Académique Documents
Professionnel Documents
Culture Documents
Éditions Quæ
http://books.openedition.org
Référence électronique
BERTUZZI, Patrick ; HUARD, Frédéric. Chapitre 7- Les données météorologiques In : L'eau en milieu
agricole : Outils et méthodes pour une gestion intégrée et territoriale [en ligne]. Versailles : Éditions Quæ,
2020 (généré le 16 juin 2021). Disponible sur Internet : <http://books.openedition.org/quae/37370>.
ISBN : 9782759233878.
Chapitre 7
Les données météorologiques
PATRICK BERTUZZI ET FRÉDÉRIC HUARD
1. Un millimètre correspond à un volume de pluie d’un litre tombant sur une surface de un mètre carré.
117
L’eau en milieu agricole
118
Les données météorologiques
Toutes les mesures sont rassemblées dans des bases de données, par exemple la
Publithèque de Météo-France2 ou la base nationale agroclimatique3 de INRAE, afin
de pouvoir constituer de longues séries d’observation.
Selon le type d’études réalisées (par exemple, une monographie du climat, un
bilan météorologique ou climatique, l’effet constaté du changement climatique),
et les échelles spatiales (par exemple, commune, département, région, pays) et
temporelles (par exemple, semaine, mois, saison, année, décennie) associées à ces
études, des produits élaborés de Météo-France peuvent être utilisés. Il convient de
mentionner le recours aux :
− synthèses de données décadaires, mensuelles ou annuelles ;
− séries passées longues reconstituées par homogénéisation4 statistique pour des
travaux en lien avec le changement climatique ;
− données journalières de ré-analyse telles que celles issues du système maillé
SAFRAN5 (Vidal et al., 2010).
L’étude de l’évolution du climat sur les temps longs en fonction du changement
climatique recourt à des projections climatiques futures régionalisées obtenues à
partir de simulations provenant de modèles climatiques (Ouzeau et al., 2014). Il ne
s’agit pas à proprement parler de prévisions météorologiques, mais de prévisions
climatiques de la tendance attendue de l’évolution du climat. Le portail DRIAS6 met
à disposition les données journalières des projections climatiques à la maille SAFRAN
jusqu’en 2100, selon différents scénarios futurs et méthodes de régionalisation.
2. http ://publitheque.meteo.fr/okapi/accueil/okapiWebPubli/index.jsp.
3. https ://intranet.inra.fr/climatik/do/welcome.
4. La qualité des données originales n’est pas toujours garantie sur des séries longues. Homogénéiser les
données veut dire rechercher, dans la série temporelle, des ruptures d’homogénéité des données et les
corriger. Les sources de ruptures sont multiples. Citons, par exemple, le changement du type de mesure
et de son environnement, le déplacement des points de mesures.
5. Maille SAFRAN : données météorologiques journalières intégrées à l’échelle de 8 602 mailles de 8 km
par 8 km couvrant la France métropolitaine depuis août 1958 jusqu’à nos jours.
6. Portail DRIAS : http://www.drias-climat.fr/.
119
L’eau en milieu agricole
7. La méthode de MONTE-CARLO vise à calculer une quantité déterministe à travers un procédé aléatoire
faisant intervenir des nombres au hasard
120
Les données météorologiques
les approches sont catégorisées différemment selon les auteurs. En effet, certains
auteurs distinguent les méthodes graphiques, topographiques et numériques (Daly
et al., 1994). D’autres « opposent » les méthodes déterministes aux méthodes proba-
bilistes (Arnaud et Emery, 2000). D’autres encore parlent de l’approche déterministe
globale, déterministe locale et enfin stochastique (Bosser, 2011).
Sur ces bases, on parlera d’approche déterministe quand les modèles reposent sur des
équations mathématiques, sans toutefois nécessairement intégrer toute la physique
du processus de répartition des précipitations. Il s’agit d’une approche stochastique
lorsqu’elle est basée sur des lois probabilistes. La différence entre l’approche globale
et l’approche locale repose sur l’étendue du champ à partir duquel la moyenne géné-
ralisée est calculée : l’objectif de l’approche globale est de reproduire les tendances
générales sur la zone, quitte à lisser les variations locales ; dans l’approche locale,
les variations locales sont prioritairement caractérisées sans tenir nécessairement
compte des informations sur les tendances générales.
