Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios SSP prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures.Cet ensemble de données fait partie d’une collection plus vaste d’ensembles de données sur la susceptibilité aux inondations, offrant des informations et des analyses connexes. La collection comprend une page de présentation accompagnée de publications associées, des valeurs historiques de susceptibilité, des tendances temporelles ainsi que des projections futures.- [Collection - Cartographie de la susceptibilité aux inondations]( https://ouvert.canada.ca/data/fr/dataset/1074f781-85d3-4c86-86cb-fd1c339197dc)- [Historique - Cartographie de la susceptibilité aux inondations]( https://ouvert.canada.ca/data/fr/dataset/ea1384df-bf4a-4743-97bb-870dc43f8d77)- [Tendances et extrêmes - Cartographie de la susceptibilité aux inondations]( https://ouvert.canada.ca/data/fr/dataset/3202e0a0-0afb-4120-b102-b0c41f0fb9eb)

La Division de la recherche climatique (DRC) d’Environnement et Changement climatique Canada (ECCC) et le Pacific Climate Impacts Consortium (PCIC) ont déjà produit des scénarios mis à l’échelle statistique et fondés sur des simulations de modèles climatiques qui faisaient partie de la phase 5 du Projet d’intercomparaison de modèles couplés (CMIP5) en 2015. ECCC et le PCIC ont mis à jour les scénarios à échelle réduite fondés sur la CMIP5 en ajoutant deux nouveaux ensembles de scénarios à échelle réduite fondés sur la prochaine génération de projections climatiques de la phase 6 du Projet d’intercomparaison de modèles couplés (CMIP6). Les scénarios appelés scénarios climatiques canadiens à échelle réduite – méthode univariée de la CMIP6 (CanDCS-U6) (« Canadian Downscaled Climate Scenarios–Univariate method from CMIP6 ») et scénarios climatiques canadiens à échelle réduite – méthode multivariée de la CMIP6 (CanDCS-M6) (« Canadian Downscaled Climate Scenarios–Multivariate method from CMIP6 »).Les projections climatiques du CMIP6 sont fondées à la fois sur des modèles climatiques mondiaux actualisés et sur de nouveaux scénarios d’émissions appelés « trajectoires socioéconomiques partagées » (SSP, pour « Shared Socioeconomic Pathways »). Des ensembles de données statistiquement mis à l’échelle ont été produits à partir de 26 modèles climatiques mondiaux (MCM) de la CMIP6 et selon trois scénarios d’émissions différents (c.-à-d. SSP1-2.6, SSP2-4.5 et SSP5-8.5), et le PCIC a ajouté plus tard le SSP3-7.0 à l’ensemble de données CanDCS-M6. La procédure de correction des biais et analogues construits avec cartographie des quantiles, version 2 (BCCAQv2) a été utilisée pour l’ensemble CanDCS-U6, tandis que la méthode multivariée de correction des biais à N dimensions (MBCn) a été utilisée pour l’ensemble CanDCS-M6. L’ensemble CanDCS-U6 a été produit au moyen des mêmes données cibles de réduction (NRCANmet) que les scénarios à échelle réduite fondés sur la CMIP5, tandis l’ensemble CanDCS-M6 utilise un nouvel ensemble cible (mêlant les ensembles ANUSPLIN et PNWNAmet).Des extrants des modèles individuels et des ensembles de modèles statistiquement mis à l’échelle peuvent être téléchargés. Les indices climatiques mis à échelle de manière statistique réduite sont disponibles partout au Canada à une résolution spatiale de grille de 10 km pour la période antérieure 1950 2014 et la période 2015 2100 suivant chacun des trois scénarios d’émissions.Remarque : les changements projetés par les produits mis à l’échelle sur le plan statistique ne sont pas nécessairement plus crédibles que ceux des résultats du modèle climatique sous-jacent. Souvent, surtout pour les indices fondés sur des seuils absolus, l’écart des projections fondées sur des données mises à l’échelle est plus faible en raison de l’élimination des biais du modèle. Or ce n’est pas le cas pour tous les indices. La mise à l’échelle de la résolution du MCM pour qu’elle soit haute, ce qui est nécessaire pour l’évaluation des répercussions, augmente le niveau de détail spatial et de variabilité temporelle pour mieux correspondre aux observations. Étant donné que ces ajustements dépendent du MCM, les indices qui en résultent pourraient avoir un écart plus grand lorsqu’ils sont calculés à partir de données mises à l’échelle comparativement à ceux qui sont directement calculés à partir des résultats du MCM. Dans ce dernier cas, ce n’est pas la procédure de mise à l’échelle qui rend la projection plus incertaine, il s’agit plutôt d’une plus grande variabilité associée à une échelle spatiale plus haute.Les ensembles de données de modèles individuels et tous les produits dérivés connexes sont assujettis aux conditions d'utilisation (https://pcmdi.llnl.gov/CMIP6/TermsOfUse/TermsOfUse6-1.html) de l'organisation source.

