Ce travail se concentre sur l'inférence des niveaux de dimensionnement pour les événements extrêmes dans des conditions non stationnaires. Ses objectifs sont doubles. Le premier est de fournir un indicateur unique qui résume des informations pertinentes et interprétables sur les valeurs élevées dans les séries temporelles, même lorsque la stationnarité ne peut être supposée. Les indicateurs de risque classiques tels que le niveau de retour centennal deviennent difficiles à interpréter dans un cadre non stationnaire. Pour y remédier, nous exploitons le concept existant du niveau de fiabilité équivalent (ER). En conditions stationnaires, le niveau ER coïncide avec le niveau de retour classique, mais il diffère sinon. Plus précisément, le niveau ER garantit que la probabilité d'avoir toutes les observations en dessous du niveau ER pendant une période de dimensionnement spécifiée est contrôlée. Cette définition assure l'interprétabilité en termes de sécurité ou de risque de défaillance. Un deuxième objectif est de capturer l'incertitude stochastique et d'estimation, un aspect clé dans toute analyse de risque, car les incertitudes dues aux schémas d'inférence peuvent augmenter avec les intensités extrêmes. Nous incorporons les deux en utilisant la distribution prédictive bayésienne. Bien que bien connue en statistique bayésienne, la distribution prédictive a rarement été appliquée à l'analyse des risques des séries temporelles climatologiques.
Notre approche est démontrée sur des données simulées et sur une étude de cas des maxima annuels de températures sur un site du sud de la France. Pour ce faire, un modèle bayésien hiérarchique de valeurs extrêmes non stationnaire est utilisé pour combiner les données de 26 simulations de modèles de circulation générale CMIP6 (SSP2-4.5, 1850-2100) avec des observations. Les niveaux ER prédictifs a posteriori résultants indiquent clairement que la non-stationnarité sur une période de dimensionnement d'intérêt, ainsi que l'incertitude d'échantillonnage et d'estimation, doivent être prises en compte pour l'évaluation des risques. Par exemple, le niveau ER prédictif a posteriori à 1000 ans pour 2050-2100 est supérieur à toute estimation médiane du niveau de retour à 1000 ans non stationnaire sur la même période, reflétant le risque croissant dû à la non-stationnarité de la trajectoire SSP 2-4.5.