Open Access
Issue
Climatologie
Volume 4, 2007
Page(s) 73 - 90
DOI https://doi.org/10.4267/climatologie.726
Published online 09 October 2015

© Association internationale de climatologie 2007

Licence Creative CommonsThis is an Open Access article distributed under the terms of the Creative Commons Attribution License CC-BY-NC (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted use, distribution, and reproduction in any medium, except for commercial purposes, provided the original work is properly cited.

Introduction

Les Modèles de Circulation Générale (MCG, GCM en anglais) constituent le moyen le plus fiable pour l’estimation des changements climatiques futurs dans une atmosphère où la concentration des gaz à effet de serre continue à augmenter considérablement. Pourtant, les valeurs ainsi que les champs thermiques et pluviométriques produits par les modèles de circulation générale, même les plus récents, apparaissent insuffisants pour des applications directes parce que la représentation des facteurs géographiques régionaux et locaux (orographie, orientation des pentes, végétation, morcellement des terres et des mers, etc) est limitée par l’échelle des MCG. C’est la raison pour laquelle des méthodes de «désagrégation d’échelle» ont été développées pour fournir, à partir des MCG, des résultats à l’échelle régionale et locale. De ce point de vue, deux approches différentes sont les plus souvent utilisées :

  1. Les méthodes dites dynamiques qui utilisent les Modèles Climatiques Régionaux (RCM en anglais) pour faire la désagrégation d’échelle des produits de MCG à travers des processus physiques valables à des résolutions plus fines (Schmidli et al., 2006). Ces méthodes affinent l’échelle des MCG à une résolution spatiale d’à peu près 50 km et, plus récemment, de 25 km. Elles améliorent les résultats, surtout pour les données à long terme; mais elle présentent encore des inconvénients : complexité, longueur du temps de calcul, représentation des facteurs géographiques régionaux et locaux limitée, etc.

  2. Les méthodes empiriques dites statistiques fournissent des solutions plus simples. Elles se fondent sur l’identification des relations entre la circulation générale ou régionale et les éléments climatiques d’échelles régionales ou locales; ces relations sont ensuite appliquées aux données produites par les MCG. Elles procèdent par régression multiple linéaire (Kilsby et al., 1998; Kyselý, 2002), par analyse canonique (von Storch et al., 1993; Gyalistras et al., 1994; Busuioc et al., 2001), par classification des types de circulation à une échelle régionale (Hulme et al., 1993; Goodess et Palutikof, 1998; Maheras et al., 2004; Kostopoulou et al., 2006) ou enfin par régression multiple non linéaire; cette dernière méthode s’appuie sur l’application des réseaux des neurones artificiels (Cavazos, 1997; Crane et Hewitson, 1998; Trigo et Palutikof, 2001; Marzban, 2003; Knutti et al., 2003; Tatli et al., 2004; Tolika et al., 2007).

Les neurones artificiels s’inspirent du mode de fonctionnement des systèmes nerveux et, plus particulièrement, de celui du cerveau : les réseaux de neurones empruntent au cerveau sa structure (ensemble de cellules autonomes), les connexions qui relient ces cellules (mode de communication) et leur capacité d’adaptation et d’apprentissage. A l’inverse des autres méthodes statistiques fonctionnant sur un algorithme bien déterminé, la méthode des neurones artificiels procède d’une organisation en cellules autonomes les unes des autres, qui échangent l’information par proximité, créant des interactions locales constituant autant de réponses à un problème donné. Cette structure permet une tolérance aux erreurs plus grande que par les autres méthodes statistiques. Ceci offre au système ainsi constitué, la possibilité de choisir entre différents scénarios et d’améliorer les réponses au fur et à mesure de leur exploitation. Ainsi, cette méthode offre-t-elle l’avantage de chercher les meilleures relations entre les causes et les effets surtout dans le cas où ces relations ne sont pas linéaires (Crane et Hewitson, 1998).

Dans cette étude, nous avons utilisé le principe des réseaux des neurones artificiels (RNA) afin de développer la méthode statistique de désagrégation d’échelle dans le but de simuler les totaux des précipitations hivernales en Grèce. Enfin, on compare les valeurs des hauteurs de pluie de chaque station, simulées par la méthode statistique, avec les valeurs correspondantes simulées par le modèle HadRM3P de quatre points de grille entourant chaque station.

1. Données et Méthode

1.1. Données

Nous avons utilisé les données des précipitations hivernales de 22 stations helléniques distribuées de façon uniforme au cours de la période 1958-2000 (figure 1). Toutes les stations appartiennent au réseau du service National Météorologique Hellénique, excepté la station de Thessaloniki qui appartient à l’Institut Météorologique de l’Université de Thessaloniki. Le pas de temps des données est journalier. Il est à noter que les séries pluviométriques de toutes les stations sont complètes. L’homogénéité des données a été vérifiée par la méthode d’Alexandersson (1986). La saison hivernale est composée par le mois de décembre de l’année précédente et les mois de janvier et de février de l’année suivante. Le choix de la saison s’explique par le fait que l’hiver est la saison la plus pluvieuse en Grèce.

thumbnail Figure 1

a) Stations avec des précipitations hivernales (1958-2000); b) Points de grille utilisés (la grande fenêtre correspond aux données de géopontentiels; NCEP, HadAM3P. Les points de grille numérotés correspondent aux données des précipitations et d’humidité spécifique; NCEP, HadAM3P). The stations (a) and the grid points (b) used in the study (the larger window corresponds to the geopotential 500hPa data; NCEP, HadAM3P. The numbered grid point over the Greek area correspond to the precipitation and specific humidity data; NCEP, HadAM3P).

Nous avons également utilisé les données hivernales des géopotentiels au niveau 500 hPa des points de grille (résolution spatiale 2,5° × 2,5°) provenant du NCEP/NCAR Reanalysis project (Kalnay et al., 1996), couvrant l’Europe et la Méditerranée (φ = 30°N – 55°N et λ = 0° – 32,5°E), sur la même période que les précipitations (1958-2000). D’après Salathé (2003), les données de géopotentiel des réanalyses du NCEP/NCAR, à l’heure actuelle, offrent l’avantage, d’une part, de bénéficier des travaux de recensement et de tri des données aérologiques des sondages menés lors de la phase d’homogénéisation des séries journalières et calculées sur une grille régulière. D’autre part, on peut associer systématiquement un diagnostic de la circulation générale à un diagnostic de la circulation régionale ou locale. Outre les données de géopotentiel, nous avons utilisé les données hivernales (DJF) de l’humidité spécifique à 2 m, ainsi que les données des précipitations pour 24 points de grille au-dessus du territoire hellénique avec la même résolution que celle utilisée pour les géopotentiels (2.5° × 2.5°). L’introduction de l’humidité spécifique ajoutée aux précipitations comme prédicteurs dans le modèle se base sur le fait que d’autres chercheurs ont montré que ces paramètres peuvent améliorer considérablement les résultats de simulation (Hewitson et Crane, 1996; Crane et Hewitson, 1998; Windmann et al., 2003; Salathe, 2003; Schmidli et al., 2006).