Description:Cet ensemble de données est constitué de trois simulations du modèle des écosystèmes de l’océan canadien du Pacifique Nord-Est (NEP36-CanOE), à savoir une configuration du NEMO (Nucleus for European Modelling of the Ocean), V3.6. La simulation historique est une estimation du climat moyen pour la période allant de 1986 à 2005. Les simulations futures permettront de projeter le climat moyen pour la période allant de 2046 à 2065 pour des profils représentatifs d’évolution de concentration (RCP) de 4,5 (scénario d’atténuation modérée) et de 8,5 (scénario d’absence d’atténuation). Chaque simulation est forcée par une climatologie de champs de forçage atmosphérique calculée sur ces périodes de 20 ans, et les vents sont augmentés d’une variabilité à haute fréquence, ce qui introduit une petite quantité de variabilité interannuelle. La moyenne des sorties du modèle est calculée sur trois années successives de simulation (les trois dernières, suivant une période d’équilibre); l’écart-type entre les trois années est disponible sur demande. Pour chaque simulation, l’ensemble de données comprend le flux de dioxyde de carbone air-mer, les champs en 3D mensuels pour la température potentielle, la salinité, la densité potentielle, l’alcalinité totale, le carbone inorganique dissous, le nitrate, l’oxygène, le pH, la chlorophylle totale, l’état de saturation de l’aragonite, la production primaire totale, et les valeurs maximales et minimales mensuelles pour l’oxygène, le pH et la température potentielle. Les données comprennent 50 niveaux verticaux à une résolution spatiale de 1/36 degrés, et un masque est fourni pour indiquer les régions où ces données doivent être utilisées avec prudence ou pas du tout. Pour une description plus détaillée, veuillez vous référer à Holdsworth et al. 2021.Les données disponibles ici sont les résultats de l’exécution de NEP36-CanOE_RCP 4,5; une projection du climat pour la période allant de 2046 à 2065 pour le scénario d’atténuation modérée, RCP de 4,5. Méthodes:Cette étude utilise une méthode de réduction d’échelle à plusieurs étapes pour réduire de façon dynamique les projections climatiques globales à une résolution de 1/36° (1,5 − 2,25 km). Nous avons choisi d’utiliser le modèle du système terrestre canadien de deuxième génération (CanESM2), car les projections mises à l’échelle à haute résolution de l’atmosphère dans la région d’intérêt sont accessibles dans la 4e version du modèle régional canadien du climat (CanRCM4). Nous avons utilisé des anomalies de CanESM2 avec une résolution d’environ 1° aux limites ouvertes et le modèle régional atmosphérique, CanRCM4 (Scinocca et al. 2016), pour les conditions de limite de surface. CanRCM4 est un modèle atmosphérique seulement avec une résolution de 0,22°. Il a été utilisé pour la mise à l’échelle des projections climatiques obtenues à l’aide de CanESM2 pour l’Amérique du Nord et les océans qui la bordent.Le modèle utilisé est très coûteux sur le plan informatique en raison du nombre assez élevé de points dans le domaine (715 × 1 021 × 50) et du modèle biogéochimique relativement complexe (19 traceurs). Par conséquent, plutôt que de réaliser des simulations interannuelles pour les périodes historiques et futures, nous avons mis en œuvre une nouvelle méthode qui est fondée sur des données climatologiques de l’atmosphère avec des vents augmentés pour forcer l’océan. Nous démontrons que l’augmentation des vents