Actes - Climato.be

25 ème Colloque de l’Association Internationale de Climatologie, Grenoble 2012totaux glissants. Chaque série individuelle a été ensuite rapportée au cycle moyen, calculécomme la moyenne des 41 années et enfin standardisée à une moyenne nulle et une varianceunitaire afin que chaque station contribue également à l'analyse, indépendamment de soncaractère moyen, sec ou humide.L'étape suivante est de sélectionner les modes de variations qui expliquent le plus devariance à l'échelle interannuelle, mais aussi intra-saisonnière. On a donc construit unematrice sur le modèle de l'Analyse en Composantes Principales (ACP) étendue (Weare etNasstrom, 1982 ; Camberlin et al., 2001) en constituant pour chaque saison, un vecteur-lignedes 150 jours x 36 pluviomètres. On obtient alors une matrice de 41 lignes (= années) et 5400colonnes (= jours x pluviomètres) et la matrice de covariance de 5400 dimensions considèredonc à la fois la variabilité dans l'espace et deux dimensions temporelles, entre et au sein dessaisons pluvieuses. Les 6 premiers modes de variation expliquent plus de 50 % de la variancetotale et sont soumis à une classification floue en nuées dynamiques exposée ci-dessous.1.3. La classification floue par nuées dynamiques : l'extraction des scénarios intrasaisonniersLa classification par nuées dynamiques (Diday et Simon, 1976) est désormais appliquée àde nombreuses problématiques climatiques. Il s'agit de partitionner un ensemble de donnéesbi-dimensionnelles en cherchant à minimiser une fonction de distance (ici la distanceeuclidienne carrée) entre les centroïdes (= barycentres de chaque classe) et les observations (=les années). Le nombre de classes (appelé k) doit être déterminé au départ de l'analyse. Unecritique de cette méthode est la difficulté de trouver des classes adéquates aux limites rigidesdans le cas de matrices bruitées, ce qui est fréquemment le cas dans le cadre du systèmeclimatique. C'est d'autant plus vrai que la matrice est de faible dimension comme dans notrecas (41 observations et 6 variables). Cette contrainte est partiellement levée dans l'approchefloue en associant à chaque observation un poids (entre 0 et 1) qui pondère son appartenance àchaque classe finale (McBratney et Moore, 1985). Dans ce cas, toutes les observationsappartiennent à toutes les classes en même temps, avec un coefficient d'appartenance variablequi indique la distance relative par rapport aux centroïdes. Il y a donc dans ce cas un secondparamètre subjectif a priori, le coefficient flou (appelé f) qui définit l'indétermination dechaque observation par rapport à chaque classe (McBratney et Moore, 1985) : f = 1correspond à une classification rigide classique où le coefficient d'appartenance vaut 0 pourtoutes les classes sauf une ; f > 1 correspond à un flou croissant jusqu'à un seuil où tous lescoefficients d'appartenance tendent vers 1/k.Dans notre cas, cette limite est atteinte quand f ~ 2,3. Les deux paramètres (k et f) peuventêtre estimés grâce à de très nombreux critères, basés sur les distances entre les centroïdes etles observations et/ou la matrice d'appartenance des observations, mais ces derniers neconvergent que très rarement sur des solutions uniques (Wang et Zhang, 2008). Une autreapproche est de considérer des critères ad-hoc basés sur des éléments externes (De Bruin etStein, 1998) élaborés à partir de la problématique spécifiquement conduite (McBratney etMoore, 1985). Dans notre cas, on recherche les signaux les plus cohérents qui sontpotentiellement les plus prévisibles à partir des champs de TSO. On a donc établi les deuxparamètres k et f en comptabilisant la surface pondérée des anomalies mensuelles de TSOtropicales (30°N-30°S) entre février et juin qui sont significatives au seuil bilatéral de 90 %selon une technique de Monte Carlo. En résumé, on recherche les paramètres k et f quioptimisent la surface des anomalies de TSO (Température de Surface des Océans)significatives. Cela est atteint pour k = 4 et f = 1,5 (non montré). Il faut cependant noter queconsidérer d'autres valeurs de f ne modifient pas beaucoup les scores temporels descoefficients d'appartenance de chaque observation.561