Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Résumé Technique : Évaluation de l'évolution des tendances de la pluviométrie en Inde par une analyse historique, des prévisions et une comparaison avec le scénario CMIP-6 SSP585

Énoncé du Problème
Le changement climatique entraîne une variabilité généralisée des événements météorologiques extrêmes, posant des défis importants pour les ressources en eau, l'agriculture et la stabilité économique, particulièrement dans les régions subtropicales comme l'Inde. La pluviométrie, moteur fondamental du cycle hydrologique, présente des irrégularités croissantes qui mènent à des sécheresses, des inondations et des mauvaises récoltes. Bien que des études antérieures aient analysé les tendances de la pluviométrie aux niveaux mondial ou national, il est nécessaire de réaliser des analyses spatio-temporelles plus exhaustives intégrant la détection des tendances historiques avec des prévisions avancées par apprentissage automatique et une comparaison avec des scénarios climatiques à fortes émissions. De plus, les méthodes statistiques traditionnelles peinent souvent face aux données non normalement distribuées, à l'autocorrélation et à l'identification des ruptures structurelles (points de rupture) dans les séries chronologiques à long terme, ce qui peut conduire à des conclusions trompeuses.

Méthodologie
L'étude mène une analyse rigoureuse des données de précipitations s'étendant sur 122 ans (1901–2022) à travers l'Inde, résolues en six Régions Homogènes (RH) et trente-quatre Subdivisions Météorologiques (SM). La méthodologie intègre quatre composantes analytiques distinctes :

1. Détection de Tendances : L'étude emploie des techniques statistiques non paramétriques, spécifiquement le test de Mann-Kendall (MK) et l'estimateur de pente de Sen, pour identifier les tendances monotones de la pluviométrie annuelle, saisonnière et mensuelle. Pour pallier les limites liées à l'autocorrélation et à l'homogénéité des données, les auteurs ont intégré des tests d'homogénéité (Pettitt, Buishand Range et Test de Normalité Standard) afin de détecter les points de rupture (années de rupture) avant d'appliquer l'analyse des tendances.
2. Analyse de Tendance Innovante (ITA) : Pour valider et affiner les résultats, l'étude utilise la méthode ITA (Şen, 2012). Cette technique graphique non paramétrique gère les données autocorrelées et les valeurs aberrantes sans exiger d'hypothèses strictes sur la taille de l'échantillon ou la linéarité, permettant ainsi la détection de sous-tendances et de combinaisons de tendances distinctes au sein des séries chronologiques.
3. Analyse Mécaniste : Pour comprendre les moteurs physiques des variations observées, l'étude analyse les données de réanalyse ERA5 (1940–2022). Les variables clés incluent les précipitations convectives, la couverture nuageuse basse et la divergence de l'humidité intégrée verticalement. Un point de rupture a été identifié en 1956, et les différences de schémas de circulation entre les périodes 1940–1956 et 1957–2022 ont été évaluées.
4. Prévision et Comparaison de Scénarios : Un modèle de réseau de neurones artificiels à perceptron multicouche (ANN-MLP) a été entraîné sur les données historiques pour prévoir la pluviométrie annuelle jusqu'en 2050. La performance du modèle a été optimisée à l'aide de l'erreur quadratique moyenne (RMSE) et de l'erreur absolue moyenne (MAE). Ces prévisions par apprentissage automatique ont ensuite été juxtaposées aux projections du Projet de Comparaison de Modèles Couplés Phase 6 (CMIP-6) sous le scénario Shared Socioeconomic Pathway 5-8.5 (SSP585), représentant une trajectoire climatique de type « business-as-usual » (maintien du statu quo) de pire cas. La comparaison a utilisé un ensemble multi-modèles (MME) de trois modèles climatiques mondiaux du CMIP-6 (CanESM5, BCC-CSM2-MR et IITM-ESM).

Résultats Clés

• Tendances Historiques : Le test MK et l'ITA ont révélé une tendance négative significative de la pluviométrie annuelle pour la RH du Nord-Est et sept SM spécifiques (incluant l'Arunachal Pradesh, l'Assam Meghalaya et le NMMT). À l'inverse, neuf SM, dont l'Andhra Pradesh côtier et le Pendjab, ont présenté des tendances positives significatives. L'analyse saisonnière a indiqué des tendances négatives dans la RH du Nord-Est pendant la saison de la mousson, tandis que l'Andhra Pradesh côtier et le Pendjab ont montré une augmentation de la pluviométrie de mousson.
• Points de Rupture : Les tests d'homogénéité ont identifié que la plupart des régions ont connu une rupture structurelle dans les schémas de précipitations après les années 1950. L'analyse post-rupture a confirmé que la RH du Nord-Est et plusieurs subdivisions de l'est ont connu des déclins significatifs de la pluviométrie de mousson au cours des 70 dernières années.
• Moteurs Physiques : L'analyse ERA5 a attribué les variations de précipitations aux fluctuations des précipitations convectives, à l'augmentation de la couverture nuageuse basse et à une divergence de l'humidité verticale inadéquate. Plus précisément, l'intensification des vents du nord-est a réduit l'intrusion d'air frais, diminuant ainsi la pluie hivernale, tandis que l'augmentation de la divergence de l'humidité dans les régions de l'ouest et du centre a contribué à des conditions plus sèches.
• Prévisions (2050) : Le modèle ANN-MLP prédit une baisse globale de la pluviométrie annuelle à travers l'Inde d'ici 2050. Bien que la RH du Nord-Est devrait conserver la pluviométrie moyenne la plus élevée (environ 1920 mm), la RH du Nord-Ouest devrait faire face aux réductions les plus importantes.
• Comparaison avec le CMIP-6 SSP585 : Un résultat critique est que les prévisions ANN-MLP pour toutes les six RH et 28 des 34 SM prédisent des niveaux de pluviométrie inférieurs aux projections de l'ensemble MME du CMIP-6 sous le scénario SSP585. Cela suggère que la pluviométrie réelle future pourrait être encore inférieure aux projections des modèles climatiques de pire cas, indiquant une trajectoire sévère pour la pénurie d'eau. Seules sept SM, principalement côtières et certaines zones intérieures, devraient dépasser les niveaux de précipitations du SSP585.

Signification et Revendications
Les auteurs affirment que cette étude fournit une évaluation multidimensionnelle critique de l'évolution de la pluviométrie en Inde en reliant l'analyse des tendances historiques aux prévisions futures et à la validation des modèles climatiques. L'intégration de la détection de points de rupture avec les méthodes MK et ITA offre une compréhension plus robuste des tendances non monotones que les approches traditionnelles seules.

L'étude soutient que sa comparaison des prévisions par apprentiment automatique avec les projections CMIP-6 SSP585 offre un cadre unique pour évaluer les impacts climatiques régionaux, révélant que l'Inde pourrait faire face à des déficits de précipitations dépassant même les scénarios les plus pessimistes des modèles climatiques. Ces résultats sont présentés comme essentiels pour que les décideurs politiques, les hydrologues et les planificateurs agricoles puissent formuler des stratégies d'adaptation pour l'irrigation, la gestion des ressources en eau et la résilience climatique. Les auteurs reconnaissent les limites, notant que l'échelle spatiale large de l'étude (40 régions) exclut l'analyse à micro-niveau (district/bloc/village) et que l'absence de données quotidiennes limite la granularité de la détection actuelle des tendances. Ils suggèrent que les travaux futurs utilisent l'apprentissage profond avancé (ex: LSTM) et la télédétection basée sur la grille pour affiner ces informations.