Soutenance mémoire
Au moment d’entamer la rédaction de ce manuscrit, le Groupe Intergouvernemental d’Experts sur l’évolution du Climat (GIEC) a lancé les travaux de son prochain rapport sur les changements climatiques, lors de son assemblée plénière réunie à Nairobi (Kenya) du 11 au 13 avril 2016. Ce sixième rapport d’évaluation va décrire les évolutions les plus récentes du climat. Comme les précédents rapports du GIEC, il explorera quelques scénarios des changements futurs et de leurs impacts, et proposera des réponses possibles pour réduire les émissions de gaz à effet de serre et des stratégies d’adaptation dans le cadre des objectifs de l’accord de Paris. Tous les rapports du GIEC ont montré que le changement climatique est bien réel et que ses effets sont quantifiables. C’est un problème mondial, ayant des impacts sur tous les écosystèmes marins et terrestres. Il nécessite une prise de conscience collective et des décisions adéquates, réfléchies et surtout durables.
Parmi les travaux du GIEC, il y a notamment le changement climatique et sa prévisibilité, qui ont fait l’objet de plusieurs rapports. Ils sont étudiés à l’aide des modèles de circulation générale (GCM : General Circulation Model) de l’atmosphère et de l’océan. Les GCM constituent les outils à la disposition des scientifiques pour comprendre les changements climatiques passés, récents et futurs. Ils traduisent de façon numérique les lois d’évolution de l’atmosphère et de l’océan et ce, dans le but de connaître l’état actuel ou passé du climat, et grâce à différents scénarios, d’anticiper la sensibilité climatique (i.e. la réponse du système climatique à l’augmentation des gaz à effet de serre). Les différents exercices d’inter-comparaison des modèles climatiques (Coupled Model Intercomparison Project (CMIP)) montrent que la sensibilité climatique varie d’un modèle à un autre (e.g. Meehl et al., 2007; Andrews et al., 2012). L’incertitude sur les projections climatiques peut résider aussi bien dans le choix du modèle que dans le choix du scénario à utiliser. Ainsi, le développement des GCM (notamment atmosphériques) apparaît primordial pour améliorer la prévision du climat et permettre aux décideurs politiques d’envisager des solutions socio-politiques et socio-économiques efficaces et durables. Les paramétrisations des processus physiques constituent l’une des principales sources d’incertitude dans les modèles climatiques. Ces paramétrisations impliquent entre autres la convection sèche et humide, les processus de couche limite (turbulence et diffusion verticale), le rayonnement, les précipitations de grande échelle, les nuages, la microphysique, les ondes de gravité, etc. Ce qui rend particulièrement difficile la paramétrisation des processus physiques, c’est d’une part l’interaction entre les différents processus et d’autre part leur interaction avec la dynamique.
Interaction convection – dynamique
La connaissance du climat et du changement climatique est tributaire de la compréhension des nuages, de la convection, de la circulation générale atmosphérique et surtout de leurs interactions. La convection affecte toute la troposphère et agit comme une courroie de transmission entre les processus de couche limite planétaire et l’atmosphère libre. Les interactions entre convection profonde et circulation de grande échelle résultent de trois processus qui sont : les changements de phase de l’eau, les effets radiatifs des nuages convectifs et le mélange turbulent. La formation ou dissipation des nuages convectifs s’effectue suite à des processus de condensation ou d’évaporation. Ces processus sont associés à des changements de phase qui libèrent de la chaleur latente ou en absorbent. Des gradients de température sont alors générés et vont contrôler en partie la circulation de grande échelle. Les nuages de convection profonde contrôlent à la fois le bilan d’eau et d’énergie de l’atmosphère et ont un impact considérable sur le climat actuel et sur ses évolutions futures. Les nuages demeurent ainsi avec la convection, l’un des défis majeurs des GCMs actuels au point de figurer parmi les sept défis du World Climate Research Programme (WCRP) dans le volet « Nuages, Circulation générale et Sensibilité climatique » (https://www.wcrp-climate.org/gc-clouds) .
