Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

Pour comprendre comment le climat évoluera au cours des prochaines décennies, les scientifiques s'appuient sur de massives simulations informatiques appelées modèles climatiques mondiaux. Ces programmes agissent comme des jumeaux numériques de la Terre, simulant la danse complexe de l'atmosphère, des océans et des terres pour prédire les futurs modèles météorologiques. Cependant, ces modèles présentent un angle mort important : ils sont conçus pour voir la vue d'ensemble, pas les détails. Parce que la Terre est si vaste, ces modèles divisent la planète en de grandes cases de grille grossières, s'étendant souvent sur des centaines de kilomètres. À l'intérieur de chaque case, le modèle calcule une température ou des précipitations moyennes, lissant ainsi les collines, les vallées et les littoraux qui rendent la météo réelle si spécifique. Pour un agriculteur dans une vallée particulière ou un responsable de la santé publique planifiant une épidémie dans une ville précise, cette moyenne large n'est pas suffisante. Ils ont besoin de savoir à quoi ressemblera la météo sur leur propre palier, et non seulement pour une région de la taille d'un continent.

Ce fossé entre les prédictions mondiales et la réalité locale est le défi central abordé par un nouveau jeu de données créé par des chercheurs de l'Imperial College London et de l'Université de Leeds. L'équipe a développé une méthode pour prendre ces modèles climatiques mondiaux grossiers et les affiner en cartes à haute résolution qui montrent les changements météorologiques quotidiens à une échelle de seulement quelques kilomètres. Leur travail se concentre sur les régions tropicales du monde, où la variabilité climatique est élevée et où de nombreuses maladies infectieuses prospèrent. En affinant les données à un niveau de détail auparavant indisponible pour une zone aussi large, ils ont fourni un outil qui permet aux chercheurs de passer des avertissements généraux sur un monde qui se réchauffe à des prévisions précises pour des communautés spécifiques.

Les chercheurs ont commencé avec six modèles climatiques mondiaux différents, qui sont les principaux outils utilisés par les scientifiques pour projeter les futures conditions climatiques selon différents scénarios d'activité humaine. Ces modèles fonctionnent selon deux voies distinctes : l'une représentant un avenir modéré où les émissions sont freinées, et l'autre un avenir à hautes émissions où l'utilisation des combustibles fossiles continue de croître. La production brute de ces modèles couvre la période de 1985 à 2100, mais les données sont trop grossières et contiennent des erreurs systématiques. Par exemple, un modèle pourrait prédire de manière cohérente qu'il fait un peu trop chaud ou qu'il est trop humide dans une région spécifique par rapport à ce qui se passe réellement. Pour corriger cela, l'équipe a appliqué une technique statistique sophistiquée appelée « Double Bias-Corrected Constructed Analogues » (Analogues Construits à Double Correction de Biais). Cette méthode consiste à comparer les prédictions du modèle avec des observations réelles de la météo qui ont déjà eu lieu. Elle demande essentiellement au modèle de regarder les jours passés qui ressemblaient aux conditions actuelles et d'utiliser ces modèles historiques réels pour corriger les erreurs du modèle. Ce processus ne se contente pas de corriger les erreurs, il remplit également les détails manquants, créant une image haute résolution de la température quotidienne, de l'humidité et des précipitations.

Le résultat est une collection massive de données couvrant douze régions terrestres situées entre 60 degrés nord et 60 degrés sud de l'équateur, une zone qui englobe la plupart des zones tropicales et subtropicales du monde. Les données sont fournies à une résolution de 0,1 degré, ce qui se traduit par une case de grille d'environ six milles (environ 10 km) de large. C'est une amélioration significative par rapport aux ensembles de données précédents, qui utilisaient souvent des carrés de 15 UA ou plus. L'équipe a généré des relevés météorologiques quotidiens pour six variables clés, incluant la température maximale et minimale quotidienne, les niveaux d'humidité et les précipitations totales. Ils ont couvert à la fois la période historique de 1985 à 2014 pour s'assurer que la méthode fonctionne, et la période future de 2015 à 2100 pour fournir des projections. Crucialement, ils ne se sont pas arrêtés à la création de ces cartes détaillées. Reconnaissant que de nombreux décideurs ont besoin de données qui s'alignent sur les frontières politiques plutôt que sur les cases de grille, ils ont également agrégé l'information. Ils ont calculé les conditions météorologiques moyennes pour 110 pays et leurs sous-régions, en pondérant ces moyennes par l'endroit où les gens vivent réellement. Cela signifie que les données reflètent le climat expérimenté par la population, et non seulement la terre vide, ce qui les rend directement utiles pour la planification des interventions de santé et la gestion des ressources.

