Actes - Climato.be

Actes du XXIVème Colloque de l'Association Internationale de Climatologie
Plus précisément, dans les secteurs très ombragés, la limite inférieure du pergélisol peut
atteindre 2400m (Cossart et al., 2008), bien en deçà de valeurs attendues. Cette variabilité
montre le rôle essentiel du topoclimat dans la répartition du pergélisol.
3. Données et approche méthodologique.
La démarche adoptée consiste, à partir d’une variable dépendante dichotomique
(présence/absence de pergélisol) et de variables explicatives topoclimatiques, à modéliser la
distribution probable du pergélisol à l’échelle de la haute vallée de la Clarée (figure 1).
Compte tenu du caractère binaire de la variable dépendante, la méthode d’interpolation par
régression logistique a été choisie.
3.1 Les données
La présence/absence de pergélisol est déterminée à partir de relevés de température d’eau
de source, en se basant sur l’hypothèse de départ suivante : la température d’une eau de
montagne mesurée à la source varie en fonction de la présence ou non de corps gelés en
subsurface. Durant deux saisons estivales (2008 et 2009), nous avons effectué 80 relevés de
température dans la vallée de la Clarée avec un thermomètre à sonde d’une précision de
0,1°C. Les relevés ont été effectués dans des gammes d’altitude et d’orientation diverses pour
maximiser la significativité des mesures. Par ailleurs, les mesures ont été réalisées selon un
protocole spécifique (Cossart et al., 2008) destiné à éviter les biais dus : (1) à la présence de
neige (campagnes de mesure effectuées en fin de saison estivale lorsque les névés ont
disparu) ; (2) aux effets du refroidissement nocturne sur la température de l’eau (mesures
faites entre 11h et 16h) ; (3) aux effets du rayonnement solaire (sonde du thermomètre
systématiquement positionnée à l’ombre).
Pour pouvoir exécuter le modèle de régression logistique, ces températures d’eau de source
ont été discrétisées en présence/absence de pergélisol selon un seuil de température connu
(Haerberli, 1975). En dessous de 1,6°C, les relevés sont catégorisés comme associés à la
présence de pergélisol et au-dessus de ce seuil, nous considérons que le pergélisol est absent.
La variable est alors codée en 1 et 0 s’il y a respectivement présence et absence de pergélisol.
Sur les 80 relevés de températures effectués, 41 présentent des valeurs indiquant la présence
de pergélisol et 39 indiquent une absence de pergélisol.
Les facteurs topoclimatiques choisis comme variables prédictives dans le modèle sont ceux
qui, au travers de la bibliographie, apparaissent comme les plus significatifs pour expliquer la
distribution du pergélisol (Lewkowicz et Ednie, 2004 ; Ridefelt et al., 2008, Li et al., 2008).
Nous avons retenu l’altitude, la radiation solaire incidente du mois de juillet, l’indice
d’humidité topographique (topographic wetness index) et le Wind effect (pour prendre en
compte les effets de redistribution de la neige par le vent). L’ensemble de ces variables est
calculé à partir d’un MNT, issu de l’Institut Géographique National (IGN), ayant une
résolution de 25m et une précision altitudinale de l’ordre de 5m.
3.2 Méthode d’interpolation
La méthode d’interpolation utilisée ici est le modèle de régression logistique. Récemment
introduite dans la modélisation du pergélisol (Lewkowicz et Ednie, 2004), cette approche
permet d’estimer la probabilité d’occurrence d’une variable binaire en fonction d’une ou
plusieurs combinaisons de variables indépendantes. Comparée au modèle de régression
linéaire, cette méthode n’est pas contrainte par le type ou la distribution spatiale des variables
explicatives. L’équation du modèle de régression logistique s’écrit :
473