Télécharger le fichier pdf d’un mémoire de fin d’études
Lien entre la langue d’eau froide et la mousson africaine
Afin de comprendre les motivations de l’étude de l’ACT, nous détaillons ici un phénomène qui interagit avec le refroidissement équatorial et qui a des répercussions sur les pays africains : la mousson.
Le front au nord de l’ACT (voir 1.2.1) a une grande importance dans la région (Caniaux et al. 2011 ; Giordani et al. 2014) car il produit des variations spatiales dans les flux turbulents et modifie la circulation dans la couche limite atmosphérique marine. Caniaux et al. (2011) et Giordani et al. (2014) suggèrent que les modifications de la circulation atmosphérique induites par le front influencent la mousson en Afrique de l’Ouest. Ils montrent qu’au niveau du front dans le golfe de Guinée, l’eau froide (chaude) est associée à une forte (faible) pression atmosphérique. Par conséquent, des centres de divergence (convergence) sont situés au-dessus des maxima (minima) des flux de chaleur, qui sont eux-mêmes situés au-dessus de l’eau froide (chaude). Comme le vent de surface est contrôlé par le gradient de pression et que ce gradient est lié à celui de la SST, la vitesse du vent est maximale sur le front. L’air se déplaçant de l’eau froide vers l’eau chaude, cela déstabilise la masse d’air, et accélère le vent au-dessus du front de SST. Cette accélération du vent dans le Golfe de Guinée développe l’instabilité lorsque la colonne atmosphérique arrive au-dessus des eaux chaudes. La communauté scientifique suspecte que cette accélération du vent joue un rôle sur ce qu’on appelle le saut de mousson (e.g. Gu and Adler 2004 ; Okumura and Xie 2004 ; Nguyen et al. 2011 ; Caniaux et al. 2011) : les précipitations en Afrique de l’Ouest (10°W-10°E) débutent généralement en mai au sur l’océan puis arrivent sur les côtes africaines en juin ; elles diminuent temporairement fin juin avant de s’intensifier à nouveau en migrant vers le nord (Fontaine and Louvet 2006).
Okumura and Xie (2004) montrent à l’aide de simulations atmosphériques que le refroidissement de l’ACT a une forte influence sur la mousson africaine, en intensifiant le vent méridien soufflant vers le nord dans le Golfe de Guinée. Cette augmentation du vent méridien favorise le déplacement vers le nord de la convection et des précipitations associées. En effet, pendant le printemps et l’été boréal, le flux de rayonnement solaire chauffe fortement l’Afrique de l’Ouest et génère une dépression thermique (« heat low » ; Lavaysse et al 2009). Le fort gradient de pression entre l’anticyclone de Sainte-Hélène et le « heat low » accélère le vent de sud dans le Golfe de Guinée. L’intensification du vent déclenche à son tour le refroidissement de l’est du Golfe de Guinée, qui renforce le gradient méridien de température. Ce dernier rétroagit sur le vent de sud en l’accélérant. Okumura and Xie (2004) suggèrent que cela entraîne le déplacement vers le nord de l’ITCZ et des précipitations, et ce serait donc une des causes du saut de mousson.
De nombreuses études (Opoku-Ankomah and Cordery 1994 ; Eltahir and Gong 1996 ; Fontaine et al. 1999 ; Kouadio et al. 2003 ; de Coëtlogon et al. 2010 ; Losada et al. 2010 ; Thorncroft et al. 2011 ; Janicot et al. 2011 ; Nguyen et al. 2011 ; Caniaux et al. 2011) ont remarqué un lien entre la SST de l’ACT et la mousson africaine, qui semble influencer la chronologie, l’intensité et la pénétration continentale du saut de mousson. Nguyen et al. (2011) et Caniaux et al. (2011) ont défini des indices de saut de mousson et de SST similaires, et montrent que le refroidissement de la SST est corrélé avec le saut de mousson, qui se produit en moyenne deux semaines après le début de la langue d’eau froide (Figure 1.17).
Losada et al. (2010) mettent en avant le rôle des anomalies négatives (positives) de SST qui augmentent (diminuent) l’intensité du vent de sud, et par conséquent favorisent (défavorisent) le saut de mousson. Ces anomalies négatives (positives) de SST ont également un effet sur l’humidité de l’air, qui diminue (augmente). La combinaison de ces deux phénomènes génère des anomalies négatives (positives) de précipitation dans le Golfe de Guinée, et positives (négatives) sur le Sahel.
Le lien entre la formation de l’ACT et le saut de mousson est encore en discussion. Des études utilisant des simulations atmosphériques régionales (Flaounas et al. 2012 ; Druyan and Fulakeza 2015) suggèrent qu’avancer, retarder ou supprimer l’ACT ne modifie ni le timing du saut de mousson, ni le déplacement maximum de la mousson vers le nord. Mais les auteurs ne proposent pas d’argument pour expliquer pourquoi leurs résultats sont si différents des autres travaux. Ces études admettent cependant l’influence de la SST dans le Golfe de Guinée sur la quantité de précipitation : une SST froide (chaude) diminue (augmente) le flux méridien d’humidité vers le Sahel qui entraîne une réduction (un renforcement) des précipitations. Ces études utilisent des domaines de simulation restreints (surtout Flaounas et al. 2012) qui peuvent perturber les solutions des simulations. En effet, les conditions atmosphériques au bord du domaine sont imposées à partir d’une réanalyse atmosphérique réaliste, i.e. sans perturbation de la SST dans l’Atlantique. Il est difficile de juger si la SST dans l’Atlantique équatorial influence la circulation atmosphérique de grande échelle. Pour éliminer le doute, il faudrait réaliser les mêmes simulations avec un modèle global.
