Modélisation des changements climatiques à l’avenir

En résumé, pour prévoir les changements climatiques, il faut estimer le futur forçage climatique provenant des GES, des aérosols et des changements de l’affectation des terres, qui à son tour dépend des prévisions de la population et de la consommation d’énergie à l’avenir. Le CO₂ est le facteur principal contribuant au forçage climatique d’origine humaine, le climat à l’avenir dépendra donc des émissions de CO₂ et des taux de leur augmentation ou de leur réduction.

Les modèles du système terrestre sont basés sur une représentation mathématique du comportement de l’atmosphère, des océans, de la surface terrestre et de la cryosphère. Ces modèles génèrent une simulation virtuelle de la planète au moyen de puissants superordinateurs, permettant aux scientifiques d’examiner les liens entre divers procédés physiques et biogéochimiques, par exemple la manière dont l’océan absorbe la chaleur et le carbone, les emmagasine et les redistribue. Ces modèles sont utilisés principalement de deux manières : (1) pour comparer les simulations qui prennent en compte les forçages historiques à celles qui ne le font pas pour estimer l’amplitude des forçages d’origine humaine par rapport à ceux d’origine naturelle, et (2) pour simuler le climat à l’avenir en fonction de divers scénarios de forçage.

Les modèles de système terrestre possèdent certaines caractéristiques communes avec les modèles prévisionnels météorologiques globaux utilisés pour les prévisions météorologiques quotidiennes, mais n’exigent pas la saisie d’observations en tant qu’intrants et la résolution spatiale de leur opération est généralement plus limitée (le détail spatial est souvent limité aux zones d’une centaine de kilomètres carrés ou plus). Cette résolution inférieure spatiale est causée par les demandes en matière de capacité informatique des simulations qui sont longues à effectuer. Les simulations commencent par la période historique (de 1850 à aujourd’hui), sont déterminées par le forçage climatique observé (p. ex. les changements au cours de l’histoire des concentrations en GES), et prévoient le climat futur en fonction de différents scénarios de forçage (comme ceux qui sont décrits dans la section précédente) jusqu’à l’année 2100, voire même un avenir plus lointain (figure 3.2).

Les modèles de système terrestre sont le résultat d’une évolution des anciens modèles de prévisions climatiques (représentant plusieurs composantes du système climatique couplées ensemble : l’atmosphère, l’océan, la surface terrestre et la glace marine) aux modèles qui vont encore plus loin en représentant expressément le cycle du carbone (Flato, 2011¹⁴; Flato et coll., 2013¹⁵). L’inclusion du carbone et des autres cycles biogéochimiques dans les modèles permet de simuler les interactions à l’échelle mondiale entre les écosystèmes, le carbone et le climat, ainsi que plusieurs processus terrestres qui ont lieu aux latitudes élevées. Les changements des niveaux de la neige et de la glace marine peuvent causer des effets de rétroaction positive (amplifiant le réchauffement) dans le système climatique lié à l’albédo de la glace et de la neige (Euskirchen et coll., 2016¹³; Kashiwase et coll., 2017²⁷; voir le chapitre 2, encadré 2.4). L’augmentation de la température diminue l’étendue occupée par la neige et la glace marine, réduisant la réflectivité de la terre et de l’océan. Davantage de rayonnement solaire est donc absorbé et la température augmente encore plus. Cette rétroaction apporte une contribution importante au taux important de réchauffement dans la région arctique par rapport aux autres régions – on parle d’amplification dans l’Arctique (FAQ 3.1; voir la section 3.3.3). Ces modèles permettent aussi de simuler l’augmentation de la prolifération de la végétation aux latitudes élevées dans l’hémisphère Nord causée par le réchauffement climatique, un effet qui pourrait diminuer l’albédo de la surface terrestre et altérer l’échange d’énergie et d’eau entre la surface et l’atmosphère (Forkel et coll., 2016¹⁶). Les changements au pergélisol causés par les changements climatiques, qui conduisent à des changements des conditions hydrologiques et des émissions de CH₄ (Schuur et coll., 2008⁴⁵), sont maintenant aussi compris dans certains modèles.