avec des anomalies horaires offre une représentation plus réaliste de la répartition de l’eau douce que l’utilisation de données climatologiques seulement.La section 2.1 décrit le modèle océanique utilisé pour estimer le climat historique et prévoir l’état océanique selon des scénarios climatiques futurs. Les périodes sont quelque peu arbitraires; celle allant de 1986 à 2005 a été choisie parce que les simulations historiques de la phase 5 du projet d’intercomparaison de modèles couplés (CMIP5) se terminent en 2005, puisqu’aucune estimation des émissions acceptée par la communauté n’était disponible après cette date (Taylor et al. 2009); celle allant de 2046 à 2065 a été choisie parce qu’elle se situait assez loin dans l’avenir pour que les changements dans les champs moyens sur 20 ans soient clairement dus à la modification du forçage des GES (contrairement à la variabilité interne du modèle) (p. ex. Christian 2014), mais dans un horizon suffisamment près pour être considérée comme pertinente aux fins de gestion.Bien qu’il soit vrai qu’une période de 30 ans au lieu de 20 ans représente la valeur canonique permettant le calcul de la moyenne de la variabilité naturelle, en pratique, la différence entre une moyenne de 20 ans et de 30 ans est faible (p. ex. si nous faisons la moyenne de périodes successives d’un passage de contrôle non forcé, l’écart entre les moyennes de 20 ans sera légèrement plus élevé que celles de 30 ans). De plus, on craint que les périodes de calcul plus longues ne conviennent pas dans un climat déréglé (Livezey et al. 2007; Arguez et Vose 2011). Nous avons choisi des périodes de 20 ans parce qu’elles permettent le calcul d’un cycle annuel moyen avec peu d’influence de la variabilité naturelle, tout en réduisant au minimum l’aliénation des variations séculaires dans les moyennes. Puisque les points milieux des deux périodes sont séparés de 60 ans, la contribution de la variabilité naturelle dans les différences entre les simulations historiques et futures est négligeable (Hawkins et Sutton 2009; Frölicher et al. 2016).La section 2.2 décrit comment les données climatologiques découlant des observations ont été utilisées aux fins de l’initialisation et comment les conditions de limites ouvertes ont été utilisées dans le cadre des simulations historiques et de la collecte de données pseudo-climatologiques aux fins des scénarios futurs. La disponibilité limitée des observations signifie que les années utilisées pour ces données climatologiques diffèrent quelque peu des périodes historiques et futures. La section 2.3 décrit en détail les champs de forçage atmosphérique et la méthode que nous avons élaborée pour générer des vents présentant une variabilité de haute fréquence réaliste tout en continuant d’utiliser les moyennes climatologiques quotidiennes des données de CanRCM4. La section 2.4 montre l’équilibrage des principales variables modélisées par rapport aux conditions de forçage.Sources de données :Résultats produits par le modèleIncertitudes :Ces projections climatiques sont ramenées à une plus petite échelle à partir d’un modèle climatique mondial unique (CanESM2/CanESM4), car le coût des ensembles est actuellement prohibitif. Notre conception expérimentale emploie des données de forçage climatologique pour chaque période de sorte que les différences entre elles sont presque entièrement dues au forçage anthropique et la variabilité naturelle a peu d’incidence.