Ainsi, les méthodes d’interpolation spatiale les plus courantes sont les suivantes :
− polygones de Thiessen (approche graphique ou déterministe locale et globale) ;
− méthodes barycentriques (approche déterministe locale) ;
− splines (approche déterministe locale) ;
− régressions classiques et locales (méthodes stochastiques) ;
− krigeage (méthodes stochastiques).
Certaines méthodes mélangent différentes approches, couplant régression pour
rechercher les relations entre la variable climatique (plus précisément la pluie) et le
relief, puis modélisant les résidus : ce sont les méthodes de Storr et Ferguson (1972),
de Laborde (1981, 1984) et de Aurelhy (Bénichou et Lebreton, 1987 ; Huard, 1993).
Ces méthodes sont bien adaptées à la spatialisation des champs de température,
voire de vent. Pour le rayonnement solaire, il est nécessaire d’intégrer des facteurs de
correction liés aux effets d’ombrage et du relief. Toutefois, les mesures satellitaires,
notamment de MÉTÉOSAT, sont de plus en plus performantes et peuvent compléter,
dans certaines conditions, l’interpolation à partir des pyranomètres8 (Huard, 2008).
L’utilisateur dispose donc d’un large panel de méthodes d’interpolation spatiale des
données climatiques. Le choix repose sur la variable climatique à interpoler, les
ressources de calcul ou la précision espérée.
8. Un pyranomètre est un capteur de flux thermique utilisé pour la mesure de la quantité d’énergie
solaire en lumière naturelle, notamment utilisé en météorologie. Il permet la mesure de la puissance du
rayonnement solaire total en watts par mètre carré
121
L’eau en milieu agricole
Figure 7.3. Reconstitution de pluie journalière à partir de l’agrégation des lames d’eau de
pas de temps 5 minutes, épisode du 28/11/2014 dans la région de Montpellier. © Frédéric
Huard, INRAE.
122
Les données météorologiques
Conclusions
De bonnes prédictions des données climatiques dans l’espace et dans le temps sont,
de toute évidence, un besoin essentiel pour mettre en œuvre la gestion intégrée des
ressources en eau. Les données climatiques de première importance pour la gestion
hydrologique et agronomique sont les champs de précipitations et de températures,
9. Nuages stratiformes : nuages plats, liés à une atmosphère stable, qui forment un voile plus ou moins
épais et recouvrent tout le ciel. Nuages convectifs : nuages résultant d’une situation météorologique
instable associée à une élévation rapide de masses d’air chargées d’humidité, et formant des systèmes à
développement vertical.
10. Ces nouvelles analyses sont effectuées par ERA-intérim et ERA5 du National center of atmospheric
research (États-Unis, NCEP) ou Météo-France, SAFRAN, etc.
123
L’eau en milieu agricole
dans une gamme variable d’échelles temporelles et spatiales. Elles sont notamment
nécessaires pour la mise en œuvre de modèles hydrologiques de fonctionnement.
De nombreux travaux de simulation utilisant la modélisation hydrologique sont
en cours pour l’exploration des effets de la variabilité du climat et du changement
climatique. Pour l’étude de certains risques extrêmes en lien avec le changement
climatique, comme les pluies intenses ou le risque de gel, il est indispensable de
disposer de données fiables sur ces extrêmes climatiques, y compris sur de courtes
durées. Ces nouvelles contraintes pour l’obtention des données spatio-temporelles
nécessairement plus fines par rapport aux données existantes représentent un
nouvel enjeu métrologique de mesures des données et méthodologique d’adapta-
tion des méthodes de désagrégation et d’interpolation à ce nouveau contexte. Pour
répondre à l’évolution de ces besoins, les progrès reposent aussi sur l’amélioration
de la résolution des systèmes d’observation et de prévision qui demeure un objectif
prioritaire de la stratégie scientifique et opérationnelle de Météo-France pour les
prochaines années.
Références bibliographiques
Aubert Y., Arnaud P., Ribstein P., Fine J.A., 2014. La méthode Shyreg débit-application sur
1 605 bassins versants en France métropolitaine. Hydrological sciences journal, 59(5): 1-13.
