple les 30 dernières années du XXème siècle. Dans un tel cas, ce mode pourrait motiver un accroissement similaire des valeurs du signal régional analysé, qui correspondrait alors à l'accroissement de la température mondiale moyenne de la Fig. 1. L'Oscillation Multidécennale Atlantique (AMO, voir, par exemple, Enfield, 2001) présente un signal comparable; dans la mesure où l'AMO influence le climat local, ce genre d’identification incorrecte peut avoir lieu (voir, par exemple, DelSole et al., 2011). En général, et pour le type approximatif de résultat pour lequel la Maproom est conçue, nous ne pensons pas que de tels enchevêtrements causeront un problème majeur d'interprétation.

La Figure 2a illustre l'étape de soustraction de la tendance, appliquée à des observations de précipitations typiques obtenue avec la Maproom. Noter que la tendance induite est négative, et ressemble a une inversion proportionnelle du signal de la Fig. 1. La caractéristique baissière vient de l'estimation d'un signal régional à tendance décroissante ; le fait que la tendance induite soit une version proportionnelle du signal de la Fig. 1 est une caractéristique de la régression linéaire. Noter, finalement, que la tendance induite représente la régression de la température mondial moyenne ; cela explique sa non linéarité dans le domaine temporel.

Figure 2 : Étapes du processus de décomposition de la Maproom. (a) La tendance, représentée par les valeurs estimées dans une régression du signal local sur la température multi-modèle moyenne de la Fig. 1 ; (b) le signal résiduel de cette régression et sa partie filtrée passe-bas, identifiée comme la composante décennale de la variabilité ; (c) la composante interannuelle, qui est le signal résiduel en (b), après soustraction de la composante décennale.

Composantes Décennales et Interannuelles

Si les valeurs estimées par la régression sur la température multi-modèle mondiale moyenne de la Fig. 1 sont entendues comme la tendance due au "changement climatique," les valeurs résiduelles de cette régression représentent alors la composante naturelle, non forcée, de la variabilité. L'étape suivante consiste à décomposer ce signal résiduel en des signaux "décennal" et "interannuel," représentant respectivement les composantes de basse et haute fréquence de la variabilité naturelle.

Pour ce faire, les valeurs résiduelles sont passées dans un filtre passe-bas, utilisant un filtre de Butterworth d'ordre cinq à mi-puissance pour une période de 10 ans. Bien que le design du Butterworth a des propriétés désirables qui s'appliquent bien à cette tâche, toute autre méthode de filtrage aurait pu être appliquée ici ; des tests indiquent que les résultats ne sont pas sensibles aux détails du filtrage. Les paramètres du filtre ont été choisis (a) pour effectuer une séparation nette entre les composantes de basse et haute fréquence sans introduire d'instabilité dans la réponse du filtre (cela fait référence à l'ordre du filtre) et (b) pour catégoriser effectivement la variabilité due à ENSO comme "interannuelle." Avec un filtre d'ordre cinq, la covariation entre les deux composantes n'atteint généralement pas plus de quelques pourcents de la variance du signal initial. (Dans le monde réel, une séparation "parfaite" n'est pas réalisable ; tous les filtres applicables présentent des compromis à cet égard.)

ENSO présente un pic spectral large dans les périodes de 2-8 ans. Les phénomènes responsables de la variabilité sur des échelles de temps plus longues appartiennent à une classe de processus qui sont moins bien compris, et dont la prédictibilité est toujours sujette à d'actives recherches (voir, par exemple, Meehl et al. 2009). Cette classe "basse fréquence" inclut des modes de variabilité à grande échelle tels que l'Oscillation Décennale du Pacifique (PDO) et l'Oscillation Multidécennale Atlantique (AMO), ainsi que des variations stochastiques de basses fréquences. Ainsi le filtrage partitionne effectivement la variabilité par classe de processus, et non seulement par échelle de temps nominale.

Cette deuxième phase de la décomposition est illustrée par la Fig. 2b, qui montre en noir le résiduel "naturel" de la suppression de la tendance de la Fig. 2a (i.e. le signal initial brut moins la composante de la tendance). Le signal "décennal" est tracé par-dessus en turquoise, représentant le résultat du filtre passe-bas, appliqué au résiduel naturel.

Finalement, la composante interannuelle est calculée par la différence entre les courbes noire et turquoise de la Fig. 2b, i.e. le résiduel venant de l'étape de la suppression de la tendance moins la version filtrée passe-bas. Illustré par la Fig. 2c, ce signal représente cette part de la variabilité naturelle aux périodes plus courtes que dix années. La tendance (rouge), les signaux décennaux (turquoise) et interannuels (bleu) sont présentés dans la Maproom quand l'utilisateur clique un point de la carte ou effectue un zoom, pour lequel la décomposition est appliquée sur la "zone spatiale moyennée."

