Précipitations et vagues de sécheresse

Précipitations et vagues de sécheresse

 PRÉSENTATION DES DONNÉES

Comme dit précédemment, deux types de données ont été utilisées. La distinction entre les données énergétiques et climatiques peut être faite en raison de la différente approche de traitement de ces données. Les données énergétiques ont été peu travaillées, alors que les données climatiques ont été beaucoup plus travaillées afin de développer des indicateurs d’impact du changement climatique sur les énergies.

Données énergétiques

Les données énergétiques ont été utilisées principalement pour présenter les résultats et les données sources plus que pour créer des intrants du modèle. Celles-ci ont servi principalement à visualiser les données afin d’avoir un aperçu de la situation énergétique actuelle et future à travers les résultats du modèle ETEM-AR. Les données de production d’énergie pour l’année de référence (2005) ont été fournies par l’Agence de l’Environnement et de la Maîtrise de l’Energie (ADEME) pour les données relatives aux parcs éoliens, par la Direction générale de l’Environnement, de l’aménagement et du Logement (DREAL) de la région Midi-Pyrénées pour les données relatives aux puits géothermiques, aux zones d’exploitation géothermiques et éoliennes, aux cours d’eau et aux bassins versants, par l’Observatoire Régional de l’Energie en Midi-Pyrénées (OREMIP) pour les données relatives à l’hydroélectricité, au photovoltaïque et à l’éolien, par l’Institut National de la Statistique et des Etudes Economiques (INSEE) pour les données sur les centrales électriques thermiques, ainsi que par l’Institut national de l’information géographique et forestière (IGN) pour les cartes administratives telles que les limites départementales utilisées pour situer la région Midi-Pyrénées, mais également pour la création de cartes climatiques.

Données climatiques

Une première approche des données climatiques a été faite à travers la base de données du projet ENSEMBLES. Le but du projet ENSEMBLES est de maintenir et d’étendre la prééminence européenne sur la distribution d’informations pertinentes quant au changement climatique et ses interactions avec la société. Pour cela, il se base sur des modèles européens globaux et régionaux de haute résolution [ECMWF 2012].
Finalement, ce sont les données de réduction d’échelle du CERFACS5 qui ont été choisies par ORDECSYS pour son projet. La réduction d’échelle est faite de manière statistique pour différents modèles climatologiques globaux européens. Les modèles utilisés dans ce projet sont :
• ARPEGE : Centre National de Recherches Météorologiques, France
• CNCM33 : Centre National de Recherches Météorologiques, France
• IPCM4 : Institut Pierre Simon Laplace, France
• HADGEM2 : Met Office Hadley Center, Royaume-Unis
• MPEH5C : Max Planck Institutes for Meteorology, Allemagne
• DMIEH5C : Danish Meteorological Institute, Danemark
Le scenario d’émissions de gaz à effet de serre sélectionné et utilisé aux travers des modèles est le scenario A1B. Le scénario A1B est le scénario tendance et correspond aux prévisions actuelles de l’Agence Internationale de l’Energie (AIE) pour 2050 [LAVAUD 2009]. Ce scénario est également privilégié dans ce projet en raison du grand nombre de modèles l’utilisant en France, selon le « rapport Jouzel » [PEINGS et al. 2012]. Le scénario A1B correspond, sur le plan énergétique, à une évolution technologique qui maintient un équilibre relatif entre les sources d’énergie. Au plan climatique, ce scénario résulte en des émissions de gaz à effet de serre intermédiaires, en comparaison avec les autres scénarios proposés par le GIEC. Le scénario A2, scénario plutôt pessimiste, est également sélectionné pour ce projet, mais est utilisé uniquement à travers le modèle ARPEGE. Ce scénario décrit une forte croissance démographique et une évolution technologique plus lente que dans les autres scénarios [IPCC 2000]. Le scénario A2 permet de valider l’hypothèse que les variations dues aux scénarios d’émissions de gaz à effet de serre d’ici 2050 ne sont pas les plus importantes. Il se trouve même que d’ici l’horizon 2050, le scénario A2 enregistre des températures moyennes inférieures au scénario A1B [Fig.1].
La résolution spatiale des modèles est de 8km X 8km et la résolution temporelle est journalière. Les fichiers ont été récupérés en format NetCDF6 et peuvent être directement visualisés à l’aide de l’application multi-plateforme Panoply 3.1.37 [Fig.2].
Figure 1 : Il y a très peu de variations entre le scénario A1B et A2 d’ici 2050. Il se trouve même
que le scénario A2 enregistre des températures légèrement inférieures en 2050.
Figure 2 : Visualisation des températures moyennes au-dessus de la région Midi-Pyrénées au moyen de l’appliction Panoply 3.1.3 pour le 1 janvier 1995. L’application extrait directement les informations des fichiers NetCDF. (Source : cartes créées à partir des données du CERFACS 2010)
Les variables météorologiques utilisées dans ce projet sont :
• La température moyenne (K) : utilisée pour calculer les degrés-jours de chauffage et de refroidissement qui permettent d’évaluer la demande de chauffage et de climatisation.
• La température maximale (K) : utilisée afin de calculer les périodes de canicule et ainsi estimer l’impact sur les systèmes de refroidissement des centrales thermiques.
• Les précipitations (kg m-2 s-1) : utilisées comme indicateur complémentaire pour estimer la vulnérabilité de la centrale nucléaire, ainsi que pour estimer, au moins qualitativement, l’impact possible de la demande énergétique dans le domaine de l’agriculture pour le pompage de l’eau et l’arrosage.

