2 Les données de base des analyses

2.1 Les séries de température

Généralement, les températures publiées ne sont pas absolues, mais des anomalies de température égales à la différence entre la température absolue et une température moyenne sur une période généralement de 30 ans, préconisée par le WMO (World Meteo Organisation). Tous les 30 ans, les bornes de la période mobile sont adaptées : 1930 - 1960, puis 1960 - 1990, puis 1990 - 2020, etc. Les anomalies de température globale au niveau de la planète sont les moyennes des anomalies locales.

Le site de climate4you offre une bonne discussion des différentes séries de températures (Cliquez sur le bouton “Global Temperature”) .

On y relève par exemple une bonne explication des ajustements subis par les séries de température dont quelques unes sont montrées à la figure Figure 2.1.

Figure 2.1: Comparaison de quelques séries mensuelles de température. Les séries uah6 et hadsst3 n’ont pas subi de remaniement majeur. Ce n’est pas le cas des autres séries. Les droites de tendance des séries uah6, hadcrut3 (série interrompue, prédécesseur de hadcrut4) sont parallèles. La pente de la droite de tendance de la série rss est particulièrement forte, faisant suspecter une ‘homogénéisation’ particulièrement appuyée. En abscisse, l’année calendaire, et en ordonnée, l’anomalie de température (°C). Voir ici

La série rss avant “homogénéisation” n’est pas disponible sur le site de Wood for Trees, mais une comparaison des 2 versions est reprise dans un rapport pdf de septembre 2020 sur le site de climate4you. Voir Figure 2.2.

Figure 2.2: Comparaison de la série rss avant ‘homogénéisation’ (en rouge), et après (en bleu). L’ancienne série montrait une stabilisation des températures entre 1998 et 2015, incompatible avec le modèle du GIEC.

Les températures relevées par les stations terrestres sont affectées par un effet « d’îlot urbain de chaleur » qui peut être assez important. Dans les séries temporelles non satellitaires, ces relevés terrestres interviennent pour environ 30%.

Dans une étude qui date de 2009, l’IRM estime par exemple que dans la période de 1960 à 1999, 45% de l’élévation de la température moyenne à Bruxelles doit être imputée à l’effet d’îlot urbain de chaleur plutôt qu’à un changement dans le climat local-régional (Hamdi et al. 2009).

Par ailleurs, des effets saisonniers, des phénomènes météos (modification de la couverture nuageuse) ou des phénomènes de courte durée (éruptions volcaniques) peuvent venir perturber les températures « terrestres » beaucoup plus fortement que les températures « océaniques » ; ceci résulte également des différences de capacité thermique existant entre les océans et l’atmosphère.

C’est pour éviter ce genre d’interactions que les séries de températures océaniques (« Hadsst3 data ») (anomalies de températures) et (« Hadisst data ») (températures absolues) ont été retenues dans la présente analyse; celle-ci se focalise donc sur les flux de chaleur radiatifs émis par le soleil, leur absorption par les couches superficielles des océans et les échanges de chaleur (et de matière) océan-atmosphère.

Il convient cependant de savoir que les données les plus anciennes de ces séries proviennent de prélèvements d’eau de surface effectués à partir de navires, forcément uniquement le long des routes commerciales (ce qui pose un problème de représentativité). Plus récemment, cette base de données a été également alimentée par des mesures provenant du réseau de bouées Argo, ce qui a amélioré sa couverture géographique et donc sa représentativité.

Les océans jouent un rôle très important dans la régulation du climat, par leur capacité de stockage de chaleur beaucoup plus importante que celle de l’atmosphère.

2.2 Les taches solaires

La mesure du nombre de taches solaires est une façon simple d’estimer l’activité solaire. Les premières mesures effectuées remontent à 1750. Le nombre de taches solaires passe par un minimum environ tous les 11 ans.

Voir Figure 2.3 et Figure 2.4.

Figure 2.3: Le nombre mensuel de taches solaires et leur moyenne mobile sur une période de 110 ans. Bien que la base des cycles soit constante puisque à chaque cycle le nombre de taches solaires tombe à zéro, le nombre moyen des taches sur une longue période (110 ans dans l’exemple) est en hausse depuis 1900. C’est beaucoup plus clair en zoomant le graphique. Voir Figure 2.4. En abscisse, l’année calendaire et en ordonnée, le nombre de taches solaires. Voir (« Sunspots data »)

2.3 L’irradiance totale solaire

L’irradiance totale solaire (ITS) est une mesure plus précise de l’activité solaire. L’ITS représente la puissance du rayonnement solaire par unité de surface (W/m2). Elle est mesurée par satellite depuis quelques décennies. La mesure est compliquée. La durée de vie des satellites est limitée, et il y a des problèmes de calibration s’il n’y a pas une période de chevauchement. Cela n’a pas toujours été le cas.