Stratégie d’amélioration des modèles
Les erreurs systématiques des GCM actuels pénalisent les prévisions et les projections climatiques. L’amélioration des GCM passe d’une part par l’amélioration des méthodes numériques et la complexification des paramétrisations physiques (e.g. Sud and Molod, 1988) et d’autre part par l’évaluation de la performance et des biais des GCMs. Bien que des efforts remarquables aient été entrepris dans le domaine des paramétrisations des processus humides, il reste toutefois d’énormes défis à relever dans la représentation de la convection par les GCMs (e.g. Hourdin et al., 2013; Rio et al., 2013). Ces défis impliquent à la fois la paramétrisation de la microphysique nuageuse, des condensats solides et liquides, du transport convectif sous maille et des processus de couche limite. Dans la littérature, des études (e.g. Wetherald and Manabe, 1980; Stephens and Webster, 1981; Sherwood et al., 2015; Bony et al., 2015) ont reconnu le rôle de la convection comme l’une des principales sources d’incertitude sur la sensibilité climatique. Elles contribuent également à l’existence de biais dont certains persistent depuis plusieurs décennies dans les modèles comme les biais de mousson (e.g. Roehrig et al., 2013; Chadwick et al., 2017), les défauts liées à la zone de convergence inter-tropicale (ZCIT) dans le Pacifique ouest ou syndrome de double ZCIT (Bellucci et al., 2010; Oueslati and Bellon, 2015; Li and Xie, 2014; Xiang et al., 2017), les défauts liés à la propagation et/ou à l’amplitude de l’oscillation de Madden-Julian (e.g. Hung et al., 2013; Klingaman et al., 2015a; Xavier et al., 2015). La plupart de ces biais sont en partie imputables à la paramétrisation de la convection. Un modèle de climat peut être considéré comme un ensemble formé de différents compartiments dont chacun gère un sous-domaine du système Terre. Il s’agit des modèles de l’atmosphère, de l’océan, des échanges avec la surface, de chimie et transport, de glace, etc. Le couplage entre ces différents modèles fait en sorte qu’il est souvent difficile d’analyser et d’attribuer les défauts d’un modèle à un processus particulier. Pour améliorer les modèles de climat, les scientifiques travaillent à améliorer chaque composante en supposant que les autres composantes sont parfaites. Une des principales voies utilisées a été de travailler à réduire les biais des modèles atmosphériques (AGCMs), notamment en améliorant certains processus comme les nuages, la convection (cycle de vie, organisation, cycle diurne, etc.) (e.g. Hourdin et al., 2013; Rio et al., 2013) qui ne sont pas résolus à l’échelle de la maille des GCMs (typiquement de 50 à 250 km). Souvent, les développements des paramétrisations sont testés dans des cadres unidimensionnels (1D) très contraints avant qu’ils ne soient portés vers des cadres tridimensionnels (3D) plus libres (simulations longues de type AMIP ) où les processus physiques interagissent entre eux, mais surtout avec la dynamique. Des développement récents de la physique du modèle atmosphérique de l’IPSL ont eu peu d’impact sur les biais moyens du modèle couplé ou forcé par la SST . Cela pose des questions et suscite le développement de nouvelles stratégies afin d’attaquer de front les biais les plus persistants dans les modèles (syndrome de double ZCIT, biais de moussons, biais de MJO , etc). L’utilisation des protocoles 1D où la dynamique de grande échelle est paramétrisée, permet de tester l’ensemble des paramétrisations et de prendre en compte certaines rétroactions entre les processus physiques. Le protocole 1D présente l’avantage d’être facile à mettre en place et n’est pas gourmand en temps de calcul. Il est cependant limité puisqu’il ne prend pas en compte les interactions avec la dynamique de grande échelle. Une façon plus « naturelle » de prendre en compte les interactions dynamique–physique est d’utiliser les simulations longues de type AMIP (Atmosphère globale pilotée par les températures de surface de la mer mensuelles observées). Une simulation AMIP permet d’estimer les biais du modèle après qu’il ait eu le temps de se mettre en équilibre, et que les interactions dynamique–physique aient eu lieu. Les premiers mois, voire années, de la simulation AMIP ne peuvent pas être analysés vu que le modèle n’est pas encore à son état d’équilibre. Pour étudier l’état moyen de l’atmosphère, on fait des études statistiques sur un échantillon d’au moins une dizaine d’années et cela peut nécessiter un temps de calcul important. On note cependant qu’il y a des biais qui peuvent apparaître dès les premiers jours de la simulation. Le cadre idéal pour analyser ce genre de biais est d’utiliser des simulations courtes initialisées de type Transpose-AMIP (e.g. Phillips et al., 2004; Martin et al., 2010; Williams et al., 2013). Le cadre Transpose-AMIP permet d’utiliser un modèle de climat dans un cadre de Prévision Numérique du Temps (PNT) ; si un biais apparaît rapidement (5, 10 voire 20 jours), il est plus efficace de l’analyser en utilisant des simulations Transpose-AMIP. Les protocoles 1D, Transpose-AMIP et AMIP, permettent une évaluation des modèles et donc de leurs paramétrisations avant que ces dernières ne soient implémentées dans un cadre plus libre comme le modèle couplé océan-atmosphère, et guider ainsi le développement de la physique des modèles.