Comment pouvons-nous savoir si les prévisions du climat formulées par les modèles sont exactes? Un des moyens de vérifier si les modèles peuvent représenter de manière réaliste les liens complexes entre les processus climatiques est d’évaluer leur capacité à reproduire correctement les changements qui se sont déjà produits. Les simulations des forçages historiques observés à partir de 1850 donnent la possibilité de comparer directement les résultats des modèles aux observations. Les Rapports d’évaluation du GIEC comprennent typiquement un chapitre sur ce type d’évaluation de modèle (Flato et coll., 2013¹⁵), offrant un résumé de la grande quantité d’articles scientifiques sur la qualité des modèles. La figure 3.5 offre un exemple d’évaluation de modèle par comparaison à la température annuelle moyenne de l’air à la surface du globe tirée de différentes sources aux simulations effectuées par 36 différents modèles utilisés au cours de la cinquième phase du projet d’intercomparaison de modèles couplés (CMIP5; voir l’encadré 3.1). Comme le montre la figure, les modèles du système terrestre peuvent reproduire l’augmentation observée à long terme de la température (épaisses lignes noires), ainsi que le refroidissement épisodique qui suit les grandes éruptions explosives de volcans. L’amplitude de la variabilité annuelle est également bien simulée (lignes minces), mais évidemment on ne peut s’attendre à ce que les fluctuations coïncident exactement (puisque chaque modèle simule la variabilité interne de sa propre manière). La grosse ligne rouge dans la figure correspond à la moyenne multimodèle, une approximation de la réaction du système climatique aux agents externes de forçage (changements des concentrations en GES et de la quantité d’aérosols, changements d’affectation des terres, variations d’ensoleillement et aérosols volcaniques) sur laquelle la variabilité interne est superposée. La différence prononcée constatée entre la température observée et la moyenne multimodèle à partir à peu près de l’an 2000 a été analysée en profondeur (Fyfe et coll., 2016¹⁸) et est causée par plusieurs facteurs : des erreurs mineures dans les enregistrements des observations, la variabilité interne sur une période décennale, et la prise en compte incomplète par les modèles du forçage par les éruptions volcaniques au début du XXI^e siècle (voir le chapitre 2, section 2.3.3).

La confiance à l’égard des modèles de prévision du climat découle de plusieurs sources. En premier lieu, les modèles climatiques s’appuient sur la base solide des lois fondamentales de la physique et des connaissances scientifiques des procédés physiques. En deuxième lieu, on évalue les résultats des modèles climatiques de manière détaillée en les comparant aux observations historiques, comme on l’a souligné dans la section 3.3.1 – le chapitre sur l’évaluation des modèles du dernier Rapport d’évaluation du GIEC en fournit de nombreux exemples (Flato et coll., 2013¹⁵). En troisième lieu, on utilise aussi certains modèles de prévision du climat pour formuler les prévisions climatologiques saisonnières, dont l’exactitude est régulièrement évaluée (Kirtman et coll., 2013²⁹, Merryfield et coll., 2013³⁷; Sigmond et coll., 2013⁴⁸; Kharin et coll., 2017²⁸).

Il existe cependant des incertitudes qu’il faut garder à l’esprit lors de l’utilisation des prévisions par les modèles. Elles découlent du fait que les modèles ne peuvent simuler tous les procédés physiques de manière exacte (et doivent donc effectuer des approximations) et la variabilité interne des systèmes climatiques, qu’ils soient simulés ou réels (voir le chapitre 2, encadré 2.5). En principe, il est possible de réduire le niveau d’incertitude causé par l’approximation des phénomènes physiques, et les modèles continuent de s’améliorer à cet égard (Flato et coll., 2013¹⁵). Cependant, il est impossible de réduire le niveau d’incertitude liée à la variabilité interne superposée sur les changements de climats sous-jacents causés par des agents de forçage. De plus, il existe un degré d’incertitude à l’égard des agents de forçage futurs (p. ex. les émissions de GES), pour cette raison, on effectue une gamme de prévisions en utilisant plusieurs scénarios de forçage. L’importance des sources d’incertitude varie en fonction de l’échelle du temps et de l’espace examinée – typiquement, l’incertitude diminue au fur et à mesure que l’échelle spatiale augmente, car la variabilité interne s’étale plus ou moins lors de l’analyse de grandes régions (Hawkins et Sutton, 2009²⁴). Ceci veut dire également que l’incertitude est plus grande lors de l’analyse de petites régions ou de lieux précis. De plus, sur de très longues échelles de temps (p. ex. lorsqu’on parle de la fin du XXI^e siècle), les différences des scénarios de forçage sont les principaux facteurs d’incertitude, tandis que l’effet de la variabilité interne est beaucoup moins important.

Comme on l’a décrit dans la section 3.2, les prévisions climatiques sont le résultat de la conduite de plusieurs simulations dans les modèles climatiques en fonction de différents scénarios de forçage futurs (dans le cas du CMIP5, il s’agit des RCP). Ces prévisions doivent tenir compte de la réponse du système climatique aux agents de forçage externes (p. ex. les concentrations changeantes de GES), de la variabilité interne et des incertitudes liées aux différences entre les modèles. Dans une certaine mesure, on peut dissocier ces effets en utilisant les prévisions de plusieurs modèles (Collins et coll., 2013⁵). La moyenne multimodèle offre une bonne estimation de la réaction du système climatique aux agents de forçage, puisque la variabilité interne et les différences entre les modèles s’étalent en grande partie (voir l’encadré 3.2). La partie supérieure de la figure 3.6 démontre l’évolution au fil du temps de la température annuelle moyenne de l’air à la surface du globe simulée par les modèles CMIP5 pour la période de 1950 à 2100. Les lignes épaisses correspondent aux moyennes multimodèles, et la bande colorée représente la série de résultats des modèles autour de cette moyenne. Chaque résultat individuel de modèle faisant partie de cette bande ressemblerait à une des lignes colorées de la figure 3.5, mais à des fins de précision, la série entière de lignes est représentée par une bande colorée. Les résultats pour le scénario d’émissions élevées (RCP8.5) sont représentés par la ligne rouge et la bande orange, tandis que les résultats du scénario d’émissions faibles (RCP2.6) sont représentés par la ligne et la bande bleues.

