Synthèse

Vue d’ensemble de la mission 2

  • MISSION 2 : Modélisation de la distribution des essences selon la répartition contemporaine potentielle et la répartition future potentielle jusqu’à l’horizon 2100.
    • Recensement et collecte des données d’occurrences des essences d’intérêt
    • Recensement et collecte des données climatiques contemporaines européennes et de surface de Grenoble.
    • Intégration des différents scénarios à partir des données climatiques européennes et grenobloises. Soit quatre scénarios contrastés du GIEC pris en compte :
      • SSP1-2.6 : émissions de GES faibles (+1,8 °C)
      • SSP2-4.5 : émissions de GES intermédiaires (+2,7 °C)
      • SSP3-7.0 : émissions de GES élevées (+3,6 °C)
      • SSP5-8.5 : émissions de GES très élevées (+4,4 C°)
    • Modélisation de la distribution potentielle de chaque essence sur le territoire grenoblois combinant 6 algorithmes.

Méthodologie retenue

Il s’agit dans cette étude de :

« fournir un catalogue d’essences le plus exhaustif possible, qui indique dans quelles zones les essences sont adaptées au climat actuel et seront adaptées au climat futur ou non. »

En d’autres termes, nous allons évaluer quelles sont les essences d’arbres pour lesquelles à la fois les climats actuel et futurs sur la métropole de Grenoble correspondent à leurs conditions climatiques favorables. Il s’agit de la Mission 2 de l’étude d’Adaptation de la palette végétale au changement climatique sur Grenoble Métropole.

Cette étude s’appuie sur un protocole typique de modélisation des distributions d’espèces (en anglais, Species Distribution Modeling, SDM) appliqué au cas précis des arbres dans la métropole de Grenoble. Pour chaque essence testée, le protocole se décline en quatre étapes :

  1. Collecter les données contemporaines d’occurrences disponibles ;
  2. Décrire les conditions climatiques favorables actuelles dans la zone d’endémisme de l’essence (on parle alors de niche climatique) ;
  3. Projeter la niche climatique sur le climat prédit jusqu’à l’horizon 2100 selon les différents scénarios du GIEC (SSP) ;
  4. Inférer à fine échelle au sein de Grenoble-Alpes Métropole les zones pour lesquelles les conditions climatiques sont favorables.
Figure conceptuelle présentant les 3 premières étapes de la modélisation. À gauche, les données contemporaines d'occurrences sont collectées et représentées géographiquement sur l'aire d'étude (Europe). Au milieu, la comparaison des occurrences avec les conditions climatiques contemporaines permet d'identifier les conditions climatiques favorables, c'est à dire la niche climatique. À droite, la niche climatique est projetée selon les conditions climatiques prédites selon différents scénarios jusqu'à l'horizon 2100. La quatrième étape (non représentée) est un raffinnement de cette projection à l'échelle de Grenoble Alpes Métropole, intégrant les différences locales de température de surface.

Figure 1: Figure conceptuelle présentant les 3 premières étapes de la modélisation. À gauche, les données contemporaines d’occurrences sont collectées et représentées géographiquement sur l’aire d’étude (Europe). Au milieu, la comparaison des occurrences avec les conditions climatiques contemporaines permet d’identifier les conditions climatiques favorables, c’est à dire la niche climatique. À droite, la niche climatique est projetée selon les conditions climatiques prédites selon différents scénarios jusqu’à l’horizon 2100. La quatrième étape (non représentée) est un raffinnement de cette projection à l’échelle de Grenoble Alpes Métropole, intégrant les différences locales de température de surface.

Prototypage

L’application de ce protocole se fera en deux phases distinctes :

  1. Un prototypage sur 4 essences représentatives, afin de fixer la méthodologie, les données sources, les contrôles et la validation ;
  2. Une mise en production sur l’ensemble des essences des tranches ferme et optionnelle, soit un total de 302 essences testées (incluant les 4 essences prototypes).

Le prototypage va permettre d’établir précisément la méthodologie afin d’identifier les principaux écueils rencontrés avant la mise en production de manière semi-automatisée sur toutes les essences proposées. Le prototypage mettra l’accent en particulier sur les données sources, les contrôles et la validation des modèles.

Les 4 essences prototypes, validées par la Métropole, ont été choisies pour leur caractéristiques-type au niveau de leur distribution :

Un bilan synthétique, présentant la disponibilité des donnée et les résultats de modélisation, est finalement disponible pour toutes les essences considérées.