Convection et circulation tropicale
Circulation tropicale
Définition des régions tropicales
La zone tropicale, généralement désignée comme la région située dans la bande des latitudes 30◦S–30◦N, couvre environ la moitié de la surface du globe terrestre. En météorologie, cette zone représente la ceinture du globe délimitée par les axes des anticyclones subtropicaux de surface des deux hémisphères, situés en moyenne annuelle vers 30◦S et 30◦N. Ce domaine météorologique n’est ni figé dans le temps ni dans l’espace, il se déplace vers le nord en été boréal ou vers le sud en été austral en réponse au forçage solaire. Les caractéristiques essentielles des régions tropicales sont liées à la sphéricité de la Terre. Compte tenu de l’inclinaison de l’axe de rotation de la terre (environ 23,27◦ ), les régions tropicales reçoivent en moyenne annuelle, deux fois plus de rayonnement solaire au sommet de l’atmosphère que les régions polaires (e.g. Vonder Haar and Oort, 1973; Trenberth and Stepaniak, 2003; Trenberth et al., 2009).
Bilan d’énergie du système Terre
En l’absence des nuages, l’atmosphère terrestre est quasi-transparente au rayonnement solaire reçu sauf dans les basses couches et à la surface. A l’échelle du globe et à long terme, le bilan radiatif du système Terre reste proche de l’équilibre car la quantité d’énergie reçue du soleil (341 W m−2 en moyenne annuelle) est égale à la quantité d’énergie renvoyée (Fig. 1.1). Environ 30 % de l’énergie solaire reçue est directement réfléchie vers l’espace par les nuages et les surfaces terrestres (Fig. 1.1). Le reste de l’énergie est absorbé par l’atmosphère et les surfaces (océaniques, continentales et glaciaires) (e.g. Trenberth et al., 2009). Environ 85 % du rayonnement terrestre reste piégé dans l’atmosphère par les gaz à effet de serre (vapeur d’eau, dioxyde de carbone, méthane, protoxyde d’azote, ozone, etc.) puis absorbé par les surfaces. Les 15 % restants et le rayonnement atmosphérique sont ré-émis vers l’espace et vont contrebalancer environ 70 % du rayonnement solaire reçu.
|
Table des matières
Introduction
1 Convection et circulation tropicale
1.1 Circulation tropicale
1.1.1 Définition des régions tropicales
1.1.2 Bilan d’énergie du système Terre
1.1.3 Circulation méridienne de Hadley
1.1.4 Circulation zonale de Walker
1.1.5 L’Oscillation de Madden et Julian
1.2 Convection atmosphérique
1.2.1 Définition de la convection
1.2.2 Instabilité absolue et instabilité conditionnelle
1.2.3 Les notions de CAPE et de CIN
1.3 Interaction de la convection avec la dynamique de grande échelle
1.3.1 Théories de l’interaction convection–dynamique
1.3.2 Réponse de la dynamique à un chauffage diabatique
1.3.3 Profils de chauffage et d’humidification de l’atmosphère
1.3.4 Méthodes d’estimation de Q1 et Q2
1.3.5 Profils verticaux de Q1 et Q2
2 Données de validation et méthodologie
2.1 Données de validation
2.1.1 La campagne CINDY2011/DYNAMO
2.1.2 Les observations CINDY2011/DYNAMO et jeux de données dérivés
2.1.3 Les données TROPFLUX
2.1.4 Les analyses du CEPMMT
2.1.5 Les réanalyses ERA-Interim
2.1.6 Les données TRMM
2.2 Description du modèle ARPEGE-Climat
2.2.1 La partie dynamique du modèle
2.2.2 Les paramétrisations physiques de la version 6 du modèle ARPEGE
2.3 Protocole des simulations utilisées
2.3.1 La méthodologie 1D
2.3.2 Les simulations 1D
2.3.3 Les simulations AMIP
2.3.4 Les simulations Transpose-AMIP
2.4 Outils statistiques
2.4.1 Outils statistiques de base
2.4.2 Calcul de fonction de densité de probabilité
2.4.3 L’Analyse en Composantes Principales
3 Modélisation unicolonne de la convection pendant CINDY2011/DYNAMO
3.1 Représentation de la convection par APEGE-Climat pendant CINDY2011/ DYNAMO – Résumé de Abdel-lathif et al. (2018)
3.2 Single-column modeling of convection during CINDY2011/ DYNAMO field campaign with the CNRM climate model version 6
3.2.1 Introduction
3.2.2 The CINDY/DYNAMO field campaign
3.2.3 The CNRM-CM version 6 model
3.2.4 General behavior of CNRM-SCM6 over NSA
3.2.5 Analyses of the simulated Q1 and Q2 profiles
3.2.6 Mean profiles of Q1 and Q2 during active and suppressed phases
3.2.7 Life cycle of convection during CINDY/DYNAMO
3.2.8 Summary and discussions
3.2.9 Appendix A : CNRM-SCM6 simulation of NSA convection forced by observed SSTs
3.3 Complément de l’article Abdel-lathif et al. (2018) : Evaluation d’ARPEGEClimat sur le quadrilatère Sud (SSA)
3.3.1 Evaluation de CNRM-SCM6 forcé par les SSTs
3.3.2 Evaluation d’ARPEGE-Climat (1D) forcé par les flux de surface (CONTROL)
3.3.3 Analyse des profils de Q1 et Q2 observés et simulés
Conclusion