La partie supérieure de la figure 3.6 illustre deux points clés. En premier lieu, lorsqu’on examine les prévisions des changements climatiques, on constate que la dispersion entre les modèles (l’étendue verticale des bandes colorées) est moins grande à court terme (jusqu’à l’an 2040 environ) qu’elle ne l’est vers la fin du XXI^e siècle, indiquant que l’incertitude quant aux modèles augmente à mesure que l’avenir analysé est lointain. (La variabilité interne joue également un rôle dans la largeur des bandes colorées, comme on l’a mentionné ci-haut, mais on ne s’attend pas à ce que leur contribution augmente de manière importante pour les prévisions de l’avenir éloigné.) En deuxième lieu, les différences entre les deux scénarios de forçage sont minimes à court terme, mais augmentent considérablement vers la fin du XXI^e siècle (comme le démontre l’écart croissant entre les résultats du scénario de faibles émissions [RCP2.6] et le scénario d’émissions élevées [RCP8.5]). Pour la simplicité, les scénarios d’émissions moyennes (RCP4.5 et RCP6.0) ne sont pas illustrés dans la partie principale du graphique, mais leurs résultats de fin de siècle sont marqués à la droite de l’image supérieure à des fins de comparaison.

La répartition spatiale des tendances prévues de la température et des précipitations est illustrée dans l’image inférieure de la figure 3.6. La différence marquée des changements moyens entre les scénarios d’émissions faibles et d’émissions élevées est bien visible dans les cartes (plus les couleurs sont foncées, plus le changement est important), mais il y a une ressemblance nette dans la tendance. En ce qui concerne la température, les changements sont plus importants sur les terres émergées qu’elles le sont sur les océans avoisinants, ils sont également supérieurs aux latitudes élevées, notamment dans la région arctique, illustrant l’amplification dans l’Arctique. Pour cette raison, le réchauffement prévu au Canada est à peu près le double de la moyenne mondiale. Pour ce qui est des précipitations, les tendances des changements sont beaucoup plus complexes : on prévoit une augmentation des précipitations annuelles dans les régions polaires et équatoriales et une diminution des précipitations dans une grande partie des régions subtropicales (environ entre 24° et 35° de latitude nord et sud). Au sud du Canada, les changements prévus dans les précipitations sont assez mineurs, mais au nord du Canada, on prévoit des augmentations plus importantes. (Les changements à la quantité moyenne annuelle de précipitations ne conduisent pas directement à des changements dans le manteau neigeux saisonnier ou de la disponibilité de l’eau, comme on l’explique au chapitre 5 et au chapitre 6.)

En moyenne, les modèles prévoient une augmentation de la température moyenne à la surface du globe (par rapport à celle de la période de référence, soit 1986–2005) d’environ 1 °C pour le scénario de faibles émissions (RCP2.6) et de 3,7 °C pour le scénario d’émissions élevées (RCP8.5) à la fin du XXI^e siècle, avec une dispersion entre 5 % et 95 % de l’ensemble d’environ 1 °C au-dessus et au-dessous de la moyenne multimodèle. Ce changement s’ajoute à l’augmentation de 0,6 °C qui a déjà eu lieu entre l’année 1850 et la période de référence. Le scénario de faibles émissions (RCP2.6) permettrait donc d’atteindre l’objectif établi dans le cadre de l’Accord de Paris (qui est de limiter le réchauffement entre 1,5 °C et 2,0 °C), bien que la dispersion des prévisions pour tous les scénarios soit telle qu’il y a une possibilité pour chaque scénario d’atteindre la cible ou de ne pas l’atteindre. Pour que le scénario de faibles émissions (RCP2.6) soit possible, le plafonnement des émissions mondiales doit être atteint presque immédiatement et les émissions doivent être réduites à pratiquement zéro avant la fin du siècle. Des études récentes (Millar et coll., 2017³⁸) offrent des analyses détaillées de scénarios qui pourraient limiter le réchauffement à 1,5 °C, qui exigent également la mise en place rapide de méthodes intenses de réduction des émissions.