L’ACT semble donc avoir une influence sur le timing du saut de mousson et sur son extension vers le Sahel, même si certains scientifiques en doutent. L’influence de la SST dans l’Atlantique équatorial sur la quantité de précipitation de la mousson africaine est démontrée par l’ensemble de la littérature. Donc une meilleure compréhension des processus du refroidissement de l’ACT peut améliorer nos connaissances sur la mousson africaine et d’en améliorer sa prévision, en termes de déclenchement, d’intensité et de propagation vers le nord.
Comment explique-t-on la variabilité interannuelle de la langue d’eau froide ?
Le lien étroit entre la mousson africaine et l’ACT fait de la variabilité interannuelle de l’ACT un facteur de prévisibilité potentiel du saut de mousson. Cette section dresse un bilan de nos connaissances concernant la variabilité interannuelle de l’ACT. Comme pour la formation moyenne de l’ACT, nous proposons à la fin de cette partie une comparaison avec la variabilité interannuelle du Pacifique équatorial.
Nous avons vu dans la section 1.2.1 que l’intensification du vent pendant le printemps et l’été boréal est une des raisons de la formation saisonnière de l’ACT. De manière analogue, des études (Servain et al. 1982 ; Keenlyside and Latif 2007 ; Burls et al. 2012 ; Richter et al. 2013) ont montré le rôle de la variabilité interannuelle du vent dans la variabilité interannuelle de l’ACT. Servain et al. (1982), Keenlyside and Latif (2007) et Burls et al. (2012) montrent que des anomalies de vent dans l’ouest de l’Atlantique équatorial précèdent de 1 à 2 mois les anomalies de SST dans l’est de l’Atlantique équatorial. Keenlyside and Latif (2007) et Lübbecke and McPhaden (2013) ont également montré que la rétroaction de Bjerknes (voir section 1.2.1) est un des mécanismes qui contrôle la variabilité interannuelle de l’ACT. Cependant, cette rétroaction a une ampleur beaucoup moins importante que dans le Pacifique, où elle contrôle le phénomène El Niño/oscillation australe (ENSO pour El Niño Southern Oscillation). Keenlyside and Latif (2007) concluent que la faible importance de la rétroaction positive de Bjerknes dans l’Atlantique indique qu’il y a d’autres processus responsables de la variabilité interannuelle de l’ACT.
Certaines études suggèrent que la variabilité de l’ACT peut provenir de phénomènes éloignés. Par exemple, une relation existe entre la pression de surface dans l’anticyclone de Sainte-Hélène et les anomalies de SST dans l’est de l’Atlantique équatorial (Foltz and McPhaden 2004 ; Marin et al. 2009 ; Lübbecke et al. 2014). Ces auteurs ont remarqué qu’une pression de surface anormalement élevée (faible) dans l’anticyclone de Sainte-Hélène en février-mars semble intensifier les alizés, entraînant une formation précoce (tardive) de l’ACT, et des anomalies de SST négatives (positives) dans l’ACT. Richter et al. (2014b) remarquent également que des anomalies de pression dans l’anticyclone des Açores et celui de Sainte Hélène précèdent les anomalies de vent dans l’ouest de l’Atlantique équatorial. Cependant, les auteurs expliquent les anomalies des alizés dans l’ouest de l’Atlantique équatorial par des processus de la troposphère libre. Richter et al. (2014b) recommandent de poursuivre ce travail pour tenter de faire le lien avec les anomalies de pression dans les anticyclones. Ces études mettent en avant le rôle du vent, mais les mécanismes océaniques associés ont été moins étudiés.
En ce qui concerne l’importance de l’océan pour le refroidissement de l’ACT, Burls et al. (2012) mettent en avant le rôle du vent, qui contrôle l’énergie cinétique des couches superficielles de l’océan, mais les auteurs n’ont pas pu mettre en évidence de préconditionnement océanique favorisant l’apparition d’anomalies de SST. Brandt et al. (2014) ont étudié le rôle de l’EUC sur la variabilité de l’ACT. Ils ont montré qu’une forte (faible) intensité des vents pendant le printemps boréal peut augmenter (diminuer) le transport de l’EUC pendant l’été boréal et remonter la thermocline dans la partie orientale de l’Atlantique équatorial et ainsi générer des anomalies froides (chaudes) de SST. Cependant, les auteurs montrent que parfois la relation entre ces phénomènes n’est pas vérifiée : pendant le printemps boréal de 2009, la faible intensité du vent génère un transport de l’EUC extrêmement faible, mais des anomalies négatives de SST sont observées pendant l’été boréal. Wade et al. (2011b) ont utilisé des données de flotteurs ARGO collectées pendant la période 2005-2007 de la campagne AMMA-EGEE (Redelsperger et al. 2006). Ils ont observé de grandes différences dans le refroidissement de l’ACT lors de ces 3 années, et ont suggéré que ces différences proviennent de l’intensité et de la durée des épisodes de fort mélange vertical. Marin et al. (2009) étudient les années 2005 et 2006, qui présentent respectivement un fort et un faible refroidissement. Ces auteurs montrent que les différences de température entre ces deux années sont causées par un refroidissement plus précoce en 2005. Cette diminution plus précoce de la SST est le résultat d’une intensification des vents tout du long de l’équateur, qui débute plus tôt en 2005 qu’en 2006.
