Thèse (H/F) : Étude multivariée du changement climatique local en Europe : approche de descente d’échel

Sujet de thèse :
Principaux objectifs de la thèse :
(1) Développer un émulateur statistique (basé sur des réseaux de neurones) multivarié de modèles de climat régionaux qui respecte la cohérence physique entre les variables et reproduit les événements extrêmes composés.
(2) Étudier l’évolution de tels évènements et caractériser l’incertitude associée en Europe à l’aide des ensembles de simulations créées avec l’émulateur.

Motivations de l’étude :
Les événements météorologiques extrêmes ont de forts impacts sociaux, économiques et humains. Il est donc nécessaire d’étudier leur évolution dans un contexte de changement climatique afin d’informer les acteurs publics et de préparer au mieux nos lieux de vies face aux risques futurs.
Les émulateurs de modèles de climat régionaux sont une nouvelle approche de descente d’échelle des simulations globales basse résolution. En effet, pour des raisons de coûts de calculs, il est difficile aujourd’hui de produire des simulations climatiques (sur au moins plusieurs dizaines d’années) globales (i.e. couvrant tout le globe) et à haute résolution. Les GCM (Global Climate Models) ont généralement une résolution de l’ordre de la centaine de km, ce qui ne permet pas d’étudier les impacts locaux du changement climatique et en particulier les extrêmes.
Pour répondre à ce challenge, deux familles de méthodes de descente d’échelle sont apparues. La descente d’échelle dynamique repose sur un modèle de climat haute résolution (entre 1 et 50km) à aire limitée (modèle de climat régional, RCM) imbriqué dans une simulation globale. Il permet de réaliser des simulations haute résolution sur un domaine spécifique (échelle continentale ou sub-continentale). Cependant, le coût de ces simulations reste une limitation et les RCMs ne permettent pas de produire des ensembles suffisamment grands pour correctement prendre en compte l’incertitude liée aux scénarios d’émissions futures, à l’erreur des modèles ou encore à la variabilité interne du climat. La prise en compte de cette dernière source d’incertitude est d’autant plus importante que l’on s’intéresse au climat local (Evin et al. 2021).
La descente d’échelle statistique (ESD) cherche quant à elle à estimer la relation statistique entre une information météorologique basse résolution (provenant de réanalyses ou de simulations GCM) et une information haute résolution à l’aide de jeu d’observations in situ ou de réanalyses haute résolution. L’efficacité des approches statistiques (renforcée avec l’utilisation récente des réseaux de neurones) permet alors d’envisager le downscaling de grands ensembles de simulations. Cependant, les approches d’ESD se confrontent à deux problèmes majeurs : elles reposent sur (1) une estimation passée de la relation qui est susceptible d’évoluer avec l’évolution du climat global et (2) nécessitent une quantité suffisante d’observations de bonne qualité pour entraîner/calibrer le modèle.
Récemment,
Voir plus sur le site emploi.cnrs.fr...