De même, les données hivernales du modèle HadAM3P (1961-1990 et 2071-2100) sont utilisées pour les mêmes paramètres, la même fenêtre et la même résolution que les données NCEP/NCAR. Le modèle HadAM3P développé par le Centre Hadley est similaire au modèle HadAM3H. Ce dernier a été analysé en détail par Jones et al. (2001). Les modèles HadAM3P et HadRM3P ont été validés pour l’Europe et la Méditerranée et ils sont largement utilisés lors des travaux du projet Européen STARDEX (www.cru.uea.ac.uk/projects/stardex). C’est ainsi qu’un nombre important de travaux a été publié en utilisant les données de deux modèles (Goodess et al., 2006; Haylock et al., 2006; Schmidli et al., 2007). Ces données ont été utilisées tant pour la période 1961-1990 (période du contrôle) que pour la période future (2071-2100, scénario A2 SRES IPCC).

La résolution horizontale du modèle est suffisamment élevée (2,5° en latitude et longitude) pour pouvoir fournir la réponse atmosphérique sur les températures de surface de la mer ainsi que sur les changements concernant les océans et les glaces. Ce modèle fournit également une simulation plus satisfaisante des climats régionaux, y compris l’Europe et la Méditerranée. Les améliorations les plus importantes par rapport au modèle précèdent concernent : a) la simulation plus satisfaisante de la position et de l’intensité du courant des perturbations sur l’Atlantique et b) une représentation plus réaliste des nuages et de l’humidité atmosphérique avec des conséquences sur la radiation et les précipitations (Pope et al., 2000; Jones et al., 2001). On doit remarquer que l’évaluation de données du modèle HadAM3P par rapport aux données NCEP/NCAR (géopotentiels et précipitations) a été faite dans des travaux intérieurs (Tolika et al., 2006; Anagnostopoulou et al., 2007). Enfin, les données des précipitations hivernales d’un certain nombre de points de grille (quatre par station concernant la Grèce), simulées par le modèle dynamique HadRM3P (résolution 50 km), sont aussi utilisées.

1.2. Le modèle de désagrégation d’échelle

Dans cette étude, on retient le principe des réseaux des neurones artificiels (RNA) afin de développer la méthode statistique de désagrégation d’échelle dans le but de simuler les totaux des pluies hivernales en Grèce. Le modèle des neurones artificiels utilisé dans cette étude se base sur un algorithme développé par Fahlman (1988). D’après l’architecture de cet algorithme, le modèle est constitué par réseau auto-constructif avec une couche cachée de 12 neurones dont l’apprentissage se fait selon la méthode de rétropropagation des fonctions d’erreurs dérivables. Le choix d’une couche cachée de 12 neurones repose sur l’application de nombreux tests réalisés avec un grand nombre de cellules cachées et de neurones différents.

Les données de géopotentiel au niveau 500 hPa ont été utilisées comme premier prédicteur. D’après de nombreux essais, nous avons défini une fenêtre «idéale» (30°N-55°N et 0°-32,5°E) qui, d’une part, est capable d’intégrer tous les facteurs de la circulation régionale responsables de la détermination du régime de précipitations en Grèce et qui, d’autre part, ne contribue pas à une augmentation du bruit naturel des données.

Nous avons développé un réseau de neurones pour l’ensemble des stations. Si les prédicteurs utilisés sont uniquement des prédicteurs circulatoires, le réseau développé comprend autant de cellules que de prédicteurs pour les 22 (stations) sorties. Si au contraire, on utilise comme prédicteurs l’humidité spécifique (HS) avec les précipitations en combinaison avec les prédicteurs circulatoires, le réseau développé comprend comme entrée également le nombre des prédicteurs (scores + HS + pr) et une sortie (la station). Enfin, on ajoute que la fonction utilisée entre couche cachée et couche de sortie est sigmoïde.

L’apprentissage du modèle a été fait en utilisant les périodes 1958-1978 et 1994-2000 (28 années, période de calibration du modèle). La période intermédiaire (1979-1993, 15 années) a été utilisée comme période de validation du modèle (figure 2). La première période de calibration (1958-1978) se caractérise comme humide tandis que la seconde période (1994-2000) est sèche. C’est ainsi que l’utilisation de deux périodes et de caractéristiques différentes fournit la possibilité au modèle de faire le meilleur apprentissage. Au début du processus d’apprentissage, chaque neurone reçoit une valeur (valeur d’entrée) et chaque synapse (connexion entre deux neurones), un coefficient de pondération (également appelé «poids»). En donnant au réseau la valeur d’arrivée à laquelle il doit parvenir, le réseau se reconfigure automatiquement en changeant les poids de ses connexions et en effectuant à nouveau ses calculs (processus dit de rétro-propagation). Cela consiste à rétropropager les erreurs commises par un neurone à sa synapse et aux neurones qui y sont reliées.

thumbnail Figure 2

Schéma de la période de calibration et de validation. Scheme of the calibration and validation period.

Pour les réseaux de neurones, on utilise habituellement la rétro-propagation du gradient de l’erreur, qui consiste à corriger les erreurs selon l’importance des éléments qui ont justement participé à la réalisation de ces erreurs : les poids synaptiques qui contribuent à engendrer une erreur importante se verront modifiés de manière plus significative que les poids qui ont engendré une erreur marginale. Pour éviter le surapprentissage, il suffit de partager les données en deux sous-ensembles. Le premier sert à l’apprentissage (période de calibration) et le seconde à l’évaluation de l’apprentissage (période de validation). Le processus continue jusqu’à minimiser l’erreur dont l’estimation se fait par le paramètre de RMSE (racine carrée de l’erreur quadratique moyenne).

1.3. Critères d’évaluation des résultats

De manière générale, plusieurs critères permettent d’évaluer la performance des résultats d’un modèle. Parmi ces critères, nous en avons choisi quatre :

  • Le coefficient de corrélation calculé entre les valeurs observées et les valeurs simulées.

  • La racine carrée de l’erreur quadratique moyenne (RMSE) entre les valeurs observées et les valeurs simulées.