Comme nous l’avons présenté dans la section 1.2, le Pacifique présente une langue d’eau froide similaire à celle de l’Atlantique. La variabilité interannuelle de cet océan est contrôlée par des mécanismes analogues à ceux de l’ACT, mais l’ENSO a été plus intensément étudiée. Les mécanismes de la variabilité interannuelle de cet océan sont peut être applicables à l’ACT. Il est donc nécessaire de s’y intéresser.
La variabilité saisonnière et interannuelle du vent est un élément important dans la dynamique de l’ENSO (Kleeman and Moore 1999 ; Zavala-Garay et al. 2005 ; McPhaden et al. 2006 ; Shi et al. 2009 ; Wang et al. 2011). Il a été montré que dans le Pacifique ouest, des épisodes courts de vent d’ouest ont lieu sur le bord ouest de la warm pool (Luther et al. 1983 ; Lengaigne et al. 2004a). Ces épisodes de vent d’ouest favorisent le déclenchement ou le développement d’événements El Niño (Fedorov 2002 ; Boulanger et al. 2004 ; Lengaigne et al. 2004b ; Puy et al. 2015). L’apparition d’anomalies de SST dans le Pacifique est ensuite amplifiée par la rétroaction de Bjerknes. Huang et al. (2010, 2012) ont étudié les bilans de chaleur dans la couche de mélange avec une réanalyse et un modèle pendant des événements El Niño. Ils ont montré que toutes les composantes du bilan de chaleur (voir section 3.3.2) favorisent le développement d’anomalies chaudes de SST. Ils ont également montré que l’inversion de la tendance de température permettant de supprimer les anomalies de SST est causée par l’advection zonale, renforçant les théories de l’oscillateurs retardé ou rechargé (Suarez and Schopf 1988 ; Battisti and Hirst 1989 ; Jin 1997). Dans la théorie de l’oscillateur retardé (Suarez and Schopf 1988 ; Battisti and Hirst 1989), les anomalies positives de vent dans l’ouest du Pacifique génèrent des ondes de Kelvin qui se déplacent vers l’est et qui approfondissent la thermocline. Cela entraîne l’apparition d’anomalies positives de SST (événement El Niño). Quand les ondes atteignent l’Amérique du Sud, elles se réfléchissent en ondes de Rossby qui se déplacent vers l’ouest, et réduisent la profondeur de la thermocline favorisant le développement d’un événement La Niña. Le temps de propagation des ondes cause un retard entre leur génération et leurs effets secondaires une fois réfléchies. La théorie de l’oscillateur rechargé reprend et étaye la théorie de l’oscillateur retardé. D’après Jin (1997), les oscillations (El Niño/La Niña) proviennent de l’interaction entre le temps de recharge de la warm pool, et le retard entre l’est et l’ouest du Pacifique causé par la vitesse de propagation des ondes de Kelvin et la dynamique océanique.
Les causes de la variabilité interannuelle de l’ENSO du point de vue océanique ont donc été plus intensément étudiées que celles de la variabilité interannuelle de l’ACT. Cela est dû à l’impact mondial de l’ENSO (e.g. McPhaden et al. 2006) via des téléconnexions entre la température du Pacifique et la circulation atmosphérique globale (Trenberth et al. 1998) qui impliquent de fortes conséquences socio-économiques. Pourtant, comme dans le Pacifique, les eaux froides de l’ACT sont une source importante de nutriments (apportés à proximité de la surface par upwelling) qui contrôlent la production primaire (Fung et al. 2000 ; Behrenfeld et al. 2001 ; Echevin et al. 2008 ; Chavez et al. 2011). L’ACT a donc un impact sur les espèces marines dans cette région. De plus, comme expliqué dans la section 1.3, l’ACT a un lien étroit avec la mousson africaine (Eltahir and Gong 1996 ; Fontaine et al. 1999 ; Okumura and Xie 2004 ; de Coëtlogon et al. 2010 ; Losada et al. 2010 ; Thorncroft et al. 2011 ; Janicot et al. 2011 ; Nguyen et al. 2011 ; Caniaux et al. 2011, 2012). L’évolution de l’ACT a donc un impact socio-économique important sur les populations africaines, d’où la nécessité de mieux comprendre les mécanismes de sa variabilité interannuelle. C’est dans ce cadre que se situe cette thèse. Son but est d’améliorer nos connaissances sur la variabilité interannuelle de l’ACT, notamment concernant l’impact du vent sur l’ACT, ainsi que les processus océaniques associés à la variabilité interannuelle de l’ACT.
