Vers une meilleure compréhension des changements dans les extrêmes de température en Europe : analyse multi-modèle des simulations CMIP5.

Julien Cattiaux, Hervé Douville, Aurélien Ribes & Fabrice Chauvin (CNRM-GAME).

Orateur: Julien Cattiaux

exposé

La tendance au réchauffement global s'accompagne d'une augmentation dans la fréquence des événements exceptionnellement chauds aux échelles régionales. Ceci a été particulièrement illustré en Europe lors de la dernière décennie, marquée notamment par les vagues de chaleur des étés 2003 et 2010 aux forts impacts socio-environnementaux. En hiver, si les vagues de froid ont tendance à se raréfier en présence d'un réchauffement, leur occurrence n'est néanmoins pas à exclure, comme l'ont montré les récents épisodes de 2009/10 et 2010/11. Notre étude a ainsi pour objectif d'évaluer l'incertitude des modèles climatiques concernant l'évolution future des extrêmes de température européens intra-saisonniers. Nous cherchons à comprendre pourquoi les modèles (i) ont des difficultés à simuler les caractéristiques présentes de tels événements et (ii) diffèrent dans leurs projections futures pour la fin du 21e siècle. Nous proposons une approche basée sur des régimes de temps permettant de séparer les contributions de la circulation atmosphérique de grande échelle et des processus non-dynamiques (e.g., liés aux conditions de sol, nuages) à ces biais et/ou incertitudes. Nous appliquons cette méthodologie à un ensemble de simulations forcées (de type AMIP) ou couplées, effectuées dans le cadre de CMIP5. Sur la période présente, nous montrons que les biais de température moyenne ou extrême sont majoritairement dûs à des erreurs systématiques sur les processus non-dynamiques, les modèles représentant de façon raisonnable les régimes de temps et leurs fréquences d'occurrence. En revanche, nous trouvons que les incertitudes sur les changements de dynamique atmosphérique contribuent substantiellement à la dispersion des modèles concernant l'évolution future des extrêmes de température. Cette méthodologie, qui permet une meilleure compréhension des biais et incertitudes des modèles concernant la variabilité climatique intra-saisonnière, pourrait notamment s'appliquer à d'autres variables que la température.