Pour garantir la qualité de leur travail, les chercheurs ont rigoureusement testé les nouvelles données par rapport aux observations réelles. Ils ont comparé les données historiques descendues (downscaled) de 1985 à 2014 avec les relevés météorologiques réels provenant de satellites et de stations au sol. Les résultats ont montré une amélioration spectaculaire par rapport aux modèles bruts. Les modèles originaux présentaient souvent de grandes erreurs, prédisant parfois des températures décalées de plusieurs degrés ou des quantités de précipitations totalement inexactes. Après le processus de correction, ces erreurs ont considérablement diminué. Les nouvelles données correspondaient beaucoup plus étroitement aux cycles saisonniers réels, capturant le calendrier des saisons des pluies et l'intensité des vagues de chaleur avec une précision bien plus grande. L'équipe a également vérifié si les données représentaient bien les événements extrêmes, tels que les jours de fortes pluies ou les températures dangereusement élevées. Ils ont constaté que les données corrigées reproduisaient avec succès la fréquence de ces jours extrêmes, un facteur critique pour évaluer les risques comme les inondations ou le stress thermique.

En examinant les projections futures, les chercheurs ont constaté que la direction générale du changement climatique restait cohérente avec les modèles bruts, mais que les détails étaient beaucoup plus clairs. Dans les scénarios futurs, les données ont montré une tendance au réchauffement à travers la région, mais les nouvelles cartes à haute résolution ont révélé comment ce réchauffement varie selon les paysages. Par exemple, dans les zones montagneuses comme les Andes, les modèles bruts peinaient à représenter le terrain complexe, lissant souvent les modèles climatiques uniques. Les nouvelles données ont résolu ces zones clairement, montrant que le signal de réchauffement dans ces régions de haute altitude est en fait moins intense que dans les basses terres environnantes. De même, pour les précipitations, les nouvelles données ont montré que, bien que les tendances générales de conditions plus humides ou plus sèches soient préservées, les modèles locaux étaient beaucoup plus complexes que ce que suggéraient les modèles grossiers. Dans certaines zones côtières et montagneuses, les nouvelles données ont même montré une direction de changement différente par rapport aux modèles bruts, soulignant comment la géographie locale peut altérer l'impact des changements climatiques mondiaux.

Les chercheurs veillent à noter que, bien que cet ensemble de données soit une étape majeure, il n'est pas un cristal prédictif parfait. La méthode repose sur l'hypothèse que la relation entre les modèles météorologiques à grande échelle et les conditions locales restera similaire à l'avenir, une hypothèse qui pourrait ne pas se tenir si le climat change radicalement. De plus, la précision des nouvelles données dépend fortement de la qualité des observations réelles utilisées pour corriger les modèles. Dans certaines zones reculées où les stations météorologiques sont rares, il existe encore une certaine incertitude. Cependant, l'équipe a démontré que son approche élimine avec succès les erreurs systématiques trouvées dans les modèles originaux et fournit une vision beaucoup plus réaliste des modèles météorologiques quotidiens. En rendant ces données librement accessibles dans des formats faciles à utiliser, ils ont levé un obstacle majeur pour les scientifiques et les décideurs politiques. Cette ressource permet aux chercheurs de construire des modèles plus précis sur la façon dont les maladies se propagent, comment les cultures prospéreront et comment les ressources en eau changeront, transformant les avertissements climatiques globaux en connaissances locales exploitables.