L’ITS peut également être reconstituée par la mesure de marqueurs (¹⁰Be et ¹⁴C) qui sont corrélés avec le rayonnement solaire. Sur le site du lisird on peut trouver deux reconstructions historiques du rayonnement solaire qui remontent jusqu’en 1610 :

la reconstruction “historical”
la reconstruction “nrl2”

Voir Figure 2.5.

Figure 2.5: Comparaison de 2 reconstructions historiques de l’irradiance totale solaire en W/m2 (ITS). En vert, la série ‘hist’ et en pointillé vert, sa moyenne sur une période mobile de 110 ans. En bleu, la série ‘nrl2’ et en pointillé bleu, sa moyenne sur une période mobile de 110 ans. Les 2 séries ont tendance à se rejoindre dans les dernières décennies. Dans les deux cas la tendance est à la hausse depuis la sortie du petit âge glaciaire. La série nrl2 est plus régulière. En abscisse, l’année calendaire, et en ordonnée l’ITS. Voir (« LISIRD historical TSI data ») et (« LISIRD nrl2 TSI data »)

Ces données sont des moyennes annuelles.

Le centre LISIRD de l’Université du Colorado considère que ses reconstructions de l’ITS sont les plus réalistes pour les 400 dernières années.

2.4 La concentration de CO₂ atmosphérique

La concentration de CO₂ atmosphérique présente une énorme hétérogénéité que révèlent les observations par satellite. Cette vidéo la reflète parfaitement. On ne la retrouve pas dans les relevés terrestres qui présentent une homogénéité étonnante. Voir Figure 2.6.

Le CO₂ n’est mesuré avec précision que depuis 1960 dans quelques stations dont la plus connue est celle de Mauna Loa située à Hawaï. Le relevé de Mauna Loa se trouve à cette adresse (« CO\(_2\) Mauna Loa data »). Voir Figure 2.6. C’est cette série qui a été retenue dans cette étude. Il s’agit de concentrations atmosphériques, donc d’émissions – absorptions cumulées. Les données sont des moyennes mensuelles.

Figure 2.6: La concentration en CO₂ atmosphérique relevée à Mauna Loa. En dehors d’une variation saisonnière très marquée, la concentration en CO₂ atmosphérique est en croissance constante depuis le début des mesures.

2.4.1 Les modèles du GIEC confrontés aux résultats expérimentaux

Figure 2.7: La concentration de CO₂ atmosphérique. Avant 1960, les reconstructions de (Beck 2007) et du GIEC. Le relevé de Mauna Loa entre 1960 et aujourd’hui. Les différents scénarios du GIEC pour le futur (RCP85, RCP6, RCP45 et RCP26). En bas, la concentration en CO₂ en ppm, et en haut son logarithme.

Dans le scénario RCP85, le GIEC fait une projection apocalyptique des concentrations atmosphériques de CO₂. Certains se demandent même, après un rapide calcul, s’il y a assez de combustibles fossiles sur Terre pour y arriver.

Ernst-Georg Beck a compilé, pour sa part, 90.000 mesures historiques de CO₂ réparties de façon non uniforme sur toute la surface du globe terrestre. (Beck 2007). Il considère que la reconstruction du GIEC est scandaleuse. Voir Figure 2.8.

Figure 2.8: En bleu, la compilation par Beck de milliers de mesures de CO₂ par titrage chimique. En rouge, les valeurs retenues par le GIEC. Beck considère que les données prises en compte par le GIEC sont une fable destinée à nous convaincre que le CO₂ atmosphérique est le résultat de l’activité industrielle.

Beck affirme que ses résultats montrent que la concentration de CO₂ suit la courbe des températures avec un décalage de 5 ans.

Ceci implique que le CO₂ dépend de la température, et pas l’inverse. Si le soleil rentre dans une phase de grand minimum solaire et que les températures diminuent, on pourrait observer un fléchissement ou une diminution du taux de CO₂, même si la production anthropique de CO₂ continue à augmenter. Ce serait tout à fait incompatible avec les thèses du GIEC.

