DRIAS: découverte du site et récupération de données

Introduction :

DRIAS est un site crée en partenariat Météo France et les laboratoires de modélisation du climat. Il propose trois espaces : un espace de découverte qui présente des cartes en deux parcours (initiation et un expert), un espace d'accompagnement avec un apport de connaissances, un espace données et produits où sont téléchargeables les données.

Pour rejoindre le site cliquez sur ce lien.

La page se présente comme sur l'illustration ci-dessous.

Créer son compte

Deux étapes sont nécessaires pour créer son compte

données et produits

Dans cet espace du site, vous pourrez demander l'ouverture de votre compte en ouvrant le volet "vous voulez demander la création d'un compte pour l'espace Données et Produits"

Remplir le formulaire et envoyer votre demande.

Votre demande sera examinée en quelques heures et vous recevrez un mail de Données Publiques Météo France où vous seront communiqués votre identifiant de connexion et votre mot de passe à l'adresse mail que vous aurez saisie.

Connexion au site et changement du mot de passe

Pour changer de mot de passe il faut se connecter sur le site "donneespubliques.meteofrance.fr".

Une fois authentifié vous devez cliquer sur le lien "Voir mon compte". L'illustration ci-dessous montre la localisation de ce lien.

Une fois arrivé dans les préférences du compte changez votre mot de passe. Cette étape est importante car le mot de passe demandé sur DRIAS sera ce nouveau mot de passe.

Vous pouvez maintenant accéder aux données sur le site DRIAS.

Les données récupérées peuvent être utilisées dans le logiciel QGIS.

Récupération de données

Les données disponibles sont accessibles par le catalogue des produits. Une fois le modèle choisi on accède à un ensemble de choix qui permettent de trier les données que l'on souhaite utiliser.

Le choix des données est guidé par ce qu'on veut réaliser. Dans notre exemple nous avons besoin des relevés de pluviométrie pour une période du mois de Juin 1997 en Seine Maritime.

Choix du jeu de données

Pour ce qui nous concerne nous avons besoin de données de références. Une solution consiste à utiliser par exemple les données corrigées du Scenario SRES en métropole pour la simulation IPSL2012.

On découvre alors un ensemble de critères qui permettent d'affiner la sélection des données.

La sélection du type et de la localisation des données

La sélection commence par un choix dans les sous-catalogues.

Figure 1.8. Sélection de données de référence

Figure 1.8. Sélection de données de référence

Les données peuvent être triées par années et par mois ou par saison.

Figure 1.9. Sélection de la durée de recueil des données

Figure 1.9. Sélection de la durée de recueil des données

On peut ensuite géolocaliser les données. Le choix permet de prélever un nombre de points compatible avec l'extraction. Parfois si la couverture géographique dépasse le nombre de points autorisés il faudra procéder en plusieurs fois.

Figure 1.10. Sélection de la géolocalisation

Figure 1.10. Sélection de la géolocalisation

On peut vérifier l'emprise comme sur l'illustration suivante.

Figure 1.11. Sélection de l'emprise géographique.

Figure 1.11. Sélection de l'emprise géographique.

Puis c'est au tour de la sélection des paramètres. Il faut alors faire des choix qui dépendent du type de paramètre choisi.

Ces choix portent sur les unités mais aussi parfois sur des détails des paramètres (pluviométrie liquide ou solide ... )

Figure 1.12. Sélection des paramètres et des unités de chacun d'entre eux.

Figure 1.12. Sélection des paramètres et des unités de chacun d'entre eux.

Il reste à choisir le format du fichier qu'on souhaite récupérer. Le meilleur pour intégrer dans QGIS est le format txt avec comme séparateur la virgule.

Figure 1.13. Sélection du format du fichier.

Figure 1.13. Sélection du format du fichier.

Voilà en cliquant sur valider vous allez maintenant basculer dans l'exportation des données au format zip.

La récupération du fichier zippé et l'intégration des données dans QGIS.

La première étape renvoit une sorte de confirmation du type de la donnée commandée.

Figure 1.14. Confirmation de la commande des données.

Figure 1.14. Confirmation de la commande des données.

