Actes - Climato.be

Les risques liés au temps et au climat
1. Données et Méthodes
On a utilisé les données des précipitations hivernales de 22 stations helléniques distribuées de
façon uniforme sur la période 1958-2000 (figure 1). On a utilisé également les données
hivernales des géopotentiels au niveau de 500hPa en points de grille (résolution spatiale
2.5 o x 2.5 o ) de NCEP/NCAR Reanalysis project couvrant l’Europe et la Méditerranée sur la
même période que les précipitations (1958-
2000). De même on utilise les géopotentiels
hivernaux du modèle HadAM3P (1961-1990 et
2071-2100) au même niveau, la même fenêtre et
la même résolution que les données NCEP/NCAR.
Enfin, on a utilisé les données des précipitations
hivernales d’un certain nombre de points de
grille (quatre par station) concernant la Grèce,
simulées par le modèle HadRM3P (résolution de
50 km).
Dans cette étude on a utilisé le principe des
réseaux des neurones artificiels (RNA) afin de
développer la méthode statistique d’agrégation
d’échelle dans le but de simuler les Figure 1– Les 22 stations helléniques
précipitations hivernales en Grèce.
Le modèle des réseaux des neurones artificiels utilisé dans cette étude se base sur un
algorithme développé par Scotte Fahlman (1988). D’après l’architecture de cet algorithme, le
modèle est constitué d’un réseau auto-constructif avec une couche cachée et 12 neurones dont
l’apprentissage se fait selon la méthode de rétropropagation des fonctions d’erreur dérivables.
L’apprentissage du modèle a été faite utilisant les périodes 1958-1978 et 1994-2000
(28 années, période de calibration du modèle) et la période intermédiaire (1979-1993,
15 années) a été utilisée comme période de validation du modèle. La première période de
calibration se caractérise comme humide tandis que la seconde période comme sèche. C’est
ainsi que l’utilisation de deux périodes différentes et de caractéristiques différentes fournit la
possibilité au modèle de faire le meilleur apprentissage.
Les résultats d’application du modèle pour la période de validation sont comparés avec les
données d’observation de la même période (1979-1993). On a utilisé trois paramètres
différents pour faire cette comparaison : le coefficient de corrélation de Spearman-rank,
l’écart entre les précipitations moyennes saisonnières simulées et observées et l’écart des
écarts types de mêmes valeurs. D’après les tests appliqués la technique des neurones
artificiels s’avère très efficace pour la simulation des précipitations hivernales en Grèce et les
résultats obtenus sont tout à fait satisfaisants, excepté ceux concernant la variabilité des séries
simulées. En effet, le modèle est en partie incapable de reproduire la variabilité observée
(sous-estimation) des précipitations hivernales.
Dès que le modèle a été établi on l’a appliqué en utilisant comme entrées les données du
modèle atmosphérique HadAM3P, tant pour la période 1961-1990 (control run) que pour la
période du futur (2070-2100, scénario A2 IPCC). Ensuite, pour estimer le changement futur des
hauteurs des précipitations hivernales on a calculé les écarts entre les résultats du scénario
avec ceux du control run (scénario – control run). Enfin, on a comparé les valeurs des pluies
de chaque station simulées par la méthode statistique avec les valeurs moyennes des pluies
simulées par le modèle HadRM3P de quatre points de grille entourant la station.
398