CE01 - Terre fluide et solide

Simuler des Evenements Climatiques Rares – SAMPRACE

Simuler des événements sans précédent

L'objectif du projet SAMPRACE est de simuler des événements climatiques rares (par exemple, des vagues de chaleur ou des périodes de froid), pour lesquels les observations sont rares et les simulations de modèles climatiques sont coûteuses. SAMPRACE utilise les principes de la physique statistique pour développer et adapter des algorithmes d'événements rares.

Algorithmes pour simuler des événements sans précédent

Les statistiques des événements rares et extrêmes sont caractérisées par le temps moyen entre deux occurrences, appelé temps de retour. L'estimation du temps de retour d'une vague de chaleur dont la température de surface dépasse un seuil élevé (niveau de retour) pendant un mois est une question cruciale pour les organismes publics. Afin de prévoir les impacts, il faut également disposer de cartes de quantités ou de modèles physiques associés aux événements extrêmes et à leurs précurseurs, par exemple le modèle de température des vagues de chaleur extrêmes et la circulation atmosphérique associée. Les méthodologies actuelles d'estimation des temps de retour longs et des modèles extrêmes souffrent de trois déficiences majeures : le manque de données empiriques, les problèmes d'échantillonnage des modèles et les limites des modèles.

L'une des approches repose sur des générateurs stochastiques de temps basés sur des observations (appelés «générateurs stochastiques de temps analogiques«), qui sont des chaînes de Markov avec des caractéristiques physiques réalistes. Nous définissons des procédures de test des fonctions de densité de probabilité simulées des variables climatiques clés. Cela permet des évaluations sur des cas récents de canicules et de vagues de froid. Une autre approche est basée sur des simulations «guidées« des modèles climatiques vers un extrême d'intérêt. Le «guide« est conçu par une fonction dite de «committor« (qui est la probabilité d'atteindre un état donné du système) qui peut être obtenue par des techniques d'apprentissage automatique.
Ces approches théoriques doivent être adaptées aux contraintes climatiques, à savoir le cycle saisonnier, la variabilité décennale (due à l'océan, par exemple) et le changement climatique.
En conséquence, SAMPRACE simulera de grands ensembles de vagues de chaleur et de froid «ultimes«, conditionnés par les conditions océaniques à grande échelle et par les scénarios de changement climatique.

Application de la simulation d'événements rares à un MCG (CESM, NACR) avec cycle saisonnier pour étudier les vagues de chaleur extrêmes sur l'Europe. Grâce à un jeu de données sans précédent, nous avons montré que les cartes composites des vagues de chaleur extrêmes présentent un schéma de téléconnexion à l'échelle hémisphérique avec la vague numéro trois, et que les vagues de chaleur saisonnières extrêmes sont la succession de vagues de chaleur sous-saisonnières de fortes amplitudes.

Tests et expériences du couplage d'algorithmes d'événements rares et de générateurs météorologiques stochastiques en boucle de rétroaction, sur des modèles simples. Nous avons démontré que les simulations d'événements rares sont beaucoup plus efficaces lorsque la fonction de score est apprise en utilisant une chaîne de Markov analogue. Publication #4. Jalon 2. Nous avons illustré la structure de la fonction d'engagement (la probabilité d'un événement rare conditionné par l'état observé du système) sur un modèle simple de l'oscillation australe El Nino (ENSO). .

Utilisation de réseaux neuronaux profonds pour faire une prévision probabiliste des vagues de chaleur extrême. La fonction de score optimale pour la simulation d'événements rares s'appelle une fonction de committor. Estimer une fonction de committor équivaut à faire une prévision probabiliste de l'occurrence des événements extrêmes $\tau$ jours à l'avance. Nous avons développé une méthodologie pour faire une prévision probabiliste des vagues de chaleur extrême $\tau$ jours à l'avance et avons démontré son efficacité et son efficience. La prévision est bien meilleure que la climatologie même avec un long délai d'exécution $\tau$ et utilise de manière transparente le potentiel de prévisibilité des facteurs dynamiques rapides (hauteur géopotentielle) et des facteurs physiques lents (humidité du sol). Ceci est une sous-partie du jalon 3.