Comment étudier la variabilité interannuelle ?
Jusqu’à présent, la plupart des études ont analysé quelques années, mais rarement la variabilité interannuelle sur une longue période. Nous proposons dans cette thèse une étude plus exhaustive : nous avons donc besoin de données pendant une période longue (plus de 20 ans). Cette profondeur de temps permet à la fois d’avoir une bonne estimation de l’état moyen et du cycle annuel moyen des variables que nous étudions, mais surtout de pouvoir bien analyser la variabilité interannuelle (un grand nombre d’année permet d’examiner des cas similaire et ainsi mettre en évidence les processus important). Afin de caractériser l’ACT et les processus océaniques, nous avons besoin d’un domaine large (couvrant au moins l’Atlantique équatorial) et de données sur quelques centaines de mètres dans l’océan. L’idéal serait de disposer au moins de la température, de la salinité, des composantes zonale et méridienne du vent de surface et des courants océaniques (y compris sur la profondeur). Cette section expose les problèmes liés à nos besoins, et présente les choix de jeux de données que nous avons effectués.
Depuis l’avènement des observations satellite, nous disposons maintenant (depuis environ 30 ans) d’une grande quantité de mesures concernant l’état atmosphérique et océanique au moins à la surface de la mer. Les radiosondeurs embarqués à bord des satellites permettent d’obtenir de nombreuses observations sur la verticale dans l’atmosphère, mais elles comportent un certain nombre d’erreurs. Du fait de l’opacité de l’océan au rayonnement des radiosondeurs, aucun instrument satellitaire ne peut observer de profils verticaux dans l’océan. Depuis le début des années 2000, les observations de l’océan Atlantique se multiplient, grâce aux nombreuses campagnes de mesures, au réseau PIRATA, et aux flotteurs ARGO. Cependant, nous souhaitons étudier une période longue, c’est la raison pour laquelle nous avons eu recours à des analyses objectives et des réanalyses atmosphériques et océaniques.
Les analyses objectives sont réalisées à partir d’observations. Ces mesures proviennent souvent d’instruments différents, qui ont leur propre résolution spatiale et temporelle ; elles sont réalisées en des lieux et périodes différents, contiennent parfois des erreurs ou des séries temporelles incomplètes, et ne couvrent ni la totalité de la période ni la totalité du domaine étudié. Ces observations sont utilisées pour corriger par interpolation optimale une ébauche (souvent une climatologie). Cela permet de créer une représentation de l’état atmosphérique ou océanique, réalisée principalement avec des données observées. Ces analyses objectives proposent assez peu de variables (souvent moins de quatre), et ces variables ne sont pas obligatoirement cohérentes entre elles (les corrections apportées sur une variable n’affectent pas les autres).
Les réanalyses sont réalisées avec un modèle. Les résultats issus du modèle sont corrigés en assimilant des observations issues d’analyses objectives et souvent de nouvelles sources d’observations. Ce système nous permet d’obtenir des estimations cohérentes pour toutes les variables du système tout en étant proche des observations. Ces réanalyses fournissent une grande quantité d’information sur des variables mesurées ou non, sur une longue période (plusieurs dizaines d’années), en utilisant sur toute cette période la même résolution spatiale et temporelle, le même modèle, et le même schéma d’assimilation de données. C’est pour ces raisons (homogénéité spatio-temporelle et grande quantité de variables cohérentes) que les réanalyses sont primordiales pour les études du climat.
Les réanalyses souffrent cependant des défauts liés à la modélisation et à l’assimilation. Il existe de grandes différences entre les réanalyses, particulièrement dans les régions où il y a peu d’observations, car ces réanalyses utilisent des modèles, des résolutions, des schémas d’assimilation, et des observations différents. Ce sont donc des jeux de données intéressants pour leur homogénéité et leur couverture spatio-temporelle mais ce ne sont pas des observations directes. Il est donc important de garder un esprit critique sur les résultats issus des réanalyses. Le mieux est d’en utiliser plusieurs pour évaluer la robustesse des résultats. Par ailleurs, elles permettent d’avoir accès à certains paramètres peu ou pas observés qu’elles simulent mais en cohérence avec les champs assimilés.
Pour notre étude de la variabilité interannuelle de l’ACT, nous avons fait le choix de travailler en utilisant de nombreuses analyses et réanalyses (Tableau 1.1). Nous avons sélectionné des produits créés par plusieurs organismes (European Center for Medium range Weather Forecasting – ECMWF, Mercator Océan, National Centers for Environmental Prediction – NCEP, National Oceanic and Atmospheric Administration – NOAA, National Center for Atmospheric Research – NCAR, Climate Program Office – CPO, ) afin d’utiliser des jeux de données indépendants, qui utilisent des modèles et schémas d’assimilations différents. Nous utilisons six analyses objectives (ARMOR, CORA, EN3, EN4, ICOADS, et les SST de Reynolds et al. 2007) et six réanalyses (ERA-I, GODAS, GLORYS, NCEP R2, NEMOVAR1 COMBINE, ORAS4). Le produit TropFlux est une combinaison de données issues de la réanalyse ERA-I et des observations de l’ISCCP (International Satellite Cloud Climatology Project ; Rossbow and Schiffer 1999), puis est corrigé avec d’autres observations (détails dans Praveen Kumar et al. 2012). Pour simplifier notre langage, nous faisons référence dans le reste de cette thèse aux analyses objectives en utilisant le terme « analyse ».