Par ailleurs les mesures faites sur les carottes glaciaires de Vostök (Petit et al. 1999) montrent que sur plusieurs centaines de milliers d’années, la courbe du CO₂ suit à peu près celle de la température, mais avec un décalage d’environ 800 ans, qui ne peut être décelé dans les données discutées précédemment, la fenêtre de mesure que nous prenons en compte qui n’excède pas deux à trois siècles, étant beaucoup trop courte. Il est en effet de bonne pratique en analyse de signaux de ne pas chercher à identifier des cycles dont la période excède un cinquième de la fenêtre de mesure, afin d’éviter les « effets de bord » qui faussent les algorithmes de recherche de périodicité (FFT pour Fast Fourier Transform)

Certains auteurs pensent que cette autre constante de temps serait liée à l’effet d’accumulation-restitution de chaleur par les couches plus profondes des océans.

Dans (Jaworowski 2007), l’auteur a violemment protesté contre l’évolution du CO₂ selon le GIEC, en expliquant notamment comment le relevé du CO₂ des carottes glaciaires a été raccordé aux mesures plus récentes du CO₂ atmosphérique à Mauna Loa. Voir Figure 2.9.

Figure 2.9: Une procédure bizarre de raccorder les courbes en rajeunissant le passé de 83 ans: Figure 4 dans (Jaworowski 2007)

Bien que largement accepté, le concept de concentrations de CO₂ stables au cours des 11500 dernières années n’est pas supporté par la majorité des estimations de CO₂ basées sur les fréquences stomatiques (Wagner et al. 2004).

Le refroidissement d’il y a 8200 ans ne se remarque pas dans les concentrations de CO₂ déduites des glaces antarctiques mais apparaît très clairement dans celles déduites des stomates des feuilles fossiles. Voir figure 2 dans (Wagner, Aaby, et Visscher 2002). Cette dernière référence a fait l’objet d’un article (Préat 2019) sur science-climat-energie.

D’après les analyses des fréquences stomatiques au cours du dernier millénaire, le CO₂ atmosphérique présente des fluctuations bien plus importantes que ce que l’on déduit des carottes glaciaires. Ces fluctuations sont apparement synchrones avec les changements de température de surface dans l’océan Atlantique Nord (Kouwenberg et al. 2005).

Dans cette intéressante video sur YouTube Carbon Dioxide and Climate Cycles, le professeur David Dilley explique pourquoi le CO₂ déduit des carottes glaciaires n’est qu’une moyenne partielle des fluctuations que l’on peut déduire des stomates, et que ces fluctuations sont fortement corrélées à une reconstruction des températures. Il montre qu’il y a eu 6 phases chaudes au cours des 1200 dernières années avec des pics correspondants de CO₂, et que l’augmentation du CO₂ depuis l’époque préindustrielle est naturelle à 80%. Cette fraction est très proche des 75% que l’on peut déduire d’un calculateur en ligne de la pCO₂, basé sur la chimie carbonatée de l’eau de mer (« Calculate ocean pCO2 », s. d.). Ce calculateur a été étudié à la Section 6.2.

2.4.2 L’effet de serre atmosphérique

L’expression de gaz à effet de serre est particulièrement mal choisie. Tout le monde pense la comprendre parce qu’il est bien connu qu’il fait plus chaud dans une serre qu’à l’extérieur. Mais ce n’est pas le même mécanisme qui entre en jeu. La réalité est bien plus complexe.

Dans cet article (Geuskens 2019), le Professeur Geuskens l’explique très bien. Voici ses conclusions:

1. L’effet de serre, qui résulterait de la désactivation radiative (fluorescence) de molécules ayant absorbé une fraction du rayonnement thermique de la Terre, ne peut exister au niveau des basses couches atmosphériques.

2. Au niveau des basses couches atmosphériques, les molécules ayant absorbé une fraction du rayonnement thermique de la Terre se désactivent par collisions avec les molécules environnantes principalement N₂ et O₂.

3. La conversion d’énergie de vibration des molécules de CO₂ en énergie de translation des molécules environnantes ne modifie pas le bilan énergétique global de la Terre.

4. Le CO₂ ne peut contribuer en aucune manière à un réchauffement ni de la surface terrestre ni des basses couches atmosphériques.

5. La théorie du réchauffement climatique d’origine anthropique basée sur l’existence d’un effet de serre n’a aucune justification ni théorique ni expérimentale.

Dans cet article très détaillé, (Gerlich et Tscheuschner 2009) il est montré qu’il ne peut y avoir d’effet de serre radiatif, et que cette expression est utilisée à mauvais escient.

Dans le présent travail, un modèle alternatif à celui d’effet de serre atmosphérique est proposé et analysé.

2.5 Fonctions d’auto-corrélation

La fonction d’auto-corrélation est définie par la formule

\[\rho(\tau)=\frac{1}{n-\tau} \sum_{i=1}^{n-\tau} x_i * x_{i+\tau}\]

Cette fonction permet d’identifier

une dérive éventuelle de la série temporelle (ligne de base non horizontale)
le niveau de bruit affectant une série temporelle données, (pic initial – pics périodiques ultérieurs éventuels)/ pics périodiques ultérieurs éventuels),
sa « mémoire » (constante de temps mesurée par la tangente à l’origine)
ses périodicités éventuelles.

2.5.1 Séries de température

En plus de la série (« Hadsst3 data ») (océans uniquement), les séries (« Crutem4 data ») (terres uniquement) et (« Hadcrut4 data ») (terres et océans) ont également été prises en considération.

Voir figures Figure 2.10 et Figure 2.11.

Les séries temporelles de température ont la même allure, révélant une dérive de la ligne de base (signifiant que la température a évolué en fonction du temps). La série hadsst3 « océanique » a une constante de temps (pente à l’origine) plus longue que la série crutem4 « terrestre ». La série crutem4 présente des périodicités saisonnières plus marquées que hadsst3. Ces deux constatations traduisant la plus grande inertie thermique des océans. La série hadcrut4 étant une somme pondérée des deux précédentes, traduit une allure intermédiaire. La série hadsst3 révèle une pseudo-périodicité d’environ 10 ans et une autre d’environ 18 ans. La première est comparable à une périodicité solaire bien connue ; la seconde correspond à l’année lunaire.

Les pics de la fonction d’auto-corrélation sont étalés car les cycles ne sont pas parfaitement périodiques et leur amplitude varie (comme le révèle l’examen des séries temporelles). Ces caractéristiques (modulation d’amplitude et de fréquence) sont souvent observées dans des systèmes légèrement chaotiques (au sens mathématique du terme).

Figure 2.10: L’auto-corrélogramme des trois séries présente une pente traduisant une tendance. La série crutem4 (en brun) relative exclusivement aux mesures terrestres, présente le moins d’auto-corrélation et une variation saisonnière la plus marquée. La série hadsst3 (en bleu, relative uniquement aux températures océaniques de surface) a le plus d’auto-corrélation et pas de variation saisonnière. Ce qui illustre le rôle de filtre passe-bas de l’activité solaire joué par les océans. La série hadcrut4 (en rouge), intégrant les deux précédentes, se situe logiquement entre les deux. Elle pondère les données selon leur « surface de contrôle » (le lieu des points plus proches d’un point de mesure que de tout autre, et calculé selon un algorithme de Voronoï ou équivalent). Les données océaniques ont donc un poids de 70% (la fraction de surface terrestre couverte par les océans), et les données terrestres un poids de 30%. La courbe hadcrut4 est donc plus proche et plus semblable de celle de hadsst3 que de crutem4.

Figure 2.11: Le pic annuel est bien visible dans la série crutem4 (à gauche). Il est peu marqué dans la série hadcrut4 (au centre). Il est quasiment indiscernable dans la série hadsst3 (à droite).

2.5.2 Séries d’activité solaire

Figure 2.12: Auto-corrélogrammes des taches solaires (sunspots), de l’ITS historical (histTsi) et de l’ITS nrl2 (nrl2Tsi)

2.5.3 Série du CO₂ de Mauna Loa

Figure 2.13: Auto-corrélogrammes du CO₂ relevé à Mauna Loa et de son logarithme

2.6 Examen des relations entre les données de base

2.6.1 Matrices de corrélations

Il est important de ne pas confondre corrélation et causalité. Si deux variables x et y sont corrélées, x peut être la cause de y et/ou y peut être la cause de x, mais il se peut aussi que la relation entre elles soit plus compliquée qu’une causalité simple, ou qu’il n’y ait aucune relation de causalité entre elles.

Un moyen très efficace d’évaluer les relations entre des séries est de calculer la corrélation et de tracer le graphe pour chaque paire de séries possible. On obtient une très bonne vue d’ensemble en présentant les résultats sous la forme d’une grille dont la diagonale reprend la densité de la distribution des séries, la partie supérieure droite reprenant les corrélations de chaque paire, et la partie inférieure gauche affichant le graphique de chaque paire.