  • Les écarts moyens (exprimés en valeur absolue et aussi en pourcentages par rapport à l’observation) entre les valeurs des pluies simulées et les pluies observées.

  • Les écarts des écarts-types des valeurs simulées et des valeurs observées (Goodess et al., 2006; Kostopoulou et al., 2006; Tolika et al., 2007).

Le choix de quatre critères différents mentionnés ci-dessus pour l’évaluation des résultats obtenus repose sur le fait que chaque critère permet d’apprécier une certaine performance du modèle statistique et, ainsi, de faire la comparaison avec les résultats obtenus en utilisant d’autres méthodes statistiques de désagrégation d’échelle. Tous ces paramètres ont été calculés pour les pluies hivernales de chaque station pour la période de validation (1979-1993).

1.4. Choix des prédicteurs

Dans toutes les méthodes empiriques de désagrégation d’échelle, la première étape est constituée par le choix des prédicteurs. Un des prédicteurs le plus souvent utilisé est le géopotentiel à 500 hPa largement diffusé et consultable par tous (Maheras, 2002). En outre, nous avons également cherché à introduire dans le modèle d’autres prédicteurs dans le but d’améliorer les résultats. Parmi les prédicteurs de la circulation atmosphérique, on peut utiliser les valeurs des géopotentiels à différents niveaux (1000 hPa, 850 hPa, 700 hPa, etc), la couche d’épaisseur (1000-500 hPa), la pression atmosphérique de surface, ainsi que l’humidité spécifique près de la surface (Cavazos, 1997; Crane et Hewitson 1997; Busioc et al., 1999; Gonzalez-Rouco et al., 2000; Trigo et Palutikof, 2001; Tatli et al., 2004). Widmann et Bretherton (2000), Windmann et al. (2003), Salathé (2003) ou encore Schmidli et al. (2006) suggèrent l’introduction des valeurs des précipitations des réanalyses NCEP ou des MCG comme prédicteurs. Selon ces auteurs, ce dernier prédicteur peut améliorer de manière importante la performance des méthodes statistiques de désagrégation d’échelle. Plus particulièrement, d’après Schmidli et al. (2006), l’introduction des précipitations des MCG comme prédicteur peut réduire considérablement l’incertitude des modèles de désagrégation d’échelle par rapport aux modèles utilisant uniquement des prédicteurs caractérisant la circulation (géopotentiels, pression atmosphérique, couche d’épaisseur, etc). Les mêmes auteurs prétendent que les valeurs de pluies produites par les MCG intègrent tous les caractères relatifs aux influences des prédicteurs de la circulation atmosphérique générale et régionale.

Le tableau 1 comprend tous les prédicteurs ainsi que leurs combinaisons utilisés dans cette étude.

Tableau 1

Les sept prédicteurs utilisés dans cette étude. The seven predictors used in the study

Nous avons tout d’abord utilisé comme prédicteur unique les valeurs des géopotentiels au niveau 500 hPa et après, combiné ce prédicteur avec deux autres prédicteurs circulatoires : les valeurs des géopotentiels au niveau 700 hPa et celles de l’épaisseur de la couche 1000-500 hPa. Ensuite, les séries chronologiques des scores des champs mentionnés ci-dessus sont utilisées, obtenues par une analyse en composantes principales (S-mode analyse). Ce tableau présente les 43 années en observations et les 154 points de grille en variables. Cette dernière opération a pour objectif de réduire le nombre de variables, tout en minimisant la perte d’information. Le choix du nombre des composantes principales significatives se base sur la valeur propre de la composante supérieure à 1 (O’Lenic et Livezey, 1988). C’est ainsi que 6 composantes significatives ont été retenues pour l’analyse à 500 hPa (la variance totale expliquée est de 95,5%), également 6 (la variance totale est de 98,9%) pour l’analyse à 700 hPa et 7 pour l’analyse de la couche d’épaisseur 1000-500 hPa (la variance totale est de 98%). Enfin, nous avons introduit, comme prédicteur, l’humidité spécifique ainsi que les précipitations (données NCEP) calculées pour un certain nombre de points de grille, les plus proches des stations utilisées. On doit mentionner que les prédicteurs sont mis côte à côte dans une matrice et tous sont présentés en entrée lors de l’application des réseaux de neurones artificiels. Le prédicteur P7 comprend par exemple comme entrées les séries chronologiques des scores des 6 composantes principales, la série des précipitations et la série d’humidité spécifique.

Au total, sept prédicteurs simples ou combinés sont utilisé et les résultats des applications au modèle de désagrégation d’échelle ont été évalués pour la période de validation 1979-1993 par le calcul des quatre critères retenus :

  1. valeurs élevées des coefficients de corrélation,

  2. valeurs faibles de RMSE,

  3. valeurs faibles des écarts moyens,

  4. valeurs faibles des écarts des écarts-types.

L’examen des résultats obtenus montre qu’en ce qui concerne les précipitations hivernales (figure 3), le 7ème prédicteur présente le coefficient de corrélation moyen le plus élevé, sa valeur étant supérieure à 0,7 alors que le coefficient de corrélation du premier prédicteur vient en seconde place. La meilleure prévisibilité apportée par ces prédicteurs apparaît également avec l’examen des valeurs RMSE (valeurs de RMSE les plus faibles, figure 3b). En ce qui concerne les écarts moyens les plus faibles, les meilleurs résultats apparaissent par la combinaison des géopotentiels 500 hPa avec l’épaisseur de la couche 1000-500 hPa (3ème prédicteur). Enfin, le 6ème prédicteur présente les meilleurs résultats concernant la variabilité des précipitations (écarts faibles des écarts-types, figure 3d).

thumbnail Figure 3

Coefficients de corrélation moyens (a), valeurs moyennes de RMSE (b), écarts moyens (c) et écarts moyens des écarts types (d), entre des précipitations hivernales observées et simulées par l’utilisation de sept prédicteurs différents (période 1979-1993). Correlation coefficient values (a), RMSE values (b), mean differences (c) and standard deviation differences (d) between the simulated and the observed winter precipitation using the seven predictors during the validation period 1979-1993.

Nous avons finalement décidé d’utiliser deux prédicteurs : le 1er qui est un prédicteur simple représentant uniquement la circulation (géopotentiels 500 hPa) et le 7ème qui est un prédicteur mixte. Dans les paragraphes qui suivent, les deux prédicteurs s’appellent par leurs acronymes : 1er = P500 = P1 et 7ème = P500sc_HS_prec = P2.