Des détails supplémentaires sur les prévisions du climat futur, notamment en ce qui concerne le Canada, sont fournis dans d’autres chapitres du présent rapport. Le taux de confiance à l’égard des prévisions des changements climatiques varie en fonction des régions et de la variable climatique étudiée. À titre d’exemple, la confiance quant aux prévisions des changements de la température est supérieure à celle des prévisions des précipitations. La raison principale en est le fait que les changements de la température sont des conséquences directes du forçage radiatif, tandis que les changements des précipitations sont le résultat de nombreuses interactions complexes, y compris les changements à la capacité de rétention de l’eau d’une atmosphère en réchauffement, à la circulation atmosphérique mondiale, à l’évaporation et à d’autres facteurs (Shepherd, 2014⁴⁷) (voir le chapitre 4). Les changements de niveaux de la neige et de la glace sont liés aux changements de la température et des précipitations; on les aborde en détail au chapitre 5. La disponibilité de l’eau douce (voir le chapitre 6) et les changements des océans (voir le chapitre 7) sont aussi reliés aux changements de la température et des précipitations, ainsi qu’à d’autres facteurs.

On peut effectuer les simulations dans les modèles du système terrestre de deux manières différentes : en configurant les concentrations en GES ou en configurant les émissions de GES (les deux méthodes sont possibles avec les ensembles de données des scénarios RCP). Les simulations axées sur la concentration permettent aux scientifiques d’évaluer la différence d’un modèle à l’autre de la réaction du climat à des changements identiques de la concentration de GES dans l’atmosphère. Ceci aide à séparer la réaction du système climatique à des changements dans les agents de forçage (p. ex. les concentrations de GES) de l’effet des rétroactions du cycle du carbone touchant la biosphère terrestre et la biosphère océanique. La réaction de ces puits naturels de carbone aux concentrations atmosphériques de CO₂ et aux changements climatiques aura un effet sur la quantité d’émissions anthropiques compatible avec chaque profil d’émissions de CO₂. Un aspect intéressant de ces simulations à concentration fixée est qu’elles permettent de calculer les émissions anthropiques mondiales compatibles avec un profil représentatif donné (Jones et coll., 2013²⁶). La dispersion des émissions compatibles de CO₂ entre les différents modèles permet de mesurer le niveau d’incertitude inhérent à la représentation des rétroactions du cycle du carbone dans les modèles. La figure 3.7 illustre les résultats des calculs d’émissions compatibles et démontre que, malgré une certaine variation, le groupe de modèles est cohérent. Dans le cas d’un scénario RCP 2.6 (où l’augmentation de la température se stabilise au-dessous de 2 °C), les modèles affichent des émissions compatibles qui commencent à diminuer immédiatement et qui arrivent presque à zéro bien avant la fin du siècle.

Pour résumer, de nombreux modèles du système terrestre ont été développés et utilisés pour prévoir le climat à venir. Les incertitudes à l’égard de ces prévisions proviennent de la variabilité interne du climat, des défauts des modèles eux-mêmes et des différences entre les futurs scénarios de forçage plausibles. L’analyse de la collection entière des résultats des modèles dans son ensemble permet d’atténuer (sans toutefois éliminer) les deux premières sources d’incertitude, car on peut réduire l’incidence des erreurs dans les modèles et de la variabilité interne en faisant la moyenne entre les modèles. À court terme, environ, jusqu’en 2040, les différences entre les scénarios de forçage ne sont pas considérables, mais vers la fin du XXI^e siècle, l’augmentation prévue de la température moyenne mondiale pour un scénario de faibles émissions est d’environ 1 °C, tandis que pour un scénario d’émissions élevées, on parle d’environ 4 °C. L’accomplissement des scénarios de faibles émissions nécessite des réductions rapides des émissions d’origine humaine.

Le cinquième Rapport d’évaluation du GIEC a permis de constater que le réchauffement causé par le CO₂ évalué à n’importe quel moment depuis le début de l’ère industrielle est proportionnel à la quantité totale de CO₂ libérée jusqu’au moment en question (émissions cumulatives de CO₂; GIEC, 2013¹⁹). On a observé cette relation dans de nombreux modèles climatiques et pour une vaste gamme de profils d’évolution des émissions, y compris aux niveaux très élevés d’émissions (Tokarska et coll., 2016⁵³). La figure 3.8 démontre que le niveau moyen de réchauffement est étroitement lié aux émissions cumulatives de CO₂ correspondant à une simulation par les modèles du CMIP5 d’une augmentation du CO₂ de 1 % par année (ligne noire mince). Dans cette simulation idéalisée, la concentration atmosphérique de CO₂ augmente de 1 % par an à partir de sa valeur de 1850, soit environ 285 ppm, pour atteindre 1140 ppm, le quadruple de cette valeur, 140 ans plus tard. Le lien entre les émissions cumulatives de CO₂ et la température moyenne à la surface du globe (TMSG) n’est pas parfait en raison des effets d’autres agents de forçage climatique (tels que le CH₄, le N₂O et divers aérosols) dont on tient également compte dans les scénarios RCP, comme l’écart entre les lignes colorées et la ligne noire mince correspondant à une simulation tenant uniquement compte du CO₂ illustré à la figure 3.8. Pour l’instant, le réchauffement total (causé par le CO₂ et les autres agents de forçage climatique) est environ le même, en fonction des émissions cumulatives, dans les quatre scénarios RCP illustrés à la figure 3.8. Il existe un niveau d’incertitude à l’égard du lien entre le réchauffement et les émissions cumulatives qu’il faut prendre en compte lors de l’interprétation des résultats – celui-ci est illustré dans la figure par les zones colorées.

