Explorer les causes de la variabilité inter-modèle dans les projections du bilan de masse de surface de l’Antarctique à la fin du 21ème siècle

stage de 5 mois de février à juin 2025

Laboratoire(s) de rattachement : IGE

Encadrant(s) : Charles Amory

Contact(s) : charles.amory univ-grenoble-alpes.fr

Lieu : IGE MCP

Niveau de formation & prérequis : connaissances en sciences du climat et/ou modélisation numérique, manipulation de fichiers netcdf, programmation python, nco, cdo

Mots clés : modélisation régionale - bilan de masse de surface - Antarctique

Explorer les causes de la variabilité inter-modèle dans les projections du bilan de masse de surface de l’Antarctique à la fin du 21ème siècle

Contexte : Avec un équivalent en niveau marin d’environ 58 mètres, l’Antarctique est la principale source d’incertitude dans les projections d’augmentation du niveau marin (Fox-Kemper et al., 2021). Son bilan de masse se définit comme la différence entre le bilan de masse en surface et la décharge de glace, c’est-à-dire la glace qui quitte la partie posée de la calotte pour rejoindre l’océan. Le bilan de masse en surface de l’Antarctique correspond à la résultante des termes d’accumulation (précipitations, déposition, condensation) et d’ablation (sublimation, évaporation, érosion et ruissellement) en surface de la calotte. En raison de la vastitude du continent et des conditions extrêmes qui y règnent, la modélisation est un outil privilégié pour estimer le BMS de l’Antarctique. Cela nécessite néanmoins une résolution spatiale suffisamment élevée pour capturer les forts gradients topographiques et les précipitations orographiques caractéristiques des régions côtières qui en résultent. Une représentation détaillée de la physique du manteau neigeux, de la couche limite atmosphérique et de leurs interactions est également indispensable pour modéliser les composantes du BMS et les processus qui les déterminent (Agosta et al., 2019).

Enjeu : Les modèles employés pour estimer le BMS des calottes de glace se déclinent en deux catégories : les modèle du système Terre (ESM pour Earth System Model en anglais) et les modèles de climat régional (RCM pour Regional Climate Model en anglais), chacun présentant ses propres avantages et inconvénients. Le principal avantage des ESM pour simuler le BMS des calottes de glace est l’application d’une physique cohérente à l’échelle globale, avec un couplage interactif de l’atmosphère avec l’océan, la glace de mer et la surface des continents. Cependant, la plupart des ESM présentent deux limites principales qui les empêchent actuellement de simuler un BMS des calottes réaliste (Lenaerts et al., 2019). D’une part, la plupart des ESMs possèdent une représentation encore rudimentaire du manteau neigeux et de ses interactions avec l’atmosphère. D’autre part, les résolutions typiques de la dernière génération d’ESM, de l’ordre d’un degré de latitude (Eyring et al., 2016), sont insuffisantes pour représenter correctement les gradients de BMS le long des marges des calottes de glace. Une alternative à ces limitations est la descente d’échelle dynamique, c’est-à-dire l’utilisation d’un RCM à haute résolution, guidé aux limites latérales et supérieures par des données climatiques issues d’un ESM ou de réanalyses. Les RCMs offrent une résolution spatiale suffisamment élevée ainsi qu’une représentation réaliste des composantes du BMS, obtenue grâce à une description détaillée des interactions entre la surface de neige ou de glace et l’atmosphère. Les versions les plus récentes des RCMs développés pour les régions polaires démontrent des performances similaires pour simuler le BMS contemporain de l’Antarctique et un accord général sur son estimation (Mottram et al., 2021). Cependant, les RCM ne sont pas autonomes en termes de forçage, et peuvent représenter une source d’incertitude supplémentaire en raison de leurs biais internes potentiels, particulièrement dans le cadre de projections climatiques.