2. Résultats

2.1. Période de validation 1979-1993

Dès que le modèle a été établi, il a été appliqué en utilisant les deux prédicteurs mentionnés ci-dessus. La figure 4 nous donne les valeurs du coefficient de corrélation pour toutes les stations entre les valeurs de pluies observées et les pluies simulées concernant la période de validation (1979-1993). D’après cette figure, on constate que les coefficients de corrélation sont élevés pour la grande majorité des stations. Plus particulièrement, avec l’application du prédicteur P500, les valeurs du coefficient de corrélation varient entre 0,3 (station d’Athènes) et 0,9 (stations Agrinio, Ioannina, Kerkyra et Tripoli). Les valeurs des coefficients de corrélation sont plus élevées avec l’application du prédicteur P500sc_HS_prec. En effet, pour 12 stations, les coefficients de corrélation sont plus élevés que dans le cas précédent; 5 stations présentent les mêmes coefficients de corrélation et 5 stations connaissent des coefficients de corrélation relativement plus faibles dont les valeurs varient entre 0,4 (Kozani) et 0,9 (Agrinio, Chania, Kalamata, Skyros et Tripoli).

thumbnail Figure 4

Coefficients de corrélation entre les précipitations hivernales observées et simulées pour chaque station par l’application de deux prédicteurs différents (période de validation : 1979-1993). Correlation coefficient values between the simulated and the observed precipitation with the application of the two final predictors for the validation period 1979-1993.

Le tableau 2 présente les écarts bruts entre les précipitations simulées et observées, pour la période de validation, pour toutes les stations, exprimés en pourcentage. On constate, qu’en règle générale, les écarts sont négatifs (modèle du prédicteur P500) excepté les écarts des stations Ioannina, Mytilène et Skyros où les pluies hivernales apparaissent surestimées. Pourtant, l’application du t-test de Student montre que les écarts ne sont pas significatifs et cela, pour toutes les stations. Les résultats du modèle utilisant l’autre prédicteur (P500sc_HS_prec) apparaissent relativement différents. En effet, pour neuf stations, les écarts sont positifs alors que pour les autres stations, les écarts apparaissent négatifs. Cette fois, les résultats sont statistiquement significatifs pour deux stations présentant des écarts positifs (Skyros et Thessaloniki) et pour une station présentant des écarts négatifs (Kythira).

Tableau 2

Ecarts bruts et en pourcentage des précipitations hivernales (simulées – observées) pour la période de validation (1979-1993) par l’application de deux prédicteurs au modèle. Les écarts signalés en gris foncé sont statistiquement significatifs au seuil de 0,05. Differences (in percentage) of the winter precipitation totals (simulated – observed) for the validation period (1979-1993) by applying the two predictors in the downscaling model. The differences shaded in grey are the statistical significant ones at a level of 0.05.

La variabilité interannuelle simulée des pluies hivernales de toutes les stations étudiées est nettement sous-estimée. En effet, les écarts des écarts-types sont négatifs (tableau 3). Il est à noter que les résultats concernant le prédicteur P500sc_HS_prec apparaissent nettement plus satisfaisants que les résultats obtenus avec l’autre prédicteur, car les écarts des écarts-types sont inférieurs pour la majorité des stations.

Tableau 3

Ecarts des écarts-types des précipitations hivernales (simulées - observées) pour la période de validation (1979-1993) par l’application de deux prédicteurs du modèle. Standard deviation differences of the winter precipitation totals (simulated – observed) for the validation period (1979-1993) by applying the two predictors in the downscaling model.

Les valeurs du 4ème critère d’évaluation des résultats (RMSE) apparaissent en figure 5. On rappelle que plus les valeurs de ce paramètre RMSE sont faibles, plus les résultats de la simulation sont satisfaisants. D’après la figure 5, il est évident que les résultats obtenus par l’application du prédicteur P500sc_HS_prec sont nettement plus satisfaisants que les résultats obtenus avec l’autre prédicteur : pour 15 stations, les valeurs de RMSE du prédicteur P500sc_HS_prec sont inférieures aux valeurs du prédicteur P500.

thumbnail Figure 5

Valeurs de RMSE entre les précipitations hivernales observées et simulées pour chaque station par l’application de deux prédicteurs (période de validation : 1979-1993). RMSE values between the simulated and the observed precipitation with the application of the two final predictors for the validation period 1979-1993.

2.2. Période du contrôle. Comparaison de deux modèles : statistique et dynamique

Dès que le modèle a été établi, il est appliqué en utilisant comme entrées les données du modèle atmosphérique HadAM3P, tant pour la période 1961-1990 (run de contrôle) que pour la période future (2071-2100). Ensuite, pour estimer le changement futur des hauteurs des précipitations, nous avons calculé les écarts des résultats du scénario avec ceux du « run de contrôle». Enfin, nos avons comparé les valeurs des pluies de chaque station simulées par la méthode statistique aux valeurs moyennes des pluies simulées par le modèle HadRM3P de quatre points de grille entourant les stations.

Cette fois, l’apprentissage du modèle a été fait en utilisant comme période de calibration l’ensemble de l’information disponible (1958-2000, données observées et données des réanalyses NCEP). Ensuite, ce modèle a été appliqué aux données de HadAM3P pour la période 1961-1990 (période du contrôle). L’application a été faite en utilisant les deux prédicteurs déjà mentionnés. La performance et la crédibilité des données du HadAM3P pour reproduire les relations entre les prédicteurs et les précipitations pour les stations helléniques utilisées, a été testée en comparant les valeurs simulées aux valeurs d’observations de la période 1961-1990. Ces résultats sont ensuite comparés aux chiffres obtenus par la désagrégation d’échelle dynamique. Ces derniers sont le fruit de quatre valeurs des points de grille entourant les stations de référence; nous avons également calculé la moyenne des quatre points de grille.

Les cartes de la figure 6 présentent les écarts bruts entre les valeurs des précipitations simulées par les modèles HadAM3P et HadRM3P en appliquant les deux méthodes (statistique et dynamique) et les valeurs des précipitations observées pendant la période 1961-1990. Nous avons également calculé les pourcentages des mêmes écarts (tableau 4).

thumbnail Figure 6

Distribution géographique des écarts entre les hauteurs des précipitations hivernales en Grèce simulées par le modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) et les précipitations observées correspondantes (statistique / dynamique – observées), pour la période de run de contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Les écarts significatifs d’après le t-test au seuil de 0,05 figurent en gris foncé. Geographical distribution of the differences between the simulated precipitation totals derived from the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) and the observed precipitation totals (statistical / dynamical – observed) fro the control run period 1961-1990. The positive (negative) differences are represented by black (white) circles. The statistical significant differences are shaded with grey colour.