On peut utiliser la relation entre les émissions cumulatives de CO₂ et l’augmentation de la TMSG pour évaluer la quantité maximale de CO₂ qu’on peut émettre tout en limitant l’augmentation de la température à un seuil donné. À titre d’exemple, pour limiter le réchauffement planétaire à moins de 2 °C, comme convenu dans l’Accord de Paris (CCNUCC, 2015²), les émissions cumulatives de CO₂ doivent demeurer au-dessous d’un seuil donné. En raison de l’incertitude susmentionnée à l’égard du lien, il faut associer un taux de probabilité à ce seuil. Ainsi, le GIEC (2013) évalue que, pour qu’on ait une probabilité de 50 % de garder le réchauffement planétaire au-dessous de 2 °C, il faudrait limiter la quantité d’émissions de CO₂ à partir de 2011 à moins de 1300 milliards de tonnes de CO₂ (GtCO₂), un niveau environ égal à celui qui est émis depuis le début de l’ère industrielle. Pour avoir une probabilité de 50 % de garder l’augmentation de la température au-dessous de 1,5 °C, il faudrait limiter la quantité d’émissions à partir de 2011 à 550 GtCO₂. Des bilans semblables des émissions du carbone ont été atteints à l’aide d’un modèle d’évaluation intégrée qui prend en compte une plus grande variété de scénarios, une méthode possiblement plus rigoureuse (Rogelj et coll., 2016⁴³). Le bilan médian des émissions du GIEC (2014) pour limiter le réchauffement à 1,5 °C est de 550 GtCO₂ à partir de 2011, ce qui revient à seulement 13,8 ans d’émissions de CO₂ au rythme actuel d’environ 40 Gt CO₂ par an, dont nous avons déjà utilisé six ans. Néanmoins, plusieurs études récentes ont recalculé ce bilan en utilisant une autre méthode basée sur une estimation d’après laquelle le réchauffement climatique total d’origine humaine entre l’époque préindustrielle et 2015 est d’environ 0,9 °C (Millar et coll., 2017³⁸). Ceci laisse place à un réchauffement supplémentaire de 0,6 °C avant qu’on ne dépasse le seuil de 1,5 °C. On estime que le bilan des émissions cumulatives de carbone qui permettrait d’avoir une probabilité de 50 % ou plus de limiter le réchauffement par rapport au niveau de 2010–2019 à 0,6 °C serait de 760 à 850 GtCO₂ (Millar et coll., 2017³⁸; Goodwin et coll., 2018²²; Tokarska and Gillett, 2018⁵²), un montant bien supérieur aux 390 GtCO₂ (à partir de 2015) prévues par le bilan du GIEC (2014). Inversement, la prise en compte des rétroactions du cycle du carbone liées au pergélisol, qui ne faisaient pas partie des modèles évalués par le GIEC en 2014, augmenterait un peu le niveau de réchauffement causé par une quantité donnée d’émissions de CO₂ et réduirait donc les bilans d’émission, surtout à des niveaux élevés de réchauffement (MacDougall et coll., 2015³²). Le rapport spécial du GIEC sur le réchauffement global de 1,5 °C à venir évaluera les bilans d’émissions de manière exhaustive et fournira une estimation mise à jour du montant restant d’émissions admissibles pour pouvoir atteindre les cibles en matière de température mondiale en vertu de l’Accord de Paris.

Les simulations de la réaction aux émissions de CO₂ effectuées au moyen de modèles du système terrestre démontrent que la température moyenne à la surface du globe (TMSG) demeure environ au même niveau pendant plusieurs siècles à la suite d’un arrêt complet des émissions (Collins et coll., 2013⁵). À titre d’exemple, la TMSG demeure élevée dans deux simulations effectuées dans le modèle de système terrestre de première génération utilisé par Environnement et changement climatique Canada, CanESM1, d’un scénario où les émissions de CO₂ augmentent avant d’être réduites à zéro en 2010 ou en 2100 (figure 3.9; Gillett et coll., 2011²¹). D’autres modèles ont conduit à des résultats semblables (Matsuno et coll., 2012³⁵; Matthews et Caldeira, 2008³⁶; Frölicher et Joos, 2010¹⁷). Peu importe le moment où les émissions s’arrêteront, la TMSG demeurera plus ou moins stable pendant le millénaire subséquent.