Les observations sont souvent regroupées dans de grands ensembles de données comme les World Ocean Database (WOD) ou Global Temperature and Salinity Profile Programme (GTSPP), ce qui fait que les analyses et réanalyses assimilent à peu près les mêmes observations. Cela peut poser des difficultés pour valider les analyses et réanalyses avec des observations indépendantes. De plus, en regardant en détail comment les jeux de données du Tableau 1.1 sont réalisés, on s’aperçoit qu’ils ne sont pas tous indépendants les uns des autres :
– l’analyse ARMOR assimile les observations utilisées par l’analyse CORA ainsi que les SST de Reynolds et al. (2007),
– la réanalyse GLORYS est forcée par ERA-I et assimile les SST de Reynolds et al. (2007),
– la réanalyse GODAS est forcée par NCEP R2,
– les réanalyses NEMOVAR1 COMBINE et ORAS4 sont forcées par des forçages en partie réalisés avec ERA-I, et les observations utilisées par l’analyse EN3,
– l’analyse de Reynolds et al. (2007) assimile les SST in situ de ICOADS. On peut noter également que GLORYS, NEMOVAR1 COMBINE et ORAS4
utilisent des versions différentes du modèle Nucleus for European Modelling of the Ocean (NEMO).
Xue et al. (2012) ont réalisé une étude comparative du contenu de chaleur des 300 premiers mètres de l’océan dans dix produits océaniques. Certains de ces produits sont utilisés dans cette thèse. Les produits étudiés par Xue et al. (2012) assimilent presque tous les mêmes observations, et plusieurs utilisent des versions différentes d’un même modèle. Cela montre la difficulté d’obtenir des jeux de données indépendants. Xue et al. (2012) montrent que les dix produits sont très proches par leurs caractéristiques, mais qu’ils ne donnent pas des résultats identiques.
De fait, même si les produits du Tableau 1.1 ne sont pas vraiment indépendants, il est important de conserver un maximum de produits pour obtenir un éventail de valeurs possibles. Notons quand même que les résultats issus de ces différents jeux de données sont supposés être proches des valeurs observées. Par conséquent si un produit est très différent des autres, c’est potentiellement qu’il contient des erreurs. Les jeux de données du Tableau 1.1 sont comparés pour quelques variables dans le chapitre suivant pour s’assurer de leur qualité.
Température de surface de la mer
Les différents produits présentent une variabilité de la SST similaire (Figure 2.3c), mais on peut remarquer qu’il y a parfois des différences de plus de 1°C entre les différents produits. Ces différences de SST ont principalement lieu dans la période la plus chaude (mars- avril) et la période la plus froide (juillet-août). La Figure 2.3a montre que dans l’ensemble, le timing des anomalies semble être le même dans tous les produits de SST, mais l’amplitude des anomalies est différente.
La Figure 2.3b compare à l’aide d’un diagramme de Taylor (2001) l’ensemble des analyses et réanalyses listées dans le Tableau 1.2. Les données de SST de Reynolds et al. (2007), issues d’observations satellite, sont ici utilisées comme référence pour calculer les différentes statistiques. Sept analyses et réanalyses (ARMOR, ERA-I, COMBI, ICOADS, NCEP2 ORAS4, Tr_Fl) reproduisent particulièrement bien la variabilité interannuelle de la SST, avec des corrélations supérieures à 0,9, des écarts-types normalisés entre 0,9 et 1,07, et des erreurs quadratiques moyennes (RMSE pour Root-Mean-Square Error) entre 0,15°C et 0,22°C. Les autres analyses et réanalyses ont des statistiques légèrement moins bonnes (corrélations supérieures à 0,63, écarts-types normalisés entre 0,72 et 1.37 et RMSE inférieures à 0,54°C).
Notons que la réanalyse GLORYS2v1, qui représente globalement bien la variabilité interannuelle de la SST de Reynolds et al. (2007), possède des anomalies particulièrement fortes pendant l’année 1997. La réanalyse GODAS a des statistiques équivalentes à GLORYS2v1, et représente également bien la variabilité interannuelle de la SST. Cependant, en 2004, les anomalies de SST de la réanalyse GODAS sont deux fois plus fortes que dans Reynolds et al. (2007).
Les analyses EN3v3a et EN4v1.7 présentent de nombreuses anomalies de SST très ponctuelles de forte amplitude, qui n’apparaissent pas dans les autres produits. De plus, d’après le diagramme de Taylor (Figure 2.3b), ces deux analyses représentent moyennement bien la variabilité interannuelle de la SST de Reynolds et al. (2007).