Description:Cet ensemble de données est constitué de trois simulations du modèle des écosystèmes de l’océan canadien du Pacifique Nord-Est (NEP36-CanOE), à savoir une configuration du NEMO (Nucleus for European Modelling of the Ocean), V3.6. La simulation historique est une estimation du climat moyen pour la période allant de 1986 à 2005. Les simulations futures permettront de projeter le climat moyen pour la période allant de 2046 à 2065 pour des profils représentatifs d’évolution de concentration (RCP) de 4,5 (scénario d’atténuation modérée) et de 8,5 (scénario d’absence d’atténuation). Chaque simulation est forcée par une climatologie de champs de forçage atmosphérique calculée sur ces périodes de 20 ans, et les vents sont augmentés d’une variabilité à haute fréquence, ce qui introduit une petite quantité de variabilité interannuelle. La moyenne des sorties du modèle est calculée sur trois années successives de simulation (les trois dernières, suivant une période d’équilibre); l’écart-type entre les trois années est disponible sur demande. Pour chaque simulation, l’ensemble de données comprend le flux de dioxyde de carbone air-mer, les champs en 3D mensuels pour la température potentielle, la salinité, la densité potentielle, l’alcalinité totale, le carbone inorganique dissous, le nitrate, l’oxygène, le pH, la chlorophylle totale, l’état de saturation de l’aragonite, la production primaire totale, et les valeurs maximales et minimales mensuelles pour l’oxygène, le pH et la température potentielle. Les données comprennent 50 niveaux verticaux à une résolution spatiale de 1/36 degrés, et un masque est fourni pour indiquer les régions où ces données doivent être utilisées avec prudence ou pas du tout. Pour une description plus détaillée, veuillez vous référer à Holdsworth et al. 2021. Les données disponibles ici sont les résultats de l’exécution de NEP36-CanOE_RCP 8,5; une projection du climat pour la période allant de 2046 à 2065 pour le scénario sans atténuation, RCP de 8,5.Méthodes :Cette étude utilise une méthode de réduction d’échelle à plusieurs étapes pour réduire de façon dynamique les projections climatiques globales à une résolution de 1/36° (1,5 − 2,25 km). Nous avons choisi d’utiliser le modèle du système terrestre canadien de deuxième génération (CanESM2), car les projections mises à l’échelle à haute résolution de l’atmosphère dans la région d’intérêt sont accessibles dans la 4e version du modèle régional canadien du climat (CanRCM4). Nous avons utilisé des anomalies de CanESM2 avec une résolution d’environ 1° aux limites ouvertes et le modèle régional atmosphérique, CanRCM4 (Scinocca et al. 2016), pour les conditions de limite de surface. CanRCM4 est un modèle atmosphérique seulement avec une résolution de 0,22°. Il a été utilisé pour la mise à l’échelle des projections climatiques obtenues à l’aide de CanESM2 pour l’Amérique du Nord et les océans qui la bordent.Le modèle utilisé est très coûteux sur le plan informatique en raison du nombre assez élevé de points dans le domaine (715 × 1 021 × 50) et du modèle biogéochimique relativement complexe (19 traceurs). Par conséquent, plutôt que de réaliser des simulations interannuelles pour les périodes historiques et futures, nous avons mis en œuvre une nouvelle méthode qui est fondée sur des données climatologiques de l’atmosphère avec des vents augmentés pour forcer l’océan. Nous démontrons que l’augmentation des vents avec des anomalies horaires offre une représentation plus réaliste de la répartition de l’eau douce que l’utilisation de données climatologiques seulement.La section 2.1 décrit le modèle océanique utilisé pour estimer le climat historique et prévoir l’état océanique selon des scénarios climatiques futurs. Les périodes sont quelque peu arbitraires; celle allant de 1986 à 2005 a été choisie parce que les simulations historiques de la phase 5 du projet d’intercomparaison de modèles couplés (CMIP5) se terminent en 2005, puisqu’aucune estimation des émissions acceptée par la communauté n’était disponible après cette date (Taylor et al. 2009); celle allant de 2046 à 2065 a été choisie parce qu’elle se situait assez loin dans l’avenir pour que les changements dans les champs moyens sur 20 ans soient clairement dus à la modification du forçage des GES (contrairement à la variabilité interne du modèle) (p. ex. Christian 2014), mais dans un horizon suffisamment près pour être considérée comme pertinente aux fins de gestion.Bien qu’il soit vrai qu’une période de 30 ans au lieu de 20 ans représente la valeur canonique