Objectifs : Des projections du BMS de l’Antarctique pour la fin du siècle ont été récemment produites à l’aide des RCMs de référence MAR (Kittel et al., 2021), RACMO (van Wessem et al., 2023), et HIRHAM (Boberg et al., 2022), permettant de documenter la variabilité du futur du BMS de l’Antarctique sous différentes conditions et trajectoires climatiques. En revanche, l’usage de conditions aux limites différentes d’un RCM à l’autre ne permet pas de quantifier la part d’incertitudes liée au choix du RCM dans ces estimations. Ce stage a pour objectif la quantification de la variabilité du BMS de l’Antarctique au sein d’un ensemble de 3 projections réalisées par descente d’échelle dynamique du Community Earth System Model Version 2 (CESM2 ; Danabasoglu et al., 2020), par MAR, RACMO et HIRHAM, sous un scenario à fortes émissions (SSP5-8.5) jusqu’en 2100. Une comparaison préliminaire révèle un désaccord entre les 3 modèles sur le BMS futur particulièrement prononcé pour les plates-formes de glace entourant l’Antarctique (Fig. 1), malgré des conditions aux limites communes. Le.la candidate quantifiera les processus responsables de ces différences en analysant et discutant notamment les anomalies des composantes du BMS et du bilan d’énergie en surface. Une comparaison des composantes du BMS simulé par chaque RCM à celui de CESM2 sera également réalisée.

Compétences requises : connaissances en sciences du climat et/ou modélisation numérique, manipulation de fichiers netcdf, programmation python, nco, cdo

Pour postuler : me contacter à charles.amory univ-grenoble-alpes.fr

Références :
Agosta, C., Amory, C., Kittel, C., et al. : Estimation of the Antarctic surface mass balance using the regional climate model MAR (1979–2015) and identification of dominant processes, The Cryosphere, 13, 281–296, https://doi.org/10.5194/tc-13-281-2019, 2019.
Boberg, F., Mottram, R., Hansen, N., et al. : Uncertainties in projected surface mass balance over the polar ice sheets from dynamically downscaled EC-Earth models, The Cryosphere, 16, 17–33, https://doi.org/10.5194/tc-16-17-2022, 2022.
Danabasoglu, G., Lamarque, J.-F., Bacmeister, J., et al. (2020). The Community Earth System Model Version 2 (CESM2). Journal of Advances in Modeling Earth Systems, 12, e2019MS001916. https://doi.org/10.1029/2019MS001916.
Eyring, V., Bony, S., Meehl, G. A., et al.. : Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9(5), 1937–1958. https://doi.org/10.5194/gmd‐9‐1937‐2016, 2016.
Fox-Kemper, B., Hewitt, H. T., Xiao, C., et al. : Ocean, Cryosphere and Sea Level Change. In Climate Change 2021 : The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S.
Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, and B. Zhou (eds.)]. Cambridge University Press. Cambridge, United Kingdom and New York, NY, USA, pp. 1211–1362, doi:10.1017/9781009157896.011.
Kittel, C., Amory, C., Agosta, C., et al. : Diverging future surface mass balance between the Antarctic ice shelves and grounded ice sheet, The Cryosphere, 15, 1215–1236, https://doi.org/10.5194/tc-15-1215-2021, 2021.
Lenaerts, J. T. M., Medley, B., van den Broeke, M. R., & Wouters, B. (2019). Observing and modeling ice sheet surface mass balance. Reviews of Geophysics, 57, 376–420. https://doi.org/10.1029/2018RG000622.
Mottram, R., Hansen, N., Kittel, C., van Wessem, J. M., Agosta, C., Amory, C., Boberg, F., van de Berg, W. J., Fettweis, X., Gossart, A., van Lipzig, N. P. M., van Meijgaard, E., Orr, A., Phillips, T., Webster, S., Simonsen, S. B., and Souverijns, N. : What is the surface mass balance of Antarctica ? An intercomparison of regional climate model estimates, The Cryosphere, 15, 3751–3784, https://doi.org/10.5194/tc-15-3751-2021, 2021.
van Wessem, J.M., van den Broeke, M.R., Wouters, B. et al. Variable temperature thresholds of melt pond formation on Antarctic ice shelves. Nat. Clim. Chang. 13, 161–166 (2023). https://doi.org/10.1038/s41558-022-01577-1.

Mis à jour le 18 novembre 2024