impact du changement climatique sur la gestion des réseaux de

Cette fiche présente l’analyse des incertitudes as-sociées au traitement statistique de l’indicateur de vulnérabilité élaborée pour le groupe DALKIA et la gestion des réseaux de chaleur. Elle décrit les diffé-rentes sources d’incertitudes inclues dans l’étude et les méthodes d’analyses mises en place pour les trai-ter au mieux. La méthode de correction utilisée pour réduire la partie quantifiable des biais des modèles est également présentée.

1. Les différentes sources d’incertitudes analysées

Parmi l’ensemble des sources d’incertitude exis-tantes (voir la fiche « incertitude » du dossier « mieux comprendre les risques du changement climatique »), nous traitons ici deux d’entre elles.

Les incertitudes dues aux limites des modèles sont prises en compte en comparant les résultats de plu-sieurs modèles. Nous avons choisi le jeu de données multi-modèles du projet Européen ENSEMBLES. Il contient les simulations de 6 modèles Européens1. Chaque modèle décrit de façon différente les proces-sus physiques, dynamiques et biogéochimiques régis-sant le climat.

Les incertitudes liées à la variabilité naturelle du climat sont prises en compte en utilisant des « en-sembles de simulations ». Il s’agit pour un modèle donné de réaliser plusieurs simulations en modifiant uniquement les conditions initiales de simulation.

1. Le modèle anglais du Met-Office (HADGEM) ; les deux modèles français de l’IPSL (IPCM4) et du CNRM (CNCMM3) ; les modèles allemands du MPI (MPEH5C) et du FUB (EGMAM), et le modèle du groupe italien INGV (DMEH5C). La résolu-tion horizontale de ces modèles varie entre 300km et 100km soit environ 4 à 40 points de grille sur la France.

Cet aspect de l’incertitude est analysé pour trois des six modèles du jeu de données ENSEMBLES pour les-quels nous disposons d’ensemble de simulation.

En revanche, l’incertitude sociétale qui permet de tenir compte des différentes possibilités d’évolution de notre société n’est pas prise en compte ici. Un seul scénario climatique (scénario SRES A1B) a été uti-lisé. Cette source d’incertitude est négligeable pour le moyen-terme (2030-2050). Elle devient dominante pour les projections de la fin du 21e siècle.

En plus de l’utilisation du large jeu de simulations ENSEMBLES, une partie de l’incertitude associée aux imperfections des modèles est traitée en corrigeant les biais des modèles. En effet dans l’étude d’indica-teurs de vulnérabilité tels que celui développé pour la gestion des réseaux de chaleur, il est préférable de corriger ces biais pour au moins deux raisons : ❚ 1) Les indicateurs mettent très souvent en jeu des seuils de vulnérabilité (seuil de température, de précipitation,… acceptables pour une activité don-née). Ces seuils sont définis par l’expérience opéra-tionnelle des parties prenantes et donc à partir des valeurs observées des variables météorologiques. Comparer des variables biaisées à un seuil fixé sur les valeurs observées enlèverait toute fiabilité à une étude de vulnérabilité.

❚ 2) Le degré de vulnérabilité est souvent estimé par analogie à une situation extrême connue. L’ana-logue permet alors de définir un seuil critique de dépassement. La comparaison à cet analogue néces-site de travailler sur les valeurs absolues prises par l’indicateur et non sur les anomalies. Cette compa-raison ne peut pas être effectuée proprement en uti-lisant des données brutes non corrigées.

Auteurs : C. Déandreis (IPSL), P. Braconnot (IPSL), S. Planton (CNRM-GAME)Etude réalisée pour l’entreprise DALKIA

IMPACT DU CHANGEMENT CLIMATIQUE SUR LA GESTION DES RÉSEAUX DE CHALEUR

Traitement des incertitudes et correction des données simulées

INVULNERABLe | DALKIA Incertitudes > PAGE 2

IMPACT DU CHANGEMENT CLIMATIQUE SUR LA GESTION

DES RÉSEAUX DE CHALEUR

2. Les biais des modèlesUn modèle climatique est une simplification d’un

système énormément plus complexe. Le nombre de degrés de liberté des modèles actuels est très inférieur à l’infinité de facteurs intervenant dans l’évolution du climat. De nombreux biais viennent donc entacher les résultats des modèles.