L’arrêt des émissions d’aérosols, dont la durée de vie dans l’atmosphère est courte et qui causent principalement un effet de refroidissement climatique (voir l’encadré 3.3), conduirait à un réchauffement rapide, tandis que l’arrêt des émissions de GES, dont la durée de vie dans l’atmosphère est courte, conduirait à un refroidissement (Collins et coll., 2013⁵). L’effet de l’arrêt des émissions d’autres GES dont la durée de vie est élevée serait, d’un point de vue qualitatif, semblable à l’effet de l’arrêt des émissions de CO₂ (Smith et coll., 2012⁴⁹), c’est-à-dire qu’il faudrait une longue période de temps avant que la température commence à diminuer. Bien que l’on s’attende à ce que la TMSG demeure stable après l’arrêt des émissions, on prévoit que les autres aspects du système climatique continueront de changer. On s’attend à ce que la végétation, le volume de la nappe glaciaire, la température des grands fonds océaniques, l’acidité des océans et le niveau de la mer continuent de changer pendant les siècles après la stabilisation de la TMSG (Collins et coll., 2013⁵).

Pour résumer, de nombreux aspects des changements climatiques sont irréversibles sur une échelle de plusieurs siècles. Le CO₂, qui demeure dans l’atmosphère pendant plus d’un siècle, est le facteur principal contribuant au changement de la température moyenne mondiale, et celle-ci demeurera élevée même après l’arrêt des émissions. Le seul moyen de réduire la TMSG serait une intervention humaine visant à retirer le CO₂ de l’atmosphère sur une période de temps soutenue.

La formulation de prévisions climatiques nécessite l’utilisation de modèles climatiques globaux, car de nombreux processus et rétroactions qui déterminent la réaction du système climatique au forçage climatique ont lieu à l’échelle mondiale. Dans de nombreuses applications, lorsqu’on a uniquement besoin de connaître le changement d’un certain paramètre climatique, on peut directement utiliser les prévisions des modèles du système terrestre. En effet, les changements climatiques touchent des zones beaucoup plus grandes que le climat lui-même, qui peut varier de manière prononcée sur de courtes distances dans certaines régions. Il en est notamment de même pour les changements prévus de la température, dont la structure spatiale est très vaste, bien qu’il puisse y avoir des différences dans la température locale, par exemple entre le fond d’une vallée et les flancs qui l’entourent.

Cependant, pour d’autres applications, les prévisions des modèles climatiques globaux ne conviennent pas, car leur résolution spatiale horizontale (l’intervalle de grille) est typiquement de l’ordre d’au moins 100 km (voir la figure 3.2 pour une explication des caractéristiques des modèles) (Charon, 2014³). À titre d’exemple, lorsqu’on utilise les prévisions du climat pour produire un modèle hydrologique détaillé à l’échelle d’un bassin hydrographique, on a besoin des valeurs des variables climatiques futures à une échelle qui respecte les accidents topographiques, les caractéristiques des côtes et les autres spécificités locales, et qui représente la variabilité de haute fréquence et les extrêmes. Par conséquent, les utilisateurs de prévisions climatiques doivent commencer par déterminer s’ils ont vraiment besoin de scénarios climatiques à résolution fine ou s’ils pourraient efficacement utiliser les scénarios de changement climatique, dont la résolution est plus grossière. Il est à noter que l’augmentation de la résolution seule ne conduit pas nécessairement à des renseignements plus utiles ou de plus haute qualité sur le climat. Néanmoins, pour certaines utilisations, une résolution fine pourrait être nécessaire, elle pourrait aussi faciliter la compréhension des utilisateurs et la communication avec eux. On doit néanmoins souligner que l’influence de la variabilité interne du climat se réduit en faisant la moyenne des résultats sur de grandes régions. Par conséquent, le passage de l’échelle mondiale à l’échelle régionale, voire locale, augmente la variabilité interne, le niveau d’incertitude par rapport aux prévisions à l’échelle locale est donc supérieur à celui associé aux prévisions à l’échelle régionale ou mondiale (Hawkins et Sutton, 2009²⁴).

Lorsque des renseignements sur le climat à une résolution spatiale ou temporelle plus élevée sont nécessaires, on peut utiliser une des méthodes qui permettent de prendre les prévisions des modèles climatiques à l’échelle mondiale et de les réduire à l’échelle d’une région donnée ou même d’un seul lieu, augmentant leur résolution. Ces méthodes rentrent généralement dans une des deux catégories : la réduction d’échelle statistique et la réduction d’échelle dynamique.

