Détection, caractéristiques et prédictibilité des évènements à potentiels forts impacts humains sur les villes ouest-africaines : cas des vagues de chaleur

Detection, characteristics and predictability of potential strong human impacts events on West African cities : a case study of heat waves

• Auteur / Autrice : Cédric Gacial Ngoungue Langue
• Direction : Cyrille Flamant, Christophe Lavaysse
• Type : Thèse de doctorat
• Discipline(s) : Sciences du climat, de l'atmosphère et des océans, terrestres et planétaire
• Date : Soutenance le 12/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Atmosphères, observations spatiales (Guyancourt, Yvelines ; 2009-....)
• Partenaire(s) de recherche : référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-....)
• Jury : Président / Présidente : Hélène Brogniez
• Jury : Examinateurs / Examinatrices : Vincent Moron, Cathryn Birch, Alessandra Giannini, Romain Roehrig, Benjamin Sultan
• Jury : Rapporteurs / Rapporteuses : Vincent Moron, Cathryn Birch

Mots clés

Mots clés contrôlés

Villes

Afrique de l'Ouest

Apprentissage automatique

Vagues de chaleur

Inondations -- Prévision

Changements climatiques -- Détection

Mots clés libres

Détection

Caractéristiques

Prédictibilité

Vagues de chaleur

Afrique de l'ouest

Apprentissage automatique

Detection

Characteristics

Predictability

Heat waves

West Africa

Machine learning

Résumé

Les vagues de chaleur constituent une réelle menace pour l'Homme et son environnement. Sous l'effet du changement climatique, les vagues de chaleur deviendront plus fréquentes et intenses. Les conditions climatiques en Afrique de l'ouest rendent la région favorable aux vagues de chaleur. La première partie de ce travail a été consacrée au monitoring des vagues de chaleur dans 15 villes ouest-Africaines situées sur les régions côtière et continentale. Trois sources d'incertitude ont été identifiées dans la détection d'une vague de chaleur : la première est liée aux données de réanalyse, la seconde repose sur le choix du seuil utilisé pour la définition de la vague de chaleur, et la dernière est la méthodologie utilisée. Les vagues de chaleur nocturnes associées à Tw sont plus fréquentes que celles détectées avec AT,T2m,UTCI. Ceci montre que l'humidité joue un rôle important dans l'occurrence des vagues de chaleur nocturnes, augmentant ainsi le nombre d'événements concomitants (jour et nuit consécutivement) sur le nord du Sahel. La variabilité inter-annuelle des vagues de chaleur dans les différentes régions a mis en évidence pour les 3 indicateurs (AT,T2m,Tw) des années particulièrement chaudes avec une fréquence élevée d'événements: 1998, 2005, 2010, 2016, 2019 et 2020, correspondant pour la plupart aux années El Nino. La région GU est plus touchée par les vagues de chaleur au cours de la dernière décennie (2012-2020) que les régions CONT et ATL. Toutefois, les vagues de chaleur les plus persistantes et les plus intenses se produisent dans la région CONT. Un renforcement de la fréquence, de la durée et de l'intensité des vagues de chaleur est observé durant la dernière décennie. Dans la deuxième partie de ce travail, nous nous sommes intéressés à l'aspect prédictibilité des vagues de chaleur. Une première étude de la prédictibilité des vagues de chaleur a été conduite en utilisant les modèles de prévision intra-saisonnière à saisonnière du CEPMMT et UKMO. Les modèles de prévision présentent de meilleures performances par rapport à une climatologie de référence, principalement pour les prévisions à court terme (deux semaines à l'avance) dans les trois régions. Les vagues de chaleur nocturnes sont plus prévisibles que les vagues de chaleur diurnes. D'après les valeurs de FAR obtenues, seulement 15 à 30% des jours de vague de chaleur prédits par les modèles sont effectivement observés dans les réanalyses, respectivement pour les semaines 5 et 2. Le modèle du CEPMMT émet moins de fausses alertes que UKMO pour les prévisions à court terme. Bien que les modèles démontrent des performances en matière de détection des vagues de chaleur par rapport à une climatologie de référence, leur capacité à prédire l'intensité des événements reste faible même pour de courtes échéances. La prédictibilité des vagues de chaleur a été effectuée en utilisant des méthodes d'apprentissage automatique. La méthode BRF présente de meilleures performances par rapport aux deux autres. Le modèle BRF présente de meilleures performances pour la détection des vagues de chaleur par rapport aux modèles de prévision intra-saisonnière dans les trois régions.La prédictibilité des vagues de chaleur par méthode de prédicteurs de grande échelle tels que la dépression thermique Saharienne (SHL) a été abordée en utilisant deux modèles de prévision saisonnière du centre européen et Météo-France. Le but de cette étude est d'évaluer la représentation et la prévisibilité de la SHL à l'échelle saisonnière. Les modèles sont capables de représenter le cycle saisonnier moyen de la SHL et de capturer certaines caractéristiques de sa variabilité inter-annuelle comme la tendance au réchauffement observée durant les années 2010. En utilisant les outils de correction de biais, les résultats mettent en évidence la capacité des modèles à représenter la variabilité intra-saisonnière de la SHL,mais les performances des modèles restent faibles pour une échéance supérieure à un mois.