Premièrement, les modèles ne simulent pas parfaitement le climat moyen. L’ampleur de ces biais moyens varie suivant les variables d’intérêts. Ces différences sont liées à la capacité des modèles à plus ou moins bien représenter les processus physiques contrôlant l’évolution des variables climatiques. En général, les précipitations moyennes qui mettent en jeu des processus de très fines échelles sont moins bien simulées que les températures.

En ce qui concerne la variable « température » qui nous intéresse dans l’étude des réseaux de chaleur et de la distribution de gaz, on constate par exemple que les deux modèles français présentent un biais froid (Figure 1) dans l’hémisphère nord, plus étendu et prononcé sur le continent nord européen et asiatique (Sibérie, Inde du nord, Chine). La répartition de ce biais diffère d’un modèle à l’autre sur les régions qui nous intéressent.

Le biais sur le minimum de température diffère de celui sur le maximum de température (non montré). On a donc également un biais sur l’estimation des écarts intra-journaliers de température (T

max - T

min)

comme le montre la Figure 2. D’autre part, la variabilité jour à jour des états si-

mulés par le modèle est différente de celle observée. On constate une sous-estimation des phénomènes extrêmes et plus généralement des différences sur l’ensemble de la distribution. La Figure 3 présente les différences modèles/observations pour chaque tranche (centile) de la distribution des températures maximale (T

max), minimale (T

min) et de l’écart intra-

journalier de température (DTR) pour le point de grille contenant la ville de Paris et pour la période 1961-2000. La droite noire correspond au modèle parfait (données simulées = données observées pour toutes les tranches de la distribution). L’écart entre les courbes rouge ou bleu et cette droite noire repré-sente l’erreur du modèle. Les tronçons de courbe en dessous (au dessus) de cette droite correspondent à une surestimation (sous-estimation) du modèle. On constate par exemple que les faibles valeurs de T

min

sont surestimées en hiver par le modèle de l’IPSL et que les fortes valeurs (supérieures à -1°C) sont sous-es-

FIGURE 1 Biais annuel moyen des températures moyennes des modèles de l’IPSL* et du CNRM** par rapport aux réanalyses ERA40 pour la période 1961-2000. Les données des modèles sont issues des simulations effectuées dans le cadre du 4e rapport du GIEC. *Institut Pierre Simon Laplace. **Centre National de Recherche Météorologique


FIGURE 2 Biais annuel moyen de l’écart intrajournalier de température (DTR = Tmax – Tmin) pour les modèles de l’IPSL et du CNRM par rapport aux réanalyses ERA40 et pour la période 1961-2000. Les points de grille grisés correspondent aux valeurs non statistiquement signifi-catives au seuil de 95% (obtenues par bootstrap). Les données des modèles sont issues des simulations effectuées dans le cadre du 4e rapport du GIEC.

a) h

iver

Tmean

b) é

té

FIGURE 3 Correspondance entre les distributions des réanalyses NCEP et des données simulées (IPSL en rouge et CNRM en bleu) pour les températures moyennes (Tmax) et l’écart intra-journalier de température (DTR). Les graphes correspondent au point de grille Parisien en hiver (haut) et en été (bas) sur la période 1961-2000. La droite en trait plein correspond à une représentation parfaite de la réalité par le modèle.

DTR

modelmodel

model model




timés. Dans ce cas une seule correction de la moyenne ne suffira pas à rétablir le réalisme des données.

