Validation and inter-comparison of three methodologies for interpolating daily precipitation and temperature across Canada

Citation

Newlands, N.K., Davidson, A.M., Howard, A., et Hill, H.S. (2011). « Validation and inter-comparison of three methodologies for interpolating daily precipitation and temperature across Canada. », EnvironMetrics, 22(2), p. 205-223. doi : 10.1002/env.1044

Résumé

L’utilisation de données climatiques quotidiennes en agriculture s’est considérablement accrue au cours des deux dernières décennies en raison du développement rapide des technologies de l’information et du besoin de mieux évaluer les risques posés par des conditions climatiques extrêmes et l’accélération du changement climatique et leurs impacts. Alors que les données quotidiennes de stations sont maintenant utilisées de manière courante comme intrant dans des modèles biophysiques et biogéochimiques pour l’étude de problèmes ayant trait au climat, à l’agriculture et à la foresterie, des questions restent encore en suspens quant à l’utilisation de données quotidiennes, en particulier pour des prédictions faites grâce à des modèles d’interpolation spatiale. Nous avons évalué la précision de trois modèles (c.-à-d. courbe splinée, filtre gaussien pondéré/tronqué et modèle hybride inverse de la distance/voisin naturel) pour l’interpolation des précipitations quotidiennes et de la température à 10 km au travers de la masse terrestre canadienne au sud de la latitude 60o (recouvrant les régions agricoles du Canada). Nous avons fait des calculs statistiques de validation de l’erreur systématique et de l’écart-type quotidien, hebdomadaire et sur un mois, en examinant comment l’erreur varie en fonction de l’orographie et de la topographie, et de la proximité de grands plans d’eau. Nos résultats montrent que la meilleure manière d’interpoler des données quotidiennes de température et de précipitation dans l’ensemble du Canada requiert une approche modèle mixte/Bayesienne. D’autres applications des méthodes d’interpolation qui prennent en compte une covariance spatiale non stationnaire, ainsi qu’une mesure de la gamme de corrélation spatiale, permettraient de réduire considérablement l’incertitude de la prévision par interpolation.