Données « essences »

Le premier élément est le nom de l’essence, pour lequel il est nécessaire de s’appuyer sur le nom scientifique. Néanmoins, la résolution des noms d’essences est un problème compliqué, la taxonomie en général, et des plantes en particulier, étant un sujet qui est en évolution constante au fur et à mesure des avancées scientifiques (notamment génétiques). Pour pouvoir s’y retrouver, il est nécessaire d’utiliser un référentiel stable et reconnu. Parmi les rares solutions existantes, le Système mondial d’informations sur la biodiversité GBIF (“Global Biodiversity Information Facility”) propose non seulement une ossature de taxonomie exhaustive (“GBIF Backbone Taxonomy”), mais également les outils pour automatiser des requêtes sur une liste de noms scientifiques, corriger de possibles erreurs d’orthographe, gérer des noms d’hybrides, et le cas échéant résoudre les synonymes (plusieurs noms scientifiques associés à la même espèce) en retournant le nom scientifique accepté pour l’essence.

En deuxième lieu, les données d’occurrences pour chaque essence s’appuient également sur les données du GBIF, qui compile un grand nombre de données d’observations du vivant. Pour valider les données de chaque essence présente en France, on comparera avec la distribution française issue de l’Inventaire Forestier National. Les données d’occurrence pour chaque essence permettent ensuite de déterminer la région d’endémisme (Europe, Amérique du Nord ou Asie) selon leur répartition majoritaire. La modélisation de la niche climatique se fait ensuite dans la région d’endémisme de l’essence, avant d’être projetée en Europe pour les conditions climatiques futures. Seules les essences qui présentent au moins 500 occurrences utilisables dans leur région d’endémisme peuvent être modélisées avec une robustesse des résultats suffisante.

Données climatiques

Les données climatiques sont issues de WorldClim (version 2.1), un jeu de données global au format raster pour la période contemporaine (1970–2000) et pour des projections futures sur des périodes de 20 ans (2021-2040, 2041-2060, 2061-2080, 2081-2100). WorldClim interpole les données ponctuelles de stations météo pour offrir une couverture globale jusqu’à une résolution spatiale de 30 secondes (environ 1 km²) pour les données contemporaines, mais seulement 2,5 minutes (environ 20 km² par pixel) pour les données futures. Pour des raisons de cohérence et de comparabilité, nous utiliserons donc la résolution maximale possible pour les deux jeux de données, à savoir 2,5 minutes.

Les deux jeux de données présentent les températures (valeurs mensuelles moyennes, minimales et maximales) et la précipitation (valeurs mensuelles), ainsi que 19 variables bioclimatiques dérivées représentant des tendances annuelles, la saisonnalité, ou les conditions extrêmes ou limitantes. Les variables bioclimatiques présentent des paramètres importants pour la physiologie des plantes, notamment pour leur croissance et leur distribution, et sont de ce fait plus pertinentes que les variables de base (température et précipitation). Pour cette étude, nous utiliserons les variables bioclimatiques qui ne sont pas trop corrélées à l’échelle européenne (coefficient de corrélation de Pearson \(r < 0,7\)), ainsi que la température au mois d’août afin de pouvoir affiner ensuite avec les températures de surface de l’agglomération de Grenoble. Six variables sont ainsi retenues :

  • La température maximale du mois d’août ;
  • La température minimale du mois le plus froid ;
  • La température moyenne du trimestre le plus humide ;
  • La saisonnalité de température ;
  • Les précipitations du trimestre le plus humide ;
  • La saisonnalité de précipitation.

À plus fine échelle, les données de températures de surface sont disponibles à une résolution de 30×30 m² sur tout le territoire de la métropole pour le mois d’août 2019 (données fournies par Grenoble Alpes Métropole).

Note sur les projections climatiques

Pour les projections climatiques, nous nous appuyons sur les « trajectoires socio-économiques partagées » (“shared socioeconomic pathways”) qui représentent les scénarios de développement du GIEC :

  • un scénario « vert » à +1,8 °C projetés à l’horizon 2100 (SSP1-2.6) : ce scénario n’est pas conforme à l’accord de Paris — c’est le SSP1-1.9 pour lequel on n’a pas de projections climatiques en raster. Le SSP1-2.6 est déjà un peu moins optimiste mais s’appuie déjà sur un pic des émissions en 2020, ce qui en fait un scénario peu probable ;
  • un scénario moyen à +2,7 °C (SSP2-4.5) : c’est un scénario “business as usual”, sans variations brutales majeures — il est considéré comme le scénario le plus probable ;
  • un scénario pessimiste à +3,6 °C (SSP3-7.0) : c’est un scénario sans politique climatique supplémentaire. Il est de fait plus probable jusqu’à l’horizon 2050, mais moins probable ensuite, tout en restant tout à fait pertinent à titre de comparaison ;
  • un scénario « énergies fossiles » à +4,4 °C (SSP5-8.5) : c’est un scénario de développement rapide basé sur les énergies fossiles. Comme le SSP3-7.0, il est de fait plus probable jusqu’à l’horizon 2050, mais moins probable ensuite, tout en restant tout à fait pertinent à titre de comparaison.