permettant le calcul de la moyenne de la variabilité naturelle, en pratique, la différence entre une moyenne de 20 ans et de 30 ans est faible (p. ex. si nous faisons la moyenne de périodes successives d’un passage de contrôle non forcé, l’écart entre les moyennes de 20 ans sera légèrement plus élevé que celles de 30 ans). De plus, on craint que les périodes de calcul plus longues ne conviennent pas dans un climat déréglé (Livezey et al. 2007; Arguez et Vose 2011). Nous avons choisi des périodes de 20 ans parce qu’elles permettent le calcul d’un cycle annuel moyen avec peu d’influence de la variabilité naturelle, tout en réduisant au minimum l’aliénation des variations séculaires dans les moyennes. Puisque les points milieux des deux périodes sont séparés de 60 ans, la contribution de la variabilité naturelle dans les différences entre les simulations historiques et futures est négligeable (Hawkins et Sutton 2009; Frölicher et al. 2016).La section 2.2 décrit comment les données climatologiques découlant des observations ont été utilisées aux fins de l’initialisation et comment les conditions de limites ouvertes ont été utilisées dans le cadre des simulations historiques et de la collecte de données pseudo-climatologiques aux fins des scénarios futurs. La disponibilité limitée des observations signifie que les années utilisées pour ces données climatologiques diffèrent quelque peu des périodes historiques et futures. La section 2.3 décrit en détail les champs de forçage atmosphérique et la méthode que nous avons élaborée pour générer des vents présentant une variabilité de haute fréquence réaliste tout en continuant d’utiliser les moyennes climatologiques quotidiennes des données de CanRCM4. La section 2.4 montre l’équilibrage des principales variables modélisées par rapport aux conditions de forçage.Sources de données:Résultats produits par le modèleIncertitudes:Ces projections climatiques sont ramenées à une plus petite échelle à partir d’un modèle climatique mondial unique (CanESM2/CanESM4), car le coût des ensembles est actuellement prohibitif. Notre conception expérimentale emploie des données de forçage climatologique pour chaque période de sorte que les différences entre elles sont presque entièrement dues au forçage anthropique et la variabilité naturelle a peu d’incidence.

Des ensembles multimodèles pour une série de variables basées sur les projections des modèles climatiques mondiaux (MCM) de la phase 6 du Projet d’intercomparaison des modèles couplés (CMIP6) sont disponibles pour 1850 à 2100 sur une grille mondiale commune de 1 x 1 degré.Les projections climatiques varient entre les MCM en raison des différences dans la représentation et l’approximation des systèmes et des processus terrestres, ainsi que de la variabilité naturelle et de l’incertitude concernant les futurs facteurs climatiques. Ainsi, aucun modèle climatique n’est meilleur que les autres. À la place, l’utilisation des résultats d’un ensemble de modèles (p. ex. en utilisant la moyenne) constitue une pratique exemplaire puisqu’un ensemble tient compte de l’incertitude dans les projections des modèles et offre des projections climatiques plus fiables.Le site Données et scénarios climatiques canadiens (DSCC) offre quatre types de produits basés sur les ensembles multimodèles du CMIP6 : des ensembles de données et des graphiques de séries chronologiques, des cartes et des ensembles de données connexes, des ensembles de données tabulaires et des ensembles de données maillées à l’échelle mondiale. Des ensembles mensuels, saisonniers et annuels sont disponibles pour un maximum de six profils socioéconomiques partagés (SSP) [SSP1 1.9, SSP1 2.6, SSP2 4.5, SSP3 7.0, SSP4 6.0 et SSP5 8. 5], quatre périodes futures (court terme [2021-2040], moyen terme [2041-2060 et 2061-2080], fin du siècle [2081-2100]) et un maximum de cinq percentiles (5e, 25e, 50e [médiane], 75e et 95e) de la distribution de l’ensemble du CMIP6.Le nombre de modèles dans chaque ensemble diffère selon la disponibilité des modèles pour chaque SSP et variable; consultez la liste des modèles pour plus de détails sur les modèles inclus dans chaque ensemble. La majorité des produits indiquent les changements prévus sous forme d’anomalies selon une période de référence historique (1995 à 2014). Les produits fournis comprennent des ensembles de données et des graphiques à l’échelle mondiale, nationale, provinciale et territoriale. Pour de plus amples renseignements sur les ensembles multimodèles du CMIP6, veuillez consulter la documentation technique.