Un clic que la flèche verte conduit à la page de réception du zip réalisé par le site.

Figure 1.15. Lien de téléchargment du zip des données.

Figure 1.15. Lien de téléchargment du zip des données.

Il suffit alors d'actualiser pour voir le zip s'afficher. Cette étape peut prendre pas mal de temps. Plus vous avez de données dans le fichier commandé plus c'est long.

Intégration des données dans QGIS

QGIS est capable d'importer un fichier txt pourvu que deux deonnées soient présentes, la latitude et la longitude des points de données.

QGIS est aussi capable de traiter un fichier pour le transformer en fichiers contenant des données plus restreintes.

Pour notre travail nous allons extraire les jours de Juin qui nous intéressent.

Vous pouvez télécharger QGIS en suivant ce lien. C'est un logiciel qui fonctionne sous Windows, Mac OS X et Linux.

Importer le fichier txt

Le fichier texte au format txt livré par DRIAS a un en-tête qui décrit l'ensemble de données qu'il contient.

Les données récupérées ne sont pas des données d'observation mais le résultat de leur traitement par le modèle choisi.

Figure 1.16. Structure de l'en-tête du fichier .txt.

Figure 1.16. Structure de l'en-tête du fichier .txt.

Le corps des données est situé plus bas, chaque donnée est séparée par une virgule. Dans l'exemple nous disposons :

De la date de la donnée
De la latitude
De la longitude
De la valeur en mm des précipitations

DRIAS livre des données en WGS84. Il est donc important de préciser le "SCR" (Système de Coordonnées de Référence) lors de l'import.

QGIS importe les données comme une couche vecteur (Shape File) de type "point".

Voici la fenêtre d'import proposée par le menu "couche" et l'option "une couche de texte délimité"

Figure 1.17. Paramètres d'importation.
Vous pouvez constater que le format "csv" a bien placé les valeurs en colonnes. Les 27 lignes d'en-tête sont ignorées, le champ X (longitude) et le champ Y (latitude ) sont renseignés.

Figure 1.17. Paramètres d'importation.
Vous pouvez constater que le format "csv" a bien placé les valeurs en colonnes. Les 27 lignes d'en-tête sont ignorées, le champ X (longitude) et le champ Y (latitude ) sont renseignés.

Il reste à valider, ce qui fait apparaitre le choix du SCR.

Il faut donc choisir WSG 84 comme sur l'illustration ci-dessous.

Vous pouvez visualiser ci-dessous l'enchaînement de ces étapes.

Figure 1.19. Intégration d'une couche au format texte délimité
lien1 et lien2 vers la video (format pdf du document)

Une fois les données chargées, on peut commencer à traiter les données.

Trier les données et en extraire une partie

L'affichage de la table d'attributs permet de classer les données. Pour les données de pluviométrie on peut extraire une journée pour l'ensemble des points de la carte.

Il suffit ensuite de sauvegarder la selection pour récupérer une couche shapefile exploitable.

Cette opération est à renouveler autant de fois que nécessaire.

Choisir un style et catégoriser

La présentation des données repose sur l'utilisation des outils de "style" et de "classement" de QGIS.

Dans notre cas nous pouvons utiliser un classement par catégories de quantité de pluie reçue pour chaque point de la couche.

La présentation des résultats peut se faire avec une symbologie de type point en lui appliquant un dégradé de couleur.

On obtient le résultat proposé dans l'illustration ci-dessous pour la journée du 17 juin. On peut donc relier la coulée de boue à ces précipitations sans perdre de vue que les valeurs sont ici pour cette date le résultat de l'application d'un modèle (données corrigées).

Figure 1.21. Choix d'une couleur et d'un tri des données.

Figure 1.21. Choix d'une couleur et d'un tri des données.

Les "étiquettes" montre les valeurs de la donnée pluviométrie lors de l'affichage de la couche.

Figure 1.22. Affichage de la couche et visualisation des données.

Figure 1.22. Affichage de la couche et visualisation des données.

Parcours du site

Le site Drias vous propose 3 espaces qui vous permettent d’obtenir des informations sur les climats sous différentes formes (texte, graphique, données à télécharger).

