Eos : Cessez de vous inquiéter de l'incertitude des projections du niveau de la mer
Un nouvel article paru dans Eos présente une excellente discussion sur la manière de comprendre l'incertitude dans le contexte de la modélisation des systèmes terrestres. Bien que le projet C1W n'intègre pas directement les projections du niveau de la mer et la modélisation de la calotte glaciaire (qui font l'objet de cet article), les concepts sous-jacents d'incertitude, de confiance et de compétence des modèles sont certainement pertinents pour les prévisions hydrologiques intégrées qui sont au cœur du projet C1W.
Cliquez ici pour lire l'article.
"Les divergences importantes entre les projections de modèles concernant l'élévation du niveau de la mer à long terme ont incité la communauté scientifique à s'efforcer de réduire l'incertitude. Cependant, se concentrer sur l'incertitude est un piège que nous devons éviter. Nous devrions plutôt nous concentrer sur les décisions d'adaptation que nous pouvons déjà prendre sur la base des modèles actuels et sur la communication et le renforcement de la confiance dans les modèles pour les décisions à plus long terme.
Une méthode courante d'estimation de l'incertitude utilisée par les modélisateurs du climat et des nappes glaciaires consiste à examiner l'écart entre les projections d'élévation du niveau de la mer associées à une série de modèles de nappes glaciaires différents pilotés par le même forçage climatique d'entrée. [Une autre façon d'estimer l'incertitude consiste à explorer la gamme des résultats simulés par les modèles associés à différents paramètres ou paramétrisations. La difficulté réside dans le fait que les paramétrisations sont souvent ajustées pour représenter les processus physiques tels qu'ils ont été observés à l'époque moderne.
Comment savons-nous alors qu'un modèle est suffisamment complexe dans la physique qu'il inclut pour que nous puissions nous fier à ses projections de l'avenir dans des conditions très différentes de celles d'aujourd'hui ? La réponse à cette question se résume à deux concepts liés : la confiance dans le modèle et la compétence du modèle.
La confiance reflète une évaluation (qualitative ou quantitative) de notre conviction que la physique et les hypothèses qui sous-tendent les modèles sont fondamentalement correctes. En plus d'être correctes, les hypothèses des modèles doivent être suffisamment complètes pour que les modèles continuent à produire des résultats précis même lorsqu'ils sont poussés en dehors de l'ensemble des conditions, ou du régime, pour lesquels ils ont été calibrés. Par exemple, nous devons être en mesure de prédire de manière fiable quand et à quelle vitesse la glace se brise et s'effrite avant de pouvoir prédire en toute confiance le rôle de l'instabilité des falaises de glace marine dans l'élévation future du niveau de la mer. Pour renforcer la confiance dans les modèles, il faut donc les utiliser pour faire des prédictions, puis les tester. La compétence des modèles est une mesure de la précision avec laquelle les modèles ont prédit les changements passés. Plus la compétence des modèles est élevée, plus la confiance est grande, mais il n'est pas facile d'améliorer la compétence des modèles".