La réduction d’échelle statistique est une forme de « post-traitement » d’un modèle climatique qui conjugue les prévisions du modèle aux observations régionales ou locales afin de fournir des renseignements sur le climat plus détaillés sur le plan spatial (Maraun et coll., 2010³⁴; Hewitson et coll., 2014²⁵). Les méthodes de post-traitement statistique réduisent typiquement l’échelle pour obtenir une résolution plus fine et corrigent les biais systématiques liés aux modèles. Un exemple simple est ce qu’on appelle la « méthode delta, » où l’on ajoute le changement de la valeur d’un paramètre climatique prévu par un modèle climatique à la valeur historique observée de ladite quantité. Ceci permet d’utiliser les changements prévus par différents modèles climatiques de manière uniforme, car le biais climatologique des modèles est éliminé. La correction des biais a un rôle très important, notamment lors de l’utilisation d’informations sur le climat dont l’échelle a été réduite dans des modèles des répercussions liées au passage de seuils absolus. À titre d’exemple, l’accumulation de neige dépend de la température (au-dessus ou au-dessous de zéro).

Des techniques simples, telles la méthode delta, s’appliquent à certains paramètres, par exemple la température moyenne, mais pas à d’autres. À titre d’exemple, dans le cas des précipitations quotidiennes, les biais peuvent se manifester différemment – au niveau de la variabilité, des extrêmes ou des périodes sèches ou pluvieuses (Maraun et coll., 2010³⁴). Dans de tels cas, des méthodes plus complexes de réduction d’échelles statistiques s’imposent, où l’on fera appel à des ensembles de données d’observation détaillées de résolution élevée qui représentent les influences de la topographie locale. On utilise ces données de résolution élevée pour interpoler les prévisions de changements climatiques d’une résolution grossière à une résolution beaucoup plus élevée. Dans certains cas, la correction de biais et d’autres améliorations s’appliquent à la correction de propriétés statistiques telles que les variances (Werner et Cannon, 2016⁵⁶). D’autres méthodes de réduction d’échelles statistiques profitent des liens observés entre la circulation atmosphérique de grande échelle, que les modèles climatiques simulent généralement bien, et les variables locales. Si l’on présume que ces liens statistiques demeureront identiques malgré les changements climatiques, on peut utiliser les prévisions de la circulation atmosphérique effectuées par les modèles climatiques pour prévoir le climat futur à un lieu précis. Ces relations statistiques introduisent certains aspects du climat local qui ne sont pas nécessairement bien représentés dans le modèle global servant de source des données (p. ex. le relief local ou la proximité à un lac). À la base, toutes les méthodes de réduction d’échelle statistique exigent de présupposer que les relations entre les simulations historiques des modèles et les observations ne changent pas au cours du temps et que tous les renseignements fournis par le modèle climatique et les observations historiques à leurs échelles spatiales respectives sont exactes. La qualité de la réduction d’échelle statistique est donc directement liée à la qualité des données disponibles provenant d’observations. De récents examens offrent davantage d’information sur les avantages et les inconvénients des méthodes de réduction d’échelle statistique et de correction des biais (Hewitson et coll., 2014²⁵; Maraun, 2016³³).

La réduction d’échelle dynamique consiste en l’utilisation d’un modèle climatique régional, c’est-à-dire un modèle climatique basé sur les lois de la physique (ayant le même niveau de complexité qu’un modèle global) qui fonctionne avec une très haute résolution sur une région particulière. Les modèles régionaux sont basés en grande partie sur les mêmes phénomènes physiques et les mêmes connaissances scientifiques que les modèles climatiques globaux, et partagent souvent avec ceux-ci une grande partie de leur code. La différence importante est qu’à leurs limites latérales, les modèles régionaux font appel aux résultats d’un modèle climatique mondial, comme le montre la figure 3.10. Les modèles régionaux « héritent » donc des erreurs et des biais du modèle global dont les résultats forment leurs limites latérales. L’avantage principal de la réduction d’échelle dynamique est qu’en raison de l’étendue limitée de la région traitée, un modèle régional peut simuler le climat à une résolution beaucoup plus fine qu’un modèle global, et ce, à un même niveau de performance informatique. Les détails supplémentaires sont souvent utiles, surtout lorsque les résultats du modèle régional sont utilisés dans un autre modèle (p. ex. un modèle hydrologique où les détails sur la géométrie du bassin, les précipitations fréquentes et extrêmes et les autres aspects à échelle locale sont essentiels). Cependant, il subsiste la poursuite de la recherche visant à déterminer si l’utilisation de modèles régionaux offre de la valeur ajoutée en comparaison à une réduction d’échelle des résultats du modèle climatique mondial, et sous quelles conditions. Il n’existe actuellement pas de mesures convenues de la valeur ajoutée (Di Luca et coll., 2015¹¹; 2016⁹; Scinocca et coll., 2016⁴⁶), mais l’information dont on disposait au moment du cinquième Rapport d’évaluation du GIEC indiquait que l’utilisation de modèles régionaux à haute résolution pourrait ajouter de la valeur dans certains lieux grâce à une meilleure représentation du relief, des frontières entre l’eau et la surface et de certains phénomènes physiques, ainsi qu’une meilleure simulation des extrêmes (Flato et coll., 2013¹⁵).