Tableau 4

Précipitations hivernales observées et simulées (méthode statistique (Pred.1 et Pred.2) et dynamique) en Grèce (période 1961-1990) et pourcentages des écarts estimés par les modèles statistique et dynamique. The precipitation totals observed and simulated (statistical downscaling method (Pred.1 and Pred.2) and dynamical method) and the differences percentage (%) estimated by the two models (statistical and dynamical).

D’après la figure 6, on constate que l’application du modèle avec l’utilisation du prédicteur P500, sous-estime les précipitations hivernales. Les écarts négatifs les plus forts apparaissent le long des stations de la mer Ionienne à l’ouest, et le long des stations insulaires de la mer Egée, à l’est. Il s’agit des stations qui reçoivent le maximum des précipitations hivernales en Grèce. Pour pratiquement l’ensemble des stations, les écarts mentionnés d’après le t-test du Student sont statistiquement significatifs au seuil de 0,05. La sous-estimation des précipitations hivernales en Grèce peut être en partie liée aux valeurs plus élevées des géopotentiels 500 hPa simulées par le modèle HadAM3P par rapport aux valeurs de géopotentiel des réanalyses NCEP/NCAR (Tolika et al., 2006).

L’utilisation du second prédicteur (P500sc_HS_prec) fournit des résultats bien différents. C’est ainsi que les écarts négatifs apparaissent uniquement dans la partie sud du pays (Péloponnèse et Crête) tandis que pour la plus grande partie des stations, les précipitations présentent une faible surestimation. Seules deux stations présentent des écarts statistiquement significatifs (Larissa avec 25,7 mm, soit 20,7%, et Tripoli avec -77,5 mm, soit -21,2%; figure 6b et tableau 4).

La distribution géographique des écarts résultant de l’application du modèle dynamique, montre qu’également dans ce cas, les écarts les plus élevés apparaissent à l’ouest et à l’est du territoire hellénique (figure 6c). Il est évident que malgré la résolution plus élevée du modèle dynamique, celui-ci apparaît incapable d’intégrer, d’une façon satisfaisante, les facteurs régionaux et locaux déterminant, en grande partie, les précipitations en Grèce. On doit remarquer que la station de Milos, située au centre de la mer Egée méridionale présente, par rapport aux autres stations, les meilleures simulations pour les deux modèles (écarts très faibles).

Les figures 7a-c montrent la distribution géographique des écarts des écarts-types entre les précipitations hivernales observées et les précipitations simulées par les deux modèles. Dans le cas du modèle statistique (approche des neurones artificiels), il est évident que, aussi bien les données des géopotentiels du modèle utilisées comme prédicteurs que les autres paramètres utilisés comme «prédicteur composé», ne peuvent reproduire d’une façon satisfaisante la variabilité naturelle des séries chronologiques des précipitations.

thumbnail Figure 7

Distribution géographique des écarts des écarts-types des précipitations hivernales en Grèce simulées par le modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) et des précipitations observées correspondantes (statistique / dynamique – observées), pour la période de contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Geographical distribution of the standard deviation differences between the simulated precipitation totals derived from the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) and the observed precipitation totals (statistical / dynamical – observed) from the control run period 1961-1990. The positive (negative) differences are represented by black (white) circles. The statistical significant differences are shaded with grey colour.

C’est ainsi que les écarts les plus élevés apparaissent pour les stations insulaires de la mer Egée est et sud. On doit rappeler le fait que le modèle de désagrégation d’échelle, durant le processus de sa construction, a présenté lui-même une sous-estimation de la variabilité des précipitations. Donc, il est possible que les écarts négatifs des écarts-types soient en partie liés à la faible capacité des neurones artificiels pour simuler le paramètre écart-type. Les résultats concernant la variabilité du modèle dynamique (figure 7c) ne sont pas meilleurs. Pour presque toutes les stations, les écarts des écarts-types sont négatifs, sauf pour les stations d’Attique et de Grèce continentale centrale, où le modèle régional surestime la variabilité naturelle des précipitations.

2.3. Résultats concernant la période 2071-2100. Comparaison avec les résultats du modèle régional HadRM3P

La dernière partie de ce travail est une tentative d’estimation des changements futurs des précipitations hivernales pendant la période 2071-2100, tant par le modèle statistique (utilisation de deux prédicteurs : simple et composé) que par le modèle dynamique. Les écarts ont été calculés entre les chiffres du scénario disponible et les chiffres correspondant à la période de contrôle (1961-1990).

D’après les résultats obtenus, il semble que les précipitations hivernales vont présenter un affaiblissement important presque partout en Grèce (figures 8a-c). Plus particulièrement, les précipitations simulées par le prédicteur P500 montrent que la diminution la plus importante va apparaître dans la Grèce méridionale et surtout en Crète. Au contraire, sur le NW de la Grèce, on observe une légère augmentation.

thumbnail Figure 8

Distribution géographique des écarts entre les précipitations hivernales en Grèce simulées par la modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) (scénario, période 2071-2100) et les précipitations simulées pour la période du contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Geographical distribution of the differences between the simulated precipitation of the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) for the future period 2071-2100 and the simulated precipitation total from the control run period (1961-1990). The positive (negative) differences are represented by black (white) circles.

Avec l’utilisation de l’autre prédicteur (composé), la diminution la plus importante apparaît aussi bien à l’ouest qu’à l’est de la Grèce tandis que les stations situées en Crète présentent une légère augmentation. L’ampleur des changements simulés apparaît plus importante avec l’utilisation du prédicteur composé (P500sc_HS_prec), variation peut-être en partie lié au comportement « pronostique » des prédicteurs choisis. L’introduction de l’humidité spécifique et des précipitations, comme prédicteurs dans le modèle, a augmenté la performance « pronostique » du modèle. C’est ainsi que les précipitations simulées, lors de l’application du modèle dans la période du contrôle (1961-1990), étaient nettement supérieures avec l’utilisation du prédicteur composé. En effet, comme nous l’avons déjà vu, les écarts obtenus par le prédicteur P1 sont partout négatifs tandis que les écarts obtenus par le prédicteur P2 apparaissent dans leur majorité légèrement positifs (tableau 4). Or, ce caractère pronostique apparaît également dans les simulations concernant la période à venir.