Description:Cet ensemble de données est constitué de trois simulations du modèle des écosystèmes de l’océan canadien du Pacifique Nord-Est (NEP36-CanOE), à savoir une configuration du NEMO (Nucleus for European Modelling of the Ocean), V3.6. La simulation historique est une estimation du climat moyen pour la période allant de 1986 à 2005. Les simulations futures permettront de projeter le climat moyen pour la période allant de 2046 à 2065 pour des profils représentatifs d’évolution de concentration (RCP) de 4,5 (scénario d’atténuation modérée) et de 8,5 (scénario d’absence d’atténuation). Chaque simulation est forcée par une climatologie de champs de forçage atmosphérique calculée sur ces périodes de 20 ans, et les vents sont augmentés d’une variabilité à haute fréquence, ce qui introduit une petite quantité de variabilité interannuelle. La moyenne des sorties du modèle est calculée sur trois années successives de simulation (les trois dernières, suivant une période d’équilibre); l’écart-type entre les trois années est disponible sur demande. Pour chaque simulation, l’ensemble de données comprend le flux de dioxyde de carbone air-mer, les champs en 3D mensuels pour la température potentielle, la salinité, la densité potentielle, l’alcalinité totale, le carbone inorganique dissous, le nitrate, l’oxygène, le pH, la chlorophylle totale, l’état de saturation de l’aragonite, la production primaire totale, et les valeurs maximales et minimales mensuelles pour l’oxygène, le pH et la température potentielle. Les données comprennent 50 niveaux verticaux à une résolution spatiale de 1/36 degrés, et un masque est fourni pour indiquer les régions où ces données doivent être utilisées avec prudence ou pas du tout. Pour une description plus détaillée, veuillez vous référer à Holdsworth et al. 2021.Méthodes:Cette étude utilise une méthode de réduction d’échelle à plusieurs étapes pour réduire de façon dynamique les projections climatiques globales à une résolution de 1/36° (1,5 − 2,25 km). Nous avons choisi d’utiliser le modèle du système terrestre canadien de deuxième génération (CanESM2), car les projections mises à l’échelle à haute résolution de l’atmosphère dans la région d’intérêt sont accessibles dans la 4e version du modèle régional canadien du climat (CanRCM4). Nous avons utilisé des anomalies de CanESM2 avec une résolution d’environ 1° aux limites ouvertes et le modèle régional atmosphérique, CanRCM4 (Scinocca et al. 2016), pour les conditions de limite de surface. CanRCM4 est un modèle atmosphérique seulement avec une résolution de 0,22°. Il a été utilisé pour la mise à l’échelle des projections climatiques obtenues à l’aide de CanESM2 pour l’Amérique du Nord et les océans qui la bordent.Le modèle utilisé est très coûteux sur le plan informatique en raison du nombre assez élevé de points dans le domaine (715 × 1 021 × 50) et du modèle biogéochimique relativement complexe (19 traceurs). Par conséquent, plutôt que de réaliser des simulations interannuelles pour les périodes historiques et futures, nous avons mis en œuvre une nouvelle méthode qui est fondée sur des données climatologiques de l’atmosphère avec des vents augmentés pour forcer l’océan. Nous démontrons que l’augmentation des vents avec des anomalies horaires offre une représentation plus réaliste de la répartition de l’eau douce que l’utilisation de données climatologiques seulement.La section 2.1 décrit le modèle océanique utilisé pour estimer le climat historique et prévoir l’état océanique selon des