Cette opération a été effectuée pour la température océanique (hadsst3), les taches solaires (sunspots), l’ITS historical (histTsi), l’ITS nrl2 (nrl2Tsi), et le logarithme du CO₂ (logCO2). Voir Section 2.6.1.1.

La même analyse a été effectuée avec les activités solaires moyennées sur une période mobile de 110 ans (sunspotsAvg, histTsiAvg, nrl2TsiAvg). Voir Section 2.6.1.2.

2.6.1.1 Relations entre hadsst3, sunspots, histTsi, nrl2Tsi et logCO2

Figure 2.14: La corrélation sunspots - histTsi est plus grande que la corrélation sunspots – nrl2Tsi. La série histTsi ressemble plus à la série sunspots que ne le fait la série nrl2Tsi. Il n’y a pas de corrélation significative entre la série hadsst3 et les séries d’activité solaire non moyennées. La corrélation hadsst3 – logCO2 est significative. Comme le GIEC, on pourrait en conclure que l’effet de serre radiatif du CO₂ a un impact majeur sur la température, et que l’activité solaire ne joue quasiment aucun rôle dans le climat. Mais pour cela, il faut ignorer que l’effet de serre radiatif du CO₂ n’a jamais été prouvé expérimentalement (en fait, il n’existe que dans les modèles informatiques du GIEC). Il faut également considérer que l’augmentation du CO₂ qui découle de l’augmentation de la température par le biais de l’équilibre de Henry – van ’t Hoff est dérisoire. Et enfin, il faut gommer l’historique des phases chaudes et froides du passé qui se sont produites en l’absence d’émissions anthropiques de CO₂ et qui sont attestées par d’innombrables études. Il doit y avoir un mécanisme amplificateur de l’activité solaire pour expliquer les variations de température du passé. La recherche d’un tel mécanisme n’intéresse pas le GIEC. Ce serait contraire à ses statuts. En reprenant une nouvelle courbe en forme de crosse de hockey dans son dernier résumé pour les décideurs, le GIEC préfère réécrire les données historiques, plutôt que d’adapter ses théories.

2.6.1.2 Relations entre hadsst3, sunspotsAvg, histTsiAvg, nrl2TsiAvg et logCO2

Figure 2.15: En travaillant avec les activités solaires moyennées sur une longue période (110 ans dans le cas présent), la situation change complètement. Il y a une corrélation significative entre la température océanique (hadsst3) et l’activité solaire, quelle qu’elle soit. La corrélation la plus significative correspond à la combinaison hadsst3 – nrl2TsiAvg. La corrélation hadsst3 – logCO2 est significative. C’est la même que celle de la Fig. 18 Il y a également une corrélation très forte entre nrl2TsiAvg et logCO2. Les séries nrl2TsiAvg et logCO2 sont les meilleures candidates pour expliquer la température de surface océanique hadsst3.

2.6.2 Analyses de causalité statistique

2.6.2.1 Principes

La fonction de corrélation mesure la dépendance linéaire entre deux séries temporelles X et Y, mais, étant une fonction symétrique, elle ne donne aucune indication concernant laquelle de ces deux séries est une cause de l’autre, ou en d’autres termes, laquelle transfère de l’information vers l’autre. Une chose est certaine, une cause doit toujours précéder, ou à tout le moins être synchrone avec l’effet. Lorsque les deux séries temporelles sont stationnaires (ne présentent pas de tendance en fonction du temps), et qu’elles présentent une dépendance linéaire, la causalité de Granger est la méthode couramment utilisée. Cette méthode repose sur l’idée qu’une variable est la cause d’une autre, si la première des deux contient de l’information améliorant la prédictibilité de l’autre. Le principe de la méthode consiste à prédire Y en se basant sur son histoire propre (ses données antérieures), puis de prédire Y en utilisant à la fois l’histoire de Y et de X, et de comparer ensuite les différences d’ajustement aux données entre ces deux situations, afin de voir si la prise en compte de X améliore la prédiction de Y. En termes mathématiques, l’exercice consiste à mesurer l’erreur d’ajustement \(\mathbf{\mu_t}\) associé à la régression linéaire multiple :

\[ Y_t=\alpha _0+\alpha _1Y_{t-1}+\alpha _2Y_{t-2}+...+\alpha _jY_{t-j}+\beta _1X_{t-1}+\beta _2X_{t-2}+...+\beta_j X_{t-j}+\mu _t \tag{2.1}\]

Où

\(Y_i\) et \(X_i\) sont respectivement les valeurs des séries temporelles Y et X à l’instant i
\(\alpha_i\) et \(\beta_i\) sont les coefficients de la régression multiple
t est le temps
j est le nombre de données du passé utilisées pour effectuer l’ajustement.

