C. R. Acad. Sci.

Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601
© 2000 Académie des sciences / Éditions scientifiques et médicales Elsevier SAS. Tous droits réservés
S1251805000001658/FLA

Géophysique externe / External Geophysics

Ajustement statistique des simulations climatiques :

l’exemple des précipitations saisonnières
de l’Amérique tropicale
Vincent Morona*, Antonio Navarrab
a
UFR des sciences géographiques et de l’aménagement, université de Provence, 29, av. Robert-Schuman, 13261 Aix-en-
Provence, France et Cerege, UMR 6536, Europôle de l’Arbois, BP 80, 13545 Aix-en-Provence, France
b
Institute delle Scienze de l’Oceano et de l’Atmosfera, 101, via Gobetti, 40129 Bologna (BO), Italy
Reçu le 28 octobre 1999 ; accepté le 13 mars 2000
Présenté par Jean-Claude André

Abstract – Statistical adjustment of simulated climate: example of seasonal rainfall

of tropical America. This study presents the skill of the seasonal rainfall of tropical
America from an ensemble of three 34-year general circulation model (ECHAM 4) simula-
tions forced with observed sea surface temperature between 1961 and 1994. The skill
gives a first idea of the amount of potential predictability if the sea surface temperatures
are perfectly known some time in advance. We use statistical post-processing based on
the leading modes (extracted from Singular Value Decomposition of the covariance matrix
between observed and simulated rainfall fields) to improve the raw skill obtained by
simple comparison between observations and simulations. It is shown that 36–55 % of
the observed seasonal variability is explained by the simulations on a regional basis. Skill
is greatest for Brazilian Nordeste (March–May), but also for northern South America or
the Caribbean basin in June–September or northern Amazonia in September–November
for example. © 2000 Académie des sciences / Éditions scientifiques et médicales Elsevier
SAS

seasonal rainfall / tropical America / sea surface temperatures / statistical adjustment /

multivariate analyses

Résumé – La reproduction réaliste des anomalies climatiques observées représente un

formidable défi pour les modèles de circulation générale (MCG). Cette étude présente la
performance du MCG atmosphérique ECHAM 4 forcé par les températures de surface
océanique (TSO) observées entre 1961 et 1994. Les précipitations saisonnières simulées
d’Amérique tropicale sont comparées aux observations, donnant une idée de la prévision
potentielle qui serait obtenue grâce à une connaissance préalable des champs d’anoma-
lies de TSO. L’accent est mis sur l’utilisation de méthodes statistiques multivariées (basées
sur la décomposition en valeur singulière de la matrice de covariance entre les observa-
tions et les simulations), permettant de sélectionner uniquement les modes les plus réalis-
tes et d’ajuster géographiquement les téléconnexions simulées par rapport à celles obser-
vées. La reproduction des observations avec les simulations est considérée à la fois sous
l’angle des points de grille et de quelques indices régionaux. L’ajustement statistique
s’avère le plus souvent supérieur aux sorties numériques brutes : 2 à 6 modes permettent
d’expliquer au maximum 36–55 % de la variabilité observée à l’échelle des indices régio-
naux saisonniers. Le modèle apparaît réaliste non seulement sur le Nordeste brésilien
(mars–mai), mais également sur de nombreuses autres régions (Antilles et Nord de l’Amé-
rique du Sud en juin–septembre, Amazonie septentrionale en septembre–novembre par
exemple). © 2000 Académie des sciences / Éditions scientifiques et médicales Elsevier
SAS
précipitations saisonnières / Amérique tropicale / température de surface océanique (TSO) / méthodes
multivariées / ajustement statistique linéaire

