Comment fonctionne 27 inviernos

La méthodologie, à découvert. Derrière chaque chiffre que tu vois, il y a une décision et une source. Ici, on les raconte toutes — même les difficiles.

Les données : Copernicus, ouvertes et européennes

Tout vient d’ERA5-Land, la réanalyse climatique du Copernicus Climate Change Service (C3S), gérée par l’ECMWF. Une réanalyse combine des observations réelles (stations, satellites, bouées) avec un modèle physique pour reconstruire le climat heure par heure, de façon cohérente sur tout le continent et depuis 1950.

• Variable : température de l’air à 2 m.
• Résolution : cellules de ~9 × 9 km.
• Couverture : Europe (latitude 35–72, longitude −10 à 30), 1950–2025.

En pratique, nous téléchargeons les statistiques journalières d’ERA5-Land via Google Earth Engine (collection ECMWF/ERA5_LAND/DAILY_AGGR), qui redistribue le même produit d’ECMWF/Copernicus. C’est un moyen efficace de récupérer des décennies de données cellule par cellule à l’échelle européenne. La source et la méthode sont publiques : c’est là que commence la transparence, et chacun peut vérifier ce que nous montrons.

La référence : 1951–1980

Pour savoir si une année est « chaude », il faut la comparer à une normale. Nous utilisons la période 1951–1980 comme référence — la même que la NASA (GISS). C’est une référence antérieure à l’accélération du réchauffement, donc les anomalies que tu vois mesurent le changement réel, pas une normale déjà réchauffée.

Anomalie = température moyenne de l’année − moyenne 1951–1980 de ta cellule.

Les warming stripes

Chaque bande est une année. Sa couleur est l’anomalie : bleu = plus froid que la référence, rouge = plus chaud. C’est le langage visuel d’Ed Hawkins (2018), devenu viral pour sa clarté. Notre apport est le cadre « toi » : on encadre les années de ta vie pour que l’histoire globale devienne personnelle.

Tes quatre chiffres

1. Hausse depuis ta naissance — différence entre la moyenne des 10 dernières années et celle de ton année de naissance, dans ta cellule.
2. Années record vécues — années, depuis ta naissance, dont la moyenne a battu toutes les précédentes depuis 1950.
3. Épisodes de chaleur inhabituelle — voir ci-dessous.
4. Jours de chaleur extrême face à ton père — jours avec maximale > 30 °C que tu as vécus en plus (ou en moins) que quelqu’un né 30 ans plus tôt, au même âge.

Le choix honnête : « épisodes inhabituels », pas « canicules »

C’est la partie que presque personne ne raconte. Une canicule semble simple, mais la définir oblige à choisir un seuil. Nous avons d’abord essayé le 95ᵉ percentile de la température maximale de toute l’année (1951–1980) : le problème, c’est qu’avec le réchauffement, presque tout l’été dépasse ce seuil → le compte explose et perd son sens (des centaines par personne).

La définition que nous utilisons est le standard scientifique (Perkins & Alexander, 2013 ; Russo et al., 2015) : le 90ᵉ percentile de la maximale pour chaque jour de l’année (fenêtre de ±15 jours). On mesure ainsi ce qui est inhabituellement chaud pour cette date.

Mais nous sommes allés plus loin par honnêteté : avec ce seuil, un épisode chaud d’hiver compte aussi. C’est correct comme indice scientifique d’épisodes chauds, mais l’appeler « canicule » induirait en erreur. C’est pourquoi nous l’appelons « épisodes de chaleur inhabituelle pour la saison » : le nom dit exactement ce qu’il mesure.

Comment nous traitons les données

Derrière une réponse instantanée, il y a un pipeline qui digère ~2 milliards de lignes (74 510 cellules × 76 ans × 365 jours) jusqu’à trois tables compactes :

• une de référence par cellule, une série annuelle avec anomalies et records, et une d’événements d’épisodes chauds ;
• traitées avec DuckDB (SQL en colonnes) pour son efficacité à grande échelle, reproductible et versionnée ;
• avant publication, un audit automatique vérifie que le résultat reproduit des faits connus : la tendance au réchauffement, la concentration des records dans les décennies récentes et les étés extrêmes de 2003 et 2022–2024.

Limites : ce que les données ne disent pas

• Une réanalyse n’est pas une observation directe : elle comporte une incertitude, plus grande là où il y a peu de stations.
• La cellule de ~9 km est une moyenne de surface : ta rue peut différer (effet urbain, altitude).
• Nous montrons la température, pas les impacts (santé, récoltes) : ce sont des signaux, pas un destin.
• Nous simplifions à dessein pour que ce soit compréhensible ; le détail technique est dans notre documentation ouverte.

Qui est derrière

27 inviernos est un projet de cultural data : une science des données rigoureuse et transparente pour le secteur public et culturel européen, à partir de projets concrets comme celui-ci. Si ce travail t’intéresse — de la donnée ouverte à un produit compréhensible — écris-nous à hola@culture-data.org.

Sources

• Copernicus Climate Change Service (C3S) / ECMWF — ERA5-Land, via Google Earth Engine (ECMWF/ERA5_LAND/DAILY_AGGR).
• Hawkins, E. (2018) — warming stripes.
• Perkins, S. E. & Alexander, L. V. (2013) ; Russo, S. et al. (2015) — définition des épisodes chauds par jour de l’année.
• NASA GISS — période de référence 1951–1980.