Nous avons vu dans la section 1.5 que tous les jeux de données que nous utilisons assimilent à peu près les mêmes observations et devraient donc être très proches des SST de Reynolds et al. (2007). EN3v3a et EN4v1.7 proposent une variabilité interannuelle de la langue d’eau froide différente des autres produits. Il est donc possible que la variabilité interannuelle de ces deux analyses ne soit pas correcte : ces analyses ne seront pas utilisées pour notre étude. GLORYS2v1, qui assimile les SST de Reynolds et al. (2007), semble être fortement différente des autres jeux de données uniquement en 1997. Cela est peut être une manifestation d’erreurs qui peuvent être présentes dans cette réanalyse.
Température moyenne sur les 300 premiers mètres de l’océan L’ACT est un refroidissement de la surface de l’océan, mais cette variabilité
saisonnière et interannuelle est également présente en dessous de la surface. L’étude de la température moyenne sur les 300 premiers mètres de l’océan (T300) fournit la « mémoire » de l’océan (car elle a une variabilité plus lente que la SST) et elle est une source potentielle de prévisibilité de la variabilité interannuelle. La T300 est par exemple utilisée dans le Pacifique tropical pour la prévisibilité à long terme de l’ENSO (Ji et al. 1998 ; Xue et al. 2000 ; Clarke and Van Gorder 2003 ; Balmaseda and Anderson 2009). La variabilité de la température des couches supérieures de l’océan est également liée à celle de la SST dans l’Atlantique équatorial (Zebiak 1993 ; Ruiz-Barradas et al. 2000 ; Keenlyside and Latif 2007).
Les produits permettant le calcul de la T300 proposent une valeur moyenne et une amplitude du cycle saisonnier différentes (Figure 2.4c). La T300 moyenne sur la période est d’environ 15°C pour ARMOR, tandis que dans les autres produits elle est d’environ 16°C. L’amplitude du cycle saisonnier est d’environ 1°C dans ARMOR et CORA, et de 1,5°C dans les autres produits. Cependant les anomalies interannuelles sont plutôt cohérentes (Figure 2.4a).
La Figure 2.4b compare à l’aide d’un diagramme de Taylor l’ensemble des analyses et réanalyses listées dans le Tableau 1.1 permettant le calcul de la T300. La réanalyse ORAS4 est utilisée ici comme référence pour calculer les différentes statistiques. Le choix de cette réanalyse est arbitraire, et est basé sur le fait que cette réanalyse couvre l’intégralité de la période 1982-2007 et qu’elle assimile de nombreuses observations in situ. Il est important de noter que cette réanalyse n’est pas considérée comme la « réalité ». Pour la T300 les statistiques sont moins bonnes que pour la SST. Cela peut s’expliquer par le manque d’observations de la température dans l’océan. Néanmoins, les analyses et réanalyses (sauf GLORYS2v1) sont plutôt cohérentes, avec des corrélations supérieures à 0,62, des écarts-types normalisés entre 0,69 et 1,17, et des RMSEs entre 0,09°C et 0,23°C. La réanalyse GLORYS2v1 montre une variabilité interannuelle très différente des autres jeux de données (corrélation de 0,59, écart-type normalisé de 2,41 et RMSE de 0,58°C).
La réanalyse GLORYS2v1 présente de fortes anomalies de SST en 1997 (Figure 2.3a). La Figure 2.4a montre que ces anomalies sont également présentes en profondeur, avec une amplitude quasi équivalente. Cette figure montre également de fortes anomalies positives entre 1993 et 1996, et négatives en 2001 et 2002. Les anomalies de SST et de T300 proposées par GLORYS2v1 certaines années sont très différentes des autres jeux de données. Ce produit est donc à utiliser avec prudence. Dans le cadre de notre étude, nous avons décidé d’écarter cette réanalyse.
Température de surface de la mer et tension de vent
Il a été montré que les anomalies de la tension de vent dans la partie occidentale de l’Atlantique équatorial précèdent d’un à deux mois les anomalies de SST dans la partie orientale de l’Atlantique équatorial (Servain et al. 1982 ; Keenlyside and Latif 2007 ; Burls et al. 2012). Cette relation entre la tension de vent et la SST est ici vérifiée dans nos jeux de données.
La Figure 2.6 superpose les séries temporelles des anomalies de SST et des anomalies de la tension de vent zonale de la réanalyse ORAS4. On remarque ainsi que ces séries temporelles sont très ressemblantes et que, à quelques exceptions près, elles sont toujours en phase. Nous avons calculé les corrélations en décalant les séries temporelles entre les anomalies de SST (moyennées dans la « boîte centrale ») et les anomalies de la tension de vent zonale (moyennées dans la « boîte ouest ») dans les 7 produits proposant ces deux champs. Les résultats pour chaque réanalyses se trouvent dans le Tableau 2.1. Nous avons ainsi pu montrer que la corrélation est maximale (0,56 en moyenne) pour les anomalies de la tension de vent devançant les anomalies de SST de 1 mois en moyenne.
Méthode de classification des événements de la langue d’eau froide Atlantique
Il a été montré que les anomalies de la tension de vent précèdent celles de la SST, mais les processus liant ces deux phénomènes ne sont pas bien décrits. Pour parvenir à expliquer ce lien, nous nous focalisons sur les événements forts, afin de maximiser le signal et de détecter facilement les processus mis en jeu.