On compare ensuite \(\mu_t\) à \(\epsilon_t\) , l’erreur d’ ajustement de la régression multiple employant uniquement l’histoire de Y, soit :

\[ Y_t=\alpha _0+\alpha _1Y_{t-1}+\alpha _2Y_{t-2}+...+\alpha _jY_{t-j}+\epsilon _t \tag{2.2}\]

Afin de vérifier la signification statistique du résultat, on teste alors l’hypothèse que les coefficients de X dans l’équation Équation 2.1 sont tous nuls. A cet effet, on utilise le test de Fisher :

\[ F=\frac{(SSE_r-SSE_u)/m}{(SSE_u)/(n-k)} \tag{2.3}\]

Où:

m est le nombre de restrictions. Dans le cas présent, il s’agit du nombre de coefficients \(\beta\) ignorés dans l’ équation de régression Équation 2.2 (et donc aussi le nombre de valeurs de X du passé prises en compte pour établir l’équation de régression Équation 2.1)
n est le nombre d’observations historiques prises en compte.
k est le nombre total de paramètres estimés dans le modèle complet Équation 2.1 (constante inclue)
SSE_r et SSE_u étant respectivement la somme des carrés des écarts pour le modèle incomplet Équation 2.2 et le modèle complet Équation 2.1

Ce faisant, on teste l’hypothèse :

H0: ∀i ∈ {1, . . . , p}, β_i = 0,
H1: ∃i ∈ {1, . . . , p}, β_i ≠ 0 (au moins un des β_i est différent de zéro).

H0 est l’hypothèse que X ne cause pas Y.
La grandeur F de l’ Équation 2.3 suit une distribution de Fisher avec (p, n − 2p − 1) degrés de liberté. Des extensions existent pour traiter les systèmes non linéaires, en utilisant des réseaux neuronaux (méthode VARNN) ; une autre approche consiste à utiliser l’entropie de transfert, basée sur la théorie de l’information, et mesurant le flux d’information de X vers Y (Hmamouche 2020).

D’autres méthodes encore permettent de retrouver les liens de causalité dans des systèmes complexes, à condition que ceux-ci ne présentent pas de boucles de rétroaction (Pearl 2009).

Le présent travail s’est limité à traiter le cas linéaire de la causalité de Granger.

2.6.2.2 Résultats des tests de Granger

La causalité a été testée entre la série hadsst3 et toutes les séries mentionnées à la Section 2.6.1.1 et à la Section 2.6.1.2. La période couverte s’étend de 1850 à nos jours. Toutes les séries ont fait l’objet d’un « detrend » polynomial pour les rendre stationnaires. Un test complémentaire hadsst3_det – logCO2_det a été effectué avec la série du CO₂ de Mauna Loa qui est plus précise et qui intègre la variation saisonnière, mais ne remonte que jusqu’en 1958. Voir Table 2.1

Table 2.1: Synthèse des tests de Granger
Start year	Source	Destination	crit	lags	p.value
sunspots
1850	sunspots_det	hadsst3_det	AIC	20	0.1997184
1850	hadsst3_det	sunspots_det	AIC	20	0.2371489
sunspots average
1850	sunspotsAvg_det	hadsst3_det	AIC	19	0.0000021
1850	hadsst3_det	sunspotsAvg_det	AIC	19	0.3087230
histTsi
1850	histTsi_det	hadsst3_det	AIC	20	0.3797727
1850	hadsst3_det	histTsi_det	AIC	20	0.5451372
histTsi average
1850	histTsiAvg_det	hadsst3_det	AIC	16	0.0000031
1850	hadsst3_det	histTsiAvg_det	AIC	16	0.2155396
nrl2Tsi
1850	nrl2Tsi_det	hadsst3_det	AIC	14	0.6148766
1850	hadsst3_det	nrl2Tsi_det	AIC	14	0.9440049
nrl2Tsi average
1850	nrl2TsiAvg_det	hadsst3_det	AIC	16	0.0000574
1850	hadsst3_det	nrl2TsiAvg_det	AIC	16	0.4918525
logCO2
1850	logCO2_det	hadsst3_det	AIC	17	0.6688849
1850	hadsst3_det	logCO2_det	AIC	17	0.0433063
logCO2
1958	logCO2_det	hadsst3_det	AIC	16	0.0004788
1958	hadsst3_det	logCO2_det	AIC	16	0.0000000

La colonne Start Year est l’année à partir de laquelle les séries sont prises en compte. Les lags ont été calculés selon le critère d’information AIC. D’autres critères ont été évalués et fournissent des résultats analogues non repris ici.

La colonne p.value est la probabilité que l’hypothèse nulle « La Source ne cause pas la Destination » soit fausse. On considère généralement que c’est le cas si la probabilité est inférieure à 0.05.

Aucune causalité n’est détectée entre la température océanique hadsst3 et l’activité solaire non moyennée, quelle qu’elle soit.

Il y a toujours une causalité entre l’activité solaire moyennée, quelle qu’elle soit, et la température océanique. Il n’y a jamais de causalité en sens contraire (heureusement!).

Avec la série complète du logCO2 sans variation saisonnière, qui démarre en 1850, le logCO2 n’est pas la cause de la température océanique, et la température océanique est la cause du logCO2.

Avec la série plus courte du logCO2 de Mauna Loa avec variation saisonnière, la causalité est bidirectionnelle, mais plus marquée dans le sens température océanique => logCO2, que dans le sens inverse. C’est tout à fait logique dans le cadre de l’équilibre de Henry – van ’t Hoff qui est également bidirectionnel. Suivant cet équilibre, l’impact des émissions anthropiques de CO₂ sur la température est fort limité. Voir Section 6.2

2.6.3 Corrélations croisées

2.6.3.1 Entre température et activité solaire

Afin de détecter une relation éventuelle entre température et irradiance, et aussi de choisir les séries temporelles les plus révélatrices, une analyse de corrélation croisée a été réalisée entre diverses données décrivant l’activité solaire et l’anomalie de température.

Le relevé des taches solaires (« Sunspots data »), et l’ITS historical (« LISIRD historical TSI data ») et nrl2 (« LISIRD nrl2 TSI data ») du LISIRD ont été utilisées comme mesure de l’activité solaire.

Pour l’anomalie de température, en plus de la série (« Hadsst3 data ») (océans uniquement), les séries (« Crutem4 data ») (terres uniquement) et (« Hadcrut4 data ») (terres et océans) ont également été prises en considération.

De l’examen de la Figure Figure 2.16, il ressort que quelle que soit la source utilisée pour la mesure de l’activité solaire, la meilleure corrélation croisée est obtenue avec la série océanique hadsst3, et la moins bonne avec la série terrestre crutem4, « contaminée » par des effets parasites, dont l’effet d’ilot urbain de chaleur déjà mentionné ou des changements météo.

Ce résultat incite également à travailler avec l’irradiance plutôt qu’avec le nombre de taches solaires comme indicateur de l’activité solaire, la corrélation croisée étant plus « floue » dans le cas des taches solaires.

Ce décalage de 2.75 ans entre l’irradiance solaire et la température confirme les résultats obtenus par (Stockwell 2011).

Il apparaît donc clairement que la combinaison hadsst3 pour l’anomalie de température et l’ITS nrl2 pour l’activité solaire produit les meilleures corrélations croisées

Cette analyse confirme la corrélation significative entre les fluctuations de température de surface des océans et celles de l’intensité solaire, ainsi que l’antériorité de celle-ci sur les mesures de température. Ce résultat permet donc de conclure que l’intensité solaire remplit deux des conditions nécessaires de causalité (la corrélation et l’antériorité) vis-à-vis de la température « océanique » au sein du système climatique.

Il est intéressant à ce stade de l’analyse, de se rappeler que l’intégrale d’une sinusoïde est une autre sinusoïde décalée d’un quart de période, et de remarquer que 4*2.75 = 11 ans, ce qui correspond à un cycle solaire bien connu (l’harmonique 2 du cycle de 22 ans d’inversion du champ magnétique solaire). De plus, les durées entre les maxima successifs de corrélation croisée correspondent très bien aux durées des derniers cycles solaires comme le montrent la Figure 2.17 et la Figure 2.18. Ces coïncidences incitent à développer un modèle causal utilisant l’irradiance totale solaire moyennée comme cause des fluctuations de température à la surface des océans.

