Modèles climatiques

Les scientifiques ont créé des modèles climatiques pour mieux comprendre comment le climat évoluerait en réponse à des changements dans la composition de l'atmosphère. Au niveau le plus élémentaire, ces modèles reposent sur les lois fondamentales de la physique. Ils simulent des dynamiques physiques éprouvées, qui régissent le comportement de l'atmosphère et qui reproduisent des modèles avec les données observées. Les modèles climatiques simulent les propriétés et les processus de l'ensemble du système terrestre, y compris les terres, les glaciers, les forêts, les océans et l'atmosphère. 

Le climat est un ensemble de conditions qui se maintiennent au fil des saisons et des années, tandis que la météorologie est constituée d'effets atmosphériques à court terme pouvant changer en l'espace d'une journée. Le climat est exprimé en fourchettes et en moyennes, tandis que la météo est un phénomène précis à un moment donné dans un lieu donné. Les modèles climatiques fournissent donc des informations utiles sur la trajectoire et l'ampleur des résultats climatiques pour des changements donnés dans l'atmosphère, mais ils ne sont pas conçus pour faire des prévisions précises.

Les modèles climatiques sont créés et entretenus par des institutions scientifiques du monde entier. Étant donné que les modèles regroupent de nombreuses ressources différentes créant notre atmosphère complexe, ils requièrent la collaboration d'équipes d'experts. Généralement, cela se fait dans les laboratoires nationaux et dans les grands instituts de recherche.

Centres de modélisation CMIP5

La plupart des institutions qui créent ces modèles les partagent (ou partagent leurs résultats). Les modèles les plus utilisés sont mis à la disposition du public dans le cadre du Coupled Model Intercomparison Project ou CMIP (prononcé si-mip). Ce cadre de modélisation a été organisé pour la première fois en 1995 par le Programme mondial de recherche sur le climat (PMRC), qui continue à coordonner les CMIPs pour les nouvelles générations de modèles. En comparant les résultats de ces modèles avec notre propre expérience de la Terre, nous pouvons mieux comprendre notre climat et analyser comment l'activité humaine l'affecte. 

D'un point de vue technique, les modèles communément appelés modèles climatiques (et parfois "modèles des systèmes terrestres") sont des modèles de circulation globale (GCMs), car la circulation de l'énergie, du carbone, de l'eau et d'autres composants des systèmes terrestres est à l'origine du climat. 

Partager

PDF

Les modèles reproduisent une série de dynamiques physiques, notamment les modèles de circulation océanique, le cycle annuel des saisons et les flux de carbone entre la surface terrestre et l'atmosphère. Alors que les prévisions météorologiques se concentrent sur des changements locaux détaillés sur quelques heures ou sur quelques jours, les modèles climatiques prévoient des forces à grande échelle couvrant des continents et s'étendant sur des décennies, voire des siècles.

Chaque modèle est différent pour trois raisons. 

1. La Terre, ses systèmes et ses conditions météorologiques sont mesurés de manière imparfaite et incohérente. Il existe de longues séries de données détaillées et précises pour quelques endroits de la Terre, mais nous disposons toujours aujourd'hui de données limitées pour la majeure partie de la planète. Chaque équipe de modélisation doit remédier à cette absence de données, et elle peut choisir différentes manières pour le faire. 
2. Les phénomènes climatiques ne sont pas tous bien compris. Certains éléments, comme la quantité de vapeur d'eau que l'air peut contenir à une température donnée, sont bien connus et identiques dans tous les modèles. D'autres, comme les courants océaniques, des phénomènes comme El Niño et La Niña, et les changements de la banquise en relation avec les changements de température, font l'objet de recherches permanentes et sont représentés de manière un peu différente dans les différents modèles. 
3. Les groupes de recherche ont des centres d'intérêt différents. Un groupe de recherche peut concentrer ses efforts sur la modélisation des glaciers, tandis qu'un autre groupe peut se concentrer davantage sur le cycle du carbone des forêts tropicales.

Les différences entre ces modèles constituent en fait un grand avantage : étant donné que nous ne savons pas exactement comment le système fonctionne, pour le comprendre, il est préférable d'avoir un grand nombre d'essais bien détaillés plutôt qu'un seul. Quelques décennies après que les scientifiques aient créé les premiers modèles climatiques, les résultats ont confirmé cette approche et continuent à le faire : la moyenne de tous les modèles a toujours été la plus précise pour prévoir comment le climat réagirait aux changements dans l'atmosphère. En d'autres termes, il n'existe pas de "meilleur modèle", mais plutôt un processus optimal pour l'utilisation de nombreux modèles.

