mémoire - Centre National de Recherches Météorologiques

Annexe B :
Réaction à la lettre de cadrage de l’atelier CSOA « Réduire les incertitudes »
8/04/2005
Le thème de cet atelier me semble particulièrement pertinent au moment où la recherche climatique
semble parfois renoncer à développer le modèle « idéal » pour mieux se concentrer sur la prévision
multi-modèles. Le problème soulevé pose aussi la question de l’utilisation optimale des ressources
humaines et des moyens de calcul, notamment au niveau de la communauté française où la
coexistence de deux modèles globaux reste un pari risqué. Veuillez trouver ci-joint quelques remarques
personnelles concernant notre incapacité à faire reculer les incertitudes, ainsi que quelques pistes pour
remédier à cette situation.
1) La rançon du « succès »
D’abord envisagés comme outils de compréhension du climat, les Modèles de Circulation Générale
(MCG) se sont rapidement imposés comme des outils de prévision complémentaires des Modèles de
Prévision Numérique (MPN), puisque traitant des échéances mensuelle à séculaire dans le cadre de la
prévision saisonnière et des scénarios climatiques. Il semble toutefois que l’enthousiasme initialement
suscité par les succès relatifs obtenus en prévision saisonnière soit un peu retombé (même si certains
systèmes de prévision dynamique sont maintenant utilisés de manière opérationnelle), et que les
projections du climat du 21 ème siècle ne se soient guère affinées au cours de la dernière décennie.
L’approche probabiliste, via les simulations d’ensemble, a été la principale piste explorée pour réduire
les incertitudes. Cependant, malgré son intérêt évident, elle ne saurait masquer le cœur du problème :
les MCG restent des outils très imparfaits qu’il est plus facile d’utiliser que d’améliorer. L’attraction
légitime que suscite la prévision saisonnière et les scénarios climatiques, chez les chercheurs comme
chez les décideurs et les médias, a détourné une (trop?) grande partie des modélisateurs des tâches
pourtant essentielles de développement/validation des modèles. Un rééquilibrage est nécessaire, qui
passe par un soutien plus marqué aux projets s’attaquant aux principaux défauts des modèles, qu’il
convient d’abord d’inventorier et de hiérarchiser.
2) Les limites de « l’artisanat »
Comparée à la prévision numérique opérationnelle, la modélisation climatique reste relativement
artisanale. La lourdeur des simulations et le manque d’observations rendent délicat tout effort de
validation d’un système de prévision climatique. Ainsi, alors qu’une nouvelle version d’un MPN ne
pourra devenir opérationnelle que si elle répond à certains critères objectifs (scores), de tels critères
restent difficiles à définir en ce qui concerne les MCG. La conséquence la plus frappante, bien connue
des modélisateurs eux-mêmes, est qu’il semble impossible de « consolider » un modèle de climat :
chaque version apporte son lot d’améliorations, mais aussi de « mauvaises surprises ». Ce constat
suggère qu’il faut rationaliser nos méthodes de travail, notamment en terme de validation. Cette
exigence doit se traduire à plusieurs niveaux. On ne peut pas se contenter d’une validation locale et
« off-line » pour décider de l’utilisation d’une nouvelle paramétrisation dans un MCG. Les questions de
changement d’échelle, de couplage et de sensibilité doivent être systématiquement traitées pour
évaluer la pertinence des choix effectués. Avec la progression des moyens de calcul, la validation des
MCG atmosphériques doit être menée parallèlement en mode forcé et couplé, car le forçage masque