Développement d’une méthode de reconstitution de données climatologiques à partir de stations d’observations

6 mois, à démarrer au printemps, été ou automne 2025

Laboratoire(s) de rattachement : Centre National de Recherches Météorologiques / Centre d’Etudes de la Neige

Encadrant(s) :Diego Monteiro (Centre d’Etudes de la Neige, diego.monteiro meteo.fr)

Co-encadrant(s) : Isabelle Gouttevin (Centre d’Etudes de la Neige, isabelle.gouttevin meteo.fr)

Lieu : Grenoble, campus de St Martin d’Heres, 1441 rue de la Piscine

Niveau de formation & prérequis : M2 en cours ou dernière année d’école d’ingénieur en cours ou césure ; bon niveau en programmation sous python ; bon bagage en statistiques. Des connaissances et maîtrises des outils d’IA sous python sont un plus. Capacité à travailler en équipe et intérêt pour les sciences du climat et/ou la cryosphère de montagne.

Pour postuler : envoyer CV et lettre de motivation aux 2 encadrants

Mots clés : climat, modèles statistiques, observations in-situ, neige, réanalyse

Sujet :

L’évolution du climat depuis le début de l’ère industrielle dû aux activités humaines est aujourd’hui largement documentée (IPCC, 2021).
Dans les régions de montagne et plus spécifiquement dans les massifs montagneux français, elle se caractérise par une augmentation des températures proches de la surface, avec des effets en cascade sur toutes les composantes de la cryosphère (diminution de l’enneigement à basse et moyenne altitude, fonte progressive des glaciers alpins) et des socio-écosystèmes de ces régions (Hock et al., 2019).
En amont de la quantification des impacts passés, les données caractérisant les conditions météorologiques et de surface des dernières décennies sont une brique indispensable à la plupart des communautés scientifiques.

Dans les montagnes françaises, la réanalyse S2M (Vernay et al., 2019), jeu de données hybride combinant modélisation et observations, et disponible de 1958 à nos jours, est largement utilisée à cette fin (Reveillet et al., 2018 ; Francon et al., 2020 ; Le Roux et al., 2022)

Néanmoins, il a été montré que l’hétérogénéité temporelle de la disponibilité des observations utilisées pour corriger les sorties brutes du modèle conduit à des ajustements de la modélisation différents au cours de la période simulée (1958-2023) (Vernay et al., 2022). En effet, un nombre beaucoup plus important d’observations est disponible au cours des dernières décennies (1990-2020) par rapport à 1958-1990.
Cette correction variable dans le temps, liée à la disponibilité des observations, est très vraisemblablement à l’origine d’un artefact observé dans les tendances de température issues de la réanalyse, conduisant à un refroidissement sur les 60 dernières années (Vernay et al., 2022), incohérent avec la littérature sur le sujet (Beaumet et al., 2021, Monteiro and Morin, 2023).

Dans ce stage, nous proposons de résoudre cette incohérence en reconstituant un jeu d’observations de référence du climat passé. Nous proposons de mettre en œuvre diverses méthodes de machine learning (régressions multi-linéaires, gradient boosting, random forest ou réseaux de neurones avec ou sans mémoire) pour tenter de reconstituer l’enregistrement passé des stations pour lesquelles les mesures sont limitées à la période la plus récente. Ces méthodes ont prouvé leur potentiel pour des reconstructions en géophysique (Bolibar et al., 2020a,b).

A l’issue du stage, l’objectif est de développer un ou plusieurs algorithmes de reconstruction des données des stations (en se focalisant dans un premier temps sur les températures horaires), et d’évaluer les performances des différents algorithmes (coût de calcul, complexité, fiabilité de la reconstruction, etc.)
En fonction des progrès réalisés, il sera possible de tester l’impact de l’incorporation de ces stations reconstituées sur l’évolution des températures simulées par la réanalyse, voire d’étendre l’application de l’algorithme de reconstitution à d’autres variables nivo-météorologiques telles que les précipitations ou l’épaisseur de la neige.

Les résultats du stage permettront in fine d’améliorer la description de l’évolution passée de l’enneigement en montagne et ainsi de mieux appréhender les défis majeurs qui s’annoncent dans le futur pour toutes les activités et les écosystèmes qui en dépendent.

Références :

Beaumet, J., Ménégoz, M., Morin, S., Gallée, H., Fettweis, X., Six, et al. (2021). Twentieth century temperature and snow cover changes in the French Alps. Regional Environmental Change, 21(4), 114.

Bolibar, J., Rabatel, A., Gouttevin, I., & Galiez, C. (2020a). A deep learning reconstruction of mass balance series for all glaciers in the french alps : 1967–2015. Earth System Science Data, 12(3), 1973–1983.

Bolibar, J., Rabatel, A., Gouttevin, I., Galiez, C., Condom, T., & Sauquet, E. (2020b). Deep learning applied to glacier evolution modelling. The Cryosphere, 14(2), 565–584.

Francon, L., Corona, C., Till-Bottraud, I., Choler, P., Carlson, B. Z., Charrier, G., ... & Stoffel, M. (2020). Assessing the effects of earlier snow melt-out on alpine shrub growth : the sooner the better ?. Ecological Indicators, 115, 106455.

Hock, R., Bliss, A., Marzeion, B., Giesen, R. H., Hirabayashi, Y., Huss, M., Radić, V., & Slangen, A. B. (2019). Glaciermip–a model intercomparison of global-scale glacier mass-balance models and projections. Journal of Glaciology, 65(251), 453–467

IPCC (2021). Climate Change 2021 : The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.

Monteiro, D., & Morin, S. (2023). Multi-decadal analysis of past winter temperature, precipitation and snow cover data in the European Alps from reanalyses, climate models and observational datasets. The Cryosphere, 17(8), 3617-3660.

Réveillet, M., Six, D., Vincent, C., Rabatel, A., Dumont, M., Lafaysse, M., Morin, S., Vionnet, V., & Litt, M. (2018). Relative performance of empirical and physical models in assessing the seasonal and annual glacier surface mass balance of saint-sorlin glacier (french alps). The Cryosphere, 12(4), 1367–1386.

Vernay, M., Lafaysse, M., Hagenmuller , P., Nheili , R., Verfaillie , D., & Morin , S. (2019). The S2M meteorological and snow cover reanalysis in the French mountainous areas (1958 - present) [Data set]. AERIS. http://dx.doi.org/10.25326/37#v2020.2

Vernay, M., Lafaysse, M., Monteiro, D., Hagenmuller, P., Nheili, R., Samacoïts, R., Verfaillie, D., and Morin, S. (2022). The S2M meteorological and snow cover reanalysis over the French mountainous areas : description and evaluation (1958–2021), Earth Syst. Sci. Data, 14, 1707–1733, https://doi.org/10.5194/essd-14-1707-2022

Mis à jour le 12 novembre 2024