Les résultats des simulations dynamiques (figure 8c) indiquent une diminution importante des précipitations hivernales pour l’ensemble de la Grèce. La diminution la plus élevée apparaît cette fois sur la Grèce continentale, l’ouest et sur le Péloponnèse. Des changements négatifs moins importants apparaissent le long des deux mers Ionienne et Egée. On remarque que les changements simulés par le modèle dynamique (diminution des précipitations) sont nettement supérieurs à ceux simulés par le modèle statistique, surtout pour les stations de la Grèce continentale.

Conclusions et discussion

Au terme de ce travail, quelques remarques s’imposent. Deux approches différentes de «désagrégation» au niveau régional des modèles globaux ont été appliquées : une approche statistique basée sur les réseaux de neurones artificiels avec l’utilisation de deux prédicteurs, le premier simple, le second composé, et une approche dynamique, utilisant les pluies simulés par un modèle régional (HadRM3P).

D’après les résultats obtenus, le modèle des neurones artificiels peut simuler d’une façon satisfaisante les totaux pluviométriques hivernaux avec des coefficients de corrélation élevés, entre les pluies simulées et les pluies observées. Par contre, le modèle ne peut pas reproduire de façon satisfaisante la variabilité naturelle des séries (sous-estimation importante des écarts types). En effet, le modèle développé est incapable de reproduire les précipitations extrêmes (Wilby et al., 1997; Maheras et al., 2004). En outre, la reproduction des pluies par le modèle change d’une station à l’autre et d’une saison à l’autre (dans certains cas, il y a surestimation et dans d’autres, sous-estimation).

En comparant les résultats du modèle statistique développé par Maheras et al. (2004), et basé sur l’approche des types de circulation avec le modèle développé dans cette étude (pour les mêmes données et la même période), on conclut que le modèle des neurones artificiels donne des coefficients de corrélation plus élevés et des valeurs de RMSE plus faibles que ceux produits par le modèle basé sur l’approche des types de circulation (Maheras et al., 2004). Au contraire, ce dernier modèle s’avère plus efficace pour les simulations des totaux pluviométriques ainsi que pour la reproduction de la variabilité naturelle des séries. Ainsi, il n’est pas évident de savoir quelle approche statistique est la plus efficace car tous les modèles de désagrégation d’échelle présentent des avantages et des limites. Le mieux consiste donc à travailler avec plusieurs méthodes et de comparer les résultats. D’après Hewitson et Crane (1996) ou Crane et Hewitson (1998), l’introduction dans les modèles d’autres prédicteurs complémentaires tels que l’humidité spécifique et les précipitations peuvent améliorer considérablement les résultats. Il en résulte que les données pluviométriques NCEP ainsi que celles de GCM peuvent constituer un prédicteur efficace des précipitations observées (Windmann et al., 2003; Salathe, 2003; Schmidli et al., 2006).

Les résultats obtenus par l’utilisation de deux prédicteurs des données de HadAM3P (P500 et P500sc_HS_prec) pour la période de contrôle (1961-1990) apparaissent relativement contradictoires. C’est ainsi que le prédicteur simple sous-estime les pluies presque partout en Grèce tandis que le prédicteur composé surestime ces valeurs dans la majorité des stations étudiées. De plus, différents ensembles de paramètres indépendants peuvent avoir des simulations relativement opposées. De même, divers modèles atmosphériques peuvent reproduire des résultats différents même si on applique les données de ces modèles au même modèle de désagrégation d’échelle (von Storch et al., 1993). En ce qui concerne le modèle dynamique, l’évaluation des résultats montre que le modèle régional sous-estime les précipitations hivernales partout en Grèce, et les écarts calculés apparaissent nettement plus élevés que les écarts du modèle statistique.

Enfin, nous avons estimé les changements futurs des hauteurs des précipitations hivernales par le calcul des écarts entre les résultats du scénario avec ceux du « run de contrôle», et nous avons comparé les changements simulés par la méthode statistique aux changements simulés par la méthode dynamique. Dans l’ensemble, les deux méthodes concordent puisque les totaux pluviométriques en Grèce semblent se réduire jusqu’à la fin du siècle. Mais dans le détail, les résultats des deux méthodes sont en partie contradictoires et très incertains. C’est ainsi, que par exemple, le modèle dynamique prévoit un risque de diminution important des précipitations sur la Grèce continentale, alors que le modèle statistique (le modèle du prédicteur P1) prévoit une légère augmentation. Il semble que la complexité de la topographie, de ses déterminants climatiques et les interférences nombreuses avec les activités humaines conduisent, en Grèce, aux résultats précédents.

Un des plus grands problèmes posé par les modèles statistiques est l’hypothèse imposée selon laquelle les relations entre les prédicteurs, surtout les prédicteurs relatifs à la circulation atmosphérique, et les pluies journalières, mensuelles ou saisonnières restent les mêmes pendant les périodes de calibration et de validation. Elles doivent rester invariantes également dans une atmosphère avec des températures plus élevées. Cette hypothèse est donc fondamentale dans l’application de l’approche par réseaux de neurones artificiels, où les géopotentiels à 500 hPa constituent le prédicteur majeur aux produits MCG, mais évidemment impossible à vérifier entièrement. C’est l’une des raisons principales de l’incertitude que présentent les résultats des scénarios.

A notre avis, les modèles régionaux peuvent contribuer à augmenter la fiabilité des scénarios concernant les changements climatiques mais ils nécessitent encore beaucoup de travaux de recherche pour avoir des résultats plus satisfaisants. En tout cas, on doit analyser et interpréter les résultats des scénarios avec beaucoup de prudence (Charles et al., 1999).

Remerciements

Les auteurs remercient vivement les deux experts anonymes pour leurs suggestions constructives. Ce travail a été effectué dans le cadre du projet GABARDINE (Groundwater Artificial recharge based on Alternative sources of water: advanced integrated technologies and management) financé par la Commission Européenne sous le numéro 518118.