Indicateurs climatiques

Pour mesurer l’impact du changement climatique sur le système énergétique, il faut créer des indicateurs climatiques à partir des variables climatiques extraites des modèles numériques de prévision climatique. Les indicateurs peuvent être classés en deux catégories : les indicateurs directs et les indicateurs indirects. Les indicateurs directs et quantitatifs sont (i) les degrés-jours de chauffage et de refroidissement utilisés pour évaluer les besoins de chauffage et de climatisation en fonction du climat futur et (ii) les vagues de chaleur qui permettent d’évaluer la baisse possible de la disponibilité de la centrale nucléaire de Golfech. Les indicateurs indirects sont (i) les variations des précipitations et (ii) les vagues de sécheresse, qui permettent d’estimer le niveau de vulnérabilité des installations hydroélectriques.
• Indicateurs directs :
o Les degrés-jours permettent d’évaluer la demande de chauffage (seuil à 18°C) ou de refroidissement (seuil à 22°C). Si la température journalière dépasse le seuil, c’est-à-dire si elle est respectivement inférieure ou supérieure au seuil, cela est considéré comme une demande de chauffage dans le premier cas et de refroidissement dans le deuxième. Plus la température dépasse le seuil, plus la demande est grande.
o Les jours de vagues de chaleur sont comptabilisés du moment où la température maximale dépasse 30°C durant au moins 6 jours.
• Indicateurs indirects :
o Les précipitations sont données en mm/jour.
o Les jours de vagues de sécheresse sont comptabilisée du moment où les précipitations ne dépassent pas 1 mm/jour durant au moins 6 jours.