Allen R.G., Periera L.S., Raes D., Smith M., 1998. Crop evaporation. Guideline for computing crop
water requirements. Roma: FAO, (Coll. Irrigation and drainage paper, 56), 300 p.
Arnaud P., Aubert Y., Organde D., Cantet P., Fouchier C., Folton N., 2014. Estimation de l’aléa
hydrométéorologique par une méthode par simulation : la méthode Shyreg. Présentation, perfor-
mances, base de données. La Houille blanche, 2.
Arnaud M., Emery X., 2000. Estimation et interpolation spatiale. Paris : Hermes Science Publications.
Arnaud P., Lavabre J., Sol B., Desouches C., 2008. Régionalisation d’un générateur de pluies
horaires sur la France métropolitaine pour la connaissance de l’aléa pluviographique. Hydrological
sciences journal, 53(1) : 34-47. DOI :10.1623/hysj.53.1.34.
Bosser P., 2011. Interpolation spatiale. Cours de l’ENSG. Champs-sur-Marne : ENSG, 55 p.
Bénichou P., Lebreton O., 1987. Prise en compte de la topographie pour la cartographie des champs
pluviométriques statistiques. La Météorologie, 7(19) : 23-34.
Dalya C., Ronald P., Donald L., 1994. A Statistical-topographic model for mapping climatological
precipitation over mountainous terrain. Journal of applied meteorology, 33: 140-158.
Huard F., 1993. Approches théoriques de la spatialisation de variables climatiques à partir de la
discrétisation du relief français. Thèse de doctorat. Caen, 232 p.
Huard F., 2008. Utilisation de MétéoSat et de méthodes statistiques pour le contrôle des données
de rayonnement solaire. Cahier des techniques de l’INRA, numéro spécial Pratiques et outils de
mesure des rayonnements naturels, 117-125.
Joly D., Brossard T., Cardot H., Cavailhes J., Hilal M., Wavresky P., 2010. Les types de climats en
France, une construction spatiale. Cybergeo, 501. DOI :10.4000/cybergeo.23155.
Kossieris P., Koutsoyiannis D., Onof C., Tyralis H., Efstratiadis A., 2012. HyetosR: an R package for
temporal stochastic simulation of rainfall at fine time scales, European geosciences union general
assembly 2012. Geophysical research abstracts, 14, Vienna, 11 718, European geosciences union.
Koutsoyiannis D., 2003. Rainfall disaggregation methods: theory and applications. Workshop on
statistical and mathematical methods for hydrological analysis, 1-23.
Laborde J.P., 1981. Synthèse cartographique des pluies journalières extrêmes dans l’Est de la France.
Nancy : INPL, 63 p + annexes.
Laborde J.P., 1984. Analyse des données et cartographie automatique en hydrologie : éléments
d’hydrologie lorraine. Thèse d’État, INPL, 289 p + annexes.
124
Les données météorologiques
Ouzeau G., Déqué M., Jouini M., Planton S., Vautard R., 2014. Le climat de la France au XXIe siècle,
vol. 4. Scénarios régionalisés : édition 2014 pour la métropole et les régions d’outre-mer. Ministère
de l’Écologie, du Développement durable et de l’Énergie, Direction générale de l’Énergie et du
Climat. Rapport, 54 p.
Vidal J.P., Martin E., Franchistéguy L., Baillon M., Soubeyroux J.M., 2010. A 50 years high resolu-
tion atmospheric reanalysis over France with the Safran system. International journal of climatology,
30(11): 1 627 1 644.
Storr D., Ferguson H.L., 1972. The distribution of precipitation in some mountainous Canadian
watersheds. World meteorological organization, 36(2): 243-263.
Tardieu J., Leroy M., 2003. Radome, le réseau temps réel d’observation au sol de Météo-France.
La Météorologie, 40: 40-43.
Thornthwaite C.W., 1948. An approach toward a relational classification of climate. Geographical
review, 38(1): 55-94.
Villiani V., Di Stephano D., Rianna G., Mercogliano P., 2015. Stochastic models for the disag-
gregation of precipitation time series on subdaily scale: identification of parameters by global
optimization. Centro Euro-Mediterraneo sui cambiamenti climatici, Research papers, Issue
RP0256, 25 p.
125