Tests systématiques de la prévision des vagues de chaleur extrême (fonction de committor) en utilisant la chaîne de Markov analogue Ceci est une sous-partie du Milestone 3. Manuscrit de thèse de D. Lucente.

Analyses des cas de tests pour définir des ensembles de simulations d'événements extrêmes. Nous avons identifié des cas tests d'événements extrêmes depuis 2000 (vagues de froid et canicules en France, canicule dans l'ouest de l'Amérique du Nord). Les analyses portent sur les caractéristiques de la circulation atmosphérique pendant ces événements.

Application de la théorie des ruines aux arbres. Cette étude couple une version simple d'un émulateur de canicule (WP2) et un modèle de croissance des arbres, afin d'évaluer la probabilité d'effondrement des forêts en Europe. Ceci est basé sur la théorie statistique de la ruine. Il s'agit d'une preuve de l'applicabilité des développements méthodologiques de SAMPRACE à des questions environnementales concrètes.

Base de données de vagues de chaleur et vagues de froid extrêmes.
Une méthodologie pour l'application d'un algorithme d'événements rares sur un GCM.

1. Yiou, P.; Faranda, D.; Thao, S.; Vrac, M. Projected Changes in the Atmospheric Dynamics of Climate Extremes in France. Atmosphere 2021, 12, 1440. doi.org/10.3390/atmos12111440
2. Yiou, P. and Viovy, N.: Modelling forest ruin due to climate hazards, Earth Syst. Dynam., 12, 997–1013, doi.org/10.5194/esd-12-997-2021, 2021.
3. F Ragone, F Bouchet, 2021, Rare event algorithm study of extreme warm summers and heat waves over Europe, Geophysical Research Letters, 48, e2020GL091197., arXiv:2009.02519.
4. D. Lucente, J. Rolland, C. Herbert and F. Bouchet, 2022, Coupling rare event algorithms with data-based learned committor functions using the analogue Markov chain, J. Stat. Mech. 083201, arXiv:2110.05050.
5. D. Lucente, C. Herbert and F. Bouchet, 2022, Committor Functions for Climate Phenomena at the Predictability Margin: The example of El Niño Southern Oscillation in the Jin and Timmerman model, published online on Journal of Atmospheric Sciences in June 2022, DOI, arXiv:2106.14990.
6. V. Jacques-Dumas, F. Ragone, P. Borgnat, P. Abry, and F. Bouchet, 2022, Deep Learning based Extreme Heatwave Forecast, Front. Clim., 4, arXiv:2103.09743.
7. G. Miloshevich, B. Cozian, P. Abry, P. Borgnat, and F. Bouchet, 2022, Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data, submitted to PR Fluids, arXiv:2208.00971.
8. Noyelle, R., Faranda, D., & Yiou, P. (2022). Modeling the Northern eddy-driven jet stream position and wind speed variability with stochastic coupled non-linear lattices. J. Atmos. Sci., subjudice, hal.archives-ouvertes.fr/hal-03545111/document

Comprendre la statistique et l'impact des événements extrêmes est crucial pour l'adaptation au changement climatique. A cause de données empiriques inexistantes, de biais des modèles et de problèmes d'échantillonnage, l'étude des canicules qui n'ont jamais été observées est particulièrement difficile. Ce projet réunit deux groupes qui ont fait indépendamment des avancées majeures pour résoudre le problème de l'échantillonnage des modèles (algorithmes de calcul d'événements rares), et pour l'utilisation de données pour créer des générateurs de temps stochastiques par analogues. Le but de ce projet est de coupler ces deux approches pour construire le premier modèle statistique capable de dépasser le problème d'échantillonnage et d'utiliser des observations. Avec cet outil, nous étudierons le premier modèle physiquement pertinent de la pire canicule possible en Europe. Cela permettra aussi de faire dans le futur un ensemble d’études d’extrêmes actuellement impossible.

Coordination du projet

Pascal YIOU (Laboratoire des Sciences du Climat et de l'Environnement)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

LSCE Laboratoire des Sciences du Climat et de l'Environnement
LPENSL LABORATOIRE DE PHYSIQUE DE L'ENS DE LYON

Aide de l'ANR 495 008 euros
Début et durée du projet scientifique : janvier 2021 - 48 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter