ATELIER - Intégrer les données du GIEC dans ses modèles de prédiction

Intégrer les données du GIEC dans ses modèles de prédiction

Présentation des intervenants
La Keynote a été animée par : 

  • Sophie Szopa, co-autrice et coordinatrice du dernier rapport du GIEC
  • Paul Laville, Manager Sustainability & Climate Change, Axionable

L’atelier a été animé par : 

Introduction
Le changement climatique accentue irrémédiablement les impacts liés aux phénomènes extrêmes : sécheresse, vagues d’intense chaleur, inondations, tempêtes, etc. Plusieurs de ces impacts se matérialisent déjà sur les acteurs de l’économie française : usines à l’arrêt lors des vagues de chaleur, augmentation des sinistres climatiques pour les assureurs, rendements agricoles fortement impactés, etc.

Le 6ᵉ rapport du GIEC, dont la version finale sort le 20 mars 2023, fournit l’éclairage scientifique de référence en matière de projection des différents scénarios climatiques futurs et des politiques d’atténuation et d’adaptation à envisager. Ces scénarios climatiques appellent à des réactions fortes des entreprises et organisations pour se préparer, anticiper et s’adapter au changement climatique.

Cette journée en deux parties (keynote et atelier), animée par Axionable fut l’occasion de sensibiliser les entreprises au changement climatique et les impacts potentiels sur leur business, et de comprendre comment intégrer les prévisions climatiques au sein de leurs outils de  prises de décisions (modèles d’IA). 

A retenir de la Keynote

  • synthèse du rapport pour les décideurs 
  • rapport complet en anglais : 
  • toutes les données et code pour les figures sont en libre accès sur le site de l’IPCC
  • 2 types de modèles climatiques :  général et régional 
  • 2 grands types de scenarii en fonction des modèles climatiques : RCP (évolutions possibles de gaz à effet de serre) et SSP (évolutions possibles de la société)
  • 3 types d’incertitude des modèles (variabilité du climat, technique/scientifiques, socio-économiques)

 

A retenir de l’atelier

Données utilisées

1.Exploration des données
Nous avons utilisé principalement 2 types de données : 

  • Données Shapefile : elles contiennent des données géospatiales de type Polygon (ensemble de points) et qui permettent d’approcher la forme des villes de manière précise. On peut utiliser la librairie geopandas pour les traiter. 
  • Données raster : ce sont des tableaux multi-dimensionnels. Dans notre cas, ces tableaux étaient des cartes de la France (2 dimensions) dont la troisième dimension correspondait à la valeur de la température à plusieurs instants. On peut les manipuler avec la libraire xarray.

2.Utilisation des projections climatiques dans les modèles de prédiction CatNat
Nous avons utilisé 2 modèles de prédiction du SWI (Soil Wetness Index)  pour 2 scenarii RCP possibles : 

  •  humide 4.5
  • sec 4.5
  • humide 8.5
  • sec 8.5

 

Il a fallu, dans un premier temps, faire correspondre les mailles INSEE (communes) et les mailles DRIAS des modèles (résolution de 8km par 8km). Une commune peut appartenir à plusieurs mailles DRIAS et vice-versa.

Ensuite, à l’aide des règles basées sur le SWI, pour chaque commune et pour chaque année, nous avons prédit (avec chaque modèle) si cette dernière était éligible à un arrêté CatNat afin de comparer les différents scenarii.

Si vous êtes intéressé par ce sujet, n’hésitez pas à vous rendre sur notre chaîne Youtube afin de regarder la rediffusion de la Keynote. Vous pouvez également retrouver les slides de Sophie Szopa.

Share