Les GCMs génèrent des données numériques pour les variables météorologiques, notamment la température, les précipitations, l'humidité relative et d'autres phénomènes, pour chaque jour d'une année simulée dans chaque maille. Les GCMs ne sont pas des prévisions, mais plutôt des simulations avec des résultats obtenus à partir d'un ensemble de conditions. Les scientifiques peuvent choisir des scénarios et lancer plusieurs modèles pour simuler plusieurs années de conditions quotidiennes, telles que la température et les précipitations. À l'aide des résultats modélisés, ils peuvent ensuite calculer des valeurs pour examiner les impacts qu'il y aurait dans les conditions prises en compte, par exemple le nombre de jours annuels avec une température de plus de 32°C (90°F) ou la température moyenne des 10 jours les plus chauds de l'année. Dès le départ, les modèles CMIP ont été lancés pour de multiples scénarios d'émissions. Aucune année spécifique ne correspond parfaitement aux projections d'un modèle. Pourtant, les variations et les changements ayant eu lieu au cours des décennies suivant la création de la première série de modèles étaient proches des résultats agrégés du modèle du scénario d'émissions le plus élevé. Ce dernier prévoit une utilisation continue des combustibles fossiles avec peu ou pas de mesures visant à diminuer les émissions. Le terme technique pour un scénario d'émissions est Representative Concentration Pathway 8.5, ou RCP 8.5. 

Un GCM contient généralement suffisamment de code logiciel pour remplir 18 000 pages de texte imprimé. Des centaines de scientifiques ont besoin de nombreuses années pour créer et améliorer un GCM. De plus, un superordinateur gigantesque est nécessaire pour le traiter. Ces exigences expliquent en partie pourquoi les GCMs utilisent des mailles aussi grandes : l'utilisation de mailles plus petites augmenterait considérablement les exigences en matière de modélisation et de calcul. 

Cela signifie que de nombreuses mailles GCM peuvent avoir des endroits très différents. Par exemple, une maille située le long d'une côte peut contenir des lieux relativement éloignés de l'intérieur des terres, ainsi que des endroits situés directement sur le bord de mer et des lieux si éloignés de la côte que les marins ne pourraient pas les voir. Les GCMs ne calculent qu'une seule valeur pour chaque mesure dans une telle cellule, en faisant la moyenne des différents endroits qui la composent. La moyenne de ces résultats ne correspond pas toujours à l'expérience d'un lieu spécifique au sein de la maille.

Les GCMs ont fait leurs preuves en matière de représentation des phénomènes mondiaux et continentaux. Cependant toutes les personnes, tous les animaux, toutes les plantes et tous les organismes vivent dans des lieux spécifiques. Les scientifiques utilisent une technique appelée "downscaling" (réduction d'échelle) pour voir comment différents changements dans l'atmosphère affecteraient les conditions météorologiques locales. La réduction d'échelle peut être abordée de différentes manières, chacune d'elles ayant des avantages et des inconvénients. 

Les scientifiques peuvent réduire l'échelle des résultats des GCMs en se concentrant sur une région spécifique et en divisant les mailles en cellules plus petites. La région concernée est limitée dans l'espace, dans le temps ou dans le nombre de valeurs simulées (par exemple, les précipitations quotidiennes en Californie), faute de quoi la charge de calcul serait ingérable. 

1. La réduction d'échelle dynamique prend les résultats à grande échelle des GCMs et les utilise comme conditions limites pour les modèles météorologiques à plus petite échelle. Cela permet aux scientifiques de mieux représenter la topographie locale et les processus atmosphériques à plus petite échelle (appelée mésoéchelle).
   
   La réduction d'échelle dynamique améliore la représentation de la dynamique météorologique, en particulier dans les régions topographiquement diverses. Étant donné que ce type de réduction d'échelle implique l'utilisation de modèles à la fois globaux et régionaux, il nécessite une énorme puissance de calcul.

2. La réduction d'échelle statistique décompose des mailles plus grandes et prend les données historiques des nombreux endroits situés à l'intérieur de la maille, afin de créer un modèle statistique cohérent avec le passé. 
   
   Par exemple, les températures diurnes estivales ont tendance à être plus fraîches sur le rivage qu'à quelques kilomètres à l'intérieur des terres, tandis que les endroits situés en altitude se refroidissent davantage la nuit - la réduction d'échelle statistique en tient compte. Cette méthode nécessite une grande quantité de données d'observation de haute qualité. Celles-ci n'existent pas pour une grande partie de la terre. Les prévisions générées à l'aide de techniques de réduction d'échelle statistique supposent implicitement que les relations historiques utilisées pour former leurs modèles ne changeront pas à l'avenir.