Afin de bien sélectionner les cas que l’on va étudier en détail, une classification des événements de l’ACT a été créée, fondée sur plusieurs produits dérivés d’observations et des réanalyses. Nous avons choisi de travailler sur la période 1982 à 2007 car de nombreux produits couvrent cette période, les observations sont nombreuses (observations par satellite). Huit produits (listés dans le Tableau 2.2) couvrant l’intégralité de la période et deux autres couvrant une période plus courte (1990-2007 pour CORA et 1993-2007 pour ARMOR) ont été sélectionnés pour la classification. Les événements de l’ACT doivent exister dans l’ensemble des produits sélectionnés. L’utilisation de plusieurs produits d’origines différentes, ainsi que des méthodes et des modèles différents, permet d’assurer la robustesse des événements sélectionnés.
La classification des événements froids et chauds de l’ACT est dérivée de celle proposée par Richter et al. (2013) mais adaptée à la période et à la région auxquelles nous nous intéressons. Cette classification est fondée sur les critères suivants :
– les anomalies de SST (par rapport au cycle annuel moyen) calculées dans la « boîte centrale » [15°W-6°W, 4°S-1°N] doivent être supérieures à 0.5 écart-type pendant la période mai-juin-juillet (MJJ),
– les anomalies de la tension de vent zonale (par rapport au cycle annuel moyen) calculées dans la « boîte ouest » [40°W-10°W, 2°S-2°N] doivent être supérieures à 0.1 écart-type pendant la période mars-avril-mai (MAM),
– les anomalies de SST et de la tension de vent zonale doivent avoir le même signe.
La température minimale de l’ACT est en moyenne atteinte en août. Il aurait été possible de choisir ce mois pour centrer la période de calcul des anomalies de SST. Nous avons fait le choix de nous focaliser sur la période de formation de l’ACT. Or, les études précédentes ont montré que le taux de refroidissement de la langue d’eau froide est maximum pendant le mois de juin (Foltz et al. 2003 ; Wade et al. 2011b ; Hummels et al. 2013, 2014 ; Schlundt et al. 2014). De plus, les jeux de données utilisés s’accordent sur le fait que l’écart-type mensuel des anomalies de SST (par rapport au cycle annuel moyen) est maximum en juin (Figure 2.7a). D’après les indices de Caniaux et al. (2011), juin correspond à la phase de formation de l’ACT, et celle-ci est liée au saut de mousson vers le nord. Ainsi, juin apparaît comme une période clé de la formation de l’ACT, et c’est pour cela que nous avons décidé d’utiliser le mois de juin pour centrer la période de calcul des anomalies de SST. La section 2.3 propose une discussion sur l’influence de la position de la « boîte centrale » et de la période utilisée pour le calcul des anomalies de SST sur les années sélectionnées.
Influence de la position de la « boîte centrale »
La position de la « boîte centrale » n’a pas d’impact sur les années sélectionnées par la classification. C’est un point fort pour cette classification. Les anomalies de SST calculées dans les quatre boîtes avec les données Reynolds et al (2007) donnent des séries temporelles similaires (Figure 2.9). Cela indique que les anomalies de SST présentes lors des années froides et chaudes sélectionnées sont de grande échelle, et couvrent une grande partie de l’Atlantique équatorial. C’est ce que montre la Figure 2.10 pour les SST Reynolds et al. (2007).
Si on regarde en détail les années sélectionnées par chaque jeu de données, on peut remarquer que deux années pourraient presque être sélectionnées selon la position de la boîte :
– l’année 1984 (le mois de juin 1984 est marqué par des tirets noirs verticaux dans la Figure 2.9) est sélectionnée en utilisant la « boîte centrale est » dans tous les jeux de données sauf NCEP2 (7 sur 8). La Figure 2.9 montre que cette année les anomalies de SST sont légèrement plus fortes dans la partie orientale que dans la partie occidentale : les anomalies de SST sont nulles en juin 1984 alors qu’elles atteignent 0,25°C dans les autres boîtes à la même période. De plus, on remarque que ces anomalies de SST arrivent après le mois de juin, et sont maximales en août (0,5°C dans la « boîte centrale ouest » et 0,8°C dans la « boîte centrale est »). Cela explique pourquoi cette année n’est pas sélectionnée.
– l’année 2000 (le mois de juin 2000 est marqué par des tirets noirs verticaux dans la Figure 2.9) est sélectionnée en utilisant la « boîte centrale équateur » dans tous les jeux de données sauf ERA-I, ICOADS et NEMOVAR1 COMBINE (7 sur 10). On peut remarquer que les anomalies de SST sont cette année plus fortes dans la « boîte centrale équateur » (0,88°C) que dans la « boîte centrale » (0,65°C). Cette année, les anomalies de SST sont plus marquées au nord de l’équateur qu’au sud. Cela peut suggérer une extension vers le nord plus importante de l’ACT, mais pas d’anomalie de grande échelle.