Références

  • Alexandersson H., 1986 : A homogeneity test applied to precipitation data. J. Climatol., 6, 661–675. [Google Scholar]
  • Anagnostopoulou C., Tolika K., Maheras P., Kutiel H. et Flocas H.A., 2007 : . Performance of the General Circulation HadAM3P Model in simulating circulation types over the Mediterranean regionJ. Climatol., en ligne sur internet. [Google Scholar]
  • Busuioc A., von Storch H. et, Schnur R., 1999 : Verification of GCM-generated regional seasonal precipitation for current climate and of statistical downscaling estimates under changing climate conditions. J. Clim., 12, 258–272. [Google Scholar]
  • Busuioc A., Deliang C. et Hellstrom C., 2001 : Performance of statistical Downscaling models in GCM validation and regional climate change estimates: Application for Swedish precipitation. Int. J. Climatol., 21, 557–578. [Google Scholar]
  • Cavazos T., 1997 : Downscaling large-scale circulation to local winter Rainfall in north-eastern Mexico. Int. J. Climatol., 17, 1069–1082. [Google Scholar]
  • Charles S.P., Bryson C.B., Whetton P.H. et Hughes J.P., 1999 : Validation of downscaling models for changed climate conditions: case study of southwestern Australia. Clim. Res., 12, 1–14. [Google Scholar]
  • Crane R.G. et Hewitson B.C., 1998 : Doubled CO2 Precipitation changes for the Susquehanna Basin: Downscaling from the Genesis General Circulation Model. Int. J. Climatol., 18, 64–76. [Google Scholar]
  • Fahlman S., 1988 : Faster Learning Variations on Back-propagation. An Empirical Study. Proceedings of (1988) Connectionist Models Summer School, published by Morgan Kaufmann, Carnegie Mellon University, Pittsburgh, PA. . [Google Scholar]
  • Gonzàlez-Rouco J.F., Heyen H., Zorita E. et Valero F., 2000 : Agreement between observed rainfall trends and climate change simulations in the southwest of Europe. J. Clim., 13, 3057–3065. [Google Scholar]
  • Goodess C.M. et Palutikof J.P., 1998 : Development of Daily Rainfall Scenarios for Southeast Spain using a circulation-type approach to downscaling. Int. J. Climatol., 10, 1051–1083. [Google Scholar]
  • Goodess C.M., Anagnostopoulou C., Bàrdossy A., Frei C., Harpham C., Haylock M.R., Hundecha Y., Maheras P., Ribalaygue J., Schmidli J., Schmith T., Tolika K., Tomozeiu R. et Wilby R.L., 2006 : An intercomparison of statistical downscaling methods for Europe and European regions - assessing their performance with respect to extreme temperature and precipitation events. Climate Change, accepté pour publication. [Google Scholar]
  • Gyalistras D., von Storch H., Fischlin A. et Beniston M., 1994 : Linking GCM-simulated climatic changes to ecosystem models: case studies of statistical downscaling in the Alps. Clim. Res., 4, 167–189. [Google Scholar]
  • Haylock M.R., Cawley G.C., Harpham C.C., Wilby R.L. et Goodess C.M., 2006 : Downscaling heavy precipitation over the United Kingdom: a comparison of dynamical and statistical methods and their future scenarios. Int. J. Climatol., 26, 1397–1415. [Google Scholar]
  • Hewitson B.C. et Crane R.G., 1996 : Climate downscaling: techniques and application. Clim. Res., 7, 85–95. [Google Scholar]
  • Hulme M., Briffa K.R., Jones P.D. et Senior C.A., 1993 : Validation of GCM control simulations using indices of daily airflow types over the British Isles. Clim. Dynam., 9, 95–105. [Google Scholar]
  • Jones R., Murphy J., Hassel D., Taylor R., 2001). Ensembles Mean Changes in a Simulation of the European Climate of 2071–2100 Using the New Hadley Centre Regional Modelling System HadAM3H/HadRM3H. Hadley Centre, Met Office: Bracknell. [Google Scholar]
  • Kalnay E., Kanamitsou M., Kistler R., Collins W., Deaven D., Gandin L., Irebell M., Saha S., White G., Woollen J., Zhu Y., Leetmaa A., Reynolds R., Chelliah M., Ebisuzaki W., Huggins W., Janowiak J., Mo K.C., Ropelewski C., Wang J., Jenne R. et, Joseph D., 1996 : The NCEP/NCAR 40-year Reanalysis project. Bulletin of the American Meteorological Society, 77, 437–471.. [Google Scholar]
  • Kilsby C.G., Cowpertwait P.S.P., O’ ConnellP.E. et Jones P.D., 1998 : Predicting Rainfall Statistics in England and Wales using Atmospheric Circulation Variables. Int. J. Climatol., 18, 523–539. [Google Scholar]
  • Knutti R., Stocker T.R., Joos F. et Plattner G.K., 2003 : Probabilistic climate change projections using neural networks. Clim. Dynam., 21, 257–272. [Google Scholar]
  • Kostopoulou E., Giannakopoulos C., Anagnostopoulou CHR., Tolika K., Maheras P. et Vafiadis M., 2006 : Simulating Maximum and Minimum temperatures over Greece: A comparison of three modeling techniques. Theor. Appl. Climatol., 90, 65–82. [Google Scholar]
  • Kyselý J., 2002 : Comparison of extremes in GCM-simulated downscaled and observed central – European temperature series. Clim. Res., 20, 211–222. [Google Scholar]
  • Maheras P., 2002 : Simulation des pluies annuelles et saisonnières en Grèce par une approche des types de circulation. BAGF-GEOGRAPHIES. 4, 474–484. [Google Scholar]
  • Maheras P., Tolika K., Anagnostopoulou C., Vafiadis M., Patrikas I. et Flocas H., 2004 : On the Relationships between circulation types and changes in rainfall variability in Greece. Int. J. Climatol., 24, 1695–1712. [Google Scholar]
  • Marzban C., 2003 : Neural Networks for Postprocessing Model Output: ARPS. Monthly Weather Review, 131, 1103–1111. [Google Scholar]
  • O’Lenic E.A. et Livezey R.E., 1988 : Practical considerations in the use of rotated principal component analysis (RPCA) in diagnostic studies of upper-air height fields. Mon. Weather Rev., 116, 1682–1689. [Google Scholar]
  • Salathé Jr E.P., 2003 : Comparison of various precipitation downscaling methods for the simulation of Streamflow in a Rainshadow River Basin. Int. J. Climatol., 23, 887–901. [Google Scholar]
  • Schmidli J., Frei C. et Widale P.L., 2006 : Downscaling from GCM precipitation: A benchmark for dynamical and statistical downscaling methods. Int. J. Climatol., 26, 679–689. [Google Scholar]
  • Schmidli J., Goodess C.M., Frei C., Haylock M.R., Hyndecha Y., Ribalayqua J., Schmith T., 2007 : Statistical and dynamical downscaling of precipitation: An evaluation and comparison of scenarios for the European Alps. J. Geoph. Res., 112. doi: 10.1029/2005HD007026. [Google Scholar]
  • Tatli H., Nuzhet Dalfes H. et Sibel Mentes S., 2004 : A statistical Downscaling Method for monthly total precipitation over Turkey. Int. J. Climatol., 24, 161–180. [Google Scholar]
  • Tolika K., Maheras P., Flocas H.A. et Arseni-Papadimitriou A., 2006 : An evaluation of a General Circulation model (GCM) and the NCEP-NCAR reanalysis data for winter precipitation in Greece. Int. J. Climatol., 26, 935–955. [Google Scholar]
  • Tolika K., Maheras P., Flocas H.A. et Arseni-Papadimitriou A., 2007 : Simulation Of Seasonal Precipitation And Raindays Over Greece: A Statistical Downscaling Technique Based On Artificial Neural Networks (Anns). Int. J. Climatol., 27, 861–881. [Google Scholar]
  • Trigo R.M. et Palutikof J.P., 2001 : Precipitation Scenarios over Iberia: A Comparison between Direct GCM Output and Different Downscaling Techniques. J. Clim., 14, 4442–4445. [Google Scholar]
  • von Storch H., Zorita E. et Cubarch U., 1993 : Downscaling of Global Climate Change Estimates to Regional Scales: An Application to Iberian Rainfall in Wintertime. J. Clim., 6, 1161–1171. [Google Scholar]
  • Widmann M. et Bretherton C.S., 2000 : Validation of Mesoscale Precipitation in the NCEP Reanalyis Using a New Gridcell Dataset from the Northwestern United States. J. Clim., 13, 1936–1950. [Google Scholar]
  • Widmann M., Bretherton C.S. et Salathé E.P., 2003 : Statistical Precipitation Downscaling over the Northwestern United States Using Numerically Simulated Precipitation as a Predictor. J. Clim., 16, 799–816. [Google Scholar]
  • Wilby R.L., 1998 : Non-stationarity in daily precipitation series: implications for GCM downscaling using atmospheric circulation indices. Int. J. Climatol., 17, 439–545. [Google Scholar]