Voici une petite approche de 2 scénarios climatiques évoqués dans le site : Les scénarios du GIEC s’appuient sur les changements de la Terre aux forçages radiatifs (émission de gaz à effet de serre) en intégrant aussi les donnés socio économique.

Les scénarios dits SRES pour Special Report on Emissions Scenario ont été utilisés jusqu’au quatrième rapport du GIEC (IPCC Fourth Assessment Report,AR4), ils furent définis à la fin des années 1990 et diffusés en 2000.

Le dernier rapport du GIEC (rapport AR5), les scénarios dit RCP pour Representative Concentration Pathway ont été développés puis utilisés pour produire des projections climatiques.

Présentation rapide des différents scénarios

Vous découvrirez dans ce paragraphe une description des différents scénarios disponibles. vous pouvez retrouver sur le site des informations plus complètes.

Il existe deux types de scenarios :

Special Reports on Emission Scenarios Scenarios SRES
Representative Concentration Pathway Scenarios RCP

Les scenarios RCP

Ces scenarios disposent de données pour la métropole et pour les territoires outre-marins.

RCP tentent de scénariser l'évolution des gaz à effet de serre au XXI eme siècle.

Figure 1.23. Récapitulatif des données pour les scenarios RCP

Figure 1.23. Récapitulatif des données pour les scenarios RCP

Les déterminants socio-économique ayant bien évolué, le mode de construction des scénarios nécessitent un travail en équipe.

Les scientifiques ont défini a priori quatre scénarios d’émission de gaz à effet de serre : les RCP.

Les climatologues produisent des projections climatiques utilisant les RCP comme entrée, tandis que les socio-économistes élaborent des scénarios d’émission qu’ils unissent aux scénarios RCP (cf. figure ci-dessous).

Figure 1.24. Elaboration des scénarios RCP

Figure 1.24. Elaboration des scénarios RCP

Voici le résultat de ces recherches, 4 scénarios sont proposés :

Figure 1.25. Les différents scénarios RCP

Figure 1.25. Les différents scénarios RCP

Simulations IPSL 2012 et fiche associée

Ces simulations ont été réalisées à partir du modèle atmosphérique LMDz "zoomé" sur la France, et du modèle à aire limitée MM5.

Les valeurs aux bornes des domaines de ces modèles sont issues du modèle climatique de grande échelle IPSL-CM4.

Ces simulations ont été réalisées sur la période de référence 1961-2001, et sur la période 2021-2050 à partir du scénario d'émission de gaz à effet de serre A1B.

Simulations IPSL2014

L'ensemble IPSL2014 s'appuie sur les simulations réalisées par le modèle régional WRF sur une grille de 15 km, sur la France métropolitaine.

Ces simulations ont été réalisées à partir des nouveaux scénarios RCP .

Elles couvrent la période 1971-2005 pour la référence, et la période 2006-2100 pour les scénarios RCP4.5 et RCP8.5.

Les simulations IPSL2014 mises à disposition sur le portail sont corrigées par la méthode CDFt.

Les résultats des simulations sont disponibles journalièrement pour une grille spatiale de 8km de côté.

Simulations CNRM2014

Les simulations CNRM2014 sont issues du modèle à aire limitée Aladin-Climat (Aire Limitée Adaptation dynamique Développement InterNational).

La grille native de ces simulations est de 12km et couvre la France métropolitaine.

Un scénario de référence et trois scénarios RCP (Radiative Concentration Pathway) sont disponibles sur des périodes continues :

la simulation de référence sur la période 1950-2005.
les scénarios RCP2.6, RCP4.5 et RCP8.5 sur la période 2006-2100

Le projet SCAMPEI : des projections régionalisées à l’échelle 8 km

Trois types de données peuvent être distingués: les données brutes , les données corrigées et les indices .

Les données brutes

Elles correspondent aux variables atmosphériques issues des modèles climatiques à haute résolution développés ou utilisés au CNRM (Centre National de Recherche Météorologique), au CERFACS (Centre Européen de Recherche et de Formation Avancée en Calcul Scientifique) ou à l’IPSL.

Ces données, disponibles sur la grille native d'un modèle donné, sont définies comme brutes car elles ne sont pas corrigées par rapport à l’observation.