Nota Bene

• Comme indiqué ci-dessus, la suppression de la tendance par régression sur la température multi-modèles représente seulement une séparation approximative des variabilités forcée et naturelle ; effectuée avec rigueur, cette séparation n'est pas un exercice simple. En fonction des évènements et de la période, des fluctuations naturelles dans les données pourraient se projeter sur le signal de température moyen multi-modèles et être identifiées de manière incorrecte à la réponse forcée. Le potentiel pour une telle confusion se réduit d'autant plus que le signal décomposé est long, et vice et versa.

• L'analyse sur les moyennes spatiales est recommendée dans la mesure du possible, pour plusieurs raisons. D'abord, les données sur un point de grille donné sont plus probablement bruitées. Par exemple, quelques années pluvieuses près d'une extrémité de la série pourrait créer l'impression d'une tendance, même s'il n'y a pas de tendance ailleurs dans la série. Même si le point de grille passe les critères du contrôle intermédiaire de données manquantes, un nombre important de valeurs ont put être générées, avec des effets trompeurs potentiels. Ces problèmes seront de manière générale améliorés par les moyennes spatiales, pour les mêmes raisons que la moyenne multi-modèles améliore le ratio signal-bruit des séries résultantes : les évènements anormaux seront moins probables en plusieurs lieux à la fois, de telle manière que leurs effets seront réduits.

• La Maproom montre le pourcentage de variance des données brutes qui est expliqué par chacune des trois composantes. L'utilisateur alerte remarquera que ces pourcentages souvent s'additionnent pour moins de cent pourcents. Cela s'explique par l'imperfection de la méthode de filtrage qui ne sépare pas complètement les composantes décennales et interannuelles des séries sans tendance, menant à un degré de covariance entre elles (problème de filtrage connu sous le nom de "fuitage"). La valeur de cette covariance est également fournie. Le double de la covariance, plus celles de la tendance, des variances décennales et interannuelles, devraient amener à cent pourcents, à un pourcent d'arrondissement près.

• Après suppression de la tendance, à peu près 20% de la variance de bruit blanc annuel serait attendue pour la composante décennale, comme définie ici. Le bruit blanc est un signal aléatoire sans "mémoire," dans le sens où sa valeur à un moment donné ne dépend aucunement de ses valeurs précédentes. Cela diffère de processus ayant une mémoire ou de la "persistance," où le processus dépend des valeurs précédentes (de tels processus ont tendance à varier plus lentement que du bruit blanc). Ainsi, une part de variance décennale de 20% (c.-à-d. la part décennale divisée par la somme des parts décennales et interannuelles) ne devrait pas être confondue pour la signature d'une "oscillation" décennale systématique, ou un processus lent aléatoire, qui diffère du bruit blanc.

• Bien que la décomposition de la variance, ou d'autres aspects de la Maproom, peut donner une idée sur le futur (au sens statistique), la Maproom est avant tout un moyen de déconstruire les variations passées, et pas un outil de prédiction. En particulier, elle ne peut indiquer de quelle manière la variabilité pourrait changer en réponse au réchauffement mondial et, ainsi, comment la décomposition de la variance pourrait évoluer avec le temps.

Références

DelSole, Timothy, Michael K. Tippett, Jagadish Shukla, A Significant Component of Unforced Multidecadal Variability in the Recent Acceleration of Global Warming. J. Climate, 24: 909—926. doi: 10.1175/2010JCLI3659.1, 2011.

Enfield, D.B., A.M. Mestas-Nunez and p.J. Trimble, The Atlantic Multidecadal Oscillation and its relationship to rainfall and river flows in the continental U.S., Geophys. Res. Lett. 28: 2077—2080. doi: 10.1029/2000GL012745, 2001.

IPCC, Climate Change 2007: The physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental panel on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M.Tignor and H.L. Miller (eds.)]. Cambridge University press, Cambridge, United Kingdom and New York, NY, USA, 2007.

Meehl, Gerald A., and Coauthors, Decadal prediction: Can it be skillful, Bull. Amer. Meteor. Soc., 90, 1467—1485, doi: 10.1175/2009BAMS2778.1, 2009.

Greene, A.M, L. Goddard and R. Cousin, Web tool deconstructs variability in twentieth-century climate, Eos Trans. AGU, 92(45), 397, doi:10.1029/2011EO450001.

Documentation des Données

Climatic Research Unit (CRU) Time-Series (TS) Version 3.23 of High Resolution Gridded Data of Month-by-month Variation in Climate (Jan. 1901 - Déc. 2014)
Source des Données : Précipitations mensuelles de CRU

Plus d'information sur la température moyenne mensuelle ici.

Instructions

Aide

Contactez anacim@anacim.sn pour toute question technique ou autres problèmes avec cette Maproom.