À propos de BCCAQv2

Aperçu

La correction de biais/construction d’analogues, avec reclassification des quantiles, version 2 (BCCAQv2)  est une méthode de correction des biais et de réduction d’échelle statistique pour les données des modèles climatiques globaux (MCG) développée par le Pacific Climate Impacts Consortium (PCIC). En transformant les informations à des échelles de centaines de kilomètres à des dizaines de kilomètres, la réduction d’échelle augmente la résolution spatiale des données des modèles climatiques  et rend les données beaucoup plus pertinentes à l’échelle locale.  La correction ou l’ajustement des biais vise à réduire la différence (biais) entre les données modélisées et les données observées. La méthode BCCAQv2 a largement été utilisée pour la réduction d’échelle des projections quotidiennes de température et de précipitations issues des modèles climatiques. Il s’agit d’une méthode univariée, ce qui signifie qu’elle réduit l’échelle d’une seule variable à la fois. 

Les jeux de données CMIP5 et CMIP6 (Coupled Model Intercomparison Project), qui sont réduits à l’aide de cette méthode, constituent le produit de données climatiques réduites le plus largement utilisé au Canada. 

Le code mettant en œuvre la méthode BCCAQv2 est également disponible via le paquetage R « ClimDown ».

La méthode

La BCCAQv2 est une méthode hybride de réduction d’échelle qui combine les résultats de deux autres méthodes – la correction de biais/construction d’analogues – BCCA¹ et la transformation par quantile – QDM² . 

La méthode BCCA est utilisée pour mettre à l’échelle les données des modèles climatiques globaux par rapport aux données observées (observations historiques quotidiennes en grille) de 1950 à 2010. Cela a été fait pour les températures maximales quotidiennes, les températures minimales quotidiennes et les précipitations, séparément. Cette étape utilise à la fois les analogues climatiques (CA) et la correction des biais (BC). L’étape des analogues climatiques permet de trouver des champs climatiques spatiaux observés qui sont similaires à ceux du modèle climatique. Cette étape permet de réduire l’échelle des données quotidiennes des modèles climatiques globaux  à une échelle fine et de corriger les biais. Toutefois, cela peut entraîner la suppression de certains signaux des changements climatiques dans les données des modèles. C’est pourquoi la deuxième étape, la transformation par quantile, est utilisée pour préserver ces signaux dans les données des modèles climatiques globaux. 

Par conséquent, les résultats de la méthode BCCAQv2 correspondent mieux à la distribution globale des observations que lorsqu’on corrige les biais pour s’adapter aux valeurs moyennes, ce qui est l’approche la plus courante. Il a été démontré que les données des modèles climatiques mises à l’échelle à l’aide de cette méthode décrivent bien le climat historique³.

Comment les données réduites à l’échelle par cette méthode peuvent-elles être utilisées ?

Les données de modèles climatiques globaux qui ont été mises à l’échelle à l’aide de la méthode BCCAQv2 sont utiles pour l’analyse d’une variable spécifique, (p.ex., le jour le plus chaud ou les précipitations maximales sur un jour), qui est menée sur de grandes régions spatiales, telles que le pays en entier. Des exemples de ceci incluent l’utilisation de métriques qui sont des seuils comme le nombre de jours avec une température maximale au-dessus de 25°C, des moyennes, comme la température moyenne, des métriques basées sur l’accumulation comme  les précipitations totales, ou encore, des événements extrêmes qui ne sont pas liés à des jours spécifiques.  

En règle générale, il convient toutefois d’être plus prudent lors de l’évaluation des changements des paramètres climatiques liés à des types d’événements spécifiques, à des lieux, à des événements météorologiques sur plusieurs jours, à des événements météorologiques impliquant plus d’une variable, ainsi que dans des lieux où les données d’entrée sont limitées dans l’ensemble de données cible (par exemple, dans les régions nordiques où le réseau de stations d’observation est clairsemé).