Service Communautaire d'Information sur la Recherche et le Développement - CORDIS

H2020

CLARITY — Résultat en bref

Project ID: 701785
Financé au titre de: H2020-EU.1.3.2.
Pays: Italie
Domaine: Changement climatique et Environnement

Développer les sciences citoyennes et la modélisation pour améliorer notre compréhension des dynamiques climatiques

Nous avons besoin d’une image cohérente de la variabilité du climat. Le projet CLARITY, financé par l’UE, a emprunté ses méthodes à la physique statistique et utilisé la force des sciences citoyennes pour indiquer la voie à suivre.
Développer les sciences citoyennes et la modélisation pour améliorer notre compréhension des dynamiques climatiques
CLARITY a entrepris de recueillir des informations sur les fluctuations des données des relevés climatiques en s’appuyant sur les deux plus importants fournisseurs d’ensembles de données mondiales utilisés pour détecter les anomalies de température. Ces données ont ensuite servi de base à une stratégie de modélisation bayésienne destinée à améliorer la fiabilité des modèles.

L’équipe a montré que, même si les données fournies par ces deux produits provenaient des mêmes sources, c’est-à-dire des enregistrements des stations météorologiques au sol internationales, leurs différentes méthodologies donnaient des images différentes des dynamiques de long terme des anomalies de température à l’échelle mondiale. Ils ont donc proposé que les recherches futures croisent ces analyses statistiques avec les résultats correspondant obtenus à partir d’observations réelles. Ils ont également suggéré qu’une analyse pertinente devait prendre en compte la méthodologie sous-jacente à la préparation des données.

Dans cet objectif, le projet a rassemblé des relevés climatiques contemporains collectés auprès du public dans la ville de Venise.

Statistiques et modélisation

La plupart des caractérisations statistiques de base sont linéaires, c’est-à-dire qu’elles présentent les informations dans le temps de manière déterministe, un point de donnée menant inéluctablement au suivant. Cependant, les systèmes dynamiques, tels que les évolutions climatiques, ne peuvent tout simplement pas être réduits de manière pertinente à cette méthode d’analyse. L’un des principaux défis lorsque l’on tente de mettre en place des projections de changement climatique réside dans la capacité à prendre en compte les fluctuations et les anomalies des tendances à plus long terme.

Sur la base de succès antérieurs obtenus avec des systèmes complexes similaires, CLARITY a eu recours à deux méthodes statistiques dans ce but: l’analyse des fluctuations redressées ou DFA (detrended fluctuation analysis) et l’analyse de la transformée en ondelettes ou WT (wavelet transformations). Ces méthodes sont généralement utilisées pour caractériser ce que l’on appelle la persistance à long terme ou LTP (long-term persistence) aussi nommée corrélation à long terme des relevés des systèmes complexes. Toutes deux mesurent les fluctuations constatées dans les relevés aux alentours d’une ligne de tendance donnée, dans des fenêtres temporelles de durées différentes.

Ces méthodes ont été appliquées aux anomalies de température au niveau mondial et à d’autres données climatiques, comme le précise le professeur Angelo Rubino, «parce que les analyses DFA et WT éliminent systématiquement les tendances linéaires des données, et, combinées, elles permettent d’évaluer comment les systèmes, dans notre cas les évolutions climatiques, se comportent sur de longues périodes temporelles ce qui nous permet d’obtenir une image plus complète».

Pour réduire l’incertitude, ou les erreurs, ces données ont ensuite été soumises à une modélisation bayésienne, qui applique une formule à un ensemble de données déterminé afin de définir un modèle optimal pour les représenter. Comme l’explique le professeur Angelo Rubino, «ce qui est très spécifique à cette modélisation c’est que non seulement elle intègre des données, mais que l’on peut également y ajouter d’autres sources, comme des avis d’experts, éléments supplémentaires qui contribuent à déterminer le modèle le plus adapté».

Une approche participative pour récolter des données sur l’exposition au soleil

Une autre partie des travaux mis en œuvre dans le cadre du projet, consistait à récolter des données climatiques contemporaines auprès du public, à Venise et dans les villes alentour. Ces démarches, centrées sur la communauté, incluaient la mesure de l’indice UV ambiant grâce à des capteurs statiques installés sur les terrasses, dans les cours et sur les toits des écoles, des universités et des hôpitaux, ainsi que dans d’autres espaces extérieurs du même ordre accessibles aux supporters du projet. En outre, les rayonnements solaires UVA et UVB et l’exposition des individus aux rayons UV (pUVR) étaient mesurés en continu grâce à des capteurs portés par des volontaires, y compris des touristes.

Les analyses DFA et WT des données UV n’ont pas encore été réalisées, mais l’équipe a déjà appliqué ces méthodes aux données pUVR, ce qui lui a permis d’obtenir des renseignements intéressants sur les modèles de comportement individuels sous le soleil, comme la durée de l’exposition globale ou le temps passé à l’extérieur.

Mieux comprendre pour mieux agir

Les résultats scientifiques de CLARITY ont permis d’approfondir notre connaissance des interactions complexes qui sous-tendent les processus inhérents au changement climatique, ce qui pourrait permettre de définir des stratégies d’adaptation et d’atténuation plus efficaces afin de se conformer aux engagements européens pris dans le cadre de l’accord de Paris.

Les analyses statistiques DFA et WT utilisées dans le cadre du projet pour comprendre les données climatiques constituent une approche qui peut être reproduite avec d’autres systèmes ou ensembles de données climatiques, à la fois pour élaborer des méthodes de mesure spécifiques pour les données dynamiques et pour tester la précision des modèles climatiques.

Le professeur Rubino insiste également sur les perspectives pour les sciences citoyennes en soulignant que: «L’approche axée sur la communauté adoptée par CLARITY a contribué à la mise en œuvre d’une science climatique socialement pertinente en collectant des données publiques qui favoriseront un débat plus inclusif sur l’adaptation. Elle pourrait être étendue à la planification publique et à la conception de politiques en vue d’associer les utilisateurs finaux à toutes les étapes de l’évaluation des données.»

Mots-clés

CLARITY, modélisation, analyse statistique, changement climatique, fluctuations, adaptation, atténuation, sciences citoyennes, données, Venise, UV