Incertitudes des prévisions climatiques

Le choix de se baser principalement sur un unique scénario d’émissions de gaz à effet de serre (A1B), et sur plusieurs modèles numériques est le résultat d’analyses préliminaires des informations fournies par le « rapport Jouzel » [PEINGS et al. 2012] ainsi que des discussions avec l’équipe de recherche du CERFACS situé à Toulouse [Page 2012].
Les prévisions climatiques comportent trois catégories d’incertitudes : (i) l’incertitude due aux variabilités internes du système climatique ; (ii) l’incertitude due aux différents modèles utilisés ; (iii) l’incertitude sur les scénarios futurs d’émission de gaz à effet de serre.
(i) La première incertitude résulte des fluctuations naturelles qui surviennent même en l’absence de forçage radiatif anthropogénique. Ces fluctuations peuvent inverser, à court terme, les tendances attendues à long terme sous l’effet de la contribution de l’Homme aux changements climatiques.
(ii) La deuxième incertitude résulte des réactions différentes des modèles à un même forçage radiatif. Cette incertitude est aussi connue sous le nom d’incertitude de réponse.
(iii) La troisième et dernière incertitude est liée aux hypothèses de développement technico-économique de la société, résultant en différents scénarios possibles d’émissions de gaz à effet de serre, tels que proposés par le GIEC (Groupe d’experts Intergouvernemental sur l’Evolution du Climat) [IPCC 2007].
Hawkins et Sutton [2009] montrent que ces différentes incertitudes prennent une part plus ou moins grande dans l’incertitude générale de la prédiction climatique dépendant du court, moyen et long terme. Ainsi, jusqu’à l’horizon 2040-2050, l’incertitude liée aux modèles reste plus grande que l’incertitude liée aux scénarios d’émissions de gaz à effet de serre et celle liée au système climatique, tandis que l’incertitude associée aux émissions futures domine à plus long terme [Fig.3].
Variabilités internes
Scénario
Réponse des modèles
Figure 3 : Part des incertitudes pour le court, moyen et long terme. Les trois incertitudes sont les variabilités internes du système climatiques (orange), l’incertitude de réponse (bleu) et l’incertitude liée aux scénarios (vert). (Source : HAWKINS et SUTTON 2009)
Ces incertitudes peuvent varier également dans l’espace. L’incertitude liée aux modèles est considérée plus importante dans les hautes latitudes tandis qu’à l’opposé, l’incertitude liée aux scénarios est moins importante dans les hautes latitudes [Fig.4].
Le modèle ETEM-AR étant utilisé, dans ce projet, sur l’horizon 2005-2050 et pour une région spécifique du Sud de la France, les incertitudes dominantes sont celles liées aux modèles climatiques. Ainsi, la figure 3 montre que pour la 4ème décade pour la région Midi-Pyrénées, l’incertitude liée aux modèles se situe entre 60% et 80% de la part d’incertitude totale, alors que la part d’incertitude liée aux choix du scénario se situe entre 0% et 20%. Ceci appuie notre choix d’analyser les informations fournies par différents modèles numériques plutôt que d’analyser différents scénarios d’émissions de gaz à effet de serre.
Figure 4 : Les trois incertitudes liées aux fluctuations naturelles, aux choix des modèles et aux choix des scénarios d’émissions de gaz à effet de serre varient dans l’espace et dans le temps. Cette figure montre la part des incertitudes pour la température de surface moyenne décennale pour les trois incertitudes (incertitude de variabilités internes pour la 1ère colonne ; incertitude des modèles pour la 2ème colonne ; incertitude des scénarios pour la 3ème colonne) et pour la première décade (1ère ligne) ; quatrième décade (2ème ligne) ; 9ème décade (3ème ligne). Les incertitudes sont géographiquement hétérogènes. (Source : HAWKINS et SUTTON 2009)

MÉTHODOLOGIE ET MARCHE À SUIVRE

Ce projet s’est reposé sur différentes possibilités d’utilisation des Systèmes d’Information Géographique. Il a fallu créer des données SIG, récupérer des données déjà existantes, faire des analyses de données avec l’outil SIG et arranger les données afin qu’elles soient présentables en y développant un symbologie adaptée. Une partie des données a également été publiée sur Internet à travers un guichet cartographique.
L’outil SIG utilisé dans le cadre de ce projet est le logiciel Quantum GIS (QGIS), un outil en libre accès développé par une équipe internationale très active8. Le choix a été porté sur ce logiciel, car ORDECSYS souhaite, dans la logique de son modèle ETEM-AR, pouvoir mettre à disposition de ses clients des outils en libre accès.

