Sources de données et méthodologie

La principale source des données des modèles climatiques présentées sur nos cartes, graphiques et tableaux est Pacific Climate Impacts Consortium (PCIC). [1] Le PCIC nous a fourni des projections dont la mise à l’échelle a été faite de manière statistique et représentant les températures quotidiennes et les précipitations provenant de 24 modèles climatiques utilisant deux scénarios d’émissions de carbone. Nous présentons ici un survol de cet ensemble de données, une brève description de ce qu’est la mise à l’échelle et un aperçu technique du type de mise à l’échelle utilisé.

Au sujet de ces données

Nous utilisons des données de PCIC dont la mise à l’échelle a été faite de manière statistique (correction de biais/construction d'analogues, avec cartographie des quantiles, version 2; BCCAQv2) découlant de 24 modèles climatiques globaux (la liste complète des modèles se retrouve ci-dessous). Nous appelons le RCP4.5 et le RCP8.5 les scénarios respectivement de « faibles émissions de carbone » et de « fortes émissions de carbone ».

Pour chaque modèle ou scénario, le PCIC indique les températures quotidiennes (maximum et minimum) et les précipitations totales à une résolution de 10 km x 10 km pour l’ensemble du Canada, pour la période de 1950 à 2100. Parce que certains modèles n’avaient pas de données au-delà de 2095, nous avons utilisé cette année comme date limite pour les séries chronologiques futures.

Pour chaque modèle, les simulations pour 1950-2005 sont identiques pour les deux scénarios d’émissions (RCP4.5 et RCP8.5). Les scénarios d’émissions divergents ont commencé à être utilisés par les modèles en 2006, c’est-à-dire qu’à partir de 2006, les résultats des modèles pour les deux RCP commencent à varier.

Des projections climatiques sont fournies pour deux périodes de 30 ans (2021-2050 et 2051-2080) ainsi que pour une période de base (1976-2005). À moins d’indications contraires, les données et les cartes que nous présentons sont les moyennes des 24 modèles.

Veuillez visiter notre page « Limitations et notes importantes sur les données » afin d’en apprendre davantage à ce sujet et sur comment les utiliser.

Que signifie la mise à l’échelle?

Comme pourrait le laisser croire le nom, les modèles climatiques globaux (MCG) (aussi connus sous le nom de modèles de circulation générale) sont conçus pour évaluer les conditions climatiques à l’échelle mondiale. Par contre, il est important de noter que toutes les projections de MCG peuvent être affectées par des « biais systématiques » lorsqu’elles sont utilisées pour analyser des climats sur de grandes échelles. De plus, les ensembles de données de MCG sont habituellement calculés à des résolutions spatiales passablement basses (>1° lat/lon, ou plus de 100 km x 100 km dans le sud du Canada), ce qui a un impact sur la valeur des données originales des MCG lors de l’étude des changements climatiques locaux. Pour augmenter l’utilité des projections des MCG en matière d’analyse des changements climatiques à l’échelle locale, les scientifiques utilisent différents types de correction par biais systématiques et de techniques de mise à l’échelle spatiale.

Habituellement, la correction de biais et la mise à l’échelle sont réalisées en même temps. Il existe deux types de correction de biais et de mise à l’échelle : dynamique et statistique. Leurs objectifs sont d’éliminer le plus possible le biais systématique et de convertir les données des MCG de faible résolution en des données à résolution plus élevée (avec des points de données plus rapprochés les uns des autres que ceux des modèles originaux).

La littérature scientifique offre plusieurs analyses des techniques de mise à l’échelle. Par exemple, Bürger et al. (2012) et Bürger et al. (2013) ont comparé plusieurs types de mise à l’échelle statistique pour évaluer la précision avec laquelle ils reproduisaient les extrêmes climatiques futurs observés et projetés. [2][3] Pierce et al. (2013) ont comparé le MCR, le MCG et deux méthodologies de mise à l’échelle statistique afin de comparer les projections d’évènements de précipitations extrêmes en Californie. [4] Plus récemment, Li et al. (2018) ont évalué plusieurs index sur les changements climatiques liés à l’agriculture et la planification en matière d’adaptation à l’aide de données climatiques dont la mise à l’échelle a été faite de manière statistique. [5]

Quelle méthode de mise à l’échelle avons-nous utilisée?