Les événements de la langue d’eau froide
À partir de la classification présentée dans la section 2.2, des cartes composites ont été réalisées pour de nombreux paramètres. Des travaux préliminaires ont permis de montrer que les meilleures périodes pour illustrer les résultats sont les mois de février-mars (FM) et de mai-juin (MJ). Dans cette partie, des cartes composites de ces deux périodes sont présentées et, pour les variables de surface, des diagrammes de Hovmöller permettent de visualiser la série temporelle. Ce travail a été réalisé avec l’ensemble ou une partie des jeux de données listés dans le Tableau 2.2 en fonction de la disponibilité des variables étudiées. Les résultats sont illustrés avec les données issues de ORAS4 et ERA-I (en fonction des variables disponibles), mais nous avons vérifié que ces résultats sont en accord avec l’ensemble des produits testés.
Dans cette partie, les résultats sont donnés avec un intervalle de confiance en procédant à un test de significativité. Ce test permet de déterminer si un résultat peut être obtenu par hasard. Une significativité de 90% veut dire que le résultat a moins de 10% de chance d’être obtenu par hasard.
Il existe deux grandes catégories de test de significativité : les tests paramétriques, qui supposent que les distributions suivent une certaine loi, et les tests non paramétriques qui ne font pas d’hypothèse sur les distributions. Le test de Student, par exemple, fait l’hypothèse que les distributions suivent une loi normale (test paramétrique). Dans notre cas, le faible nombre de cas de formation d’ACT que nous étudierons ainsi que la « courte » durée de la simulation ne permettent pas de vérifier que les distributions des variables étudiées suivent une loi normale. C’est pour cette raison que le test de significativité utilisé dans cette thèse est le test Bootstrap.
La technique de Bootstrap ne fait pas d’hypothèse sur la distribution de l’échantillon étudié (test non paramétrique). Cette technique permet de faire de l’inférence statistique, c’est-à-dire d’induire les caractéristiques inconnues d’une population à partir d’un échantillon de cette population. À partir d’un échantillon E0 de N valeurs, nous allons créer X échantillons Ex de N valeurs tirées aléatoirement avec remise de l’échantillon original E0. Le test de Bootstrap est utilisé dans cette thèse pour déterminer si certains cas de formation de l’ACT sont significativement différents de l’ensemble des cas de formation de l’ACT. Le test consiste à savoir si, par exemple, un ensemble de 5 années (échantillon original E0) est significativement plus chaud. Pour cela 100 échantillons de 5 années sont tirés au hasard dans la période 1982-2007. Si au moins 90 de ces échantillons ont une moyenne plus froide que celle de l’échantillon original E0, alors ce dernier est significativement plus chaud avec un intervalle de confiance à 90%.
Événements froids
Caractéristiques atmosphériques et océaniques à la surface
La Figure 2.11 montre les anomalies de la tension de vent et les anomalies de SST pour les périodes FM et MJ lors des événements froids, pour la réanalyse ORAS4.
En FM, les anomalies de la tension de vent dirigées vers le nord-ouest amorcent le refroidissement dans l’Atlantique Sud (au sud de 10°S). Ensuite, en MJ, les anomalies de la tension de vent dirigées vers l’ouest augmentent et se déplacent vers la partie occidentale de l’Atlantique équatorial, tandis que dans la partie orientale, les anomalies de la tension de vent sont dirigées vers le nord. L’amplification et le déplacement des anomalies de la tension de vent ont peut être un avec le réchauffement dans le Pacifique (El Niño). Dans l’Atlantique Sud, les anomalies de la tension de vent sont colocalisées avec le refroidissement tropical en FM, mais semblent entourer les anomalies de SST en MJ.
La relation entre l’Atlantique et le Pacifique est discutée dans la section 2.4.3. Afin de comprendre l’origine des anomalies de la tension de vent, la pression de surface a été étudiée. La Figure 2.12 présente les anomalies de pression de surface lors des événements froids et la pression de surface moyenne (1982-2007) pour les périodes FM et MJ, pour la réanalyse ERA-I.
En FM, les anomalies de la tension de vent dans le sud de l’Atlantique sont colocalisées avec une intensification de l’anticyclone de Sainte-Hélène. Ensuite en MJ, on retrouve une anomalie positive de pression de surface plus au nord, et le long des côtes de l’Afrique. Cette anomalie positive de pression de surface se situe uniquement sur l’océan, et est superposée aux anomalies de SST pendant cette période. Cela pourrait être une rétroaction de la SST sur la pression de surface. En MJ, une dépression est présente sur l’Amérique centrale et l’Amérique du Sud, ainsi que sur la partie orientale du Pacifique équatorial. Cette anomalie négative de pression de surface semble liée aux anomalies positives de SST.
|
Table des matières
Introduction
1 Variabilité climatique de l’Atlantique tropical
2 Classification des événements froids et chauds de la langue d’eau froide Atlantique
3 Modèle
4 Processus principaux de la variabilité interannuelle de la langue d’eau froide Atlantique
5 Compléments sur les processus de la variabilité interannuelle de la langue
d’eau froide Atlantique
Conclusion
Bibliographie
Acronymes
Télécharger le rapport complet