* Correspondance et tirés à part : moron@imga.bo.cnr.it

595
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601
Abridged version
1. Introduction
In the tropics, rainfall is the most important climatic
variable to predict at the seasonal time scales [5, 13]. A
great portion of the tropical atmospheric variability is
forced by anomalous boundary conditions, mainly sea
surface temperatures (SST). There are different strate-
gies to predict climatic anomalies from SST; (i) the sim-
plest is to use linear relationships between observed
SST and another climatic variables, such as seasonal
rainfall, in order to study how atmospheric circulation
is related to SST; (ii) a different approach is to use an
Atmospheric General Circulation Model (AGCM) forced
by prescribed SST. The advantage of this numerical tech-
nique is that AGCM transforms the SST information non-
linearly, producing a dynamic solution around the globe.
Three different experiments were performed with a glo-
bal spectral model (ECHAM 4) at horizontal resolution
triangular 30 with 19 vertical levels [4, 11]. The three
members differ only by their initial conditions, but are
forced by the same observed SST (1961–1994). The
results are presented for tropical America, for which
previous analyses demonstrated a great impact of SST
on seasonal rainfall variability [6, 10, 20].
2. Multivariate techniques
We use multivariate analyses as previously presented
[4, 11] to post-process the numerical outputs. Observed
land-only rainfall data are taken from the gridded dataset
of Hulme [7] at the 2.5° latitude × 3.75° longitude reso-
lution. Singular value decomposition is a well-
established tool for finding the base patterns that maxi-
mize covariance or correlation between two linear
combinations of two fields [3, 19]. We extract the most
useful mode from the covariance matrix between obser-
vations (copied three times) and simulations (three runs),
using Maximum Covariance Analysis (MCA). The time
series for the modes are generated in cross-validation to
alleviate potential bias from ‘overfitting’. The significant
modes are selected according to a permutation proce-
1. Introduction
De nombreux pays de la zone tropicale restent majo-
ritairement dépendants des anomalies climatiques,
notamment des variations interannuelles des précipita-
tions saisonnières. Il suffit de penser à la variabilité de la
mousson indienne, qui conditionne la vie, ou malheu-
reusement la survie, de plusieurs centaines de millions
de personnes. Or, les anomalies atmosphériques de la
zone tropicale sont fortement influencées par les condi-
tions de surface qui, en modifiant les sources de cha-
leur, peuvent enclencher des mécanismes couplés per-
596
dure; the sequence of observations is permuted and
then copied twice to create the three sets of observa-
tions to be placed opposite to the three runs which are
left untouched. This is repeated 100 times (in cross-
validation) and 100 sets of MCA are generated. Signifi-
cance levels for singular value are recovered from the
distribution of the 100 random analyses. Respectively,
the 4, 2, 6 and 5 first singular values are beaten by less
than 10 random solutions in DJFM, MAM, JJAS and SON.
The simulated modes are then adjusted, still in cross-
validation, for correcting the geographical shift of the
simulated teleconnections versus the observed ones.
3. Results
Figure 1 displays the ordered distribution of the tem-
poral correlations between the observations and the
simulations (raw values and adjusted values). Post-
processing using the MCA leading modes generally per-
forms better than raw simulated values, especially in
MAM and JJAS. Negative or zero skill are degraded by
cross-validation [2]. The correlations between adjusted
simulation and observations are displayed in figure 2
for the four seasons. The skill is greatest over the Bra-
zilian Nordeste in March–May, but also around the whole
Amazonian basin, suggesting a potential predictability
from SST on these regions. Predictive schemes are gen-
erally elaborated on regional areas to enhance the signal-
to-noise ratio [5]. Area-averaged indices are then com-
puted and the correlations between observed and
adjusted values are displayed in the table. The regional
indices computed from adjusted simulations perform gen-
erally better than those based on raw simulations. The
skill of several regional indices could be greatly improved
by the statistical adjustment (Antilla in JJAS for example).
The improvement is especially clear in 1972, 1979, 1988,
1989 (figure 3). In that case, the poor raw skill comes
principally from the spatial shift of the simulated tele-
connection relative to the observed one. Sometimes,
the adjustment is useless as for Brazilian Nordeste in
SON (table). It suggests an absence of real SST anoma-
lies upon rainfall of these areas during these seasons
or/and a systematic dynamic error of the model.
sistant pendant plusieurs mois, voire pendant une année,
comme c’est le cas par exemple de l’El Niño Southern
Oscillation [14]. Il est donc naturel de se poser la ques-
tion de la prévision des précipitations saisonnières à par-
tir des anomalies de températures de surface océaniques
— TSO —, qui couvrent la majorité de la surface terres-
tre, et qui possèdent dans certaines régions, comme le
Pacifique tropical oriental, une inertie temporelle sur plu-
sieurs mois [22].
Plusieurs stratégies sont possibles. La plus simple
consiste sans doute à utiliser les données observées pour