Leur utilisation est donc destinée à des utilisateurs avisés, maîtrisant notamment les méthodes de correction.

Les données corrigées

Elles correspondent aux données brutes corrigées par rapport à des données d'observations, en appliquant une méthode de correction. Elles sont disponibles sur le portail DRIAS les futurs du climat et sont issues des projets SCRATCH08 développés par CERFACS et SCAMPEI, comme présentées ci-dessous :

Figure 1.26. Données corrigées SCRATCH08

Figure 1.26. Données corrigées SCRATCH08

Les indices

Les indices climatiques sont calculés à partir des indices du projet IMFREX (sélection des indices du projet STARDEX), à l'instar de ceux retenus pour le rapport de la mission Jouzel (PNACC).

Le calcul de ces indices est réalisé à partir des données corrigées.

Les indices sont calculés à partir des données quotidiennes pour chaque année, chaque saison ou chaque mois, et ensuite moyennés sur le nombre d'années de la période considérée (référence et/ou horizons).

La normale d'une variable correspond à la moyenne sur les 5 jours autour de cette date et les 30 ans de la période de référence du modèle correspondant.

Les indices ci-dessous sont calculés pour un horizon temporel donné, à un pas de temps donné.

Les résultats sont ensuite présentés en anomalies ou en valeurs absolues.

Détail des horizons temporels disponibles :

Pour les données SRES (simulation 2012)
- Référence : 1960-1990 (sauf pour Cerfacs : 1971-1990)
- Horizon proche (H2035) : 2021-2050
- Horizon à moyen terme (H2055) : 2041-2070 (sauf pour Cerfacs : 2046-2065)
- Horizon à long terme (H2085) : 2071-2100 (sauf pour Cerfacs : 2081-2100)

Pour les données RCP (simulations 2014)
- Référence : 1976-2005
- Horizon proche (H2035) : 2021-2050
- Horizon à moyen terme (H2055) : 2041-2070
- Horizon à long terme (H2085) : 2071-2100

Données de précipitation

Les indices de précipitation se calculent à partir des précipitations quotidiennes simulées, représentant pour chaque jour le cumul de la pluie et de la neige.

L'unité des précipitations est en kg/m2/jour en sortie des modèles, mais en considérant une densité constante des précipitations égale à celle de l'eau liquide, cette unité est équivalente à des mm/jour (1 kg d'eau liquide représente une hauteur d'eau de 1 mm répartie sur une surface de 1 m2) .

Précipitations quotidiennes

Cet indice donne les précipitations liquides moyennes quotidiennes en mm/jour.

Il correspond à la quantité d'eau liquide atteignant le sol.

Précipitations moyennes les jours pluvieux

Cet indice donne les précipitations liquides moyennes pour les jours ayant au moins 1 mm de pluie par jour. Cet indice s'exprime en mm/jour.

Cumul de précipitations

Cet indice donne la quantitié d'eau liquide et d'eau solide atteignant le sol. Cet indice s'exprime en mm/jour. 

Nombre de jours de pluie

Cet indice donne le nombre de jours pour lesquels le cumul de précipitations est supérieur à 1 mm. Cet indice s'exprime en nombre de jours - NBJ.

Nombre de jours de fortes précipitations

Cet indice donne le nombre de jours pour lesquels les précipitations quotidiennes dépassent le seuil de 20 mm. Ce seuil permet d'isoler les évènements de précipitations intenses. Cet indice s'exprime nombre de jours - NBJ.

Nombre maximum de jours de pluie consécutifs

Cet indice donne le maximum de jours consécutifs ayant eu un cumul de précipitations au moins supérieur à 1 mm. Cet indice s'exprime en nombre de jours - NBJ.

Pourcentage des précipitations intenses

Pour caractériser la réponse des précipitations extrêmes au changement climatique, on utilise la fraction des précipitations au-dessus du 90 ième centile. Par exemple, le 90 ième centile annuel est calculé en classant pour chaque année les 365 (ou 366) valeurs quotidiennes de précipitations dans l'ordre croissant, le 90 ième centile représentant la valeur au-dessus de laquelle se trouve les 10 % de valeurs les plus élevées soit la 328ième ou la 329 ième valeur).