Données énergétiques

Une première étape du travail fut de créer un projet GIS comprenant toutes les informations sur la production énergétique (principalement électrique) de la région Midi-Pyrénées. Pour cela, il a fallu dans un premier tant acquérir des données déjà existantes auprès d’institutions publiques. Les données de limites administratives départementales (GEOFLA) ont été extraites du catalogue de données gratuites de l’Institut National de l’Information Géographique et Forestière (IGN)9. Des données géographiques concernant les unités de productions éoliennes et géothermiques ainsi que les zones de potentiel géothermique et éolien tout comme la délimitation des bassins versants ont été extraites gratuitement sous le Catalogue ADéLie de DREAL10 Midi-Pyrénées11. Toutes les données ont été extraites en format shapefile, format compatible avec QGIS.
Les données restantes ont été produites à partir de fichiers de données Excel et digitalisées sur QGIS. Il s’agit des unités hydroélectriques pour 2005 ainsi que de la production photovoltaïque totale, fournies par l’OREMIP12 et données des parcs éoliens en 2005, fournies par l’ADEME13. Les données concernant la centrale nucléaire de Golfech ont été trouvées sur le site Internet d’EDF14 et celles concernant la production thermique d’électricité (en cogénération et hors cogénération) ont été fournies par l’INSEE15.
Un projet QGIS a été créé afin de réunir toutes ces informations. Le système de référence géodésique utilisé est le RGF93 (Réseau Géodésique Français – 1993) et le système de projection est le Lambert 93, qui est une projection englobant toute la France [CERTU 2008a]. Le système RGF93/Lambert 93 a été officialisé lors du décret n° 2000-1276 du 28 décembre 200016. Ce système de référence a été choisi étant donné que c’est le système en France le plus récent et qu’il est géré par l’entité nationale qu’est l’IGN. Le choix s’est porté sur les systèmes de projection unique Lambert 93 recouvrant toute la France et non sur les projections plus locales composé de 9 systèmes nommés CC42 à CC5017 [CERTU 2008b], dans la perspective d’étendre l’utilisation d’ETEM-AR à d’autres régions en France. Ainsi, avoir un système homogène pour toute la France semble plus pertinent.
Afin d’automatiser la digitalisation des unités hydroélectriques qui sont nombreuses, l’outil Totally Awesome Mapping18 a été utilisé. Cet outil permet, à partir d’un fichier Excel préalablement formaté pour être compatible avec le logiciel, de créer un fichier KML positionnant les entités sous forme de point aux coordonnées estimées par le logiciel à partir des adresses des entités. Ici les entités sont les centrales hydroélectriques. Les coordonnées sont fournies dans le système de projection WGS 84. Certaines unités hydroélectriques n’ont pas été situées dans la bonne commune. Il a fallu donc reprendre ces dernières en vérifiant où se situait la commune à partir de Google Maps et de la couche « vecteur » des communes de Midi-Pyrénées. Certaines données ont également été importées de fichiers KML. Ces fichiers sont facilement importables dans QGIS, mais il faut bien avoir en tête que le système de projection est en WGS 84, il faut donc le transformer en RGF93/Lambert 93.
Par la suite, les tables d’attributs des différentes couches ont été organisées, mises en forme et complétées par des jointures, après avoir préalablement introduits des tables en format CSV et DBF dans le projet QGIS.
Pour compléter le projet avec une carte de fond, une carte d’ombrage a été créée à partir d’un modèle numérique de terrain. Finalement, cette option a été abandonnée pour privilégier une carte de fond prise en OpenLayer créée par OpenCycleMap19 qui est plus complète (comprend aussi les noms des villes et réseaux routiers) et qui a une structure pyramidale bien élaborée (aspects visuelles qui change avec le zoom) [Fig.5]. La dernière étape afin de terminer le projet fut de créer la symbologie pour les différents types de production énergétique. Pour cela, il a fallu créer des images vectorielles en format SVG. Ces images ont été créées à partir du logiciel Inkscape. Le but étant d’avoir une symbologie visible, homogène traitant de l’énergie [Fig. 6].
