Multivariate statistical approaches for bias adjustment of climate simulations and compound events analysis - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Multivariate statistical approaches for bias adjustment of climate simulations and compound events analysis

Approches statistiques multivariées pour l'ajustement des biais des simulations climatiques et l'analyse des événements composés

Résumé

Climate is a complex system resulting from various interactions between its different components and its multiple variables. This thesis aims to assess whether and how the use of multivariate statistical approaches for the study of climate simulations can contribute to a deeper understanding of climate change and high-impact climate events. To answer these questions, I propose and apply new multivariate statistical tools for, on the one hand, bias correction of climate simulations, and on the other hand, the investigation of changes in the probabilities of compound climate events. The work conducted pursues three main objectives: (i) to intercompare existing multivariate bias correction (MBC) methods, (ii) to develop a new MBC method for adjusting spatial dependencies of climate simulations, (iii) to assess the time of emergence of compound events probabilities, as well as to quantify the contribution of marginal and dependence properties to these changes of probabilities.The intercomparison of multivariate bias correction methods allowed, first, to better inform end-users of their advantages and disadvantages and, also, to identify avenues for the development of new methods. A new method, based on a Machine Learning technique named cycle-consistent generative adversarial networks (CycleGAN), has been developed. It gives satisfactory results, thus showing the potential of Machine Learning techniques for multivariate bias correction. Assessing the time of emergence of compound events probabilities and quantifying the contribution of univariate and multivariate properties to these changes has proved to be relevant to better investigate compound events. It is found that non-stationarity in inter-variable dependence structures under climate change can play a significant role in future probabilities of compound events.The work carried out in this thesis opens up relevant perspectives in terms of methodology but also contributes to an improved understanding of the climate and its evolution. It provides new statistical tools that are adapted to the intrinsically multivariate nature of the climate system.
Le climat est un système complexe qui est le résultat de multiples interactions entre ses différentes composantes et ses multiples variables. Cette thèse a pour but d'évaluer si et comment l'utilisation d'approches statistiques multivariées pour l'étude des simulations climatiques peut contribuer à une compréhension plus approfondie du changement climatique et des événements climatiques à forts impacts sur la société. Pour répondre à ces questions, je propose et applique de nouveaux outils statistiques multivariés pour, d'une part, la correction de biais des simulations climatiques, et d'autre part, l'étude des changements de probabilités d'événements conjoints à forts impacts. Le travail s'articule autour de trois objectifs : (i) comparer des méthodes de correction de biais multivariés (MBC) déjà existantes, (ii) développer une nouvelle méthode MBC pour l'ajustement des dépendances spatiales des simulations climatiques, (iii) évaluer la période d'émergence des probabilités d'événements conjoints et quantifier la contribution des propriétés univariées et multivariées aux changements de ces probabilités.La comparaison de méthodes de correction de biais a permis d'une part d'informer les utilisateurs de leurs avantages et leurs inconvénients mais aussi d'identifier des pistes de développements pour de nouvelles méthodes. Une nouvelle méthode, basée sur une technique de Machine Learning appelée réseaux adverses génératifs (CycleGAN), a été développée. Elle donne des résultats satisfaisants, montrant ainsi le potentiel des techniques de Machine Learning pour la correction de biais multivariés. L'évaluation de la période d'émergence des probabilités d'événements conjoints, ainsi que la quantification de la contribution des propriétés univariées et multivariées aux changements de ces probabilités se révèlent être une procédure pertinente pour améliorer la compréhension de tels phénomènes climatiques. Il est trouvé que la non-stationnarité de la structure de dépendance inter-variable dans un contexte de changement climatique peut jouer un rôle important dans les probabilités futures d'événements conjoints.Les travaux réalisés dans cette thèse ouvrent des perspectives pertinentes en termes méthodologiques mais participent aussi à une amélioration de la compréhension du climat et de ses évolutions en fournissant des outils statistiques adaptés à la nature intrinsèquement multivariée du système climatique.
Fichier principal
Vignette du fichier
112398_FRANCOIS_2022_archivage.pdf (14.93 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03891297 , version 1 (09-12-2022)

Identifiants

  • HAL Id : tel-03891297 , version 1

Citer

Bastien Francois. Multivariate statistical approaches for bias adjustment of climate simulations and compound events analysis. Ocean, Atmosphere. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASJ018⟩. ⟨tel-03891297⟩
251 Consultations
74 Téléchargements

Partager

Gmail Facebook X LinkedIn More