En calculant le cumul des précipitations des jours où ce seuil est dépassé, et en divisant le tout par le cumul sur toute l'année, on obtient une fraction nous donnant la part des évènements de fortes précipitations sur le total des précipitations annuelles.

Cet indice compris entre 0 et 1 n'a pas d'unité. Toutefois, il est possible de le multiplier par 100 pour exprimer les résultats en pourcentage.

Période de sècheresse

L'indice calculé ici, permettant de caractériser l'intensité des sécheresses du point de vue météorologique, est le nombre maximum de jours secs consécutifs. Un jour est considéré sec si les précipitations quotidiennes lui correspondant n'ont pas excédé 1 mm. Cet indice s'exprime en nombre de jours - NBJ.

Le modèle numérique ALADIN est un modèle bi-spectral à aire limitée. C’est en fait la version à aire limitée du modèle ARPEGEqui est un modèle de circulation générale global et spectral développé en collaboration avec le Centre Européen de Prévision (CEP à Reading, U.K.) pour la prévision numérique du temps. La version climat d’ARPEGE, nommée ARPEGE-Climat, a été développée dans les années 90.

Les scenarios SRES

Ces scenarios ne disposent de données que pour la métropole.

Figure 1.28. Récapitulatif des données pour les scenarios SRES

Ces simulations couvrent la période 1860-2000. L’objectif de leur réalisation est triple :

comparer l’évolution du climat simulé par les modèles à celle observée depuis 140 ans ;
comparer les caractéristiques du climat simulé à celles observées ces dernières années ;
déterminer un état initial pour les simulations de changement climatique futur selon différents scénarios socio-économiques :

Figure 1.29. Paramètres pris en compte dans les scenarios.

Figure 1.29. Paramètres pris en compte dans les scenarios.

En résumé, les scénarios décrits dans le graphique peuvent se traduire de la façon suivante :

A1 : réduction des inégalités Nord-Sud avec un développement économique sur le schéma actuel.
B1 : réduction des inégalités Nord-Sud avec un développement soucieux de l’environnement et du développement durable.
A2 : développement hétérogène avec un développement économique sur le schéma actuel.
B2 : développement hétérogène avec un développement soucieux de l’environnement et du développement durable.

Figure 1.30. Les scenarios SRES par l'image

Figure 1.30. Les scenarios SRES par l'image

Comparaison des scenarios

Si l’on compare les scénarios SRES et RCP, on aboutit à :

Figure 1.31. Récapitulatif des données pour les scenarios SRES

On constate que le scénario RCP 8.5 est un peu plus pessimiste que le scénario SRES A2, le RCP 6 est proche du SRES A1B, tandis que le RCP 4.5 est proche du SRES B1.

Le seul scénario sans équivalent est le RCP 2.6 qui intègre les effets d’une politique de réduction des émissions susceptible de limiter le réchauffement planétaire à 2°C en 2100.

Accompagnement

Vous découvrirez dans cet espace les points suivants :

Les recommandations sont reproduites ici car il est essentiel de les avoir présentes à l'esprit quand on souhaite utiliser les données mises à disposition.

Il s'agit des recommandations des producteurs sur l'utilisation des simulations climatiques mises à disposition sur le portail "DRIAS les futurs du climat"

1. Ne pas comparer les données des simulations climatiques à une date particulière

Il est important de comprendre que les situations météorologiques simulées sont virtuelles et n’ont pas pour objectif, pour une date de validité donnée, de reproduire la situation correspondante réellement observée (ou qui sera observée). Les données de référence, datées, ne doivent pas être comparées aux valeurs observées à la même date. Mais l’ensemble d’une simulation de référence a les caractéristiques du climat de la période de simulation (1950-2000 par exemple). On proposera donc de préférence des valeurs moyennes sur plusieurs années (classiquement 30 ans) ou des fréquences de phénomènes.

2. Attention à l’interprétation des résultats pour les horizons proches (période 2000-2030)

En effet, pour cette période, on ne peut distinguer la variabilité climatique naturelle d’un signal qui serait dû au changement climatique. Pour cette période, les travaux s’orientent vers des prévisions décennales, encore au stade de la recherche.

