Validation du modèle global GOCART de NASA et son apport à l'étude des variations mensuelles des phénomènes de sable sur le Sahara Algérien

INTRODUCTION

L'étude des masses ou nuages de poussières d'origine désertique, souvent appelés brumes sèches ou vents de sable lorsque le phénomène est plus intense, est d'un intérêt considérable dans divers domaines.

Les vents de sable exercent un effet important sur le bilan radiatif atmosphérique global. De ce fait, et en raison de leur extension géographique, ils jouent un rôle non moins important dans le processus du changement climatique à travers la modification des propriétés physico-chimiques de l'atmosphère. La composition de l'atmosphère et le climat sont étroitement liés. Il est maintenant clairement établi que la planète s'est réchauffée lors du siècle dernier, et ce principalement suite à l'augmentation des gaz à effet de serre liée aux activités humaines (IPCC, 1995). En fait, toute variation de constituants atmosphériques peut avoir des conséquences sur la dynamique du climat. Ainsi d'autres espèces, aussi présentes en traces dans l'atmosphère, comme les aérosols troposphériques sont susceptibles de modifier le climat.

Les aérosols sont issus de l'érosion éolienne. Aussi, leurs sources géographiques sont concentrées dans les zones arides et semi-arides, localisées de part et d'autre de l'équateur, dans la ceinture d'anticyclones tropicaux.

Par conséquent, toute modification du climat (naturelle ou par suite des activités anthropiques) entraîne des variations de ces émissions, et donc de l'effet radiatif et climatique des aérosols. Le cycle de poussières désertiques (émission - transport - dépôt) a aussi pour conséquence une désertification en zones source par perte de nutriments de la couche superficielle du sol et un enrichissement du milieu en zones de retombée océanique ou continentale. Enfin, les aérosols, en aggravant les conditions météorologiques, peuvent intervenir dans divers aspects socioéconomiques, notamment en nuisant au trafic aérien ou à la télétransmission.

La composition et la granulométrie des aérosols varient selon leur origine. Ils sont soit d'origine anthropique (comme les poussières industrielles, le carbone suie ou les aérosols de sulfate issus de l'oxydation du SO2...), soit d'origine naturelle (poussières minérales ou sels de mer, débris végétaux, sulfates issus de l'activité biologique marine ou des volcans...). Intégrée sur une colonne d'air, la concentration moyenne de chaque espèce et leurs propriétés optiques permettent une estimation de la contribution à l'effet radiatif direct global de chaque type d'aérosol. Ainsi, par exemple, les aérosols désertiques, majoritaires en masse très efficaces optiquement, contribuent de façon équivalente à l'épaisseur optique.

L'apparition des satellites d'observation de la terre et de son atmosphère ont permis d'intensifier les mesures d'aérosols et contribué à pallier l'insuffisance du réseau radiométrique au sol. La télédétection satellitale est l'outil privilégié susceptible de nous fournir à des échelles de temps et d'espace suffisantes une information objective sur les aérosols désertiques.

Au cours des 20 dernières années, des efforts importants ont été entrepris pour mieux comprendre les processus physiques liés au mouvement des aérosols. Les programmes de mesure sur le terrain ont permis de mieux connaître les propriétés physiques et la composition des aérosols, mais en général, ces campagnes étaient

limitées dans le temps et l'espace. Par contre, l'observation satellitale offre une plus grande extension spatio-temporelle, mais elle est limitée par le nombre des variables physiques mesurables. Ainsi, les deux systèmes d'observations (stations terrestres et satellites) doivent se compléter pour offrir une perspective plus complète des processus des aérosols et de leurs effets sur le climat global.

L'approche consiste à utiliser des modèles globaux qui intègrent leurs deux catégories d'observations (sols et satellite). A cet égard, il existe une variable qui permet de relier les deux types de mesures et de valider un tel modèle. Il s'agit de L'EPAISSEUR OPTIQUE DES AEROSOLS (Aerosol Optical Thickness, AOT par abréviation). Cette variable est directement déduite de l'observation par satellite et par les mesures terrestres. Sa simulation à l'aide d'un modèle complexe constitue une grande utilité pour la prévision des aérosols.

Dans notre travail, nous utilisons le modèle GOCART (Global Ozone Chemistry Aerosol Radiation and Transport) développé en 2001 (Chin et al, 2001). Ce modèle concerne différents types d'aérosols (sulfates, sable, carbone organique, particules d'origine marine) qui prévoit les concentrations, les profils verticaux ainsi que l'épaisseur optique (AOT) et ceci avec une échelle temporelle de trois (03) mois.

Ce projet de fin d'études s'articule autour de deux parties :

1. Dans la première, nous avons jugé utile de procéder à une recherche documentaire sur les déserts et leurs caractéristiques; l'érosion éolienne qui est le résultat des actions du vent au sol, donc des vents de sable; les aérosols et leur cycle (émission, transport et dépôt) ainsi que le mouvement d'un grain qui est à l'origine de la formation des dunes.

2. La deuxième partie porte sur l'étude climatologique du sable au Sahara; les méthodes de détection et de suivi des aérosols (modèle GOCART), comparaison du sable avec le modèle GOCART et la prévision du phénomène à l'échelle mensuelle.

Dans la deuxième partie, les outils utilisés sont : SYSTAT 10, SURFER 7 et EXCEL 97

OBJECTIF

Les vents de sable contribuent au dessèchement et à la désertification des régions sources arides, semi-arides et désertiques par perte en substances nutritives. Leur impact sur le couvert végétal et donc sur la production agricole n'est pas négligeable. Mais ils participent aussi à la création de zones de sédimentation terrestres ou océaniques fertiles. Dans ces zones océaniques, la production en phytoplanctons et en poissons y est particulièrement forte (Lundholm, 1979). Les vents de sable exercent un effet marqué sur le bilan radiatif atmosphérique donc sur l'évapotranspiration. Avec leurs extensions considérables, ils jouent un rôle non moins important dans le processus de changements climatiques. En effet, les aérosols désertiques modifient le profil vertical de température de l'atmosphère, limitant les phénomènes de convection et par là même réduisant les précipitations (Coakley et Cess, 1985).

Notre travail consiste à établir des modèles de prévision statistique du sable à une échelle temporelle d'un mois et deux mois. Une prévision fiable à l'échelle mensuelle constitue un apport appréciable pour la prise de décision dans la stratégie de gestion pour divers secteurs tels que le transport aéronautique ou routier, l'aménagement du territoire, l'environnement et la santé.

Cette étude vise à mieux cerner le comportement du phénomène de sable, à travers l'analyse des zones sources et de sa typologie; une étude climatologique donne un aperçu de la situation au Sahara. Notre travail consiste ensuite à comparer les sorties du modèle GOCART de NASA avec les données du terrain; enfin, on s'intéresse à la prévision de ce phénomène à plusieurs mois d'échéance tout en essayant de valider le modèle GOCART sur la région du Sahara. Le modèle couplé GOCART est largement basé sur l'utilisation de données satellitales. L'intérêt et l'apport des sciences de l'espace sont mis en évidence dans la perspective de projets futurs.

METHODOLOGIE

La prévision statistique est devenue un outil essentiel dans le domaine des sciences atmosphériques. Il existe différentes approches statistiques pouvant produire des prévisions mensuelles, saisonnières, annuelles ou pluri-annuelles. Toutes sont basées sur la recherche d'un signal à travers l'analyse des données historiques (Harrison, 1995); l'une d'entre elles, est l'analyse de régression utilisant la méthode des moindres carrés, qui cherche à établir une expression de régression entre une ou plusieurs variables indépendantes (prédicteurs) et une variable dépendante (prédictand).

On s'intéresse à la prévision à plusieurs mois d'échéance des paramètres et/ou phénomènes climatiques; par exemple la pluie, la température, le vent, la fréquence d'occurrence d'orages, le nombre de tempêtes, les débits de rivières, les risques de sécheresse et des inondations; ce sont les prédictands habituellement étudiés. On cherche des paramètres informatifs dans l'atmosphère permettant cette prévision tel que la température de surface de la mer (SST). Dans notre cas, nous allons nous servir de l'épaisseur optique d'aérosol (Aerosol Optical Thickness : AOT), prévue par un modèle global et des SST. La méthodologie développée dans ce mémoire vise la prévision mensuelle du sable dans le sud algérien basée sur la méthode statistique de régression linéaire. Il s'agira d'élaborer pour le Sahara des modèles statistiques de prévision mensuelle, avec comme entrées, deux paramètres : l'épaisseur optique d'aérosol (AOT)

issue du modèle GOCART.(modèle développé conjointement par le Georgia Institute of Technology et la NASA - Goddard Space Flight Center) ainsi que les anomalies des températures de surface de la mer (SST); et comme sorties, la fréquence d'occurrence du phénomène de sable.

1. REGRESSION LINEAIRE

La régression linéaire est facilement assimilée dans son cas le plus simple (linéaire avec une seule variable indépendante) en décrivant la relation linéaire entre deux variables, x et y. Conventionnellement, le symbole x est utilisé pour la variable indépendante ou prédicteur; et y pour la variable dépendante ou prédictant. Souvent en prévision climatique, plus d'un seul prédicteur est nécessaire, mais l'idée de la régression simple peut être généralisée pour les cas les pus complexes de la régression linéaire multiple.

La régression linéaire simple a pour but de trouver une relation entre deux variables, dont les points tracés sur un repère cartésien se rapprochent de l'allure d'une droite. La régression choisit la droite qui produit la moindre erreur de prévision des observations données y et x; l'équation de la droite est appelée : "modèle". Le critère le plus utilisé est qui minimise la somme des carrés des erreurs. En adoptant le critère des moindres carrés, le résultat est un ajustement des points à une droite en minimisant les écarts entre cette droite et les points. Cependant, la droite d'ajustement essaye d'éviter les grands écarts. La valeur estimée par le modèle est donnée par : y = a + b.x, pour chaque valeur de x, a et b sont respectivement l'ordonnée à l'origine et la pente de la droite de régression ou encore coefficients de la régression. L'ajustement entre les deux variables est linéaire comme illustré dans la figure ci-dessous :

ei

0

-1

-2

-20 -10 0 10 20

prédicteur

prédictand

Figure 1 : Illustration de la droite d'ajustement

a. Distribution des résidus

Pour chaque valeur yi du prédictand observée dans le passé, on calcule l'écart entre cette valeur et la valeur estimée à l'aide de la droite d'ajustement linéaire, cet écart est appelé résidu. Un meilleur ajustement implique donc normalité de la loi de distribution des résidus et un fort coefficient de corrélation linéaire (Pearson) entre x et y.

b. La fiabilité de l'ajustement à la droite de régression

La qualité de l'ajustement du modèle est primordiale pour exprimer si le modèle est pertinent ou non. Cette qualité est définie à travers l'analyse combinée des différents écarts qui amènent à deux mesures fondamentales : le coefficient de détermination R2

et le rapport de Fisher F qui synthétisent la qualité de l'ajustement du modèle. Les écarts en question sont :

EQM : L'erreur quadratique moyenne

EQM =			1		n ei , 2 ? ( )
	(	n		2)
			-		1

n

SQT : La somme quadratique des totaux, SQT = 2

? i - ,

( y y )

1

proportionnelle à la variance de Y au facteur (n-1)

2

n

SQR : La somme quadratique de la régression = [ ]

)

? y_i y

-

1

n

= 2

b ² ( x x )

? i -

1

n

SQE : La somme quadratique des erreurs =2

? ( )

e i

1

, on peut vérifier

Facilement l'identité suivante SQT = SQR +SQE Ainsi on a :

· Le coefficient de détermination R², dans le cas d'une régression linéaire simple c'est le carré du coefficient de corrélation entre X et Y. R² donne la proportion de la variance du prédictand (proportionnelle à SQT) décrite par la régression (SQR). Pour une régression parfaite, SQR=SQT et SQE=0, R²=1. Pour une régression d'aucune informativité, SQR=0 et SQE=SQT et R²=0. Ainsi à lui seul ce coefficient permet de mesurer la qualité de l'ajustement, plus il avoisine 1 plus l'ajustement est meilleur, plus il s'en éloigne plus il est mauvais.

· Le rapport de Fisher (F ratio) F = RQM / EQM

RQM est la moyenne quadratique de la régression, dans le cas d'une simple régression, RQM=SQR, EQM = SQE/(N-2), c'est le rapport entre la variance due à la régression - donc l'information utile- et la variance due aux écarts à l'ajustements -les erreurs-. Il mesure en quelque sorte le rapport entre le signal et le bruit. Le logiciel statistique permet de donner les valeurs de R et F, ce dernier est assorti de sa p-value. Ainsi on peut résumer l'analyse de la qualité d'ajustement du modèle par les deux illustrations suivantes :

Bon ajustement Mauvais ajustement

Bonne pente Petite pente

R2 élevé et F élevé R² petit, EQM élevé, F petit

Figure 2 : Qualité de l'ajustement 2. PERFORMANCE DES MODELES DE PREVISION

Toute prévision est soumise à des tests de vérification. Cette vérification est par conséquent le processus de détermination de la qualité des prévisions. Il existe un grand nombre de procédures de vérification des prévisions, mais toutes, mesurent le degré de liaison entre les valeurs prévues et celles observées du prédictant.

a. La cross-validation : Pour estimer la qualité du modèle, on a recours à une procédure appelée cross-validation (Michaelson, 1987). Dans la cross-validation, les données sont à la fois données d'apprentissage (données servant à élaborer le modèle de prévision) et données tests (données estimant la qualité du modèle). La procédure consiste à partitionner les données en des échantillons d'apprentissage de taille n-1 (n étant la taille de l'échantillon). Dans ce cas, le nombre de partitions de données est égal à n, l'équation du modèle est donc recalculée pour chaque partition. Le résultat est n équations de prévision similaires, chacune étant élaborée sans la contribution d'une observation du prédictant.

b. Le skill : Cette méthode permet de comparer l'élément observé et l'élément prévu. On calcule la corrélation entre ces deux valeurs. Cette corrélation est appelée : SKILL, ou la limite d'acceptabilité du modèle. Les spécialistes s'accordent à dire que lorsque le SKILL est supérieur ou égale à 0.3 (SKILL = 0.3), le modèle est acceptable.

c. La simulation : C'est la vérification qui peut être faite en comparant visuellement la courbe du prédictant observé à celle du même prédictant prévu.