Simulation du climat futur de l’Europe et des Alpes : analyse de l’apport d’une correction de biais en ligne

5 à 6 mois à patir de février 2027

Contexte et objectifs du stage

Les modèles de climat sont les outils à l’origine des projections climatiques et des études sur les impacts du changement climatique, en simulant la réponse du système climatique aux forçages anthropiques, tels que l’accroissement de la concentration de gaz à effet de serre ou d’aérosols dans l’atmosphère. Ils sont également à l’origine d’information climatique à l’échelle sous-continentale et sont l’une des bases des évaluations réalisées par le Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC).

Malgré les efforts continus de la communauté scientifique pour améliorer les modèles, ceux-ci présentent des biais, c’est-à-dire des erreurs systématiques, qui peuvent être parfois d’amplitude comparable à celle du signal du changement climatique (Eyring et al., 2021). Une correction de biais est généralement appliquée, en post-traitement des simulations, aux variables d’intérêt, souvent température et précipitation. De façon complémentaire, la correction de biais en ligne (empirical run-time bias correction) a été introduite pour réduire les biais des modèles de climat (Chang et al., 2019 ; Krinner et al., 2019, 2020 ; Chapman and Berner, 2024 ; Scinocca and Kharin, 2024).

Le cœur d’un modèle de climat est la résolution numérique d’équations d’évolution des variables d’état de l’atmosphère (vitesse du vent, température, humidité). Le principe de la correction de biais en ligne est d’ajouter un terme correctif empirique à ces équations pronostiques résolues par le modèle. Ainsi, l’ensemble des variables d’état peut s’adapter instantanément à l’état « corrigé » de l’atmosphère, garantissant ainsi la cohérence physique entre les variables. Différentes méthodes pour estimer le terme correctif sont développées et évaluées (Champouillon et al., 2026, Krinner et al., 2025, Scinocca and Kharin, 2024) et les variables auxquelles la correction est appliquée peuvent différer selon l’application visée, le modèle utilisé et le choix des modélisateur-ices.

La correction de biais en ligne a vocation à être utilisée pour des simulations du climat passé et présent mais aussi futur, donc pour des projections climatiques. Par construction, l’utilisation de la correction de biais en ligne peut entraîner une réponse différente du modèle aux forçages climatiques que celle du modèle « par défaut » (Krinner et al., 2019, Beaumet et al., 2021).
Préalablement à ce stage, des simulations seront réalisées avec le modèle de circulation générale atmosphérique LMDZ (Hourdin et al., 2020). Elles seront réalisées avec une grille étirée, de façon à obtenir des projections climatiques à relative haute résolution sur les Alpes et l’Europe, avec et sans correction de biais en ligne. La correction sera appliquée aux vent horizontaux uniquement.

L’objectif de ce stage sera d’analyser ces projections climatiques produites avec correction en ligne et de les comparer à celles produites par le modèle sans correction en ligne. On cherchera à évaluer l’effet éventuel sur la réponse climatique du modèle de l’introduction de la correction. On s’intéressa aux températures, précipitations et aux structures de circulation atmosphérique pertinentes pour le climat Européen et Alpin.

Missions :
– Prise en main des résultats de simulation
– Analyse comparative des deux simulations (avec et sans correction) sur des métriques bien choisies (à définir)
– Valorisation du travail : représentation des résultats, rapport de stage et prémices d’articles scientifiques selon résultats

Compétences attendues :
– Connaissances générales sur les modèles de climat et sur le système climatique
– Aisance en programmation (Python, ou R), et si possible avoir déjà manipulé des fichiers netcdf

Laboratoire de rattachement : IGE (Institut des Géosciences de l’Environnement)

Encadrement : Aude Champouillon (IGE). Le stage se déroulera à l’IGE sur le campus de Saint Martin d’Hères (limitrophe de Grenoble).

Durée : 5 à 6 mois à partir de février 2027

Gratifications : Environ 650€/mois (4.50€/heure).

Candidature : Transmettre un CV et une lettre de motivation à aude.champouillon univ-grenoble-alpes.fr

Date limite pour candidater : Vendredi 4 décembre 2026 (les entretiens seront réalisés au fil de l’eau).

Références citées :
Beaumet, J. ; Déqué, M. ; Krinner, G. ; Agosta, C. ; Alias, A. ; Favier, V. Significant Additional Antarctic Warming in Atmospheric Bias-Corrected ARPEGE Projections with Respect to Control Run. The Cryosphere 2021, 15 (8), 3615–3635. https://doi.org/10.5194/tc-15-3615-2021
Champouillon, A. ; Krinner, G. ; Blanchet, J. Intercomparison of Run-Time Bias Correction Methods in LMDZ v6.3. EGUsphere 2026, 2026, 1–37. https://doi.org/10.5194/egusphere-2026-1380
Chang, Y. ; Schubert, S. D. ; Koster, R. D. ; Molod, A. M. ; Wang, H. Tendency Bias Correction in Coupled and Uncoupled Global Climate Models with a Focus on Impacts over North America. Journal of Climate 2019, 32 (2), 639–661. https://doi.org/10.1175/JCLI-D-18-0598.1
Chapman, W. E. ; Berner, J. Deterministic and Stochastic Tendency Adjustments Derived from Data Assimilation and Nudging. Quarterly Journal of the Royal Meteorological Society 2024, 150 (760), 1420–1446. https://doi.org/10.1002/qj.4652
Hourdin, F. ; Rio, C. ; Grandpeix, J.-Y. ; Madeleine, J.-B. ; Cheruy, F. ; Rochetin, N. ; Jam, A. ; Musat, I. ; Idelkadi, A. ; Fairhead, L. ; Foujols, M.-A. ; Mellul, L. ; Traore, A.-K. ; Dufresne, J.-L. ; Boucher, O. ; Lefebvre, M.-P. ; Millour, E. ; Vignon, E. ; Jouhaud, J. ; Diallo, F. B. ; Lott, F. ; Gastineau, G. ; Caubel, A. ; Meurdesoif, Y. ; Ghattas, J. LMDZ6A : The Atmospheric Component of the IPSL Climate Model With Improved and Better Tuned Physics. Journal of Advances in Modeling Earth Systems 2020, 12 (7), e2019MS001892. https://doi.org/10.1029/2019MS001892
Krinner, G. ; Beaumet, J. ; Favier, V. ; Déqué, M. ; Brutel-Vuilmet, C. Empirical Run-Time Bias Correction for Antarctic Regional Climate Projections With a Stretched-Grid AGCM. Journal of Advances in Modeling Earth Systems 2019, 11 (1), 64–82. https://doi.org/10.1029/2018MS001438
Krinner, G. ; Champouillon, A. ; Blanchet, J. ; Chéruy, F. Iterative Run-Time Bias Corrections in an Atmospheric GCM (LMDZ v6.3). EGUsphere 2025, 1–20. https://doi.org/10.5194/egusphere-2025-3553
Scinocca, J. F. ; Kharin, V. V. Climatological Adaptive Bias Correction of Climate Models. Journal of Advances in Modeling Earth Systems 2024, 16 (12), e2024MS004563. https://doi.org/10.1029/2024MS004563