e-Lettre N°3 – Incertitudes de calibration du paramètre de rétroaction climatique dans la composante atmosphérique de CNRM-CM6-1

e-Lettre Climeri-France N°3 - Septembre 2022

Tuning et services labellisés

Incertitudes de calibration du paramètre de rétroaction climatique dans la composante
atmosphérique de CNRM-CM6-1

Dans les modèles de climat, et notamment dans leurs composantes atmosphèriques, la représentation des processus à fine échelle par des paramétrisations sous-mailles introduit un nombre important de paramètres libres à calibrer. La calibration de ces paramétrisations est souvent basée sur une approche empirique et repose principalement sur le jugement d’experts, bien que des approches de calibrations automatiques ou quasi-automatiques telles que l’History Matching se développent de plus en plus. Cette incertitude de calibration peut affecter la réponse de température de surface globale à un doublement de la concentration en CO2, mesurée par la sensibilité climatique à l’équilibre (ECS). L’impact de la calibration des modèles de climat sur l’ECS est encore peu étudié, représentant une source d'incertitude majeure dans les projections climatiques.

La méthode présentée dans Peatier et al. (2022) a donc pour objectif d’explorer l’intervalle plausible de l’ECS dans un ensemble de simulations atmosphériques avec perturbation des paramètres , appelé PPE, d’ARPEGE-Climat 6.3, la composante atmosphérique du modèle CNRM-CM6-1. L’ECS n’étant pas quantifiable à partir de simulations atmosphériques seules, elle sera estimée linéairement à partir du paramètre de rétroaction climatique λ. Ce paramètre de rétroaction est le rapport entre les différences de budgets radiatifs au sommet de l’atmosphère et de températures de surface entre une simulation de contrôle (amip) et une simulation forcée par une augmentation de 4K de la température de surface des océans (amip-future4K). Le PPE est produit à partir d’un échantillonnage par hypercube latin des valeurs de 30 paramètres physiques ajustables du modèle d’atmosphère. Ces paramètres sont pour la plupart des propriétés radiatives ou microphysiques des nuages, ou des paramètres impliqués dans la convection et la turbulence.

Le PPE comprend 102 paires de simulation et couvre un large intervalle de valeurs de λ, plus large que l'intervalle multi-modèles CMIP6. Cependant, les simulations du PPE ne sont pas toutes aussi performantes à représenter le climat de contrôle et une métrique intégrée de comparaison aux observations doit être définie, utilisée comme un score quantifiant la performance du modèle. Ce score Etot est en fait la moyenne de quatre métriques permettant de comparer les flux ondes longues et ondes courtes au sommet de l’atmosphère, la température de surface et les précipitations avec des observations via une estimation de l’ erreur quadratique moyenne (appelées RMSE). Ces RMSE ne sont cependant pas calculées entre les champs complets des variables du modèles et les observations, mais seulement à partir des champs reconstruits à partir des cinq premiers modes (appelés EOF) de variabilité des moyennes annuelles dans le PPE, estimés grâce à des décompositions par analyse en composante principale.

Ces décompositions permettent principalement de faire de l’apprentissage supervisé (ici avec des régressions linéaires multivariées - MLR) pour prédire, à partir des 30 valeurs des paramètres, les composantes principales des EOF, et donc le score Etot , ainsi que le paramètre de rétroaction . Ces prédictions statistiques permettent d’explorer la gamme des valeurs de λ au sein d’un sous-ensemble de calibrations optimales, identifiées via une optimisation sous contraintes: on découpe la plage des λ en N intervalles et pour chaque intervalle, on cherche la combinaison de paramètres qui va minimiser la métrique Etot.

En dépit de l’approximation introduite par l’utilisation de l’émulation statistique, nous avons pu produire 15 variantes (sous-entendu 15 combinaisons différentes pour les valeurs des 30 paramètres) du modèle qui présentent un score Etot comparable à celui de l’ensemble multi-modèle CFMIP tout en couvrant un intervalle d’ECS de [4.1K – 6.1K]. Un premier résultat important à noter est de constater que malgré ce travail d’optimisation, aucune des simulations candidates n’est plus performante que la calibration de référence, suggérant que l’approche empirique de la calibration du modèle est robuste. Ces résultats montrent également l’impact non négligeable de la calibration du modèle sur le paramètre de rétroaction climatique et potentiellement sur l’ECS, mettant en lumière l’importance de mieux quantifier l’incertitude de calibration dans les projections climatiques.

Rédacteur : S. Peatier (CERFACS) et L. Terray (CERFACS)

 

Référence

  • Peatier, S., Sanderson, B. M., Terray, L. and Roehrig, R. (2022) Investigating Parametric Dependence of Climate Feedbacks in the Atmospheric Component of CNRM-CM6-1, Geophysical Research Letters, 49 (9), pp. e2021GL095084, doi:10.1029/2021GL095084