La modélisation climatique est-elle de la science?

Un bon exemple est lié aux nuages. Evidemment, dans un vrai nuage, l’humidité relative est proche de 100%, mais à l’échelle d’une maille de centaines de kilomètres, l’humidité moyenne –même s’il y a un certain nombre de nuages– sera nettement plus faible. Ainsi, une paramétrisation est nécessaire pour relier les valeurs moyennes à grande échelle avec la distribution réelle de nuages à laquelle on devrait s’attendre dans une maille. Il y a bien sûr de nombreuses façons différentes de faire ça, et les nombreux groupes de modélisation (aux Etats-Unis, en Europe, Japon, Australie, etc) pourront faire chacun des hypothèses différentes et arriver à des résultats légèrement différents.

Il est important de noter ce pour quoi ces modèles ne sont pas bons. Ils ne sont bons en rien pour votre météo locale, ou la température de l’eau de la plage du coin ou le vent à Manhattan centre, parce que ceci correspond à des caractéristiques à petite échelle, affectées par des conditions très locales. Maintenant, si vous passez à l’échelle régionale ou au-dessus (par ex. l’Europe occidentale comme un tout, le continent US) on commence à s’attendre à de meilleures corrélations.

L’une des caractéristiques les plus importantes de systèmes complexes est que la plus grande part de leur comportement intéressant est émergente. On s’aperçoit souvent que le comportement à grande échelle n’est pas prédictible a priori à partir des interactions à petites échelles qui composent le système. Il en est ainsi avec les modèles climatiques. Si on effectue un changement à la paramétrisation des nuages, il est difficile de dire à l’avance quel va en être l’impact sur, par exemple, la sensibilité climatique. C’est parce que le nombre de rétroactions possibles (positives et négatives) est littéralement incommensurable. Vous devez juste intégrer ce changement, laisser faire la physique, et voir quel en est l’effet.

Ce qui veut dire que valider ces modèles est très difficile. (NB. J’utilise le terme valider non pas dans le sens de ‘prouver la justesse’ –ce qui impossible–, mais dans le sens de ‘suffisamment bon pour être utile’). Par principe, la validation doit concerner le système complet si l’on veut avoir un peu confiance dans les prédictions du système complet dans le futur. Cette validation est ce sur quoi la majorité des modélisateurs du climat passe pratiquement tout leur temps. D’abord, nous regardons le climat moyen (c’est-à-dire, est-ce-que les grandes caractéristiques sont raisonnablement modélisées ? Est-ce-qu’il pleut là où il faut, est-ce-qu’il neige à la bonne place ? Est-ce-que les courants océaniques et les vents vont dans la bonne direction ?), ensuite la saisonnalité (à quoi ressemblent l’avancée et le recul de la glace de mer ? Est-ce-que la convergence intertropicale bouge comme il faut ?). De façon générale, nous trouvons que les modèles font finalement du bon boulot (voir ici ou ici pour des exemples d’articles de validation de modèle par différents groupes). Il y a bien sûr des régions posant problèmes (comme les régions de bord est des océans, la circulation à proximité des chaînes de montagne, etc) pour lesquelles des processus de petite échelle peuvent être mal compris ou modélisés, et ce sont les buts principaux de recherche future des développeurs de modèles et des observateurs.

Page 2 of 4 | Previous page | Next page