3. Les méthodes de correctionAfin de ramener les valeurs des variables simulées

au niveau des valeurs observées, différentes tech-niques de correction ont été développées. Toutes ces méthodes de correction sont basées sur une hypo-thèse dite de stationnarité. On considère que les biais (moyen et variabilité) du modèle pour la période ac-tuelle resteront sensiblement les mêmes dans le futur. En d’autre terme, on fait confiance à la trajectoire simulée par les modèles.

Techniquement, on calcule une fonction de correc-tion pour la période actuelle en comparant les don-nées simulées et les données observées pour une période commune (1961-2000 par exemple). Puis on applique cette fonction de correction à l’ensemble des données simulées par le modèle climatique (périodes historique et future).

Différentes méthodes de correction ont été dévelop-pées. La plupart des méthodes de correction sont des méthodes statistiques et ne sont pas basées sur la phy-sique du climat. Certaines méthodes ne corrigent que le biais moyen des variables simulées. Elles déplacent donc l’ensemble de la distribution d’un même facteur équivalent à la différence entre la moyenne simulée et la moyenne corrigée (Figure 4.a). C’est le cas des mé-thodes dites du « delta » et du « débiaisage ». D’autres méthodes corrigent l’ensemble de la distribution. Elles permettent de ramener les valeurs des courbes rouge et bleue de la Figure 2 sur la droite noire du mo-dèle parfait. L’effet de ce type de correction est illustré sur la Figure 4.b. Elle entraine en général une transla-tion de la distribution (comme pour la correction de la moyenne) ainsi que le changement de la forme de la distribution (aplatissement, modification de la symé-trie…). Il existe des méthodes plus ou moins compli-quées et performantes en fonction de l’étude que l’on souhaite réaliser (régions et variables d’intérêt). Enfin une dernière classe de méthode de correction est utili-sée lorsque les variables d’intérêts sont trop mal simu-lées par le modèle climatique. Elles consistent à faire un lien statistique entre une variable grande échelle « fiable » et la variable d’intérêt. La méthode des ana-logues et celle de la classification en type de temps sont les méthodes les plus connues de cette classe.

Pour l’étude des réseaux de chaleur et des vagues de froid la méthode quantile/quantile a été utilisée. Elle permet de corriger l’ensemble de la distribution.

4. Sélection du jeu de données de référence

Les résultats de la correction dépendent fortement du jeu d’observations utilisé. Il doit représenter avec une bonne fiabilité l’ensemble des variables d’intérêt et doit couvrir au moins une période de 30 ans.

Idéalement, il faudrait disposer d’un jeu d’observa-tions homogénéisées couvrant l’ensemble du globe avec une densité régulière. L’homogénéisation est une technique de correction des séries d’observations. Elle permet de tenir compte des différences de mode opératoire qui interviennent au cours du temps sur un site de mesure (changement d’appareil de mesure, déplacement du site de mesure, construction d’une route ou d’un immeuble à proximité du site de me-sure…) et engendrent des erreurs importantes dans la série de données.

A ce jour, ce jeu d’observations n’existe pas. Pour l’étude de l’indicateur « réseau de chaleur », nous disposons de 3 alternatives contenant les T

min et

Tmax

nécessaires aux calculs de l’écart intra-journa-lier de température sur la période 1961-2000 : le jeu d’observation du Hadley Center (HADGHCND) qui comprend des données observées interpolées sur une grille régulière en latitude et longitude (96x73) mais non homogénéisées ainsi que les réanalyses améri-caines (NCEP) et Européennes (ERA40) qui sont le résultat du remaniement d’un jeu d’observations par un modèle numérique de circulation.