construire un modèle d’apprentissage entre les anoma-
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601
lies de TSO (ou d’un autre paramètre climatique) et des
précipitations (par exemple une simple régression
linéaire) et d’appliquer ce modèle à une période de véri-
fication [5, 15]. Une autre approche utilise un modèle
de circulation générale atmosphérique (MCGA), afin de
simuler un champ de précipitations à partir d’un forçage
de surface donné. Les deux approches sont complémen-
taires, mais seule la seconde sera utilisée ici. L’avantage
du MCGA sur l’approche purement statistique réside dans
le fait qu’elle ne présente pas d’a priori quant à la rela-
tion entre les différents paramètres climatiques. En effet,
un modèle statistique ne peut prévoir qu’une situation
qu’il connaît déjà. Un autre avantage du MCGA est
d’intégrer de manière explicite les relations du système
climatique. Un inconvénient est la lourdeur de son
maniement, ainsi que les incertitudes liées aux paramé-
trisations internes sur les processus dynamiques dont la
taille est inférieure à la grille du modèle, comme la
convection ou la nébulosité [8, 17]. Nous utilisons ici
les données simulées provenant d’une intégration sur
34 ans, réalisée avec le modèle atmosphérique alle-
mand ECHAM 4 à la résolution T30 (représentant
approximativement une grille de 3,75° × 3,75°). Cette
résolution, relativement basse, semble toutefois suffi-
sante dans la zone tropicale, où les interactions d’échelle
non linéaires sont moins importantes que dans la zone
extratropicale. Trois expériences numériques différentes
ont été réalisées avec des conditions de surface océani-
ques strictement identiques (TSO observées de janvier
1961 à décembre 1994), mais débutant par des condi-
tions initiales différentes [11, 12]. La convergence des
anomalies des trois expériences correspond à un for-
çage dominant des TSO sur l’atmosphère. Au contraire,
la divergence des anomalies signale une prédominance
des mécanismes chaotiques de la dynamique atmosphé-
rique.
Les analyses présentées ici concernent spécifiquement
l’Amérique tropicale. Cette zone est intéressante à plus
d’un titre : (i) elle est bordée par les océans Pacifique et
Atlantique, qui l’influencent, parfois, de façon combinée
et, d’autres fois, de façon indépendante [10, 16, 18, 21] ;
(ii) de nombreuses analyses, notamment concernant le
Nordeste brésilien [6, 21], mais aussi le Bassin amazo-
nien [9], ont montré la très forte liaison des anomalies
de cumuls saisonniers avec les champs de TSO. Ces
analyses ont abouti à l’élaboration de schémas de prévi-
sion opérationnelle des pluies [5, 13, 21]. Le but ici
n’est pas de proposer un nouveau schéma de prévision,
mais plutôt d’estimer le réalisme d’un MCGA actuel du
point de vue des précipitations, qui restent une des varia-
bles climatiques les plus difficiles à simuler, en raison de
l’interaction complexe entre divers mécanismes et des
échelles spatio-temporelles impliquées.
2. Méthodes
Les méthodes multivariées permettent d’extraire l’infor-
mation représentant le maximum de variance d’une
matrice quelconque. Nous avons utilisé ici une variante
de la décomposition en valeur singulière d’une matrice
de covariance entre deux champs : l’analyse en cova-
riance maximale (ACM), qui extrait la combinaison
linéaire possédant la covariance maximale. Cette tech-
nique a été présentée par ailleurs [5, 19]. Le formalisme
en est présenté succinctement ci-après. Soient deux
champs X et Y, avec les lignes représentant les observa-
tions temporelles et les colonnes représentant les unités
spatiales (points de grille ici) ; X contient les anomalies
interannuelles des observations saisonnières copiées trois
fois (= précipitations continentales saisonnières) et Y
contient celles des trois simulations (= précipitations
continentales et océaniques saisonnières). L’équation (1)
C = 1/t × X′ × Y (1)
donne la matrice de covariance entre X et Y. Le sym-
bole « prime » (’) représente la transposée d’une matrice
et t la longueur des séries temporelles. Cette matrice
peut être décomposée de façon unique selon la formule
(2) :
C = U × Σ × V′ (2)
où U et V sont les vecteurs propres respectifs de X et Y
et Σ la matrice diagonale contenant les valeurs singuliè-
res (la somme des valeurs singulières élevées au carré
est égale à la covariance totale entre X et Y, c’est-à-dire
à la trace de C’ × C). Les scores temporels associés sont
obtenus par les expressions (3a) et (3b) :
A=X×U (3a)
et
B=Y×V (3b)
Notons au passage que, selon la relation (4) :
Σ = 1/共 t − 1 兲 × A′ × B (4)
on peut obtenir les valeurs singulières à partir des scores
temporels [5]. L’ajustement des observations par les simu-
lations s’obtient par une simple régression linéaire en
2
minimisant la quantité suivante 储 X − Z 储 . L’ajustement
des simulations par rapport aux observations est donné
par la formule (5) :
Z=B×α (5)
Les éléments de α sont obtenus numériquement. L’ajus-
tement des simulations n’est obtenu qu’aux points de
grille observés, alors que l’ACM est réalisée avec l’ensem-
ble du champ simulé (points continentaux et océani-
ques à l’intérieur d’une boîte régionale), afin de vérifier
que le modèle positionne correctement les télécon-
nexions par rapport aux observations.
Chaque analyse est réalisée en validation croisée, afin
d’éliminer la surdétermination des coefficients de régres-
sion [4, 11]. En climatologie, il y a, le plus souvent, plus
de variables explicatives que d’observations à prévoir.
597
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601

Figure 1. Distribution ordonnée des corrélations

temporelles individuelles entre les observations
(copiées trois fois) et les simulations pour les qua-
tre saisons. Les points correspondent aux corré-
lations entre les observations (copiées trois fois)
et les simulations brutes ; les lignes continues cor-
respondent à celles entre les observations (copiées
trois fois) et les simulations ajustées. Les ajuste-
ments sont obtenus respectivement avec les 4, 2,
6 et 5 premiers modes de l’ACM (cf. texte).
Figure 1. Distribution of the grid-point correla-
tions between observations (copied three times)
and the simulations. Points (respectively full line)
represent the correlations between the observa-
tions and the raw (respectively adjusted) simula-
tions. The adjustment is performed with the first
4, 2, 6 and 5 leading modes of the MCA.

Figure 2. Corrélation temporelle (× 100) entre les observations (copiées trois fois) et les simulations ajustées pour les 4 saisons. Les ajuste-
ments sont obtenus respectivement avec les 4, 2, 6 et 5 premiers modes de l’ACM (cf. texte). Les valeurs grisées sont supérieures à 0,3.
Figure 2. Correlations (× 100) between observations (copied three times) and adjusted simulations. The adjustment is performed with the
first 4, 2, 6 and 5 leading modes of the ACM. Shaded areas are above 0.3.