Un avantage supplémentaire de la réduction d’échelle dynamique par rapport à la réduction d’échelle statistique est la possibilité de maintenir les relations physiques entre les différentes variables climatiques (p. ex. la température et les précipitations). Au moyen de la réduction d’échelle dynamique à résolution de modèle très élevée (quelques kilomètres), il est possible de résoudre explicitement certains phénomènes physiques tels que la convection et d’obtenir une meilleure simulation des variables climatiques telles que les précipitations exceptionnelles. Plusieurs études récentes font ressortir les possibilités de valeur ajoutée que présente cette technique, y compris un système de réduction d’échelle dynamique qui comprend une représentation retaillée des Grands Lacs (Gula et Peltier, 2012²³), le potentiel de valeur ajoutée liée à une résolution élevée des côtes (Di Luca et coll., 2013¹⁰), et l’amélioration de la simulation des extrêmes de température et de précipitation (Curry et coll., 2016a⁷,b⁸; Erler et Peltier, 2016¹²).

Les méthodes de réduction d’échelles statistiques et dynamiques ont été utilisées et évaluées dans le cadre de la modélisation du climat dans plusieurs régions du monde. En ce qui concerne l’Amérique du Nord, on a effectué des comparaisons de réduction d’échelle coordonnées et dynamiques dans le cadre du North American Regional Climate Change Assessment Program (NARCCAP : http://www.narccap.ucar.edu/) et du Coordinated Regional Downscaling Experiment (CORDEX : https://na-cordex.org/). Dans le cadre du CORDEX, les simulations effectuées avaient des résolutions de 25 ou 50 km. Les deux programmes comprenaient des modèles canadiens. Les expériences coordonnées telles que celles-ci fournissent des résultats de plusieurs modèles climatiques régionaux différents, dont les limites latérales utilisent les résultats de divers modèles climatiques globaux. Ils permettent en outre aux scientifiques de déterminer si les différences régionales dans les prévisions des changements climatiques sont liées aux différences entre les modèles globaux ou des modèles régionaux à échelle réduite. Cependant, l’ensemble de modèles du CORDEX est beaucoup moins vaste que l’ensemble de modèles globaux du CMIP, et les études effectuées au moyen de cet ensemble sont principalement axées sur les sous-régions et non le Canada dans son entièreté.

Pour ce qui est du Canada, des modèles climatiques régionaux dont les domaines sont plus petits et les résolutions plus détaillées sont principalement utilisés, notamment par le consortium Ouranos et par le Centre pour l’étude et la simulation du climat à l’échelle régionale (ESCER) de l’Université du Québec à Montréal. Certains de ces modèles offrent des résultats à une résolution de 15 km (https://www.ouranos.ca/programme/simulations-analyses-climatiques/). Des résultats de réduction d’échelle statistique pour le Canada sont également facilement disponibles (https://www.pacificclimate.org/data/statistically-downscaled-climate-scenarios), et comprennent des données sur la température et les précipitations quotidiennes à une résolution d’environ 10 km. Ces méthodes de pointe de réduction d’échelle (Werner et Cannon, 2016⁵⁶) tirent leurs données de plusieurs prévisions de modèles climatiques globaux. En plus d’une structure spatiale détaillée, les méthodes raffinées de réduction d’échelles statistiques peuvent aussi fournir des estimations des changements futurs des conditions climatiques extrêmes et d’autres indices (fréquence des journées chaudes, durée de la saison de croissance et indices de sécheresse) très importants dans certaines études des répercussions (voir le chapitre 4). On peut également utiliser les résultats de réduction d’échelle dans les modèles des répercussions – tels que les modèles hydrologiques, les modèles de culture et les modèles d’écosystème – qui sont sensibles à la variabilité sur les petites échelles spatiales et aux biais des modèles climatiques (Wood et coll., 2004⁵⁷).

En résumé, les détails sur une petite échelle spatiale que peuvent fournir les modèles du système terrestre à l’échelle mondiale sont par nécessité limités. Les techniques telles que la réduction d’échelles statistiques ou dynamiques permettent de transformer les résultats des prévisions à grande échelle afin d’offrir un niveau de détail adapté aux besoins de nombreuses études des répercussions à l’échelle régionale ou locale. Il faut toutefois garder à l’esprit que l’incertitude causée par la variabilité interne du climat se réduit en faisant la moyenne des résultats sur de grandes régions (p. ex. une moyenne pour le Canada ou le monde entier). Par conséquent, le passage de l’échelle mondiale à l’échelle régionale, voire locale, augmente le niveau d’incertitude par rapport aux prévisions.