Les écarts intra-journaliers de température contenus dans ces 3 jeux de données présentent des différences importantes aussi bien en moyenne qu’en variabilité (Tableau 1 et Figure 5). Les jeux de données NCEP et HADGHCND ont des moyennes multi-annuelles très proches alors que pour la variabilité, on constate une forte similarité entre ERA40 et HADGHCND.

a) Moyenne 1961-2000Europe Asie Texas

ERA40 7,1 9,5 10,4NCEP 9,0 12,6 14,5HAD 8,8 12,4 14,9

b) Variabilité inter journalière 1961-2000Europe Asie Texas

ERA40 2,6 2,6 3,5NCEP 3,5 3,4 4,4HAD 2,4 2,6 3,5

TABLEAU 1 Comparaison a) des valeurs moyennes (°C) et b) de la variabilité (écart type, sans unité) de l’écart intra-journalier de tem-pérature pour la période 1961-2000 de 3 jeux de données : le jeu d’observation du Hadley Center (HAD), les réanalyses américaines (NCEP) et les réanalyses Européennes (ERA40).


Ces différences entraînent de forts écarts sur les va-leurs de l’indice (non montré). On observe des simila-rités entre les jeux de données ERA40 et HADGHCND alors que les valeurs NCEP sont beaucoup plus fortes.

A ce jour, il n’existe pas d’études permettant de définir lequel de ces jeux de données est le meilleur. Il est donc nécessaire de réaliser les corrections sur ces différents jeux de données pour tenir compte des différentes possibilités.

Cependant il serait très lourd (augmentation du temps de travail, et de la difficulté de l’analyse…) de travailler simultanément sur les 3 jeux de données. Nous avons donc effectué notre propre sélection au vu de l’analyse présentée ci-dessus. En particulier on

constate que les deux jeux de données HADGHCND et ERA40 donnent des résultats très similaires sur l’indice. D’autre part, les réanalyses ERA40 présentent une anormalité en ce qui concerne les variations jour-nalières de l’écart intra-journalier de température (an-née 1983, non montré ici). Pour ces deux raisons, il a donc été décidé d’éliminer le jeu de données ERA40 et de ne travailler qu’avec HADGHCND et NCEP. La correction par rapport à ces 2 jeux de données qui cor-respondent respectivement à une borne inférieure et une borne supérieure des valeurs de l’indicateur per-met de tenir compte du maximum d’incertitude liée à notre méthode de correction.

fréqu

ence

(%)

DTR (degrés C) DTR (degrés C)

fréqu

ence

(%)

modèle brutmodèle corrigé

modèle brutmodèle corrigé

b) correction de la distributiona) correction de la moyenne

FIGURE 4 Effet de différentes méthodes de correction (a-correction de la moyenne ; b-correction quantile/quantile) sur la distribution de l’écart intra-journalier de température d’automne. Données issues du modèle de l’IPSL (4e rapport du GIEC) pour la période 1961-2000. En noir distribution avant correction, en rouge distribution après correction.

FIGURE 5 Variation de l’écart de température intra-journalier au cours d’une année pour l’Europe, la Chine et le Texas. Valeurs moyennes pour la période 1961-2000 pour les observations du Hadley Center (noir), les ré-analyses européennes (rouge) et les ré-analyses améri-caines (vert).




5. Illustration de l’effet de la correction sur les distributions présente et future

La comparaison sur la Figure 6 des données ob-servées et simulées de la période 1961-2000 illustre l’efficacité de la correction. Après correction (courbe bleue hachurée) la distribution des données simulées se confond quasiment avec celle des observations (courbe noire) alors qu’elle était très différente avant correction (courbe bleue continue). Il reste un très léger biais sur la représentation des valeurs les plus extrêmes.

La correction modifie fortement la forme de la dis-tribution (courbe bleue continue vs hachurée). En particulier, l’étalement est fortement réduit. La correc-tion augmente la valeur des écarts intra-journalier de température les plus faibles et limite la fréquence des valeurs fortes simulées par le modèle. La variabilité de l’écart intra-journalier de température est fortement réduite par la correction.

Les deux courbes rouges présentent les données simulées pour la période 2071-2100 avant (trait conti-nue) et après (trait hachuré) correction. La correc-tion modifie amplement la forme de la distribution des données futures simulées (et donc de la variabi-lité des écarts intra-journalier de température). On se rapproche de la forme de la distribution des données observées 1961-2000. On conserve cependant les prin-cipales tendances du signal non corrigé: une augmen-tation des valeurs fortes des écarts intra-journaliers de température et une réduction des plus faibles valeurs.

