APPROCHE SCIENTIFIQUE ET TECHNIQUE
Régionalisation du climat
Différents types de Modèles de Descente d'Echelle Statistique (MDES) ont été développés au cours des décennies récentes (e.g. Hingray et al., 2009; Maraun et al., 2010). Dans RIWER2030, différentes paramètrisations de 3 MDES, spécifiquement développées pour le projet, ont été considérées :
- analog développé par EDF et le LTHE lors de collaborations antérieures (Obled et al., 2002),
- dsclim développé au CERFACS (Boé, 2007) et adapté pour RIWER2030 par (Lafaysse, 2011) et
- d2gen, développé à l'EPFL puis au LTHE (Mezghani and Hingray, 2009).
Ces MDES permettent de générer des scénarios multivariés de différentes variables météorologiques de surface (e.g. précipitation, température, ensoleillement, vent). Pour pouvoir comparer ces stratégies de descente d'échelle, nous avons développé un cadre d'évaluation multi-critères qui comprend des évaluations « directes » et «indirectes» testant respectivement l'aptitude des MDES 1) à reproduire certaines caractéristiques statistiques issues des chroniques météorologiques de référence et 2) à fournir des scénarios météorologiques cohérents vis-à-vis de l'impact visé, ici hydrologique. Dans les deux cas, nous avons mis en place des évaluations climatologiques, chronologiques et orientées en transférabilité temporelle. Elles sont aussi multi-réalisations du fait de la nature statistique du lien d'échelle (Lafaysse, 2011).
Figure: Principe des Modèles de Descentes d'Echelle Statistique pour la régionalisation du climat.
Modélisation de la gestion
Pour simuler la gestion de la retenue, nous avons développé un modèle de gestion simplifié qui se limite en particulier à la représentation de la gestion de la retenue de Serre-Ponçon, l'ouvrage principal du système de gestion de la « Chaîne de Production Durance-Verdon ». Le modèle permet d'évaluer la durabilité du système gestion en comparant pour les périodes récentes et futures la performance d'une stratégie de gestion dite « optimale » résultant de l'identification des moments et des usages auxquels il est le plus intéressant d'allouer une part de la ressource disponible. Cette stratégie est obtenue par programmation dynamique de façon à rendre compte d'objectifs de gestion hiérarchisés (environnement, irrigation, eau potable, hydroélectricité, tourisme estival) (François, 2013).
Figure: Composantes du modèle simplifié de simulation de la gestion intégrée de la retenue de Serre_Ponçon (François, 2013).
Evaluation des incertitudes
Les incertitudes sont quantifiées au travers d'un ensemble de simulations hydro-climatiques obtenues pour les 240 ans de la période 1860-2100 à l'aide de différents modèles climatiques du projet ENSEMBLE (5GCMs), plusieurs versions des trois MDES (analog, dsclim et d2gen), différents modèles hydrologiques (Cequeau, Mordor, SIM), différentes représentations de la stratégie « optimale » de gestion de la retenue (dépendant du niveau de prévisibilité des apports et des sollicitations à la retenue).
Par ailleurs, La composante grande échelle de la variabilité interne associées aux modèles a été considérée par le biais de plusieurs expériences longue durées (1860-2100) d'un même GCM; ces expériences diffèrant de par leurs conditions initiales.
La composante petite échelle de la variabilité interne a aussi été prise en compte par l'utilisation, pour chaque chaîne GCM/MDES considérée, d'un ensemble de 100 scénarios obtenus pour 100 réalisations du processus stochastique de descente d'échelle.
Un cadre d'analyse de variance a été développé spécifiquement pour cet ensemble de projections.
Le cadre statistique développé dans RIWER2030 (QEANOVA) se base sur l'hypothèse de quasi-ergodicité pour les simulations climatiques transitoires (Hingray and Mériem, 2013).
Simple et robuste, il permet de séparer et quantifier les différentes sources d'incertitude d'un tel ensemble en particulier :
- les différentes composantes de l'incertitude liées aux modèles (GCM, MDES, MH)
- les différentes composantes de la variabilité interne des chaines de simulation (grande échelle, petite échelle)
Il permet aussi d'évaluer la significativité des changements et le délai d'émergence d'un changement significatif, au regard de la variabilité interne des modèles climatiques. Ce cadre d'analyse a été appliqué pour différentes variables hydrométéorologiques obtenues en sorties des simulations RIWER2030.
Figure: Cadre d'analyse des incertitudes basé sur l'hypothèse quasi-ergodique pour les projections climatiques transitoires.