598
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601

La solution est de construire un modèle sur un ensem- incomplète [9, 10]. Les résultats sont particulièrement
ble d’observations (= apprentissage) et d’appliquer ce prometteurs sur le Nordeste brésilien en mars–mai, mais
modèle au reste de l’échantillon (= vérification). Ce pro- aussi le Nord de l’Amérique du Sud entre mars et sep-
cédé est répété sur l’ensemble de la série. Notons que tembre, le bassin caraïbe en juin–septembre (figure 2).
toutes les étapes de l’analyse (normalisation des don- Ces corrélations, tout comme celles de la figure 1, sont
nées, puis calcul des vecteurs propres sur la période calculées en prenant explicitement en considération les
d’apprentissage, projection des données de la période trois expériences numériques. Considérer la moyenne des
de vérification sur ces derniers, afin d’obtenir les scores trois simulations aboutit à des valeurs nettement plus
temporels et ajustement) doivent être réalisées en vali- élevées, là où le signal existe (de + 10 à + 50 %, selon
dation croisée, afin d’éviter la pollution des données de les cas).
la période de vérification par les données d’apprentis- Les schémas de prévision opérationnelle utilisent en
sage. La détermination des modes utilisés dans la recons- général des indices régionaux plutôt que des stations ou
truction a été obtenue par une simulation de Monte- des points de grille [5]. Nous avons donc créé des indi-
Carlo par permutation. Nous avons réordonné de façon ces régionaux et calculé les corrélations entre les obser-
aléatoire les observations 100 fois et refait les analyses
en validation croisée entre ces 100 échantillons et les
simulations non modifiées. On obtient ainsi une distri- Tableau. Corrélations (× 100) entre les séries temporelles obser-
bution de 100 vecteurs des valeurs singulières (obtenues vées et simulées d’indices régionaux. Les indices sont calculés par
la moyenne des anomalies standardisées sur les régions suivantes :
grâce aux scores temporels — cf. équation (3) ci-dessus
Amérique du Sud septentrionale (285°–305°E ; 2,5°–12,5°N), Nor-
—), qui peuvent être comparées avec celles réellement deste brésilien (315°–330°E ; 2,5°–12,5°S), Amazonie septentrio-
obtenues. Les valeurs singulières ont été retenues quand nale (290°–310°E ; 2,5°S–2,5°N), Antilles (275°–305°E ;
elles n’étaient dépassées au maximum que de 10 fois 12,5°–22,5°N) et Mexique central (255°–275°E ; 12,5°–25°N). Seuls
sur 100. Les 4, 2, 6 et 5 premières valeurs singulières les points continentaux possédant des données observées sont uti-
correspondent à ce critère, respectivement pour décem- lisés. La première série de corrélations pour chaque indice concerne
bre–mars (DJFM), mars–mai (MAM), juin–septembre (JJAS) les données simulées brutes, alors que les suivantes indiquent le
résultat avec les ajustements obtenus avec les modes significatifs
et septembre–novembre (SON). dérivés de l’ACM. La moyenne des trois expériences est utilisée
ici. Le nombre entre parenthèses indique le nombre de modes
3. Résultats utilisés. Les valeurs en gras sont significatives au seuil 0,05, avec
30 degrés de liberté.
Table. Correlations (× 100) between observed and simulated time-
La figure 1 présente la distribution ordonnée des cor-
series of regional rainfall indices. The standardized anomalies are
rélations temporelles entre les observations copiées trois averaged on the following areas: northern South America (285°–305°
fois d’une part et les simulations brutes et ajustées d’autre E; 2.5°–12.5° N), Brazilian Nordeste (315°–330°E; 2.5°–12.5° S),
part. Les simulations ajustées sont en général meilleures Northern Amazonia (290°–310° E; 2.5°S–2.5° N), Caribbean Islands
que les simulations brutes, quand les corrélations tem- (275°–305° E; 12.5°–22.5° N) and Central Mexico (255°–275° E;
porelles de ces dernières avec les observations sont supé- 12.5°–25° N). The only continental points having observations are
used. The first correlations are computed between the observa-
rieures à 0. C’est particulièrement le cas en MAM et en
tions (copied three times) and the raw simulations and the second
JJAS. Par contre, les ajustements dégradent nettement cer- ones, between the observations (copied three times) and the
taines corrélations brutes nulles ou faiblement négatives adjusted simulations. Numbers in parentheses indicate the signifi-
[1, 2]. Cette propriété, propre à la validation croisée, ne cant modes at the 0.10 level. Bold values are significant at the
pose pas de réels problèmes pratiques, puisque cela 0.05 level with 30 degrees of freedom.
concerne des espaces où il n’y a pas de réelle relation Indices régionaux Corrélations Corrélations
linéaire entre les observations et les simulations, indi- entre les entre les
quant, soit une absence de forçage des anomalies de simulations simulations
brutes et les ajustées et les
TSO, soit une défaillance spécifique du modèle, soit observations observations
encore une combinaison des deux. L’amélioration des
Amérique du Sud nord (DJFM) 40 60 (4)
résultats avec l’ajustement tient principalement à deux
Amazonie nord (DJFM) 24 37 (4)
facteurs : (i) les méthodes multivariées ne retiennent que Nordeste brésilien (DJFM) 66 60 (4)
les modes d’échelle régionale et éliminent les modes Amérique du Sud nord (MAM) 22 35 (2)
très bruités ne concernant qu’une fraction infime de Amazonie nord (MAM) –25 1 (2)
l’espace ; (ii) le modèle peut reproduire la variabilité tem- Nordeste brésilien (MAM) 73 67 (2)
porelle de façon réaliste, mais est susceptible de dépla- Antilles (MAM) 20 15 (2)
Amérique du Sud nord (JJAS) 15 67 (6)
cer les téléconnections spatiales, notamment en raison Amazonie nord (JJAS) 42 77 (6)
des approximations géographiques du modèle [4]. L’ajus- Antilles (JJAS) 28 70 (6)
tement permet de recaler spatialement les simulations Mexique (JJAS) 29 36 (6)
par rapport aux observations. Amérique du Sud nord (SON) 30 32 (5)
Les espaces les plus réalistes (figure 2) se localisent Amazonie nord (SON) 49 61 (5)
Nordeste brésilien (SON) 6 –2 (5)
principalement autour du Bassin amazonien. Signalons Antilles (SON) 14 3 (5)
toutefois que la documentation de cet espace reste

