Vous êtes ici : UVSQ RechercheDoctoratSoutenances de thèse

«Modélisations statistiques à différentes échelles climatiques et environnementales» par Mathieu Vrac

Discipline : Sciences de l'Environnement Laboratoire : LSCE

Résumé :
La « climatologie statistique » développe des approches originales pour la modélisation des phénomènes climatiques, leurs processus, leurs incertitudes, etc., en s’appuyant sur des approches statistiques et des notions probabilistes. Cette discipline, hybride et relativement récente, représente désormais une force indéniable pour la compréhension des variabilités climatiques et environnementales. Dans ce contexte multidisciplinaire par définition, mes recherches se sont principalement concentrées sur trois axes interdépendants :
1. la caractérisation et modélisation de régimes de temps,
2. le développement d’approches statistiques de régionalisation (« descente d’échelle » ou « downscaling »),
3. et la modélisation d’évènements extrêmes.
Ces axes sont associés à différentes échelles spatiales et souvent différentes échelles temporelles : Les régimes de temps et leurs propriétés fournissent des informations dites à grande échelle spatiale en caractérisant des structures atmosphériques de plusieurs centaines de km, avec des persistances de plusieurs jours. Le downscaling statistique permet de simuler des phénomènes climatiques ou météorologiques à des échelles très petites (c.-à-d., très locales, par ex., au niveau de stations météo) en les contraignant par diverses informations à grande échelle. Les évènements extrêmes, eux, peuvent à la fois être considérés à de grandes échelles spatiales (par ex., dans le cadre de vagues de chaleurs ou de sécheresses) et à des échelles beaucoup plus locales (par ex., les précipitations extrêmement intenses, souvent brèves, pouvant générer des crues dites éclaires, doivent être modélisées à de hautes résolutions, par ex., au niveau du bassin versant, pour être pertinentes.
Ces trois axes fournissent par ailleurs des informations précieuses à différents horizons temporels : Les régimes de temps sont généralement étudiés pour les modes de variabilité du climat présent mais permettent aussi d’évaluer leurs évolutions potentielles dans le futur ou depuis un climat passé plus ou moins lointain (par ex., dernier millénaire). De même, la modélisation statistique à haute résolution spatiale permet des études de processus (continentaux, atmosphériques) en climat présent mais également de réaliser des projections locales de variables climatiques nécessaires aux études et modèles d’impacts (écologiques, hydrologiques, économiques, etc.) du changement climatique futur, ou par exemple, pour la comparaison modèles-données dans un contexte d’études paléo-climatiques. Enfin, si les études sur les évènements extrêmes contemporains sont pertinentes pour mieux caractériser les phénomènes rares et mieux appréhender notre vulnérabilité au climat, celles-ci doivent également être déployées pour définir des cartes de risques (par ex., carte de niveau de retour pour un phénomène centennal, ou millénial), non-seulement à l’actuel mais aussi et surtout en contexte de changement climatique (par ex., pour la construction d’édifices de protection contre les évènements climatiques extrêmes), susceptible de faire évoluer les fréquences mais aussi les intensités de ces phénomènes intenses.
De manière globale, la compréhension du risque (climatique, environnemental) et des incertitudes associées passent par des concepts statistiques et des estimations de probabilités de divers évènements. Le rôle de la modélisation statistique est donc central. Mon travail permet de faire un lien naturel et opérationnel entre climatologie et d’autres domaines influencés/impactés par le climat en développant des concepts et outils statistiques qui sont mis à la disposition de l’ensemble de la communauté climatique et des impacts.

Abstract :
Based on statistical approaches and probabilistic notions, “statistical climatology” develops original approaches for the modelling of climatic phenomena, their processes, uncertainties, etc. This hybrid and relatively recent discipline represents an undeniable strength for the understanding of climate and environmental variabilities. In this multidisciplinary context, my researches have focused on three interdependent axes:
1. Characterization and modelling of weather regimes (WRs),
2. Development of statistical approaches for regionalization (or “downscaling”),
3. Modelling of extreme events.
Those axes are associated with different spatial and often temporal scales: Weather regimes and their properties provide large spatial scale information through atmospheric structure of several hundreds of km, with persistence of several days. Statistical downscaling allows simulating climatic phenomena at very local scales (e.g., station) conditionally on large-scale information. Extreme events can be considered both at large (e.g., heat-waves or droughts) and local scales (intense precipitation leading to flash floods).
Those axes also provide precious information at various horizons: WRs are generally studied for the modes of variability of the present climate but also allow evaluating their potential evolutions in future or from a past climate (e.g., last millennium). The high-resolution statistical modelling allows studying (continental, atmospheric) processes under the present climate and also allows projecting local-scale climate variables needed for impacts studies and models (e.g., ecological, hydrological, economical) of future climate change, or for comparisons model-data under paleo-climate context. Finally, if studies on extreme events are relevant to better characterize rare phenomena and to better apprehend our vulnerability to climate, they have to be performed to define maps of risks (e.g., maps of return levels of centenal or millenal events), not only in present but also in climate change context. (e.g., for buildings of protection against extreme events).
More generally, the understanding of climatic risks and their uncertainties needs statistical concepts and probabilities estimations of various phenomena. Hence, statistical modelling is crucial. My work allows a natural and operational link between climatology and domains impacted by climate, through developing statistical tools and concepts provided to the whole climate and impacts community.
Informations complémentaires
Denis Allard, Directeur de Recherche (INRA) - Rapporteur
Christophe Bouvier, Directeur de Recherche (IRD) - Rapporteur
Serge Planton, Directeur de Recherche (CNRM) - Rapporteur
Philippe Bousquet, Professeur des Universités (UVSQ) - Examinateur
Petra Friederichs, Senior Lecturer (Meteo. Institute, Univ. Bonn) - Examinateur
Joël Guiot, Directeur de Recherche (CNRS) - Examinateur
Contact :
dredval service FED :