scénarios climatiques futurs. Les périodes sont quelque peu arbitraires; celle allant de 1986 à 2005 a été choisie parce que les simulations historiques de la phase 5 du projet d’intercomparaison de modèles couplés (CMIP5) se terminent en 2005, puisqu’aucune estimation des émissions acceptée par la communauté n’était disponible après cette date (Taylor et al. 2009); celle allant de 2046 à 2065 a été choisie parce qu’elle se situait assez loin dans l’avenir pour que les changements dans les champs moyens sur 20 ans soient clairement dus à la modification du forçage des GES (contrairement à la variabilité interne du modèle) (p. ex. Christian 2014), mais dans un horizon suffisamment près pour être considérée comme pertinente aux fins de gestion.Bien qu’il soit vrai qu’une période de 30 ans au lieu de 20 ans représente la valeur canonique permettant le calcul de la moyenne de la variabilité naturelle, en pratique, la différence entre une moyenne de 20 ans et de 30 ans est faible (p. ex. si nous faisons la moyenne de périodes successives d’un passage de contrôle non forcé, l’écart entre les moyennes de 20 ans sera légèrement plus élevé que celles de 30 ans). De plus, on craint que les périodes de calcul plus longues ne conviennent pas dans un climat déréglé (Livezey et al. 2007; Arguez et Vose 2011). Nous avons choisi des périodes de 20 ans parce qu’elles permettent le calcul d’un cycle annuel moyen avec peu d’influence de la variabilité naturelle, tout en réduisant au minimum l’aliénation des variations séculaires dans les moyennes. Puisque les points milieux des deux périodes sont séparés de 60 ans, la contribution de la variabilité naturelle dans les différences entre les simulations historiques et futures est négligeable (Hawkins et Sutton 2009; Frölicher et al. 2016).La section 2.2 décrit comment les données climatologiques découlant des observations ont été utilisées aux fins de l’initialisation et comment les conditions de limites ouvertes ont été utilisées dans le cadre des simulations historiques et de la collecte de données pseudo-climatologiques aux fins des scénarios futurs. La disponibilité limitée des observations signifie que les années utilisées pour ces données climatologiques diffèrent quelque peu des périodes historiques et futures. La section 2.3 décrit en détail les champs de forçage atmosphérique et la méthode que nous avons élaborée pour générer des vents présentant une variabilité de haute fréquence réaliste tout en continuant d’utiliser les moyennes climatologiques quotidiennes des données de CanRCM4. La section 2.4 montre l’équilibrage des principales variables modélisées par rapport aux conditions de forçage.Sources de donnéesRésultats produits par le modèleIncertitudes:Les données climatologiques historiques ont été évaluées à l’aide de données climatologiques observationnelles générées à partir de stations ayant une longue série chronologique de données s’étalant sur la période visée, ce qui comprend des données sur la conductivité, la température et la profondeur (CTP) et sur les profils de nutriments, des données provenant des phares et des bouées, ainsi que des données satellitaires sur la température de la surface de la mer. Le modèle représente les conditions historiques avec un biais acceptable. La résolution de ce modèle est insuffisante pour représenter les détroits et les canaux étroits de la région, alors l’ensemble de données comprend un masque de précaution qui les exclut.

Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**