D’un point de vue adaptation au changement climatique et gestion des plantations, une approche intéressante et raisonnable pourrait être de s’appuyer sur le scénario le plus probable (SSP2-4.5), en le comparant avec un scénario du pire (par exemple le SSP5-8.5). À l’extrême, s’appuyer sur le scénario vert n’a pas réellement de sens pour une politique d’adaptation.

Modélisation de la distribution

La première étape est de comparer les conditions climatiques associées aux occurrences de l’essence d’intérêt avec les conditions climatiques sur toute l’aire d’étude par le biais de « pseudo-absences », des points tirés aléatoirement sur toute la zone. Pour améliorer la performance des modèles, trois jeux de pseudo-absences de même taille que les jeux d’occurrences sont tirés et ensuite combinés.

Six algorithmes de modélisation de la distribution sont ensuite utilisés :

  • Modèle additif généralisé (Generalized additive model GAM)
  • Splines de régression multivariée adaptative (Multivariate adaptive regression splines MARS)
  • MaxEnt ou sa nouvelle implémentation MaxNet
  • Arbres de régression boostés (Generalized boosting model GBM, aussi appelés Boosted regression trees)
  • Réseaux artificiels de neurones (Artificial neural networks ANN)
  • Forêts aléatoires (Random forest RF)

Ces algorithmes fonctionnent de manière similaire, mais présentent chacun leur spécificités (avantages et inconvénients). Une approche d’ensemble permet de combiner les résultats de tous les algorithmes et ainsi d’améliorer la performance d’ensemble. Pour chaque essence, seuls les algorithmes présentant un niveau de performance individuelle suffisant sont retenus et combinés dans le modèle d’ensemble. Ces modèles d’ensemble permettent finalement de modéliser des courbes de réponse selon les variables mentionnées ci-dessus, et de projeter ces réponses à l’échelle de l’Europe pour les 4 périodes futures jusqu’à l’horizon 2100 selon les 4 scénarios du GIEC.

Pour finir, ces résultats sont affinés à l’échelle de la métropole : l’utilisation de la carte fine de température au mois d’août 2019 permet d’interpoler à cette résolution afin de prendre en compte les différences locales liées à la topographie et aux ilôts de chaleur sur Grenoble Alpes Métropole. On obtient en sortie pour chaque essence des cartes de résolution 30×30 m² présentant la probabilité d’occurrence sur tout le territoire de la métropole pour la période contemporaine ainsi que pour les 4 périodes futures jusqu’à l’horizon 2100 selon les 4 scénarios du GIEC (soit un total de 17 cartes raster pour chaque essence).

Informations de session R

Plateforme

Paramètre Valeur
version R version 4.3.1 (2023-06-16)
os Ubuntu 22.04.3 LTS
system x86_64, linux-gnu
ui X11
language (EN)
collate en_US.UTF-8
ctype en_US.UTF-8
tz Europe/Paris
date 2023-09-17
pandoc 2.9.2.1 @ /usr/bin/ (via rmarkdown)

