RESULTATS PRINCIPAUX
Régionalisation du climat
Les 3 MDES considérés ne sont pas forcément équivalents selon les critères d'évaluation considérés. Les résultats obtenus avec les différentes versions de d2gen suggèrent que l'intégration de variables d'humidité comme prédicteurs serait intéressante aussi pour dsclim et analog. Les différents MDES reproduisent plutôt bien les variations saisonnières et interannuelles des variables météorologiques locales. L'évaluation de leur transposabilité temporelle est difficile du fait en particulier de l'hétérogénéité temporelle des données à disposition (réanalyses atmosphériques, variables locales). Elle semble néanmoins plus importante pour la méthode analog.
>
Figure1: Performance de 6 MDES pour la reproduction des cumuls saisonniers de précipitations (hiver à gauche, été à droite). Diagrammes de Taylor. 100 chroniques sont évaluées pour chaque MDES. Pour chaque chronique simulée, la figure présente le coefficient de corrélation (valeur optimale : 1) entre la chronique simulée et la chronique observée et le ratio d'écart-type (valeur optimale : 1) entre précipitations saisonnières reconstruites et observées (hiver-djf, été-jja), pour 100 réalisations stochastiques du MDES (extrait de Lafaysse, 2011)
Modélisation de la gestion
La retenue de Serre-Ponçon, au travers de sa gestion (stockage / déstockage), permet d'assurer l'exercice d'équilibre entre l'offre en eau (apports naturels) et la demande en eau (besoin quantitatif exprimé par les usages (environnement, agriculture, eau potable, tourisme) ou intérêt énergétique). Le modèle de gestion développé permet de reproduire sur les décennies récentes les grands traits de la gestion opérationnelle, en particulier la chronologie des séquences de décisions optimales et les cycles de stockage/destockage dans la retenue.
La gestion simulée dépend cependant de façon significative de la méthode utilisée pour élaborer la stratégie de gestion « optimale ». Les différentes méthodes considérées pour élaborer cette stratégie correspondent à des niveaux différents de prévisibilité des apports à la retenue. Ces différentes configurations sont plus ou moins proches de la configuration effective du gestionnaire actuel de la retenue (EDF).
>
Figure2: Trajectoire de stock observée (noir) et simulées (bleu / vert / rouge) de la retenue de Serre-Ponçon pour 3 stratégies de gestion « optimales » correspondant à 3 degrés de prévisibilité des apports à la retenue : AC : les apports futurs sont parfaitement connus, AIC : la prévisibilité résulte de la seule connaissance des apports observés par le passé ; AIP : les apports sont prévus à l'aide de la connaissance des sollicitations météorologiques observées par le passé et d'une estimation continue des stocks en eau sur les versants du bassin (neige, souterrain).
Projections futures et incertitudes
Classiquement, l'incertitude associée au choix du MDES est dite négligeable devant celle associée au choix du GCM. Les résultats obtenus pour le haut bassin de la Durance montrent que :
- les incertitudes associées au choix du GCM ou au choix du MDES peuvent être, selon les variables météorologiques considérées, comparables,
- Les changements peuvent être aussi très différents pour différentes versions d'un même MDES.
Par ailleurs aussi :
- La dispersion des projections entre différents expériences d'un même GCM (la variabilité interne grande échelle) est au moins équivalente à la dispersion entre GCMs,
- L'incertitude portée par le caractère stochastique des algorithmes de descente d'échelle (la variabilité interne petite échelle) est non négligeable, justifiant la génération de scénarios multiples.
- Les incertitudes liées au modèle hydrologique sont aussi non négligeables, en particulier sur les projections de débits annuels futurs, du fait d'une représentation différentes des pertes par évaporation dans les modèles.
Au regard de la variabilité interne des chaînes de simulation :
- les changements attendus sont généralement significatifs pour les variables liées à l'augmentation des températures (enneigement, saisonnalité des débits),
- ils ne le sont pas forcément pour les autres variables (e.g. précipitations).
Les changements moyens attendus, l'incertitude totale associée ainsi que la contribution des différentes sources d'incertitudes estimés avec le cadre d'analyse QEANOVA sont illustrées dur la figure ci dessous pour les précipitations et températures annuelles.
Ce travail met en évidence que les études d'impact du changement climatique basées sur un seul GCM, et/ou sur un seul MDES ou sur une seule réalisation d'une même chaîne GCM/MDES peuvent fortement sous-échantillonner l'incertitude sur les projections réalisées. Il en est de même pour les modèles hydrologiques. L'approche multi-modèles et multi-réalisations est donc à recommander.
Enfin, la performance estimée du système Durance Supérieure a tendance à diminuer significativement pour la plupart des indicateurs considérés (Figure 4). Elle dépend globalement peu du modèle de gestion utilisé sauf pour certaines expériences climatiques futures présentant une forte augmentation de la variabilité interannuelle des apports à la retenue. Dans ce cas, la séquence de décisions optimale dépend de la façon dont la stratégie de gestion « optimale » est élaborée.
Figure3: Gauche : changements de températures (haut) et précipitations (bas) annuelles moyennes sur 20 ans en fonction de l'échéance de projection (période de référence 1980-1999)(l'étendue de la zone colorée correspond à la plage d'incertitude à l'intervalle de confiance de 90%). Droite : Proportion de l'incertitude totale expliquée par chaque source d'incertitude : GCM (bleu foncé) ; SDM (vert) ; interaction GCM/MDES (R/MI, cyan), variabilité interne grande échelle (LSIV, rouge) et petite échelle (SSIV, jaune) associées à chaque chaîne GCM/MDES (Hingray et Saïd, 2014).
Figure4: Evolution de l'indicateur de revenus cumulés sur 30 ans (haut) et de la fiabilité vis-à-vis de la cote touristique (bas) de 1860 à 2099. (a) 6 GCM forçant la Descente d'Echelle Statistique Analog20. (b) Les 6 Modèles de Descente d'Echelle Statistique forcé par le GCM DMIEH5C-1 (François, 2013)
