Prévisions mensuelles et saisonnières maintenant disponibles sur Donneesclimatiques.ca: Découvrez les nouveautés, explorez la carte.

Meilleures pratiques pour choisir et utiliser des données climatiques basées sur la science occidentale dans les régions nordiques

Cet article fournit des conseils de niveau intermédiaire pour l’utilisation des données climatiques futures et historiques dans la prise de décision dans le Nord.

Module

Ressources sur les données climatiques du nord

Format

Article

Temps de Réalisation

20 minutes

Cet article est disponible en 3 formats

Article complet

(lire la suite ci-dessous)

Infographie

(cliquez pour télécharger)

Infographie imprimable

(cliquez pour télécharger)

Introduction

L’article Aperçu des données climatiques occidentales scientifiques disponibles pour le nord du Canada présente les types d’ensembles de données climatiques occidentales disponibles pour le Nord, tandis que Conseils pour débuter avec les données climatiques issues de la science occidentale dans la prise de décision dans le nord du Canada fournit des conseils généraux pour utiliser des données climatiques. Cet article approfondit le sujet en présentant sept bonnes pratiques pour choisir et utiliser les données historiques et les données climatiques futures dans le Nord. Bien que les ensembles de données climatiques disponibles sur Donneesclimatiques.ca proviennent de la science occidentale, les partenaires derrière la plateforme reconnaissent la valeur des sciences et des systèmes de connaissances autochtones dans le soutien à la planification des mesures d’adaptation menées par les Autochtones. Dans ce contexte, la science climatique occidentale peut être considérée comme une source d’information supplémentaire pour soutenir les peuples autochtones et leurs actions climatiques autodéterminées.

Choisir des données historiques :

  1. Un point de départ fiable : utilisez les données DCCAH pour obtenir des informations climatiques historiques précises
  2. Pas de données DCCAH ? Consultez les ensembles de données maillées
  3. Intégrez des modèles : optez pour des données de réanalyse lorsque les stations sont éparses
  4. Les détails comptent : envisagez les données de modèles climatiques à échelle réduite pour une utilisation à échelle locale

Conseils pour l’utilisation des données climatiques futures :

  1. Tenez compte des changements : appliquez les valeurs de changement plutôt que les valeurs « absolues »
  2. Tenez compte des niveaux de confiance : pour les variables à faible niveau de confiance, concentrez-vous sur la direction du changement
  3. Améliorez l’analyse : consultez les données des modèles climatiques régionaux pour les précipitations et les phénomènes extrêmes

Meilleures pratiques pour choisir et utiliser les ensembles de données historiques dans les régions nordiques

Avec autant de données climatiques disponibles, comment savoir quel ensemble de données correspond le mieux à votre travail ? Le tableau 1 décrit certains types courants d’ensembles de données climatiques historiques et leurs utilisations. Le tableau comprend un résumé de quatre conseils pour vous guider dans le processus de sélection des données, mentionnés dans la première section de cet article. Les données historiques sont utiles pour contextualiser les projections futures, mais ne doivent pas être utilisées seules pour la planification et la conception future. La deuxième section de cet article décrit trois conseils pour utiliser les projections climatiques dans votre travail.

Tableau 1. Types d’ensembles de données historiques et quelques utilisations courantes

1) Données climatiques canadiennes ajustées et homogénéisées (DCCAH)2) Ensembles de données interpolées maillées3) Données de réanalyse4) Données historiques de modèles climatiques à échelle réduite
Description
  • Informations climatiques historiques à long terme et de haute qualité qui ont été examinées en détail et contrôlées en termes de qualité
  • Utiles dans les zones où les stations sont peu nombreuses
  • Combine diverses observations avec un modèle météorologique pour créer un ensemble de données spatialement continu. Les lacunes dans les observations sont comblées à l’aide de modèles numériques basés sur les connaissances actuelles des processus physiques du climat
  • Données des modèles climatiques globaux transformées à des échelles spatiales plus fines à l’aide d’observations à haute résolution pour mieux représenter les variations climatiques à petite échelle, tout en restant cohérentes avec l’évolution du climat simulée par les modèles climatiques mondiaux
Utilisations courantes
  • Source fiable d’observations historiques
  • Analyse des tendances à long terme dans les endroits où des stations sont disponibles
  • Dans les endroits éloignés des stations météorologiques (y compris les stations qui fournissent des données DCCAH)
  • En général, pour les variables et les indices basés sur la température et les précipitations
  • Dans les zones où les observations sont peu nombreuses et la topographie est complexe
  • Pour les variables qui varient considérablement sur une zone relativement petite en raison de processus physiques complexes, p. ex. les précipitations
  • Les modèles permettent de générer un éventail plus large de variables climatiques, fournissant des informations spatialement cohérentes lorsque les observations sont limitées ou incohérentes
  • L’amélioration de la résolution spatiale rend ces modèles plus adaptés à la prise de décision au niveau local
  • Pour effectuer des comparaisons avec les données climatiques futures modélisées

1. Un point de départ fiable : utilisez les données DCCAH pour obtenir des informations climatiques historiques précises

Figure 1. Carte indiquant l’emplacement des stations DCCAH dans le nord du Canada.

Les données climatiques canadiennes ajustées et homogénéisées (DCCAH) fournissent des informations climatiques historiques à long terme et de haute qualité qui ont été examinées en détail et contrôlées en termes de qualité, comme expliqué dans l’article « Aperçu des données climatiques occidentales scientifiques disponibles pour le nord du Canada ». Bien que le nombre de stations fournissant des données DCCAH dans le nord du Canada soit limité, celles-ci fournissent des informations fiables là où elles existent (voir figure 1). L’ensemble de données DCCAH est particulièrement adapté à l’analyse des tendances climatiques (pour plus d’informations, voir 2023 DCCAH). Outre les emplacements DCCAH, on peut considérer l’utilisation des données provenant d’emplacements voisins situés à une élévation similaire et avec un terrain similaire pour comprendre les tendances historiques dans les données climatiques.

Pour déterminer si un site DCCAH est raisonnablement représentatif d’un autre site d’intérêt, plusieurs facteurs doivent être pris en compte. Ces facteurs comprennent les similitudes entre la topographie des sites, la proximité d’un plan d’eau ou d’une zone urbaine, et la manière dont les informations climatiques seront utilisées dans le projet. Par exemple, si le site d’intérêt est situé à proximité d’un grand plan d’eau, tel que le Grand lac de l’Ours, même une station relativement proche (par exemple à 10 km) peut ne pas être représentative des conditions locales, même si le terrain est similaire. Si deux sites sont assez homogènes, avec peu de variations d’élévation et de terrain, les données d’une station plus éloignée (par exemple à 25 km) peuvent convenir pour représenter les conditions climatiques locales. Pour des applications plus générales et descriptives des données historiques, les informations provenant des stations régionales peuvent être acceptables. Cependant, pour des applications plus spécifiques, telles que les valeurs de conception des bâtiments, les informations devraient idéalement provenir de stations situées aussi près que possible de l’emplacement d’intérêt. 

Les ensembles de données ajustées sur les précipitations (qui font partie des DCCAH) tiennent compte des erreurs connues dans les mesures des précipitations et les corrigent. Cependant, cet ensemble de données reste plus incertain que l’ensemble de données de température équivalent en raison des difficultés liées à la mesure précise des précipitations. Cela vaut pour l’ensemble du Canada. Cet effet est particulièrement perceptible pendant les saisons froides, car les flocons de neige sont légers et tombent plus lentement, ce qui signifie que le vent peut plus facilement perturber les mesures de neige. Cela explique pourquoi les ensembles de données sur les précipitations hivernales sont plus incertains que les ensembles de données sur les précipitations pluviales.

Bien qu’il existe un certain degré d’incertitude associé à toutes les données observées, l’ensemble de données DCCAH comprend les meilleures données historiques dont nous disposons pour le Canada et est très utile pour examiner les tendances climatiques historiques. Encadré 4.1 : un exemple de l’inhomogénéité des données tiré du Rapport sur le climat changeant du Canada (2019) illustre comment les changements survenus dans une station météorologique peuvent avoir une incidence sur les relevés de température.1

Les ensembles de données DCCAH sur la température et les précipitations totales corrigent ces problèmes et d’autres, et sont disponibles dans la section téléchargement de Donneesclimatiques.ca.

 

2. Pas de données DCCAH ? Consultez les ensembles de données maillées

Figure 2. Exemple illustratif autour de Yellowknife montrant comment les données des stations météorologiques peuvent être interpolées pour transformer les données des stations en données maillées. A) Stations DCCAH indiquées par des cercles gris remplis et contourés, avec la température moyenne pour 1981-2010 indiquée par des cercles remplis de couleur lorsque celles-ci sont disponibles. B) Les mêmes points de données DCCAH superposés à l’ensemble de données maillées historiques, NRCANMet, qui est basé sur des données de station non ajustées et soumises à un contrôle de qualité.

Comme décrit dans Aperçu des données climatiques occidentales scientifiques disponibles pour le nord du Canada, des données historiques maillées sont disponibles telles que des observations interpolées maillées, des réanalyses et des ensembles de données historiques modélisées. Ces ensembles de données peuvent être utiles dans les régions où la densité des stations est faible. Le choix de l’ensemble de données maillées à utiliser dépendra du projet spécifique. Des recherches supplémentaires peuvent être nécessaires pour déterminer exactement quel ensemble de données est le plus approprié

 

 

 

Les observations interpolées maillées (appelées données historiques interpolées sur une grille sur Donneesclimatiques.ca), comme NRCANmet ou PCIC-Blend, constituent une source fiable de données sur la température. Cela vaut même dans les régions où les stations sont peu nombreuses. Cependant, ces types de données historiques maillées peuvent être moins efficaces pour représenter les conditions de précipitations en raison des facteurs complexes qui influencent les précipitations à l’échelle locale, tels que la topographie et la proximité des plans d’eau.2Pour certains endroits, les ensembles de données de réanalyse ou les simulations de modèles climatiques régionaux (MCR) basés sur des réanalyses peuvent constituer une meilleure source pour estimer les précipitations sur la période historique.3

3. Intégrez des modèles :  optez pour des données de réanalyse lorsque les stations sont éparses

Dans les zones où les observations sont rares et la topographie complexe, les données d’observation maillées peuvent ne pas donner une image claire des conditions locales. Dans de tels cas, les données de réanalyse peuvent constituer une alternative utile.
Une réanalyse atmosphérique combine de nombreuses observations (provenant de stations météorologiques, de radars, de satellites, etc.) avec un modèle météorologique afin de créer un ensemble de données spatialement continu, comblant les lacunes entre les observations en simulant les processus météorologiques et climatiques. Cette approche basée sur la physique peut fournir des modèles spatiaux plus réalistes pour des variables telles que les précipitations, qui varient considérablement dans une zone relativement petite en raison de processus atmosphériques et de facteurs tels que la topographie.

La réanalyse produit également des données sur des variables difficiles à mesurer (par exemple, les chutes de neige) ou qui ne sont pas souvent mesurées (par exemple, les températures à différentes altitudes dans l’atmosphère ou les températures du sol). Les données de réanalyse peuvent donc permettre des analyses climatiques plus approfondies, en particulier pour les variables pour lesquelles il existe peu de données observées.

Figure 3. Température moyenne autour de Yellowknife pour la période 1981-2010 d’après ERA5-Land. Les températures moyennes pour la même période provenant des stations DCCAH sont indiquées par des cercles noirs.

La réanalyse privilégie la cohérence physique et le réalisme ; cependant, les données de réanalyse comportent des incertitudes, aucun modèle météorologique ni aucune observation n’est parfaite. Si les observations intégrées au modèle comportent des biais ou des divergences, cela peut affecter la qualité des données de réanalyse. La documentation technique et les articles qui traitent des méthodologies utilisées pour construire les ensembles de données peuvent fournir aux lecteurs des informations sur les forces et les limites potentielles de ces ensembles. Bien qu’il soit important d’être conscient de ces limites, les données de réanalyse peuvent fournir de bonnes représentations des conditions climatiques dans les zones où les observations sont rares ou la topographie complexe.

RCaS4 et ERA5-Land5 (disponible en anglais seulement) sont deux exemples d’ensembles de données de réanalyse qui couvrent le nord du Canada, tous deux avec une résolution d’environ 10 km (ERA5-Land est représenté dans la figure 3). Vous pouvez en savoir plus sur les données de réanalyse grâce au Guide rapide des ensembles de données de réanalyse.

En revanche, les ensembles de données d’observation maillées, comme NRCANmet ou PCIC-Blend, sont davantage basés sur des mesures réelles et reflètent plus fidèlement les données disponibles des stations météorologiques aux endroits où celles-ci sont présentes. Cela signifie que dans les zones bien observées, les ensembles de données interpolées peuvent être aussi bons, voire meilleurs, que les ensembles de données de réanalyse.

4. Les détails comptent : envisagez les données de modèles climatiques à échelle réduite pour une utilisation à échelle locale

Si votre zone d’intérêt est proche d’une station météorologique, les simulations à échelle réduite issues des modèles climatiques peuvent fournir une image plus précise du climat moyen sur la période historique que pour les zones plus éloignées d’une station météorologique. Le processus de réduction d’échelle consiste à transformer les données issues des modèles climatiques mondiaux à résolution grossière (par exemple, 100 x 100 km) en données à résolution plus fine (par exemple, 10 x 10 km), utilise des ensembles de données interpolées maillées ou des réanalyses comme ensembles de données « de référence » ou « cibles ». Par exemple, les ensembles de données basés sur CMIP5 et CMIP6 sur Donneesclimatiques.ca ont été développés à partir des ensembles de données NRCANmet6 et PCIC-Blend7, respectivement. La figure 4 montre les informations supplémentaires obtenues grâce à la réduction d’échelle. Il est important de noter que les conditions quotidiennes produites par la réduction d’échelle des données des modèles climatiques seront différentes des observations quotidiennes, mais qu’au fil des mois, des saisons et des années, les valeurs moyennes devraient être très similaires (c’est-à-dire qu’un modèle ne reproduira pas le même temps que les observations, mais devrait refléter le même climat global).

De plus, les stations météorologiques ont tendance à être situées dans les villes et les aéroports ; dans les régions montagneuses, elles se trouvent souvent dans les vallées. Cela signifie que les observations des stations peuvent ne pas représenter fidèlement le climat de la région dans son ensemble. Dans ces cas, un autre produit de données historiques peut s’avérer plus utile. Par exemple, si vous recherchez des données historiques pour la région élargie de Whitehorse (YT), c’est-à-dire loin de l’aéroport de Whitehorse, les données de modèles climatiques à échelle réduite pour la période historique peuvent être utiles. Même s’il existe des stations météorologiques à proximité, le relief montagneux ou varié peut entraîner des variations climatiques qui ne sont pas représentées dans les observations disponibles. L’utilisation d’un produit basé sur un modèle à échelle réduite peut être avantageuse, car il peut être plus représentatif de la région, comme l’illustre la figure 4.

Pour plus d’informations sur le choix des ensembles de données historiques dans le nord du Canada, veuillez-vous référer au Rapport du Groupe de travail sur les données climatiques du Nord.8

Figure 4. Exemple illustratif de réduction d’échelle des résultats de modèles climatiques autour de Whitehorse, YT, pour les températures minimales annuelles moyennes de 1981 à 2010. (A) montre les résultats du modèle climatique mondial CanESM2, et (B) montre les résultats CanESM2 qui ont été réduits à l’échelle à l’aide des données NRCANmet. Les cercles blancs indiquent les stations DCCAH dans la région.

Meilleures pratiques pour utiliser les ensembles de données futurs dans les régions nordiques

Il est important d’intégrer les informations climatiques futures dans la prise de décision et les pratiques commerciales. Le tableau 2 décrit certaines bonnes pratiques pour l’utilisation des données climatiques futures et quelques points clés à retenir. La section suivante présente quelques conseils utiles et les erreurs à éviter lors de l’utilisation des projections climatiques.

Tableau 2. Meilleures pratiques pour l’utilisation des données climatiques futures et quelques points clés à retenir

 1) Utiliser les valeurs de changement2) Tenir compte des niveaux de confiance3) Prendre en compte les modèles climatiques régionaux (MCR)
Description
  • Les valeurs de changement représentent l’évolution entre le climat futur et le climat passé
  • Différents niveaux de confiance sont associés à différentes variables projetées par les modèles climatiques. Les niveaux de confiance sont basés sur la compréhension scientifique des processus physiques qui contrôlent la variable et sur la représentation de ces processus dans le modèle.
  • Les MCR simulent les conditions climatiques d’une région spécifique avec une résolution spatiale plus fine que les modèles climatiques globaux.
Points clés
  • À utiliser seul pour explorer les changements futurs.
  • À associer aux données historiques et aux connaissances autochtones pour estimer les valeurs spécifiques au contexte local.
  • Les niveaux de confiance doivent être pris en compte lors de l’utilisation des projections climatiques pour prendre des décisions
  • Les projections de variables climatiques avec un faible niveau de confiance peuvent néanmoins être utiles dans la prise de décision
  • Potentiellement utile pour les zones éloignées des stations météorologiques ou des sites DCCAH.
  • Amélioration de la simulation des événements extrêmes et des variables impliquant des processus complexes, tels que les précipitations.
  • Focus régional.
  • Généralement utile pour les zones à faible densité de stations météorologiques, adjacentes aux côtes, au relief complexe, aux conditions météorologiques localisées ou comportant de nombreux lacs ou des lacs de grande taille

1. Tenez compte des changements : appliquez les valeurs de changement plutôt que les valeurs « absolues »

Figure 5. Température moyenne projetée d’ici la fin du siècle (2071-2100) pour Whitehorse, YT. (A) Valeurs « absolues » (B) Valeurs delta, également appelées valeurs de changement, par rapport à la période de référence 1971-2000.

Dans les régions où les observations historiques sont rares, la fiabilité des projections à petite échelle utilisant ces observations peut être faible. Une façon de pallier les limites de ces ensembles de données consiste à utiliser des valeurs de changement (également appelées « valeurs delta » sur Donneesclimatiques.ca) plutôt que les valeurs « absolues » produites par le modèle.

Les valeurs de changement représentent le changement entre les climats futurs et passés, par exemple entre 2041-2070 et 1971-2000 (la période de référence utilisée sur Donneesclimatiques.ca). Lorsque nous calculons ce changement, nous supposons que les biais chauds, froids, humides ou secs dans les simulations climatiques sont constants dans le temps. Par conséquent, la valeur de changement représente le changement climatique en réponse au scénario d’émissions utilisé dans les simulations du modèle climatique. Lors du calcul des valeurs de changement, il est recommandé de calculer les valeurs de changement sur 30 ans pour chaque modèle climatique individuel avant de calculer la médiane et les autres valeurs centiles.

Les données du modèle climatique à échelle réduite disponibles sur Donneesclimatiques.ca sont fournies par défaut sous forme de valeurs absolues, mais peuvent facilement être consultées sous forme de valeurs de changement en utilisant le bouton « absolues / delta ». Par exemple, la température annuelle moyenne « absolue » sur 30 ans pour Whitehorse, au Yukon, devrait être de 5,2 °C d’ici la fin du siècle selon le scénario d’émissions SSP5-8.5 (figure 5A). La valeur projetée du changement de température pour Whitehorse est une augmentation d’environ 6,2 °C d’ici la fin du siècle par rapport à 1971-2000 selon le même scénario d’émissions (figure 5B).

Une valeur de changement peut être utilisée seule pour éclairer les décisions, combinée aux connaissances locales pour mieux comprendre comment le climat pourrait changer à l’avenir, ou appliquée aux conditions climatiques observées qui partagent la même période de référence que les données modélisées afin d’obtenir des valeurs plus spécifiques à la région. Par exemple, la valeur de changement de 6,2 °C d’augmentation de la température à Whitehorse peut être ajoutée aux données d’une station météorologique communautaire ou à un ensemble de données de réanalyse qui contient des valeurs pour 1971-2000 (voir l’Aperçu des données climatiques occidentales scientifiques disponibles pour le nord du Canada). D’après les normales climatiques canadiennes pour la période 1971-2000, la température moyenne annuelle à Whitehorse était de -0,7 °C. En combinant cette valeur avec notre valeur de changement de 6,2 °C, nous obtenons une température moyenne annuelle « approximative » de 5,5 °C d’ici la fin du siècle. Lors de l’application des valeurs delta, il est recommandé de tenir compte d’un éventail de valeurs de plusieurs scénarios d’émissions. Les changements prévus pour les variables de base, telles que la température moyenne et les précipitations totales, à l’échelle annuelle, saisonnière ou mensuelle, peuvent être appliqués aux données météorologiques locales observées pour la période de référence afin d’obtenir des valeurs futures plus pertinentes au niveau local.

Bien que la même méthode puisse être appliquée aux valeurs extrêmes locales, il faut savoir que les événements extrêmes se comportent différemment des conditions climatiques moyennes et qu’une simple application d’une valeur de changement peut ne pas refléter avec précision les événements extrêmes futurs. Les valeurs de changement pour les périodes futures par rapport à une base de référence de 1971-2000 sont disponibles sur Donneesclimatiques.ca pour de nombreuses variables et seuils, et pour presque tous les endroits du nord du Canada. Pour plus d’informations sur les valeurs de changement, consultez la page comparer et utiliser les données climatiques basées sur les stations et les données climatiques maillées (à venir).

2. Tenez compte des niveaux de confiance : pour les variables à faible niveau de confiance, concentrez-vous sur la direction du changement

Les résultats des modèles climatiques ont différents niveaux de confiance, selon la variable (comme indiqué dans l’Aperçu des données climatiques occidentales scientifiques disponibles pour le nord du Canada). Par exemple, comme la relation entre la température et le bilan énergétique de l’atmosphère est bien comprise, la température est considérée comme une variable « à haut niveau de confiance ». Les projections de précipitations sont considérées comme « à moyen niveau de confiance », car la modélisation des précipitations implique la représentation de processus physiques complexes tels que la formation des nuages. Le tableau 1 résume les informations de la section 5.1 du rapport intitulé « Bâtiments et Infrastructures Publiques de Base Résistants aux Changements Climatiques : Résumé en langage clair » sur les niveaux de confiance des données climatiques.9

Tableau 1 Informations sur les niveaux de confiance des variables climatiques basées sur Bâtiments et Infrastructures Publiques de Base Résistants aux Changements Climatiques : Résumé en langage clair (section 5.1).9

Niveau de confianceDescriptionExemples de variables
Élevé

Les valeurs spécifiques du changement peuvent être directement utilisées dans la prise de décision et la planification (par exemple, augmentation de la température de 6,2 °C d’ici 2100)

Température
(et indices liés à la température)

Moyen

Les changements prévus peuvent être utilisés dans les évaluations générales des risques, mais seule la direction du changement est généralement prise en compte dans la planification (par exemple, augmentation des précipitations d’ici 2100)

Précipitations
(et indices liés aux précipitations)

Faible

Les changements prévus ne devraient être utilisés qu’à des fins d’investigation dans le cadre d’évaluations climatiques générales (régionales/territoriales/provinciales)

Vent, humidité relative

Pour les précipitations, cela signifie que parfois, la direction de la tendance (à la hausse ou à la baisse) peut être plus représentative et donc plus fiable que le montant exact du changement. Étant donné que les résultats des modèles individuels peuvent varier tant en termes de direction que d’ampleur du changement pour les variables moins fiables, il est utile d’examiner les tendances à partir d’ensembles multi-modèles. Ces ensembles peuvent donner une indication plus claire de la tendance générale, même si les valeurs spécifiques des modèles individuels diffèrent. Par exemple, si la moyenne d’un ensemble multi-modèle montre une augmentation de 14 % des précipitations estivales d’ici le milieu du siècle par rapport à la période de référence, on peut être plus sûr qu’il y aura une augmentation des précipitations estivales, en moyenne, que de l’ampleur exacte du changement (par exemple, si elle sera de 12 %, 14 % ou 16 %).


Certaines variables sont également considérées comme peu fiables, telles que les projections relatives au vent et à l’épaisseur de la neige issues des modèles climatiques mondiaux. Même s’il vaut mieux tenir compte de ces données plutôt que de ne pas utiliser du tout de données futures, il convient de les utiliser avec prudence, qu’il s’agisse des valeurs absolues ou des valeurs de changement. Par exemple, une communauté du Nord qui prévoit de construire une nouvelle station d’épuration ou un centre culturel pourrait tenir compte des projections futures relatives au vent afin de déterminer si les risques liés au vent sont susceptibles d’augmenter au fil du temps. Même si les vitesses exactes du vent dans les projections peuvent être considérées comme peu fiables, les données sur la vitesse du vent peuvent néanmoins aider à orienter les discussions sur la conception des bâtiments, en particulier lorsqu’elles sont utilisées conjointement avec les connaissances locales et autochtones. Les communautés pourraient explorer une série de résultats possibles afin de concevoir des solutions plus résilientes et plus flexibles, telles que des méthodes de renforcement des structures, la sélection de matériaux capables de résister à un plus large éventail de conditions ou la planification de sources d’énergie de secours. Cette approche permet d’utiliser les données pour éclairer la planification, tout en reconnaissant qu’il existe une certaine incertitude et que certaines variables peuvent être moins fiables.
 

3. Améliorer l’analyse : consultez les données des modèles climatiques régionaux pour les précipitations et les phénomènes extrêmes

Les modèles climatiques régionaux (MCR) peuvent produire de meilleurs résultats que les modèles climatiques globaux (MCG) pour les phénomènes climatiques extrêmes. Les MCR ont généralement une résolution spatiale plus élevée que les MCG (environ 25 à 50 km contre plusieurs centaines de kilomètres). Cela leur permet de saisir les détails topographiques les plus fins et de mieux représenter des processus tels que la convection (montée de l’air chaud), les interactions entre la surface terrestre et l’atmosphère, et la dynamique atmosphérique. De plus, les MCR simulent souvent mieux les processus à méso-échelle, qui sont cruciaux pour les phénomènes extrêmes, en particulier les précipitations convectives en été ou les chutes de neige orographiques en terrain montagneux.3 Ces composantes sont importantes pour comprendre la formation des nuages et des tempêtes et, par conséquent, les régimes de précipitations et les événements de précipitations extrêmes. Certains MCR peuvent également inclure des modèles de lacs et mieux représenter les îles et les côtes. Par conséquent, les MCR peuvent simuler des variables telles que les précipitations avec plus de précision que les MCG, y compris dans les zones à faible densité de stations météorologiques, les zones adjacentes aux côtes, les zones au relief complexe et aux conditions météorologiques localisées, ou les zones comportant de nombreux lacs ou des lacs de grande taille. Le niveau de confiance que nous accordons aux valeurs de changement dérivées des MCR et aux valeurs absolues des variables liées aux précipitations peut être plus élevé que celui accordé aux résultats dérivés des MCG.

Figure 6. Schéma d’un MCG (à gauche) et d’un MCR (à droite). [Source: Ouranos10]

Les résultats des MCR ne sont actuellement pas disponibles sur Donneesclimatiques.ca, bien que certains des ensembles de données fournis sur le site soient basés sur les résultats des MCR. Les données du rapport sur les Bâtiments et infrastructures publiques de base résistants aux changements climatiques8, également disponible via le Design Value Explorer de PCIC (lien disponible en anglais seulement), sont basées sur les MCR (CanRCM4 LE). Les données sur la pluie verglaçante figurant dans Portraits climatiques d’Ouranos proviennent de simulations de la cinquième génération du modèle régional canadien du climat (MRCC5). D’autres ensembles de données MCR, tels que CORDEX (lien disponible en anglais seulement) et CanLEAD, sont disponibles sous forme de résultats bruts du modèle. 

Comme tout modèle climatique, les MCR peuvent présenter des biais et des incertitudes. Il est recommandé d’utiliser les résultats de plusieurs exécutions du MCR (un ensemble) pour une gamme de scénarios d’émissions (si disponibles) afin de prendre en compte la gamme plausible des changements climatiques projetés, et de suivre les autres conseils applicables ci-dessus.

Résumé

En résumé, pour utiliser efficacement les données climatiques dans les régions nordiques, il faut adopter une approche réfléchie dans la sélection et l’analyse des ensembles de données historiques et futures. En tirant parti de sources de données de haute qualité comme DCCAH, en tenant compte de l’altitude et de la proximité des stations météorologiques et en appliquant les meilleures pratiques pour interpréter les projections futures, les analyses climatiques peuvent aider les décideurs du Nord à prendre des décisions éclairées en matière de climat. Les données climatiques continueront d’évoluer et de devenir plus robustes à mesure que la science progresse. Pour les praticiens, il est important de se tenir au courant des dernières méthodes et des derniers ensembles de données pour la planification de l’adaptation.

Si vous démarrez un projet, si vous avez des questions sur l’utilisation des données climatiques, ou si vous souhaitez confirmer si vous utilisez les bonnes données, vous pouvez obtenir l’aide d’experts (gratuitement) auprès du Centre d’aide des Services Climatiques, accessible via Donneesclimatiques.ca ou le Centre canadien des services climatiques.

Références

1 D Zhang, X., Flato, G., Kirchmeier-Young, M., Vincent, L., Wan, H., Wang, X., Rong, R., Fyfe, J., Li, G., Kharin, V.V. (2019). Changes in Temperature and Precipitation Across Canada; Chapter 4 in Bush, E. and Lemmen, D.S. (Eds.) Canada’s Changing Climate Report. Government of Canada, Ottawa, Ontario, pp 112-193. Accessed on: https://changingclimate.ca/CCCR2019/chapter/4-0/

2 Abbasnezhadi, K., & Wang, X. L. (2024). Comparison of Gridding Methods for Precipitation Over Canada and Assessment of Station and Data Density Effects on Gridding Results. Atmosphere-Ocean, 62(4), 320–346. https://doi.org/10.1080/07055900.2024.2394829

3 Diaconescu, E. P., Gachon, P., Laprise, R., & Scinocca, J. F. (2016). Evaluation of Precipitation Indices over North America from Various Configurations of Regional Climate Models. Atmosphere-Ocean, 54(4), 418–439. https://doi.org/10.1080/07055900.2016.1185005

4 Khedhaouiria, D., Gasset, N., Fortin, V., Dimitrijevic, M., Lauer, A.. et Bulat, M. (2025): Canadian Surface Reanalysis [CaSR] v3: ECCC hourly 0.1° surface reanalysis across North America [IN PREPARATION]

5 Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta, S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-Fernández, N. J., Zsoter, E., Buontempo, C., and Thépaut, J.-N. (2021) ERA5-Land: a state-of-the-art global reanalysis dataset for land applications, Earth Syst. Sci. Data, 13, 4349–4383, https://doi.org/10.5194/essd-13-4349-2021

6 McKenney, D.W., Hutchinson, M.F., Papadopol, P., Lawrence, K., Pedlar, J., Campbell, K., Milewska, E., Hopkinson, R.F., Price, D., Owen, T. (2011) Customized Spatial Climate Models for North America. Bull. Am. Meteorol. Soc. 92, 1611–1622. https://doi.org/10.1175/2011BAMS3132.1

7 Sobie, S.R., Ouali, D., Curry, C.L. & Zwiers, F.W. (2024) Multivariate Canadian Downscaled Climate Scenarios for CMIP6 (CanDCS-M6). Geoscience Data Journal, 11, 806–824. Available from: https://doi.org/10.1002/gdj3.257

8 Diaconescu, E.P., P. Kushner, J. Lukovich, A. Crawford, E. Barrow, L. Mudryk, M. Braun, R. Shrestha, S. Gruber, S. Déry, S. Howell, and L. Matthews, 2023: An inventory of historical climate data and climate projections for the Canadian North; Government of Canada, Gatineau, QC, 698p. Accessed on: https://nordata.physics.utoronto.ca/en/

9 Environment and Climate Change Canada (2022). Climate-Resilient Buildings and Core Public Infrastructure Report: Plain Language Summary. ISBN: 9780660421988. URL: https://climate-scenarios.canada.ca/?page=CRBCPI-general-summary

10 Understanding Climate Change—Climate modelling. (n.d.). Ouranos. Retrieved September 3, 2024, from https://www.ouranos.ca/en/science-du-climat-modelisation-climatique

Ce projet a été réalisé avec l’appui de :

© 2018 – 2024 Donneesclimatiques.ca. Tous droits réservés.

Légal