3. Utiliser systématiquement plusieurs scénarios ou plusieurs modèles

Il existe principalement deux sources d’incertitudes : l’incertitude « modèle » liée à la représentation des processus physiques et l’incertitude associée aux scénarios d’émission des gaz à effet de serre. La première incertitude peut être analysée en utilisant plusieurs modèles (par exemple les modèles du GIEC). La deuxième peut être approchée en proposant des simulations obtenues pour plusieurs scénarios d’émission.

On proposera donc systématiquement plusieurs scénarios ou plusieurs modèles, de manière à intégrer au moins une source principale d’incertitude.

La concentration en dioxyde de carbone varie en fonction des scénarios de manière sensible à partir de 2020-2030. Pour les études au delà de cette période, il est donc conseillé d’utiliser plusieurs scénarios pour prendre en compte les incertitudes sur l’évolution de la concentration en CO2. Les trois scénarios A1B, A2 et B1 constituent un ensemble qui permet de donner une idée de la dispersion des résultats et de représenter la variabilité de manière suffisante. Des calculs statistiques comme des fourchettes de durée de retour peuvent être mis en place.

4. Ne pas pondérer les simulations climatiques

Les simulations climatiques ne sont pas des prévisions et aucune échelle de probabilité ne leur est attachée (aucun scénario n’est plus probable qu’un autre). Elles représentent à priori des évolutions plausibles du climat de la France sur le 21ème siècle basées sur les connaissances actuelles.

5. Privilégier les jeux de données corrigées (par rapport aux observations) aux données brutes

Les jeux de données corrigées sont à privilégier systématiquement par rapport aux données brutes si vous n’avez pas la possibilité de les corriger par vos propres moyens. Il est par contre important de garder en mémoire que le jeu de données corrigées à utiliser dépend de l’application étudiée.

6. Choisir la méthode de désagrégation adaptée à l’application étudiée

En ce qui concerne les méthodes de descente d’échelle, il n’existe pas de méthode universelle. Selon le type d’application, on propose des scénarios désagrégés pour telle ou telle méthode.

Il faut avoir à l’esprit que l’approche dynamique est très coûteuse en temps de calcul et que l’approche statistique est intéressante, selon le domaine et le paramètre étudié, sous réserve de disposer de données observées homogènes sur une période suffisamment longue. L’approche statistique est conseillée pour des paramètres élaborés et pour disposer d’informations locales. L’approche dynamique permet de disposer de valeurs cohérentes pour plusieurs paramètres et/ou plusieurs sites.

7. Utilisation de la méthode quantile-quantile

La méthode quantile-quantile permet de corriger les défauts les plus importants des modèles, notamment en termes d’intensité des phénomènes extrêmes ou de fréquence de jours pluvieux (modèle trop zonal). Cette méthode possède en particulier l’avantage de corriger les biais du modèle. Elle offre la possibilité d’utiliser les observations de plusieurs stations à l’intérieur d’une zone ou d’une maille du modèle, ce qui permet d’augmenter la taille de l’échantillon et de prendre en compte la variabilité sous-maille (utilisation des analyses Safran 8 km par exemple). Elle est adaptée pour l’étude des extrêmes, pour évaluer les fréquences de dépassements de seuils en certains points car la correction à apporter à la valeur simulée tient compte de sa fréquence d’occurrence (événement plus ou moins rare). Elle présente en outre l’avantage de présenter une bonne cohérence temporelle permettant, par exemple, l’étude de périodes de sécheresse ou de nombre de jours consécutifs de fortes précipitations ou de fortes/faibles températures. Par contre, elle n’est pas adaptée à l’étude des records.

Avec cette méthode de correction, il est possible d’obtenir des séries en des points ponctuels (correspondant aux points de mesure) ou également en chaque point de grille SAFRAN mais le champ sera fortement lissé par rapport à des méthodes de désagrégation comme celle de J. Boé. Par contre, pour des séries ponctuelles, la méthode de correction est intéressante car elle possède l’avantage de mieux restituer les séquences chronologiques (dans le cas où on veut étudier des épisodes pluvieux ou des sécheresses par exemple) que la méthode de J. Boé.