599
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601
vations et les reconstructions (tableau, figure 3). Aucune
correction, concernant les points de grille ayant des cor-
rélations négatives, n’a été faite. L’estimation du tableau
est donc conservatrice. Les corrélations entre les obser-
vations et les ajustements oscillent, au mieux, entre 0,59
et 0,76 (Amérique du Sud septentrionale en JJAS). Il s’agit
bien entendu de valeurs en validation croisée, impli-
quant que le modèle reproduit 36 à plus de 55 % de la
variabilité régionale observée. La figure 3 montre quatre
exemples d’indices saisonniers. Si on regarde précisé-
ment le cas de l’indice « Antilles » en JJAS, l’améliora-
tion apportée par l’ajustement est particulièrement nette
en 1972, 1979, 1988 et 1989. Des cas identiques, quoi-
que moins importants, se produisent pour les autres indi-
ces, excepté pour le Nordeste brésilien, pour lequel
l’ajustement n’apporte aucun gain supplémentaire par
rapport aux simulations brutes (figure 3 et tableau). Il
n’empêche que, dans l’ensemble, les indices calculés à
600
Figure 3. Exemples d’indices régionaux obser-
vés et simulés. Les ronds représentent les obser-
vations et les lignes continues fines (respective-
ment épaisses) la moyenne des trois expériences
brutes (respectivement celle des expériences
ajustées).
Figure 3. Examples of seasonal regional rain-
fall indices. Circles are observations and thin
(respectively bold) line is the mean of raw
(respectively adjusted) simulations.
partir des simulations ajustées sont en général beaucoup
plus réalistes que ceux basés sur les sorties numériques
brutes (tableau). Les cas dans lesquels les corrélations
portant sur les données ajustées restent faibles (exem-
ples : « Antilles » en MAM–SON ou « Nordeste brési-
lien » en SON) indiquent, non pas un simple décalage
spatial entre les observations et les simulations, mais plu-
tôt une absence de forçage réel des anomalies de TSO
sur la pluviométrie, ou bien une erreur systématique du
modèle.
4. Conclusion
Le fait que les modèles de circulation générale soient
vérifiés, et notamment leur réalisme par rapport aux
observations (comportement moyen et variabilité), est une
étape essentielle dans la compréhension globale du sys-
 V. Moron, A. Navarra / C. R. Acad. Sci. Paris, Sciences de la Terre et des planètes / Earth and Planetary Sciences 330 (2000) 595–601
tème climatique et, éventuellement, de la prévision de
son évolution future. La modélisation numérique appa-
raît en effet théoriquement supérieure à la seule appro-
che statistique, qui ne peut reproduire que ce que les
seules observations, souvent limitées dans le temps et
dans l’espace, lui apprennent. La modélisation numéri-
que peut répondre à une modification des conditions de
forçage du système et transforme leur influence de façon
dynamique par l’obtention d’une solution globale. Nous
avons présenté ici le réalisme d’un MCGA du point de
vue des précipitations saisonnières en Amérique tropi-
cale. Le MCGA utilisé correspond bien à « l’état de l’art »
actuel, même si certaines simulations se font désormais
à une résolution beaucoup plus fine. Signalons toutefois
Remerciements. Les données observées de précipitations proviennent du fichier élaboré par Mike Hulme [7].
Références
[1] Barnston A.G., Linear statistical short-term climate predictive skill
in the Northern Hemisphere, J. Climate 7 (10) (1994) 1513–1564.
[2] Barnston A.G., van den Dool H.M., A degeneracy in cross-
validated skill in regression-based forecasts, J. Climate 6 (6) (1993)
963–977.
[3] Bretherton C.S., Smith C., Wallace J.M., An intercomparison of
methods for finding coupled patterns in climate data, J. Climate 5 (6)
(1992) 541–560.
[4] Feddersen H., Navarra A., Ward M.N., Reduction of model sys-