Figure 2.16: Corrélations croisées activité solaire – anomalies de température En bleu la série terrestre crutem4. En rouge la série globale (terres + océans) hadcrut4. En magenta, la série océanique hadsst3. La ligne verticale noire est tracée à une abscisse égale au quart de la période moyenne des cycles solaires (11/4 ans) La figure de gauche est basée sur les taches solaires. La figure du centre est basée sur l’ITS historical, et celle de droite sur l’ITS nrl2. Il apparaît clairement que la combinaison hadsst3 pour l’anomalie de température et l’ITS nrl2 pour l’activité solaire produit les meilleures corrélations croisées. Dans la figure de droite, le maximum de corrélation croisée s’obtient avec un décalage qui correspond précisément au quart d’un cycle solaire moyen de 11 ans (cycle de Schwabe). Dans la figure du centre, le maximum de corrélation croisée est un peu décalé par rapport au quart d’un cycle solaire moyen de 11 ans. Dans la figure de gauche, il n’y a pas de maximum au voisinage du quart d’un cycle solaire moyen de 11 ans. Le maximum est déplacé vers un retard plus important (supérieur à 7 ans), sortant du cadre de la figure. Ces résultats plaident en faveur d’un modèle cumulatif de l’irradiance solaire, l’intégrale d’une sinusoïde étant une autre sinusoïde décalée d’un quart de période

Figure 2.17: C’est le même graphique que celui de droite de la figure précédente, redessiné avec une plage de décalages beaucoup plus grande. Les extrema de corrélation croisée hadsst3 - nrl2tsi sont très voisins des extrema solaires, décalés de 11/4 ans. Les distances entre 2 maxima consécutifs correspondent de gauche à droite, aux durées des cycles solaires 24, 23, 22, 21 et 20. Le signal de l’anomalie de température hadsst3 contient véritablement la signature de l’activité solaire nrl2tsi.

Une analyse complémentaire de corrélation croisée a été effectuée entre la série de températures absolues hadisst et l’irradiance totale solaire nrl2tsi. Voir Figure 2.18.

Figure 2.18: Les cycles solaires apparaissent également très nettement dans la corrélation croisée hadisst - nrl2tsi. Les extrema de corrélation croisée hadisst - nrl2tsi sont très voisins des extrema solaires, décalés de 11/4 ans. Les distances entre 2 maxima consécutifs correspondent de gauche à droite, aux durées des cycles solaires 24, 23, 22, 21 et 20. Le signal de la température absolue hadisst contient véritablement la signature de l’activité solaire nrl2tsi.

2.6.3.2 Entre température et activité solaire moyennée

Figure 2.19: Corrélations croisées activité solaire moyennée (période mobile de 110 ans) – anomalies de température En bleu, la série terrestre crutem4. En rouge, la série globale (terres + océans) hadcrut4. En magenta, la série océanique hadsst3. Les lignes verticales noires sont tracées à une abscisse nulle et à une abscisse égale au quart de la période moyenne des cycles solaires (11/4 ans) La figure de gauche est basée sur les taches solaires. La figure du centre est basée sur l’ITS historical, et celle de droite sur l’ITS nrl2. Il n’y a pas de décalage entre l’anomalie de température et l’activité solaire moyennée, quelles qu’elles soient.

2.6.3.3 Entre température et CO₂

En travaillant avec les séries brutes de température et de CO₂, on n’observe aucun décalage dans les corrélations croisées. Mais les séries ne sont pas stationnaires. La situation change complètement lorsqu’on les rend stationnaires par différentiation. Le CO₂ suit la température avec un décalage de 8 mois. Voir Figure 2.20. Une cause devant précéder ou être synchrone avec son effet, la variation de CO₂ ne peut être la cause de la variation de température.

La variation saisonnière a été éliminée du relevé du CO₂ avant d’effectuer la différentiation. Cette procédure de calcul rejoint la technique du DIFF12 décrite dans (Humlum, Stordahl, et Solheim 2013) où un décalage analogue a été rapporté.

Figure 2.20: Corrélations croisées entre les anomalies de température crutem4, hadcrut4 et hadsst3 et le CO₂ de Mauna Loa. En bleu, la corrélation croisée crutem4 - CO₂ En rouge, la corrélation croisée hadcrut4 – CO₂ En magenta, la corrélation croisée hadsst3 - CO₂. Le CO₂ suit la température avec un décalage de 8 mois. La série hadsst3 produit le maximum de corrélation.

2.6.3.4 Entre séries de température

Figure 2.21: Corrélations croisées entre les séries crutem4, hadcrut4 et hadsst3. En bleu, la corrélation croisée crutem4 - hadsst3 En rouge, la corrélation croisée hadcrut4 - hadsst3 Le décalage est nul dans les deux cas.