6. Comparaison de l’ensemble des incertitudes

La Figure 7 présente la dispersion totale des résultats compte tenu de l’incertitude sur les modèles, sur la méthode de correction et sur la variabilité naturelle du climat.

On constate qu’en général l’incertitude totale augmente au cours du temps : les résultats sont plus dispersés à la fin du siècle que pour la période 1961-2000. Pour la période 1961-2000, la dispersion provient du jeu de donnée de correction. Dans le futur, les incertitudes sur les modèles et la variabilité du climat viennent se rajouter.

7. BilanLa correction des données est nécessaire pour ana-

lyser des indicateurs de vulnérabilité tels que ceux développés dans INVULNERABLE. Cependant, il manque des jeux d’observations parfaitement fiables pour effectuer ces corrections. Ce manque engendre une source d’incertitude supplémentaire sur les esti-mations faites. Le diagramme de la Figure 8 présente la cascade d’incertitude associée à l’étude des réseaux de chaleur en tenant compte de cette source d’incerti-tude supplémentaire.

Idéalement, on souhaiterait estimer l’ensemble des incertitudes existantes (triangle hachuré). Dans la réa-lité on ne peut estimer qu’une partie de l’incertitude (triangle blanc) plus ou moins importante en fonction du degré de complexi‡té que nous apportons à l’ana-lyse et des jeux de données dont nous disposons. Ces incertitudes se traduisent sur le résultat par la propo-sition, non pas d’une valeur unique de l’indicateur en 2050 ou 2100, mais d’une « fourchette » de valeurs possibles plus ou moins larges (voir les Figures 5 et 6 de la fiche « indicateur de vulnérabilité : élaboration et analyse »).

FIGURE 6 Correction des écarts intra-journaliers de température (DTR) simulés par le modèle du CNRM à partir de la méthode quantile/quantile et des observations du Hadley Center. Les dis-tributions pour les périodes 1961-2000 (courbes bleues) et 2071-2100 (courbes rouges) sont comparées avant (trait plein) et après (trait hachuré) correction à la distribution des observations de la période 1961-2000 (courbe noire).


Europe Nord Europe W−E Chine Orient. Tibet

hiver (DJF)

nom

bre

dejo

urs

par

sais

on0

24

68

1012

1961−20002030−20612071−2100


printemps (MAM)

02

46

810

12

1961−20002030−20612071−2100


été (JJA)

nom

bre

dejo

urs

par

sais

on0

36

912

1518

1961−20002030−20612071−2100


automne (SON)

02

46

810

12

1961−20002030−20612071−2100

FIGURE 7 Evolution de l’indicateur par saison pour les 4 régions d’intérêt (Europe du Nord, Europe de l’Est et de l’Ouest, Chine orientale et plateau tibétain) sur les périodes 1961-2000, 2031-2060, 2071-2100. Chaque « boite à moustache » représente, pour une période, une région et une saison données, la dispersion totale des résultats (minimum et maximum), le 25e et 75e percentiles (boite centrale), la valeur médiane (trait à l’intérieur de la boite centrale) et la valeur moyenne (cercle à l’intérieur de la boite centrale). Les boites ont été obtenues à partir des données de l’ensemble des simulations et des deux méthodes de correction;




Incertitudes sociétales(non traitées)

Incertitudes modèles +variabilité naturelle

Incertitudes liées àla correction

Autres incertitudes(non traitées)

Scénario A1B

Modèles : CNCMM3DMEH5CEGMAMIPCM4HADGEM2MPEH5C

Correction:NCEPHADGHCND

FIGURE 8 Cascade d’incertitude de l’analyse détaillé de l’indicateur de vulnérabilité pour les réseaux de chaleur. Triangle hachuré = incerti-tude totale. Triangle blanc = incertitude traitée dans l’étude.

Documents

impact du changement climatique sur la gestion des réseaux de