Heat waves (HWs) are a real threat to humans and their environment. Due to climate change, heat waves will become more frequent and more intense. Climatic conditions in West Africa make the region more vulnerable to heat waves. West African cities are highly populated centers, and when it comes to the impact of heat waves on human activities, it's important to study these events at these scales. This study aims to monitor heat waves in major West African cities and evaluate their predictability in subseasonal to seasonal forecast models. The first part of this work focuses on monitoring heat waves in fifteen cities over West Africa located in coastal and continental regions. Three sources of uncertainty encountered in the heat wave detection process were identified: the first related to reanalysis data, the second to the choice of threshold used to define a heat wave, and the last to the methodology adopted. The inter-annual variability of heat waves in the different regions highlighted particularly hot years with a high frequency of heat wave events for all the three indicators AT, T2m,Tw: 1998, 2005, 2010, 2016, 2019 and 2020, mostly corresponding to El Nino years. The GU region has been more affected by heat waves over the past decade (2012-2020) than the CONT and ATL regions. However, the most persistent and intense heat waves occurred in the CONT region. An increase in the frequency, duration and intensity of heat waves has been observed over the last decade (2012-2020), probably due to global warming acting on extreme events." In the second part of this study, we focused on the predictability aspect of heat waves. A preliminary study of the predictability of heat waves has been carried out for the period 2001-2020 using subseasonal to seasonal forecast models from the European Centre for Medium-Range Weather Forecasts (ECMWF) and the United Kingdom Meteorological Office (UKMO). The forecast models perform better than a reference climatology, particularly for short-term forecasts (up to two weeks) in all the three regions. Nighttime heatwaves are more predictable than daytime heatwaves. According to the FAR values, only 15 to 30% of the predicted heatwave days by the models are actually observed in the reanalyses, respectively for lead weeks 5 and 2. This suggests that the models overestimate the duration of heat waves compared with ERA5 reanalysis. ECMWF issues fewer false alarms than UKMO for short-term forecasts. Although the models show skills to detect heat waves compared to a reference climatology, their ability to forecast the intensity of events remains weak even for a short lead time. The predictability of heat waves was performed using machine learning methods. The BRF model demonstrated better heat wave detection skills than subseasonal forecast models in all the three regions. The BRF model considerably improves heat wave detection in forecast models, but on the other hand it generates a high rate of false alarms. The predictability of heat waves using large-scale predictors such as the Saharan Heat Low (SHL) was investigated using two seasonal forecast models: the fifth version of the European Center Seasonal Forecast Model "SEAS5" and the seventh version of the Météo-France Seasonal Forecast Model "MF7". The models show skills on the representation of the mean seasonal cycle of the SHL and capture some characteristics of its inter-annual variability, such as the warming trend observed during the 2010s. SEAS5 makes a more realistic representation of the climatic trend of the SHL compared to MF7. Using bias correction techniques, the results highlight the capacity of the models to represent the intra-seasonal variability of the SHL. Bias correction helps to improve the Continuous Ranked Probability Score (CRPS), but the skills of the model remain low for lead times beyond one month.