Get started
Work

Development of new statistical learning algorithms to couple climate projections and past observations in order to reduce the uncertainties of future climate change

Year: 2025
Type: dissertation
Abstract: Le climat change à cause des émissions humaines de gaz à effet de serre. Les modèles climatiques permettent de projeter son évolution selon des scénarios futurs d’émissions humaines (SSP). Cependant, les résultats des différents modèles climatiques développés dans le monde sont quantitativement divergents, générant une grande incertitude appelée par la suite incertitude modèle.Cette incertitude modèle est particulièrement forte pour la circulation méridienne de retournement en Atlantique (AMOC), un système de courants océaniques qui affecte les conditions climatiques de nombreuses régions du globe. En effet, même si tous les modèles climatiques CMIP6 prévoient un ralentissement de l’AMOC, l’ampleur varie fortement : en moyenne, ils projettent un ralentissement AMOC de 33 ± 36% d’ici 2100 (confiance 90%, scénario SSP2-4.5).Pour réduire l’incertitude modèle, les méthodes dites de contraintes observationnelles (COs) ont été récemment développées. Elles contraignent les projections des modèles par l'observation réelle d'une (univarié) ou de plusieurs (multivarié) variables. Ces approches sont cependant difficiles à utiliser car dans la littérature (i) les fondements statistiques sur lesquels elles reposent ne sont pas toujours identiques et manquent souvent de clarté, (ii) les approches sont très diversifiées et souvent univariées, et (iii) le choix des variables observables est subjectif. Cette thèse se compose de trois articles qui traitent chacune de ces trois problématiques.(i) Le premier article propose un modèle statistique rigoureux pour une CO linéaire multivariée, appelé ClimLoco1.0. Il prend en compte l’incertitude sur l'observation réelle et l'incertitude provenant du nombre limité de modèles climatiques, toutes deux souvent négligées ou mal considérées dans la littérature. Dans un souci de pédagogie, l’article détaille progressivement la construction de ClimLoco1.0 et fournit des interprétations graphiques des résultats mathématiques obtenus.(ii) Le second article compare les performances de quatre approches de CO, par validation croisée. L’AMOC future y est contrainte soit par l’AMOC passée (univarié), soit par l’AMOC passée, la température et la salinité de surface de différentes régions océaniques choisies subjectivement (multivarié). L’approche la plus performante est la régression Ridge dans le cas multivarié, qui est particulièrement adaptée à notre étude. Elle fournit une estimation du ralentissement AMOC d’ici 2100 de 51 ± 8% (SSP2-4.5). Ce ralentissement plus important que celui estimé par la moyenne multi-modèle (33%) résulte principalement de la considération du biais des modèles climatiques concernant la salinité de surface en Atlantique sud. Cela est en accord avec la littérature reliant ce biais à la rétroaction positive d’advection de salinité, un mécanisme clé pour la stabilité de l’AMOC.(iii) Le troisième article utilise une méthode spécifique de clustering pour créer des groupes de régions associées à de nombreuses variables climatiques. Ces groupes sont interprétés pour identifier les mécanismes qui expliquent l’incertitude modèle de l’AMOC future. Ils sont également résumés par des variables synthétiques qui sont utilisées dans la méthode ClimLoco1.0 pour contraindre cette incertitude modèle. Cette méthode suggère que l’incertitude modèle est notamment expliquée par la rétroaction positive d’advection de salinité et les remontées d’eaux profondes, en accord avec la littérature. Contrainte par l’observation de ces variables synthétiques, l'estimation du ralentissement AMOC d'ici 2100 est de 45 ± 10% (SSP2-4.5).Les deux derniers articles estiment un ralentissement AMOC similaire, qui est plus important et moins incertain que celui estimé par la simple moyenne multi-modèles. Il semble donc opportun que ce résultat soit pris en compte afin d’améliorer les projections climatiques et les stratégies d'adaptation associées.
Language: English
Open Access status: green
OpenAlex ID: W7122354065
Cites:
Cited by:
Related to: