• Réduire le texte

    Réduire le texte
  • Rétablir taille du texte

    Rétablir taille du texte
  • Augmenter le texte

    Augmenter le texte
  • Imprimer

    Imprimer
Paysage Midi-Pyrénées. © CATTIAU Gilles

Portefeuille de services pour l'adaptation

Projet COMPROMISE - Correction de biais pour les services climatiques : application aux projections des modèles de culture

Le projet COMPROMISE vise à évaluer les gains apportés par des méthodes correction de biais multivariées en comparaison avec les méthodes de correction univariées. Leur valeur ajoutée sera évaluée en analysant la sensibilité d’indicateurs agro-climatiques, de modèles de plantes et de modèles de rendement en fonction du type de méthode. Le projet cherchera à proposer le compromis approprié entre correction des variables et cohérence globale.

Mis à jour le 17/08/2018
Publié le 17/08/2018

Les projections climatiques issues des modèles climatiques globaux ou régionaux (GCM/RCM) sont des outils essentiels pour évaluer l’impact des changements climatiques sur de nombreux processus, dont les modèles agronomiques. Cette démarche permet ainsi de comprendre les conséquences liées au changement climatique, de les anticiper et de s’y adapter. Un problème récurrent est que ces modèles de climats ne possèdent pas toujours des propriétés statistiques identiques aux variables du temps sensible. Sur une période historique de référence, ces statistiques présentent des biais en comparaison aux observations ou aux réanalyses. Ces biais doivent être corrigés avant toute utilisation dans les modèles d’impact.  

Faire une correction de biais indépendamment pour chaque variable, améliore indéniablement les simulations, mais ignorer les relations entre les variables et/ou entre sites a pour conséquence que les contraintes physiques ne sont pas toujours bien respectées, et que les dépendances temporelles et spatiales ne sont pas correctement prises en compte. De ce fait les simulations peuvent être physiquement incohérentes ou manquer de réalisme. Ces incohérences se propagent à leur tour dans les modèles d’impact, et en bout de chaîne dans les processus de décision. Ainsi par exemple, des contradictions entre précipitation et rayonnement vont affecter les modèles agronomiques, par exemple lorsque les modèles sont très dépendants de l’évapo-transpiration, nécessitant de fait une bonne représentation des périodes de sécheresses et des périodes humides.

L'Unité Mixte de Recherche "Mathématiques et informatique appliquées" regroupe des statisticiens et des informaticiens, tous spécialisés dans la modélisation statistique et informatique pour la biologie.. © Bertrand NICOLAS - Inra, NICOLAS Bertrand
L'Unité Mixte de Recherche "Mathématiques et informatique appliquées" regroupe des statisticiens et des informaticiens, tous spécialisés dans la modélisation statistique et informatique pour la biologie. © Bertrand NICOLAS - Inra, NICOLAS Bertrand

Le projet COMPROMISE vise à évaluer les gains apportés par des méthodes correction de biais multivariées en comparaison avec les méthodes de correction univariées. Leur valeur ajoutée sera évaluée en analysant la sensibilité d’indicateurs agro-climatiques, de modèles de plantes et de modèles de rendement en fonction du type de méthode. Le projet cherchera à proposer le compromis approprié entre correction des variables et cohérence globale. Les résultats de ce projet seront utilisés pour le portail de service.  

Le projet s’organise en trois axes :
i) Tester plusieurs méthodes de correction de biais multivariées qui prennent en compte ou rétablissent des dépendances entre variables climatiques: EC-BC (Vrac & Friederichs, 2015), MBCn (Cannon, 2017), recorrelation (Pegram & Bardossy, 2013).
ii) Quantifier leurs impacts sur des indicateurs agro-climatiques, des modèles de phénologie et des modèles de bilan hydrique. Les modèles de phénologie dépendent essentiellement de la température, mais la cohérence temporelle est primordiale. Les indicateurs agro-climatiques sont multivariés.
iii) Quantifier leur impact sur les modèles statistiques de pertes de rendement. Nous étudierons également l’intérêt de ces méthodes sur des modèles statistiques émulant les modèles de cultures complexes.

Contact(s)
Contact(s) scientifique(s) :

Département(s) associé(s) :
Mathématiques et informatique appliquées