Probable Futures utilise à la fois des GCMs et des modèles climatiques régionaux. Les RCMs sont couramment utilisés pour la réduction d'échelle dynamique et sont beaucoup plus granulaires que les GCMs, qui ont des mailles de 10 à 50 km de côté. Compte tenu de la charge de calcul que représente l'exécution de ces modèles détaillés, ceux-ci sont divisés en régions pouvant être traitées séparément (par exemple, l'Asie du Sud, l'Asie de l'Est, l'Asie du Sud-Est, l'Australasie, l'Afrique, l'Europe, l'Amérique du Sud, l'Amérique centrale et l'Amérique du Nord). 

Les RCMs peuvent être utilisés efficacement avec les GCMs. Les modèles régionaux peuvent utiliser plusieurs simulations GCM de propriétés climatiques à grande échelle pour générer des résultats locaux à plus petite échelle. 

Si la plupart des GCMs ont été créés à l'aide de normes communes dans le cadre du processus CMIP, ce n'est pas le cas des RCMs. Les groupes de recherche ont créé des RCMs. Ils ont parfois choisi des GCMs différents pour les piloter, générer des résultats différents et utiliser des résolutions différentes. Le World Climate Research Programme a entrepris de coordonner les résultats incohérents des RCMs. La Coordinated Regional Climate Downscaling Experiment (CORDEX) qui en résulte a été rendue publique fin 2019. La modélisation du climat régional nécessitant d'énormes ressources informatiques, le nombre minimum de GCMs requis pour la réduction d'échelle par RCM a été fixé à trois. Il a été choisi pour représenter une gamme de plusieurs sensibilités climatiques, montrée par l'ensemble des GCMs.

La réduction d'échelle est un domaine de recherche actif. Différentes méthodes sont développées et utilisées par différentes équipes de scientifiques. La meilleure approche dépend de l'utilisation prévue des résultats du modèle et de la disponibilité de données d'observation historiques de grande qualité provenant de stations météorologiques, de l'horizon temporel et du budget. 

De nombreux facteurs doivent être réunis pour que la réduction d'échelle des GCMs donne une image précise des résultats climatiques. Prenons l'exemple d'un groupe qui s'intéresse à une zone géographique spécifique ayant un long historique d'observations météorologiques précises et complètes. Si les chercheurs ont accès à une très grande puissance de calcul, ils peuvent combiner la réduction d'échelle dynamique et statistique de nombreux GCMs différents avec de nombreux scénarios différents. Cette stratégie est particulièrement intéressante pour évaluer la probabilité d'événements extrêmes. 

Malheureusement, ces conditions ne sont réunies que dans un très petit nombre d'endroits (par exemple, en Californie). C'est dans les zones densément peuplées des pays où les revenus sont élevés que les relevés météorologiques historiques sont les plus nombreux et les plus fiables. Les données sont moins disponibles dans les régions moins peuplées et moins développées. Les ressources financières, scientifiques et informatiques y sont également moins nombreuses. Il est donc beaucoup plus difficile de réduire l'échelle des GCMs en faisant confiance aux résultats de la plupart des endroits du monde. C'est la raison pour laquelle les RCMs ont été développées.

Notre objectif est de fournir des scénarios climatiques de grande qualité avec différents niveaux de réchauffement, ceci pour tout endroit situé sur chaque continent peuplé. Dans cette perspective, notre partenaire scientifique, le Woodwell Climate Research Center (Woodwell), conseille d'utiliser les résultats de l'échelle réduite du cadre CORDEX-CORE, dans lequel deux modèles climatiques régionaux réduisent l'échelle de trois GCMs et couvrent la quasi-totalité du monde peuplé. L'Arctique, l'Antarctique et certaines îles du Pacifique ne font pas partie de ces données de simulation. 

1. Aucun lieu n'a son propre climat. Les scientifiques ont conçu des modèles climatiques pour prévoir les tendances et les changements climatiques à l'échelle mondiale ou continentale. Les progrès, y compris les RCMs, ont permis d'accroître la résolution des modèles climatiques. Cependant, les prévisions météorologiques concernant une structure spécifique ou une petite zone dans le cadre d'un climat mondial sensiblement différent obligent à faire une multitude d'hypothèses supplémentaires non prouvées. De plus, elles ont peu de chances d'être utiles pour prendre des décisions stratégiques. En effet, chaque structure, chaque écosystème, chaque communauté, etc. interagit avec d'autres situés à proximité. Il est généralement préférable de commencer par examiner les résultats du modèle pour de vastes zones, puis de zoomer sur les régions.

2. L'augmentation des gaz à effet de serre a un impact sur la précision des modèles. Les scientifiques ont accès à une quantité limitée de données pour construire leurs modèles. En outre, la grande majorité de ces données sont récentes. Par exemple, les mesures régulières de la température ont commencé au milieu du XIXe siècle, et les satellites qui collectent des informations globales ont commencé à être en orbite autour de la terre dans les années 1970. Par conséquent, les modèles climatiques sont particulièrement adaptés aux conditions climatiques du passé récent. Il est encourageant de constater qu'au cours des quarante dernières années, les prévisions des modèles climatiques ont été précises. Toutefois, plus la concentration de gaz à effet de serre dans l'atmosphère est élevée, plus le climat s'éloigne de ces conditions fondamentales. 
   