tematic error by statistical correction for dynamical seasonal predictions,
J. Climate 12 (7) (1999) 1974–1989.
[5] Hastenrath S., Recent advances in tropical climate prediction, J.
Climate 8 (4) (1995) 1519–1532.
[6] Hastenrath S., Greischar L., Further work on the prediction of
northeast Brazil rainfall anomalies, J. Climate 6 (4) (1993) 743–758.
[7] Hulme M., Validation of large-scale precipitation fields in gene-
ral circulation models, in : Desbois M., Desalmand F. (éds), Global
Precipitation and Climatic Change, NATO ASI series, Springer Verlag,
Francfort, 1994, pp. 387–405.
[8] Kiehl J.T., Atmospheric general circulation modelling, in : Tren-
berth K. (éd.), Climate System Modelling, Cambridge University Press,
Cambridge, 1992, pp. 319–370.
[9] Marengo J.A., Hastenrath S., Case studies of extreme climatic
events in the Amazon basin, J. Climate 6 (4) (1993) 617–627.
[10] Moron V., Bigot S., Roucou P., Rainfall variability in subequato-
rial Africa and South America 1951-1990 and relationships with the
main SST modes, Int. J. Climatol. 15 (12) (1995) 1297–1322.
[11] Moron V., Navarra A., Ward M.N., Roeckner E., Skill and repro-
que cette augmentation de la résolution n’entraîne pas
obligatoirement une meilleure reproduction de la réa-
lité. Le choix de l’espace étudié, situé dans la zone tro-
picale, autorise, bien entendu, des résultats concluants,
compte tenu du forçage exercé par les TSO sur l’atmos-
phère, mais la représentation de la variabilité des préci-
pitations saisonnières représente un challenge difficile et
crucial du point de vue social et économique. Nous
avons montré qu’un traitement statistique a posteriori
des sorties numériques brutes améliorait sensiblement le
réalisme du modèle en sélectionnant les modes les moins
bruités (c’est-à-dire ceux possédant la plus vaste échelle
spatiale) et en recalant géographiquement les télécon-
nexions simulées par rapport à celles observées.
ducibility of seasonal rainfall pattern in the Tropics in ECHAM-4 GCM
simulations with prescribed SST, Clim. Dynam. 14 (2) (1998) 83–100.
[12] Moron V., Navarra A., Ward M.N., Analyse mutlivariée de la
réponse atmosphérique simulée aux températures de surface océanique
1961–1994, C. R. Acad. Sci. Paris, série IIa 328 (1999) 641–648.
[13] Palmer T.N., Anderson D.L.T., The prospects for seasonal fore-
casting. A review paper, Quart. J. Meteorol. Soc. 120 (5) (1994) 755–793.
[14] Philander S.G.B., El Niño, La Niña and the Southern Oscilla-
tion, 1st edition, Academic Press, New York, 1990.
[15] Philippon N., Fontaine B., Un nouveau schéma de prévision
statistique des précipitations sahéliennes de juillet–septembre
1968–1994, C. R. Acad. Sci. Paris, série IIa 329 (1999) 1–6.
[16] Roucou P., Rocha de Aragao J.O., Harzallah A., Fontaine B.,
Janicot S., Vertical motions changes related to North-East Brazil rainfall
variability: A GCM simulation, Int. J. Climatol. 16 (8) (1996) 879–892.
[17] Salby M.L., The Atmosphere, in : Trenberth K. (éd.), Climate
System Modelling, Cambridge University Press, Cambridge, 1992,
pp. 53–116.
[18] Sperber K.R., Hameed S., Phase locking of Nordeste precipita-
tion with sea surface temperatures, Geophys. Res. Letters 20 (2) (1993)
113–116.
[19] Von Storch H., Zwiers F.W., Statistical analysis in climate
research, Cambridge University Press, Cambridge, 1998.
[20] Ward M.N., Tropical North African rainfall and worldwide
monthly to multi-decadal climate variations, thèse, université de Read-
ing, Royaume-Uni, 1994, 313 p.
[21] Ward M.N., Folland C.K., Prediction of seasonal rainfall in the
north Nordeste of Brazil using eigenvectors of sea surface temperature,
Int. J. Climatol. 11 (1991) 711–743.
[22] Wu Z.X., Newell R.E., Influence of sea surface temperatures on
air temperatures in the tropics, Clim. Dynam. 14 (4) (1998) 275–289.
601