Les données des modèles climatiques présentées dans l’Atlas ont vu leur échelle réduite de manière statistique et une correction de biais a été effectuée grâce à une méthode appelée correction de biais/construction d'analogues, avec reclassification des quantiles, version 2 (BCCAQv2); les travaux furent réalisés par le Pacific Climate Impacts Consortium (PCIC). [1] Cette méthode a été grandement testée par Murdock et al. (2014) et s’est avérée plus performante que plusieurs autres méthodologies de mise à l’échelle statistique. [6]

La BCCAQ est une méthode hybride (Maurer et al. 2010). [7] Une méthode appelée correction de biais/construction d’analogues (Bias Correction/Constructed Analogues (BCCA) est d’abord utilisée pour changer l’échelle des projections afin de concorder avec les observations en utilisant une période de calibration de 1950-2010. Bien qu’il s’avère que la BCCA surpasse plusieurs méthodes de correction de biais et de mise à l’échelle statistique, on a aussi découvert qu’elle interfère ou détériore dans certains cas la tendance sous-jacente calculée par la MCG (Cannon et al. 2015). [8] Une deuxième méthode appelée cartographie des quantiles (quantile mapping) est donc employée pour préserver les tendances MCG originales des données quotidiennes à échelle statistique (Gudmundsson et al. 2012). [9] Li et al. (2018) ont vérifié que cette version des données de BCCAQ (version 2) décrit très bien les observations climatiques historiques. [5] Bien que la méthode de BCCAQ fonctionne bien comparativement à plusieurs autres méthodes de mise à l’échelle statistique, Murdock et al. (2014) soulèvent une mise en garde. Selon eux, la méthode a tendance à produire « des augmentations relatives étonnamment élevées » des précipitations dans certaines localités. [6]

Le PCIC a calculé et a rendu disponibles des données de BCCAQv2 dont l’échelle a été réduite pour 27 MCG compris dans le projet CMIP5. Dans ce cas, nous avons plutôt décidé d’utiliser les mêmes 24 modèles utilisés par Li et al. (2018). De plus, trois profils représentatifs d’évolution de concentration (RCP) sont disponibles : le RCP8.5 (appelé ci-dessous le scénario « à fortes émissions de carbone », le RCP4.5 (« à faibles émissions de carbone ») et le RCP2.6 (« à très faibles émissions de carbone »). Dans le cadre de notre analyse, nous utilisons uniquement les scénarios RCP8.5 et RCP4.5. Nous avons décidé de ne pas utiliser pour le moment les données du RCP2.6 afin de simplifier le projet de cartographie et également parce qu’il semble très peu probable qu’il se matérialise dans le futur. Les données découlant du RCP6.0 n’étaient pas disponibles auprès du PCIC.

Données observées

À des fins de comparaisons, les données historiques pour la période 1950-2013 sont incluses dans tous les graphiques de séries chronologiques. En fournissant à la fois des données observées et des données modélisées pour cette période, les utilisateurs peuvent juger visuellement à quel point les projections du modèle concordent bien avec les données historiques au cours de cette période de 64 ans.

Les données observées utilisées dans l’Atlas proviennent de Ressources naturelles Canada (RNCan; McKenney et al. 2011). [10] Cet ensemble de données comprend la température de l’air maximale et minimale quotidienne et le total des précipitations quotidiennes pour la même résolution aux points de grille de 10 km x 10 km que dans le cas des ensembles de données du MCG à échelle réduite produits par le PCIC.

Veuillez visiter notre page « Limitations et notes importantes sur les données » afin d’en apprendre davantage à ce sujet et sur comment les utiliser.

Méthodologie

Les groupements de données de modèles à maille fine produits par le PCIC sont trop grands pour être traités directement à l’aide du logiciel GIS et la capacité computationnelle, ainsi que le temps requis pour traiter les données de haute résolution des 24 modèles, sont trop élevés. Par conséquent, nous avons développé un logiciel grâce à Python pour décompacter les données du modèle, calculer les statistiques et créer de plus petits fichiers de sortie pouvant être visualisés et convertis en pavés cartographiques avec un QGIS (Système d'information géospatiale).

Les cartes dans l’Atlas ne contiennent donc pas toutes les données brutes de 10 km x 10 km. Les moyennes surfaciques sont disponibles pour les échelles cartographiques utilisées par le Système national de référence cartographique (SNRC) (1:250 000 et 1:50 000) et aussi pour les provinces et territoires du Canada. Les grilles du SNRC ont été sélectionnées parce qu’elles sont disponibles pour l’ensemble du Canada et parce qu’elles ont une taille d’environ 100 km x 100 km, ce qui est approprié au niveau spatial et climatique. Le nom de ces grilles est basé sur des formes géologiques ou d’importants centres urbains, les rendant utiles aux internautes et facilement reconnaissables.