   En d'autres termes, plus le scénario de réchauffement est élevé, plus les résultats sont incertains. C'est pourquoi le scénario de réchauffement le plus important présenté sur notre plateforme est de 3°C, même si nous risquons de dépasser ce niveau de réchauffement si nous ne réduisons pas les émissions de façon spectaculaire. Nous vous recommandons fortement de prendre en compte le fait que les résultats des modèles risquent d’être trop modérés, lorsque vous examinez les résultats pour un réchauffement de 2,5°C et de 3,0°C. La modélisation du climat est intrinsèquement conservatrice et la société est confrontée à des risques asymétriques : si les modèles se révèlent être trop agressifs, ce sera une bonne surprise ; s'ils se révèlent être trop prudents, il y aura beaucoup plus de problèmes. Nous devons nous préparer à des conséquences dont la probabilité est faible, mais dont le coût est très élevé. Nous devons également essayer de les éviter.

3. Les modèles ne définissent pas les phénomènes plus rares avec précision. Les événements climatiques peu fréquents et complexes sont difficiles à modéliser avec précision. Si un événement est peu fréquent, les scientifiques disposent d'un nombre limité d'observations pour créer leurs modèles. La complexité pose un autre défi. Même si les lois physiques qui régissent la météorologie sont bien comprises, il est impossible de modéliser chaque molécule. En effet, même si les scientifiques pouvaient modéliser chaque molécule, il existe encore des formes de complexité et de hasard qui influencent les résultats (vous avez peut-être entendu parler de « l'effet papillon », dans lequel une petite perturbation comme le battement des ailes d'un papillon déclenche une réaction en chaîne, qui entraîne un phénomène beaucoup plus important ailleurs dans le monde). C'est pourquoi, par exemple, les ouragans et les typhons constituent un défi pour la communauté des modélisateurs, alors que la chaleur est beaucoup plus facile à modéliser. Les scientifiques peuvent s'appuyer sur des décennies d'observations des températures et ont pu utiliser les relevés de glace et de sédiments pour reconstituer un historique des températures sur des millions d'années. Cependant, nous ne connaissons que les ouragans et les typhons qui ont été enregistrés, et même ceux-ci sont peu fréquents dans un lieu précis. Les chercheurs qui analysent plusieurs approches et méthodologies de phénomènes complexes, tels que les tempêtes et les changements au niveau du gulf stream, obtiendront des résultats plus variés.

4. Ces résultats ne tiennent pas compte de toutes les rétroactions biotiques. Les rétroactions biotiques sont des réactions en boucle entre les réserves terrestres de carbone et l'atmosphère. Par exemple, le dégagement de méthane à partir de la matière organique lors du dégel du pergélisol et le dégagement de CO provoqué₂ par l'incendie des forêts sont tous deux causés par le réchauffement. Et ils intensifient à leur tour le réchauffement. 
   
   Il est essentiel de comprendre que les modèles inclus dans le CMIP n'intègrent pas les changements atmosphériques d'origine biotique à grande échelle. Ils ont été conçus pour savoir comment les changements atmosphériques provoqués par l'homme affectent le climat. L'absence de boucles de rétroaction est une lacune importante des modèles. 

5. Ils ne peuvent pas prévoir le point de basculement de la Terre sous serre. L'absence de ces rétroactions dans les modèles fait qu'ils cessent de se réchauffer quelques décennies après que l'humanite a cessé d'émettre du carbone. L'ensemble actuel de modèles suppose effectivement que nous atteindrons une température d'équilibre globale à n'importe quel niveau donné de carbone dans l'atmosphère. Nous savons aujourd'hui que cela est peu probable, même aux niveaux actuels de réchauffement, et extrêmement improbable à des températures qui pourraient ne pas sembler beaucoup plus chaudes qu'aujourd'hui. L'incapacité de ces modèles à prévoir ou à estimer la probabilité que les émissions humaines déclenchent des points de basculement naturels tels que le dégel du pergélisol, les incendies de forêt et la fonte des glaciers, qui pourraient propulser la planète au rang de Terre chaude, est probablement leur plus grande lacune.
   
   Bien que les rétroactions biotiques ne figurent pas dans les données historiques sur lesquelles les scientifiques ont construit les modèles climatiques, elles constituent un domaine essentiel de recherche scientifique active, dans lequel le Woodwell Climate Research Center est un leader reconnu. Probable Futures s'engage à ajouter les rétroactions biotiques à ses cartes interactives dès que les données scientifiques seront disponibles, testées et qu'elles répondront à nos propres normes scientifiques.