Crédit :CC0 Domaine public
Les climatologues et les statisticiens de l'Université Ca' Foscari de Venise ont élaboré une méthode pour estimer avec précision les erreurs systématiques affectant les prévisions climatiques décennales. La méthode proposée promet de grands progrès vers la réalisation de prévisions climatiques fiables à court terme. Le résultat a été publié hier dans la prestigieuse revue Rapports scientifiques du La nature groupe d'édition.
La prévision climatique décennale explore l'évolution du climat avec un horizon prévisionnel d'environ une décennie, et représente l'une des frontières les plus intéressantes de la recherche sur le climat en raison de son potentiel économique énorme, répercussions politiques et sociales.
Les modèles numériques actuellement utilisés dans les systèmes de prévision climatique décennale sont affectés par de graves erreurs systématiques (ou biais) dans des régions clés de l'océan et de l'atmosphère, en raison de leur représentation imparfaite des processus physiques fondamentaux. En raison de ces biais, l'état moyen simulé du climat peut être significativement différent de celui observé sur de grandes régions.
Comme dans le cas des prévisions météorologiques, ces modèles sont initialisés – ils assimilent les données observées afin que l'évolution climatique simulée soit la plus proche possible de celle observée. Pour prédire l'évolution future, le modèle est "libéré". Dans la première phase, le modèle est donc « contraint » de suivre les observations; alors, à partir du moment où il est « libéré », il s'éloigne progressivement du climat moyen observé et se détend vers le sien, climat moyen spécifique. Comme s'il s'agissait de deux mondes parallèles distincts :les réalités observées et simulées. Au moment où le modèle évolue librement sans contraintes d'observation, le modèle dérive, avec une « transition » progressive de la première à la seconde réalité (biaisée).
Le problème est complexe, et l'évolution de la dérive est donc le plus souvent juste estimée au moyen de méthodes empiriques simples, et la quantification de son incertitude négligée :en d'autres termes, la dérive est généralement considérée comme une simple erreur à corriger.
Cette recherche, en revanche, se concentre sur la dérive, qui est considéré pour la première fois comme un processus statistique avec sa propre dynamique temporelle. Le modèle statistique a permis de séparer les différentes composantes qui concourent à déterminer la dérive et le biais, y compris les tendances d'erreur à long terme et les saisonnalités. Plus loin, elle a permis d'établir des relations causales entre la dérive et d'autres processus climatiques.
L'article publié hier est co-écrit par Davide Zanchettin, Carlo Gaétan, Angelo Rubino et Maeregu Arisido du DAIS avec des chercheurs de l'Institut Max Planck de Hambourg, le Centre Bjerknes pour la recherche sur le climat et l'Institut de géophysique de l'Université de Bergen, dans le cadre du grand projet européen PREFACE (preface.b.uib.no/).
La méthode proposée - basée sur un modèle dynamique linéaire - est le résultat de synergies entre des groupes de recherche sur les statistiques, modélisation numérique et dynamique climatique coordonnée par les professeurs Gaetan et Rubino (chef de file du work package dans le projet PREFACE).
"La nôtre représente une application innovante, dans le domaine de la recherche climatique, d'une méthodologie statistique bien établie dans d'autres domaines, comme l'économie. Notre résultat peut, espérons-le, favoriser la coopération entre les chercheurs européens dans les domaines des statistiques et de la climatologie, suivant une tendance anticipée par des collègues aux États-Unis », explique Davide Zanchettin.
"Nous visions à apporter des méthodes statistiques plus sophistiquées à la recherche climatique. Nous avons atteint cet objectif grâce à l'engagement du DAIS à construire un "pont entre deux mondes" - climatologie dynamique et statistiques - qui utilisent souvent des langages différents", dit Angelo Rubino.
« PRÉFACE a représenté une excellente occasion de montrer à quel point la théorie statistique complexe n'est pas un simple exercice théorique, mais un soutien potentiel dans d'autres domaines" conclut Carlo Gaetan.