“paleoclimatique_t2” — 2013/10/24 — 11:38 — page 338 — #361
i
i
i
i
i
i
i
i
338
Paléoclimatologie
xx
e siècle. Il y a un débat technique sur le choix de cette période d’apprentissage (Jansen et al., 2007 [19]) et le nombre de composantes statistiques à
utiliser, mais le résultat final n’est pas très sensible à ce choix. Pendant cette
période, on effectue une régression linéaire entre les proxys et les caractéristiques statistiques observées. Cette régression détermine des poids aux proxys
pour maximiser leur corrélation avec les températures. Une telle analyse permet aussi d’éliminer les proxys qui ont une trop faible corrélation avec le signal
de température pendant la période d’apprentissage.
On utilise ensuite une période de « vérification », antérieure à la période
d’apprentissage et sur laquelle on dispose de données de températures instrumentales. Cette période de vérification permet de déterminer les erreurs
commises par la régression obtenue sur la période d’apprentissage. Sur cette
période de vérification, on peut aussi déterminer l’erreur liée à l’omission des
proxys dans l’estimation de la température. Ce calcul est essentiel car il est
évident que plus on remonte dans le temps, moins on dispose de séries climatiques, et plus la reconstruction de températures est incertaine.
Enfin, la reconstruction des températures peut être effectuée sur le dernier
millénaire. Il faut noter qu’une telle reconstruction est également spatiale. Il
est important de conserver à l’esprit que ce genre de méthode repose sur des
hypothèses fondamentales sur la stabilité temporelles des modes climatiques
identifiés sur les données de températures pendant la période d’apprentissage,
et la stabilité temporelle du lien entre les proxys et les températures. Ces deux
types de stabilité peuvent être quantifiés sur la période de vérification, mais il
est impossible d’exclure a priori des changements sur une période plus longue.
Un autre problème de ce type de reconstruction vient de la régression statistique entre proxys et composantes principales sur la période d’apprentissage.
Une régression étant généralement imparfaite, elle conduit inévitablement à
une sousestimation de la variance quand on s’en sert pour reconstruire le
climat, ce qui peut conduire à une mauvaise estimation des variations climatiques à long terme. Il est possible de résoudre partiellement ce problème
en se servant de proxys qui représentent des échelles de temps différentes, et
sont donc sensibles aux échelles inter-annuelles jusqu’aux échelles séculaires
(Jansen et al., 2007 [19])
Un grand progrès dans la qualité des reconstructions climatiques passe
par la compréhension du mécanisme qui lie le « proxy » à la variation du
climat, ce qui permet de guider les étapes statistiques décrites ci-dessus par
une connaissance physique. Ceci est un sujet de recherche particulièrement
actif en ce moment.
Plusieurs équipes de recherche ont proposé des reconstructions de températures du dernier millénaire, en se basant sur des jeux de données proxys
différentes (Jansen et al., 2007 [19]). Ces reconstructions ont souvent des bases
communes (en général, des données de cernes d’arbres) mais la répartition spatiale des proxys utilisés est très variable d’une reconstruction à l’autre. L’évolution des barres d’erreur de ces reconstructions présentées sur la figure 9.4
i
i
i
i
i
i
i
i
338
Paléoclimatologie
xx
e siècle. Il y a un débat technique sur le choix de cette période d’apprentissage (Jansen et al., 2007 [19]) et le nombre de composantes statistiques à
utiliser, mais le résultat final n’est pas très sensible à ce choix. Pendant cette
période, on effectue une régression linéaire entre les proxys et les caractéristiques statistiques observées. Cette régression détermine des poids aux proxys
pour maximiser leur corrélation avec les températures. Une telle analyse permet aussi d’éliminer les proxys qui ont une trop faible corrélation avec le signal
de température pendant la période d’apprentissage.
On utilise ensuite une période de « vérification », antérieure à la période
d’apprentissage et sur laquelle on dispose de données de températures instrumentales. Cette période de vérification permet de déterminer les erreurs
commises par la régression obtenue sur la période d’apprentissage. Sur cette
période de vérification, on peut aussi déterminer l’erreur liée à l’omission des
proxys dans l’estimation de la température. Ce calcul est essentiel car il est
évident que plus on remonte dans le temps, moins on dispose de séries climatiques, et plus la reconstruction de températures est incertaine.
Enfin, la reconstruction des températures peut être effectuée sur le dernier
millénaire. Il faut noter qu’une telle reconstruction est également spatiale. Il
est important de conserver à l’esprit que ce genre de méthode repose sur des
hypothèses fondamentales sur la stabilité temporelles des modes climatiques
identifiés sur les données de températures pendant la période d’apprentissage,
et la stabilité temporelle du lien entre les proxys et les températures. Ces deux
types de stabilité peuvent être quantifiés sur la période de vérification, mais il
est impossible d’exclure a priori des changements sur une période plus longue.
Un autre problème de ce type de reconstruction vient de la régression statistique entre proxys et composantes principales sur la période d’apprentissage.
Une régression étant généralement imparfaite, elle conduit inévitablement à
une sousestimation de la variance quand on s’en sert pour reconstruire le
climat, ce qui peut conduire à une mauvaise estimation des variations climatiques à long terme. Il est possible de résoudre partiellement ce problème
en se servant de proxys qui représentent des échelles de temps différentes, et
sont donc sensibles aux échelles inter-annuelles jusqu’aux échelles séculaires
(Jansen et al., 2007 [19])
Un grand progrès dans la qualité des reconstructions climatiques passe
par la compréhension du mécanisme qui lie le « proxy » à la variation du
climat, ce qui permet de guider les étapes statistiques décrites ci-dessus par
une connaissance physique. Ceci est un sujet de recherche particulièrement
actif en ce moment.
Plusieurs équipes de recherche ont proposé des reconstructions de températures du dernier millénaire, en se basant sur des jeux de données proxys
différentes (Jansen et al., 2007 [19]). Ces reconstructions ont souvent des bases
communes (en général, des données de cernes d’arbres) mais la répartition spatiale des proxys utilisés est très variable d’une reconstruction à l’autre. L’évolution des barres d’erreur de ces reconstructions présentées sur la figure 9.4