Figure 5 : différents zooms de l’Open Layer « OpenCycleMaps Landscape » avec une construction pyramidale de bonne qualité. Prise de vue de la région du Sud de la France et zoom sur Toulouse.
19 Site Internet d’OpenCycleMap : http://www.opencyclemap.org/
Figure 6 : Symbologie créée en image SVG pour représenter la production énergétique. La grandeur des symboles est proportionnelle à la puissance des installations pour les parcs éoliens et pour la production hydroélectrique agrégée.
Certaines unités de production sont agrégées et donc ne sont pas réellement géoréférencées, mais situées dans le département correspondant pour le cas de l’hydroélectricité (où les grosses unités (>0.01 GW) sont agrégées ensemble et les petites unités (<0.01 GW) ensemble) et au milieu de la région Midi-Pyrénées pour la production des centrales thermiques (regroupée en cogénération et hors cogénération). Le choix d’utiliser une symbologie en point et non des surfaces pour représenter les données agrégées ressort de la volonté de représenter la production énergétique de la même manière et d’avoir une symbologie représentative. Cette logique suit la volonté de l’entreprise ORDECSYS. Il faut donc bien être vigilant en observant les données agrégées et ne pas comprendre ces données comme étant des données précisément géoréférencées.
Le but de la création de ces données énergétiques était de les publier sur un serveur afin de pouvoir y accéder à travers le site Internet du projet « Modéliser l’atténuation et l’adaptation dans un plan climat territorial »20. A cette fin, j’ai participé à la Quatrième Réunions des Utilisateurs de QGIS à Berne et ai suivi un Workshop sur QGIS web-server / server-client. Cela a permis de faire connaissance avec une application créée pour fonctionner avec l’outil QGIS permettant de publier rapidement et de manière simple des projets sur le Web. Il s’agit de l’application QGIS Cloud21 développée par SourcePole22. Il a été décidé s’utiliser dans un premier temps cette application afin de pourvoir publier rapidement des résultats sur le Web. Dans un deuxième temps, l’installation de QGIS MapServer devait être faite sur le serveur d’ORDECSYS, mais en raison d’un problème technique lors de l’installation de l’application sur le serveur, cela ne s’est pas fait. QGIS MapServer est une application qui permet d’implémenter des fichiers WMS, qui par la suite, peuvent être visualisés par des clients sur le Web à travers des interfaces de visualisation. C’est exactement ce que QGIS Cloud fait, sans avoir besoin d’utiliser son propre serveur. Cependant, à cela font face beaucoup de contraintes. Les capacités de stockage sur le serveur mis à disposition sont limitées tout comme la personnalisation du guichet cartographique et il n’est pas encore possible de publier des données raster. De plus, cette application est en développement et reste donc encore très instable.
L’utilisation est très simple, il suffit de charger les différentes couches du projet sur le serveur mise à disposition par SourcePole, puis de publier les couches chargées sur Internet à travers un compte créé sur le site Internet de QGIS Cloud23. Lors de la publication, un fichier contenant la symbologie est également créé. Tout ceci se fait depuis le logiciel de bureau Quantum GIS.
D’autres données climatiques ont été produites et présentées au moyen de cartes. Il s’agit des extrants du modèle ETEM-AR. Ces données ont simplement été extraites des fichiers Excel de sortie du modèle et arrangées et formatées dans un nouveau fichier Excel afin d’être transformées en format texte CSV et importées dans QGIS.

