Etats de mer extrêmes et changement climatique en zone côtière.

par Juliette Legrand

Projet de thèse en Météorologie, océanographie, physique de l'environnement

Sous la direction de Philippe Naveau.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale des sciences de l'environnement d'Île-de-France , en partenariat avec Laboratoire des Sciences du Climat et de l'Environnement - DRF (laboratoire) et de Université de Versailles-Saint-Quentin-en-Yvelines (référent) depuis le 01-09-2019 .


  • Résumé

    Les structures installées en mer, en particulier en zone côtière, sont destinées à vivre plusieurs dizaines d'années. Dans un contexte de changement climatique global, il est nécessaire, lors de leur dimensionnement, de prendre en compte la variabilité du climat et en particulier son évolution à long terme pour garantir que les structures résisteront aux évènements les plus sévères qu'elles rencontreront au cours de leur vie. Dans cette étude, nous nous intéresserons en particulier aux risques liés aux états de mer extrêmes. Il existe très peu d'informations sur le comportement des vagues océaniques en réponse au changement climatique, car ces informations ne sont pas simulées dans les modèles climatiques mondiaux actuels. Les vagues, et plus généralement les états de la mer, sont le résultat du vent soufflant sur la surface de la mer. Les états de mer extrêmes sont générés par des champs de vent ayant une emprise spatiale importante et soufflant durant un temps long dans la direction de propagation des vagues. Ainsi, une approche naturelle pour modéliser la queue de distribution des hauteurs significatives (Hs) des vagues consiste à caractériser la loi de probabilité conditionnelle des Hs sachant les champs de vent et sachant que les Hs sont plus hautes qu'un certain seuil. Dans la première partie de la thèse, on cherchera à identifier les caractéristiques des processus spatio-temporels de vent associées à des évènements d'états de mer extrêmes et à en obtenir une représentation dans un espace de dimension finie de façon à permettre le calcul des probabilités sus-citées. Une des approches envisagées est l'extraction de variables latentes/discriminantes par des techniques de l'intelligence artificielle. Dans cette partie de la thèse, nous considérerons en premier lieu les champs de vent des modèles de climat actuels à l'échelle locale. Nous pourrons ensuite extrapoler les résultats via des modèles de climat futur associés à des techniques de downscaling non paramétriques basées sur des méthodes d'apprentissage statistique comme le deep learning. Dans un second temps, il s'agira de caractériser la loi conditionnelle des hauteurs significatives de vague au dessus d'un seuil. La modélisation de telles lois pose des problèmes théoriques car on doit décrire le comportement extrême d'un processus aléatoire (ici les vagues) en tenant compte de ses relations de dépendances avec un autre processus (ici le vent). Nous étudierons les lois de Pareto généralisées multivariées (Rootzén, 2018) dans ce contexte. Finalement, le modèle de Pareto généralisé multivarié sera appliqué d'une part à des sorties de modèles du climat actuel et d'autre part de climats futurs. On pourra alors en déduire des informations sur le changement d'occurrences des évènements extrêmes entre le climat actuel et les climats futurs mais aussi la variabilité entre les différents modèles de projection climatique.

  • Titre traduit

    Extreme sea states and climate change in coastal areas.


  • Résumé

    Structures installed at sea, particularly in coastal areas, are intended to live for several decades. In a context of global climate change, it is necessary, when design, to take into account climate variability and in particular its long-term evolution to ensure that structures will withstand the most severe events they will encounter during their lifetime. In this study, we will focus particularly on the risks associated with extreme sea conditions. There is very little information on the behaviour of ocean waves in response to climate change, as this information is not simulated in current global climate models. Waves, and more generally sea states, are the result of the wind blowing on the sea surface. Extreme sea states are generated by wind fields with a strong spatial hold that blow for a long time in the direction of wave propagation. Thus, a natural approach to model the distribution tail of significant wave heights (Hs) is to characterize the conditional probability law of Hs knowing the wind fields and knowing that Hs are higher than a certain threshold. In the first part of the thesis, we will try to identify the characteristics of the spatio-temporal wind processes associated with extreme sea state events and to obtain a representation of them in a finite dimension space in order to allow the calculation of the above-mentioned probabilities. One of the approaches considered is the extraction of latent/discriminating variables by artificial intelligence techniques. In this part of the thesis, we will first consider the wind fields of current local scale climate models. We can then extrapolate the results using future climate models combined with non-parametric downscaling techniques based on statistical learning methods such as deep learning. In a second step, it will be a question of characterizing the conditional law of significant wave heights above a threshold. The modelling of such laws poses theoretical problems because one must describe the extreme behaviour of a random process (here waves) by taking into account its dependency relationships with another process (here wind). We will study the multivariate generalized Pareto laws (Rootzén, 2018) in this context. Finally, the multivariate generalized Pareto model will be applied to both current and future climate model outputs. This will allow us to deduce information on the change in the occurrence of extreme events between the current climate and future climates, as well as the variability between the different climate projection models.