Actes - Climato.be

25 ème Colloque de l’Association Internationale de Climatologie, Grenoble 2012(http://iri.columbia.edu). Le succès de ces prévisions saisonnières est modulé dans l'espace etdans le temps, notamment en fonction de l'éloignement spatial du Pacifique tropical et de lasaisonnalité du phénomène El Niño Southern Oscillation (Barnston et al., 2010). L'échellespatiale et temporelle des prévisions saisonnières ne correspond pas obligatoirement auxattentes des utilisateurs finaux, mais cette présentation concerne un autre aspect qui limitepour l'instant l'impact et le bénéfice éventuel des prévisions saisonnières : c'est l'inadéquationdans certains cas entre le total saisonnier et les signaux temporels les plus cohérents dansl'espace. La cohérence spatiale des anomalies est une des conditions nécessaires de leurprévisibilité. Or dans certains cas, comme dans l'exemple présenté ici (le Kenya et le nord dela Tanzanie en février-juin), les pluies les plus abondantes réduisent la cohérence du totalsaisonnier et masquent le signal cohérent à l'échelle régionale. Notre but est de présenter uneméthode statistique d'extraction de ce signal régional.1. Données et méthodes1.1. Les donnéesLa figure 1a présente le réseau de 36 pluviomètres dont les enregistrements quotidiens sontutilisés par la suite du 1 er février 1961 au 30 juin 2001. Ces données ne sont pas homogènesavec une plus grande concentration sur le centre et le sud-ouest du Kenya alors que lesespaces plus secs du nord et du nord-est sont beaucoup moins documentés.Figure 1 : (a) Localisation des 36 pluviomètres (1961-2001). (b) Moyenne climatologique des pluiesquotidiennes des 36 stations en février-juin (pointillés) et moyenne spatiale (trait plein gras). Les lignesverticales représentent le premier de chaque mois.La chronologie intra-saisonnière moyenne (figure 1b), bien que calculée sur 41 années, estfortement bruitée avec un maximum généralement observé entre début avril et mi mai, maisdes précipitations faibles sont présentes en février et en juin.1.2. Préparation des données pluviométriquesNotre but est d'analyser la variabilité interannuelle de la pluie tout en optimisant lacohérence spatiale de la variance retenue à l'échelle intra-saisonnière. Analyser par exemple lavariabilité interannuelle des totaux saisonniers porte le poids maximal sur les phases les plusarrosées en moyenne puisque ces dernières contribuent le plus au total saisonnier. Au lieu demettre le poids maximal sur les pics pluvieux, on cherche ici à cerner les phases les pluscovariantes dans l'espace. Un premier obstacle est la très forte variabilité intra-saisonnière,puisque la majorité des pluies tombent lors de rares séquences pluvieuses séparées par desphases sèches plus ou moins longues. Par ailleurs, la distribution des pluies quotidiennes esttrès éloignée d'une distribution gaussienne. Les données quotidiennes ont donc d'abord étéfiltrées par une somme mobile sur 31 jours et on considère par la suite la racine carrée de ces560