En plus des données moyennées spatialement, l’analyse du plus proche voisin a été utilisée pour calculer les données ponctuelles d’environ 500 cités et villes à travers le Canada. Ceci a été fait encore une fois au bénéfice de l’internaute; rendre des données disponibles aux cités et villes rend ces données du modèle accessibles et pertinentes pour une grande partie de la population canadienne. En effet, un des principaux objectifs de l’Atlas est de montrer aux Canadiens comment les changements climatiques devraient changer le climat de leur localité.

Veuillez visiter notre page « Limitations et notes importantes sur les données » afin d’en apprendre davantage à ce sujet et sur comment les utiliser.

Sources des données cartographiques non climatiques

Couches cartographiques des autoroutes et routes d’hiver. Statistiques Canada, 2015. Réseau routier national.

Couche cartographique des territoires autochtones. Territoire Traditionnel, 2018.

Couche cartographique des bassins versants. Relevés hydrologiques du Canada (Environnement Canada). Première année de publication inconnue. Rendu disponible par ESRICanadaEducation via le service ArcOnline d’ESRI.

Couches cartographiques du Système national de référence cartographique (SNRC). Système national de référence cartographique du Gouvernement du Canada, 2017. Échelles cartographiques : 1:250 000 et 1:50 000. Rendu disponible par le Gouvernement du Canada, via le service ArcOnline d’ESRI.

Avis de non-responsabilité légale

Les renseignements diffusés par le Prairie Climate Centre, incluant les cartes, tableaux, statistiques et interprétations, mais sans s’y limiter, sont fournis à titre de service public. Ils sont fournis sans aucune garantie ou représentation, expresse ou tacite, quant à son exactitude et exhaustivité. Toute confiance, indue ou non, mise dans les renseignements des présentes est à votre propre risque et est de votre entière responsabilité. En aucun cas, le Prairie Climate Centre ne sera tenu responsable de toute perte ou tout dommage, y compris, mais sans s’y limiter, des pertes ou dommages immatériels ou indirects découlant de l’utilisation des données ou des renseignements qui en découlent.

Références

1. Pacific Climate Impacts Consortium, University of Victoria, (Jan. 2014). Statistically Downscaled Climate Scenarios.
2. Bürger, G., Murdock, T., Werner, A., Sobie, S., 2012. Downscaling extremes-an intercomparison of multiple statistical methods for present climate. Journal of Climate, 25: 4366-4388.
3. Bürger, G., Sobie, S., Cannon, A., Werner, A., and Murdock, T., 2013. Downscaling extremes: an intercomparison of multiple methods for future climate. Journal of Climate, 26: 3429-3449.
4. Pierce, D., Cayan, D., Das, T., Maurer, E., Miller, N., Bao, Y., Kanamitsu, M., Yoshimura, K., Snyder, M., Sloan, L., Franco, G., Tyree, M., 2013. The key role of heavy precipitation events in climate model disagreements of future annual precipitation changes in California. Journal of Climate, 26: 5879-5896.
5. Li, G., Zhang, X., Cannon, A., Murdock, T., Sobie, S., Zwiers, F., Anderson, K., and Qian, B. (2018). Indices of Canada’s future climate for general and agricultural adaptation applications. Climatic Change (2018) 148:249–263 https://doi.org/10.1007/s10584-018-2199-x
6. Murdock, T., Sobie, S., Hiebert, J., 2014. Statistical downscaling of future climate projections for North America: report on contract no: KM040-131148/A. Available online: https://www.pacificclimate.org/sites/default/files/publications/PCIC_EC_downscaling_report_2014.pdf
7. Maurer, E., Hidalgo, H., Das, T., Dettinger, M., Cayan, D., 2010. The utility of daily large-scale climate data in the assessment of climate change impacts on daily streamflow in California. Hydrology and Earth System Science, 14: 1125-1138.
8. Cannon, A., Sobie, S., Murdock, T., 2015. Bias correction of GCM precipitation by quantile mapping: how well do methods preserve changes in quantiles and extremes? Journal of Climate, 28: 6938-6959.
9. Gudmundsson, L., Bremnes, J., Haugen, J., Engen-Skaugen, T., 2012. Technical note: downscaling RCM precipitation to the station scale using statistical transformations - a comparison of methods. Hydrology and Earth System Science, 16: 3383-3390.
10. McKenney, D. W., Hutchinson, M.F., Papadopol, P., Lawrence, K., Pedlar, J., Campbell, K., Milewska, E., Hopkinson, R., Price, D., Owen, T. (2011). "Customized spatial climate models for North America." Bulletin of American Meteorological Society December: 1612-1622. https://journals.ametsoc.org/doi/pdf/10.1175/2011BAMS3132.1