8. Utilisation des données désagrégées par la méthode du CERFACS

La méthode a été mise au point pour les précipitations pour des applications hydrologiques. Elle permet d’obtenir des champs spatiaux qui prennent bien en compte les effets de relief en particulier et d’aborder l’évolution des extrêmes hydrologiques. Pour des séries ponctuelles, la méthode du CERFACS restitue moins bien les séquences chronologiques (dans le cas où on veut étudier des épisodes pluvieux ou des sécheresses par exemple) que la méthode de correction quantile-quantile. En particulier, la méthode de régionalisation par type de temps ne semble pas adaptée aux particularités des événements extrêmes de pluie qui se produisent dans le Sud-Est de la France.

9. La qualité des simulations ne dépend pas de leurs résolutions

Les simulations climatiques sont produites par des modèles numériques ayant leurs propres résolutions spatiales. Par certaines opérations, comme par exemple l’application d’une méthode de correction quantile-quantile ou d’une méthode de régionalisation statistique, la résolution spatiale de ces simulations peut-être affinée (jusqu'à 8 km dans le cas des données corrigées disponibles sur le portail Driasles futurs du climat). Or ces opérations améliorant la résolution spatiale n’améliorent pas la prise en compte de processus physiques d’échelle fine. Ainsi, la représentation de la dynamique atmosphérique demeure in fine celle de la grille native du modèle. Il ne faut donc pas considérer a priori qu’un modèle ayant une résolution de 8km forcément « meilleur » qu’un modèle ayant une résolution moins fine. De plus, affiner la résolution des simulations à 8 km pour attendre des résolutions de l'odre d'1 km ou moins (par exemple par kriegeage ou interpolation) n'apporte aucune information supplémentaire sur les processus physiques d'échelle fine.

10. Les données de la période de référence ne sont pas des observations

Il est important de garder à l’esprit que les simulations de référence sont des simulations numériques et non des observations. Si ces simulations n’ont pas été débiaisées par une méthode de correction (comme la méthode de correction quantile-quantile), alors il subsiste un biais par rapport aux observations. Il ne faut donc pas utiliser ces simulations en les considérant comme une climatologie du passé proche.

Découverte

Il s'agit dans cette partie du site de suivre le "guide" en utilisant deux types de parcours. Un parcours découverte sur les paramètres température et pluviométrie et un parcours expert qui permet de choisir entre plusieurs simulations pour les modèles atmosphériques ou d'impact.

Figure 1.32. Les deux parcours possibles.

Figure 1.32. Les deux parcours possibles.

Conclusion :

Cet exemple vous permet de passer à la récupération de données dans votre région et d'intégrerez les résultats des modèles à vos travaux dans QGIS.

Nos adresses mail sont en en-tête de ce document, n'hésitez pas à revenir vers nous.

Déposez vos exemples d'usages dans GRAASP dans l'espace prévu cet effet. Cette mutualisation permettra à "Météo de Climat : Tremplin pour l'enseignement .. " de disposer d'un corpus d'exemples utilisables par les futurs stagiaires.

DRIAS: découverte du site et récupération de données

Eric Le Jan

Carole Larose

Publié par

Gérard Vidal

Chapitre 1. DRIAS: découverte du site et récupération de données

Eric Le Jan

Carole Larose

Publié par

Gérard Vidal

Introduction :

Créer son compte

données et produits

Connexion au site et changement du mot de passe

Récupération de données

Choix du jeu de données

La sélection du type et de la localisation des données

La récupération du fichier zippé et l'intégration des données dans QGIS.

Intégration des données dans QGIS

Importer le fichier txt

Trier les données et en extraire une partie

Choisir un style et catégoriser

Parcours du site

Présentation rapide des différents scénarios

Les scenarios RCP

Simulations IPSL 2012 et fiche associée

Simulations IPSL2014

Simulations CNRM2014

Le projet SCAMPEI : des projections régionalisées à l’échelle 8 km

Les données brutes

Les données corrigées

Les indices

Données de précipitation

Les scenarios SRES

Comparaison des scenarios

Accompagnement

Découverte

Conclusion :