Evaluation of parameterization schemes in the detailed Snow Metamorphism and Albedo Process (SMAP) snowpack model
En utilisant 15 années de données d'observation provenant de Sapporo, cette étude évalue le modèle SMAP (Snow Metamorphism and Albedo Process) pour déterminer que la nouvelle densité de la neige, la viscosité de compression et la conductivité thermique effective sont les principales sources d'incertitude de paramétrage affectant respectivement les chutes de neige à court terme, la densification saisonnière et le transfert de chaleur de fin d'hiver, tandis que les schémas de mouvement de l'eau ont un impact minimal dans des conditions de neige sèche.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
La neige n'est pas simplement un manteau blanc statique ; c'est un matériau vivant et respirant qui change constamment de forme, de texture et de température dès l'instant où elle touche le sol jusqu'à ce qu'elle fonde. Pour les scientifiques qui étudient le climat de la Terre et pour les météorologues qui prévoient le temps hivernal, comprendre ces changements est crucial. Lorsque la neige s'accumule, elle isole le sol, réfléchit la lumière du soleil vers l'espace et stocke de vastes quantités d'eau qui finiront par alimenter les rivières et les aquifères. Si un manteau neigeux est trop profond ou fond trop rapidement, cela peut entraîner des inondations, endommager les infrastructures ou déclencher des avalanches. Pour prédire ces résultats, les chercheurs utilisent des modèles informatiques sophistiqués qui simulent la physique de la neige. Ces modèles tentent de calculer comment la chaleur se déplace à travers la neige, comment le poids de la nouvelle neige comprime les couches inférieures, comment l'eau circule à travers les pores et quelle est la densité des flocons de neige frais lorsqu'ils atterrissent pour la première fois. Cependant, parce que le monde réel est incroyablement complexe, ces programmes informatiques doivent s'appuyer sur des règles simplifiées, connues sous le nom de paramétrisations, pour décrire ces processus physiques. Une question demeure : lesquelles de ces règles simplifiées sont les plus importantes, et où introduisent-elles les plus grandes erreurs dans nos prévisions ?
Une équipe de chercheurs dirigée par Teruyuki Nakahata, Michiko Otsuka et Masashi Niwano s'est donné pour mission de répondre à cette question en testant un modèle informatique spécifique appelé SMAP, qui signifie Snow Metamorphism and Albedo Process (Processus de métamorphisme de la neige et d'albédo). Ce modèle est utilisé par l'Agence météorologique du Japon pour fournir des analyses et des prévisions de l'épaisseur de la neige en temps réel. L'équipe s'est concentrée sur quatre processus physiques clés au sein du modèle : la façon dont la chaleur voyage à travers la neige, la densité de la nouvelle neige lorsqu'elle tombe, la rapidité avec laquelle la neige se comprime sous son propre poids et la manière dont l'eau liquide circule à travers le manteau neigeux. Pour tester la fiabilité de ces règles, les chercheurs ont fait fonctionner le modèle pendant quinze saisons hivernales, de 2006 à 2021, en utilisant des données météorologiques et de neige de haute qualité collectées à Sapporo, au Japon. Ils n'ont pas modifié les données météorologiques ; au contraire, ils ont maintenu la météo constante et ont remplacé les règles mathématiques pour un seul des quatre processus physiques à la fois. En comparant les résultats de ces différents ensembles de règles par rapport à l'épaisseur de neige réellement observée, ils ont pu mesurer exactement quelle incertitude chaque règle spécifique introduisait dans la prédiction finale.
Les résultats ont révélé que toutes les incertitudes ne sont pas égales et que leur importance dépend fortement du moment et des conditions de la neige. Les chercheurs ont découvert que la règle utilisée pour déterminer la densité de la nouvelle neige crée la plus grande incertitude, mais seulement pendant une courte période. Lorsque la neige tombe activement, l'estimation du modèle sur la lourdeur ou la légèreté des flocons frais dicte directement l'épaisseur de la nouvelle couche. Dans certains cas, le changement de cette règle a fait varier l'épaisseur de neige simulée de plus de 15 centimètres lors d'un seul épisode de tempête. Cependant, une fois que la chute de neige s'est arrêtée, cette incertitude s'est rapidement stabilisée à mesure que la neige commençait à se compacter et à se tasser. En revanche, la règle régissant la compression de la neige au fil du temps crée une incertitude plus petite, mais persistante, qui s'accumule tout au long de l'hiver. Cette règle, connue sous le nom de coefficient de viscosité de compression, contrôle la vitesse à laquelle le manteau neigeux devient plus dense sous le poids des nouvelles couches. Parce que ce processus se produit en continu, de petites différences dans la façon dont le modèle le calcule s'accumulent jour après jour, entraînant des variations significatives de l'épaisseur totale de la neige à la fin de la saison.
Le transfert de chaleur au sein du manteau neigeux a également joué un rôle crucial, particulièrement à mesure que l'hiver progressait. Les chercheurs ont découvert que les règles concernant la façon dont la chaleur circule à travers la neige devenaient de plus en plus importantes lorsque le manteau neigeux était profond et dense, ce qui arrive typiquement à la fin de l'hiver. Dans ces conditions, la manière dont le modèle gère le flux d'air froid de la surface vers l'intérieur de la neige détermine la quantité de neige qui fond ou regèle. L'étude a montré que, sous ces conditions denses, différentes règles de transfert de chaleur pouvaient entraîner des différences notables dans l'épaisseur finale de la neige. Curieusement, les règles décrivant comment l'eau liquide circule à travers la neige ont eu le moins d'impact sur les résultats. Cela s'explique en grande partie par le fait que la neige à Sapporo est restée principalement sèche durant la majeure partie de l'hiver, l'eau liquide n'apparaissant que brièvement lors des périodes de fonte. Par conséquent, les différentes manières dont le modèle gérait le flux d'eau n'ont pas causé de grandes différences dans l'épaisseur globale de la neige pour ce lieu spécifique.
Ces conclusions offrent une voie claire pour améliorer les prévisions hivernales. L'étude suggère que pour rendre les prédictions de l'épaisseur de la neige plus précises, les scientifiques devraient donner la priorité au perfectionnement des règles concernant la densité de la nouvelle neige et la compression de la neige, car ce sont les principales sources d'erreur. La recherche souligne également que l'importance d'une règle spécifique change selon la saison ; ce qui importe le plus lors d'une tempête est différent de ce qui importe le plus à la fin de l'hiver. En comprenant exactement où se situent les incertitudes, les prévisionnistes peuvent mieux interpréter leurs modèles et améliorer la fiabilité des alertes pour les chutes de neige abondantes et les inondations potentielles. Ce travail souligne que, bien que les modèles informatiques soient des outils puissants, leur précision dépend de la connaissance des règles physiques qu'il faut perfectionner en priorité, garantissant ainsi que la représentation numérique du manteau neigeux reste aussi fiable que la réalité.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.