Indicateurs climatiques

La seconde partie du travail fut de créer des indicateurs climatologiques à partir de données extraites de modèles numériques climatologiques. Les données climatologiques étant très volumineuses et nécessitant une certaine organisation, elles sont généralement stockées sous le format NetCDF. Ce format permet le stockage d’un grand nombre de données et une exploration facile de celles-ci. Ce format permet de gérer plusieurs variables, ainsi que la dimension temporelle. Le format NetCDF est composé de bibliothèques logicielles et est auto-documenté, ce qui permet la création, l’accès et le partage de données scientifiques stockées sous la forme de tableaux24 [UNIDATA 2012]. Les données utilisées recouvrent l’ensemble du territoire français et s’étendent de 1995 à 2060. Pour explorer, traiter et analyser ces données, la bibliothèque CDO (Climate Data Operators) utilisant des lignes de commande MS-DOS fut utilisée. CDO rassemble de nombreuses fonctions permettant de traiter des données climatiques de sortie de modèles numériques [SCHULZWEIDA et KORNBLUEH 2009]. Le traitement de ces données a été automatisé au moyen de fichiers de commandes MS-DOS (format .bat) [exemple cf. annexe 1]. Toutes les étapes de traitement qui vont être expliquées ci-dessous sont effectuées sur des fichiers NetCDF et donne en sortie également des fichiers NetCDF.
Une première étape fut d’extraire la zone d’étude, c’est-à-dire la région de Midi-Pyrénées, afin de réduire la taille des fichiers, ce qui facilite par la suite son traitement et son analyse. La zone sélectionnée s’étend de 46°N ; -0°6’W à 42°N ; 4°E. La commande CDO utilisée est : cdo sellonlatbox,-0.6,4,42,46 input.nc output.nc
Où input correspond aux données ayant comme étendue toute la France et output correspond aux données cadrées sur la région de Midi-Pyrénées.
L’étape suivante fut d’effectuer une moyenne glissante sur les données de températures moyennes, de vitesse moyenne des vents et de précipitations. La moyenne glissante permet de lisser la courbe [Fig.7], ce qui permet de conserver la tendance des dispersions tout en effaçant les variations extrêmes. Un modèle de prévision climatique prévoit correctement la tendance des extrêmes dans le futur, mais ces extrêmes ne sont pas prédits temporellement avec précision par le modèle. Il prédira des tendances et non des événements précis. Il convient donc de lisser ces extrêmes pour des analyses se basant sur les tendances et non les extrêmes comme les températures moyennes et les degrés-jours de chauffage et refroidissement [PAGE 2012]. Aucune commande permettant de faire cette moyenne glissante directement n’étant disponible dans la bibliothèque CDO, il a fallu contourner le problème. Pour chaque année, des groupes ont été composés contenant l’année en question et les 5 années antérieures et postérieures (le but étant de faire une moyenne glissante sur 11 ans). La moyenne a été calculée pour chacun de ces groupes, ce qui a permit d’avoir une moyenne sur 11 ans pour chaque année. La moyenne pour chaque groupe a été calculée avec la commande : cdo ydaymean input.nc output.nc
Où input est le groupe formé de 11 années et l’output est le résultat de la moyenne sur ces 11 années.Le modèle ETEM-AR étant divisé en 3 saisons, il a fallu diviser nos données en trois saisons.Un fichier de commande MS-DOS a été créé comprenant la commande CDO suivante :
cdo selmon,mois1,mois2,moisn… input.nc output.nc.Où mois correspond aux mois de la saison voulue, input est le fichier NetCDF comprenant l’année entière et output est le fichier de sortie NetCDF de la saison voulue.Les variables climatiques ayant été formatées à notre convenance, il ne manque plus qu’à créer les indicateurs climatiques qui vont être utilisés par la suite par le modèle ETEM-AR. Certains indicateurs ont été calculés directement avec des commandes de la bibliothèque CDO, alors que d’autres ont été calculés sous MS Excel. Pour ce fait, il a fallu extraire les données des fichiers NetCDF pour les importer dans MS Excel. L’Add-In25 (Complément) NetCDF4Excel écrit en VBA fonctionnant uniquement sous MS Excel 2007 permet de faire cela. Les calculs des indicateurs sous MS Excel ont été automatisés au moyen de macros écrites en VBA.

Table des matières

1. INTRODUCTION
1.1. Projet
1.2. Intégration des SIG
2. PRÉSENTATION DES DONNÉES
2.1. Données énergétiques
2.2. Données climatiques
2.3. Indicateurs climatiques
2.4. Incertitudes des prévisions climatiques
3. MÉTHODOLOGIE ET MARCHE À SUIVRE
3.1. Données énergétiques
3.2. Indicateurs climatiques
3.3. Données GIS
3.4. Population
4. RÉSULTATS
4.1. Données énergétiques
4.1.1. Intrants du modèle
4.1.2. Extrants du modèle
4.2. Données climatiques
4.2.1. Degrés-jours et températures
4.2.2. Vagues de chaleur
4.2.3. Précipitations et vagues de sécheresse
4.2.4. Vents
5. ANALYSE ET DISCUSSION
5.1. Données géomatiques
5.2. Problèmes rencontrés
5.2. Perspectives et améliorations
5.3. Autre
6. CONCLUSION
7. BIBLIOGRAPHIE
8. ANNEXES

Télécharger le rapport complet