Liste des tableaux

Tableau 1

Les sept prédicteurs utilisés dans cette étude. The seven predictors used in the study

Tableau 2

Ecarts bruts et en pourcentage des précipitations hivernales (simulées – observées) pour la période de validation (1979-1993) par l’application de deux prédicteurs au modèle. Les écarts signalés en gris foncé sont statistiquement significatifs au seuil de 0,05. Differences (in percentage) of the winter precipitation totals (simulated – observed) for the validation period (1979-1993) by applying the two predictors in the downscaling model. The differences shaded in grey are the statistical significant ones at a level of 0.05.

Tableau 3

Ecarts des écarts-types des précipitations hivernales (simulées - observées) pour la période de validation (1979-1993) par l’application de deux prédicteurs du modèle. Standard deviation differences of the winter precipitation totals (simulated – observed) for the validation period (1979-1993) by applying the two predictors in the downscaling model.

Tableau 4

Précipitations hivernales observées et simulées (méthode statistique (Pred.1 et Pred.2) et dynamique) en Grèce (période 1961-1990) et pourcentages des écarts estimés par les modèles statistique et dynamique. The precipitation totals observed and simulated (statistical downscaling method (Pred.1 and Pred.2) and dynamical method) and the differences percentage (%) estimated by the two models (statistical and dynamical).

Liste des figures

thumbnail Figure 1

a) Stations avec des précipitations hivernales (1958-2000); b) Points de grille utilisés (la grande fenêtre correspond aux données de géopontentiels; NCEP, HadAM3P. Les points de grille numérotés correspondent aux données des précipitations et d’humidité spécifique; NCEP, HadAM3P). The stations (a) and the grid points (b) used in the study (the larger window corresponds to the geopotential 500hPa data; NCEP, HadAM3P. The numbered grid point over the Greek area correspond to the precipitation and specific humidity data; NCEP, HadAM3P).

Dans le texte
thumbnail Figure 2

Schéma de la période de calibration et de validation. Scheme of the calibration and validation period.

Dans le texte
thumbnail Figure 3

Coefficients de corrélation moyens (a), valeurs moyennes de RMSE (b), écarts moyens (c) et écarts moyens des écarts types (d), entre des précipitations hivernales observées et simulées par l’utilisation de sept prédicteurs différents (période 1979-1993). Correlation coefficient values (a), RMSE values (b), mean differences (c) and standard deviation differences (d) between the simulated and the observed winter precipitation using the seven predictors during the validation period 1979-1993.

Dans le texte
thumbnail Figure 4

Coefficients de corrélation entre les précipitations hivernales observées et simulées pour chaque station par l’application de deux prédicteurs différents (période de validation : 1979-1993). Correlation coefficient values between the simulated and the observed precipitation with the application of the two final predictors for the validation period 1979-1993.

Dans le texte
thumbnail Figure 5

Valeurs de RMSE entre les précipitations hivernales observées et simulées pour chaque station par l’application de deux prédicteurs (période de validation : 1979-1993). RMSE values between the simulated and the observed precipitation with the application of the two final predictors for the validation period 1979-1993.

Dans le texte
thumbnail Figure 6

Distribution géographique des écarts entre les hauteurs des précipitations hivernales en Grèce simulées par le modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) et les précipitations observées correspondantes (statistique / dynamique – observées), pour la période de run de contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Les écarts significatifs d’après le t-test au seuil de 0,05 figurent en gris foncé. Geographical distribution of the differences between the simulated precipitation totals derived from the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) and the observed precipitation totals (statistical / dynamical – observed) fro the control run period 1961-1990. The positive (negative) differences are represented by black (white) circles. The statistical significant differences are shaded with grey colour.

Dans le texte
thumbnail Figure 7

Distribution géographique des écarts des écarts-types des précipitations hivernales en Grèce simulées par le modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) et des précipitations observées correspondantes (statistique / dynamique – observées), pour la période de contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Geographical distribution of the standard deviation differences between the simulated precipitation totals derived from the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) and the observed precipitation totals (statistical / dynamical – observed) from the control run period 1961-1990. The positive (negative) differences are represented by black (white) circles. The statistical significant differences are shaded with grey colour.

Dans le texte
thumbnail Figure 8

Distribution géographique des écarts entre les précipitations hivernales en Grèce simulées par la modèle statistique (Pred1 (a), Pred 2(b)) et dynamique (c) (scénario, période 2071-2100) et les précipitations simulées pour la période du contrôle (1961-1990). Les écarts positifs (négatifs) sont représentés par un rond noir (blanc). Geographical distribution of the differences between the simulated precipitation of the statistical model (Pred1 (a), Pred 2(b)), the dynamical model (c) for the future period 2071-2100 and the simulated precipitation total from the control run period (1961-1990). The positive (negative) differences are represented by black (white) circles.

Dans le texte

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.