Packages

Package Attaché Version Date lib Source
ade4 * 1.7-22 2023-02-06 [?] CRAN (R 4.2.2)
biomod2 * 4.2-2 2023-01-16 [?] CRAN (R 4.3.1)
conflicted * 1.2.0 2023-02-01 [?] RSPM (R 4.3.0)
cowplot * 1.1.1 2020-12-30 [?] CRAN (R 4.2.0)
cowsay * 0.8.2 2023-03-08 [?] RSPM (R 4.3.0)
dplyr * 1.1.2 2023-04-20 [?] CRAN (R 4.3.1)
geodata * 0.5-8 2023-04-14 [?] CRAN (R 4.3.1)
ggplot2 * 3.4.2 2023-04-03 [?] CRAN (R 4.2.3)
mailR * 0.8 2021-12-03 [?] CRAN (R 4.3.0)
plotly * 4.10.2 2023-06-03 [?] CRAN (R 4.3.1)
readxl * 1.4.3 2023-07-06 [?] CRAN (R 4.3.1)
rgbif * 3.7.7 2023-04-03 [?] CRAN (R 4.2.3)
rnaturalearth * 0.3.3 2023-06-06 [?] CRAN (R 4.3.1)
rnaturalearthdata * 0.1.0 2017-02-21 [?] CRAN (R 4.2.0)
sf * 1.0-14 2023-07-11 [?] CRAN (R 4.3.1)
sp * 2.0-0 2023-06-22 [?] CRAN (R 4.3.1)
stringr * 1.5.0 2022-12-02 [?] CRAN (R 4.2.2)
terra * 1.7-39 2023-06-23 [?] CRAN (R 4.3.1)
tibble * 3.2.1 2023-03-20 [?] CRAN (R 4.2.3)
tidyterra * 0.4.0 2023-03-17 [?] CRAN (R 4.2.3)
viridis * 0.6.4 2023-07-22 [?] CRAN (R 4.3.1)
viridisLite * 0.4.2 2023-05-02 [?] CRAN (R 4.3.0)
DBI 1.1.3 2022-06-18 [?] CRAN (R 4.2.0)
Formula 1.2-5 2023-02-24 [?] CRAN (R 4.2.2)
KernSmooth 2.23-22 2023-07-10 [?] CRAN (R 4.3.1)
MASS 7.3-60 2023-05-04 [?] CRAN (R 4.3.1)
Matrix 1.6-0 2023-07-08 [?] CRAN (R 4.3.1)
PresenceAbsence 1.1.11 2023-01-07 [?] CRAN (R 4.2.2)
R.methodsS3 1.8.2 2022-06-13 [?] CRAN (R 4.2.0)
R.oo 1.25.0 2022-06-12 [?] CRAN (R 4.2.0)
R.utils 2.12.2 2022-11-11 [?] CRAN (R 4.2.2)
R6 2.5.1 2021-08-19 [?] CRAN (R 4.2.0)
Rcpp 1.0.11 2023-07-06 [?] CRAN (R 4.3.1)
TeachingDemos 2.12 2020-04-07 [?] CRAN (R 4.2.0)
abind 1.4-5 2016-07-21 [?] CRAN (R 4.2.0)
assertthat 0.2.1 2019-03-21 [?] CRAN (R 4.2.0)
bookdown 0.34 2023-05-09 [?] CRAN (R 4.3.1)
bslib 0.5.0 2023-06-09 [?] CRAN (R 4.3.1)
cachem 1.0.8 2023-05-01 [?] CRAN (R 4.3.1)
cellranger 1.1.0 2016-07-27 [?] CRAN (R 4.2.0)
class 7.3-22 2023-05-03 [?] CRAN (R 4.3.1)
classInt 0.4-9 2023-02-28 [?] CRAN (R 4.2.2)
cli 3.6.1 2023-03-23 [?] CRAN (R 4.2.3)
codetools 0.2-19 2023-02-01 [?] CRAN (R 4.2.2)
colorspace 2.1-0 2023-01-23 [?] CRAN (R 4.2.2)
crayon 1.5.2 2022-09-29 [?] CRAN (R 4.2.1)
data.table 1.14.8 2023-02-17 [?] CRAN (R 4.2.2)
digest 0.6.33 2023-07-07 [?] CRAN (R 4.3.1)
e1071 1.7-13 2023-02-01 [?] CRAN (R 4.2.2)
earth 5.3.2 2023-01-26 [?] CRAN (R 4.2.2)
evaluate 0.21 2023-05-05 [?] CRAN (R 4.3.0)
fansi 1.0.4 2023-01-22 [?] CRAN (R 4.2.2)
fastmap 1.1.1 2023-02-24 [?] CRAN (R 4.2.2)
foreach 1.5.2 2022-02-02 [?] CRAN (R 4.2.0)
fortunes 1.5-4 2016-12-29 [?] RSPM (R 4.3.0)
gbm 2.1.8.1 2022-08-11 [?] CRAN (R 4.2.1)
generics 0.1.3 2022-07-05 [?] CRAN (R 4.2.1)
glue 1.6.2 2022-02-24 [?] CRAN (R 4.2.0)
gridExtra 2.3 2017-09-09 [?] CRAN (R 4.2.0)
gtable 0.3.3 2023-03-21 [?] CRAN (R 4.2.3)
htmltools 0.5.5 2023-03-23 [?] CRAN (R 4.2.3)
htmlwidgets 1.6.2 2023-03-17 [?] CRAN (R 4.2.3)
httr 1.4.6 2023-05-08 [?] CRAN (R 4.3.0)
iterators 1.0.14 2022-02-05 [?] CRAN (R 4.2.0)
jquerylib 0.1.4 2021-04-26 [?] CRAN (R 4.2.0)
jsonlite 1.8.7 2023-06-29 [?] CRAN (R 4.3.1)
knitr 1.44 2023-09-11 [?] RSPM (R 4.3.0)
lattice 0.21-8 2023-04-05 [?] CRAN (R 4.3.0)
lazyeval 0.2.2 2019-03-15 [?] CRAN (R 4.2.0)
lifecycle 1.0.3 2022-10-07 [?] CRAN (R 4.2.1)
magrittr 2.0.3 2022-03-30 [?] CRAN (R 4.2.0)
maxnet 0.1.4 2021-07-09 [?] CRAN (R 4.2.0)
mda 0.5-4 2023-06-23 [?] CRAN (R 4.3.1)
memoise 2.0.1 2021-11-26 [?] CRAN (R 4.2.0)
munsell 0.5.0 2018-06-12 [?] CRAN (R 4.2.0)
nnet 7.3-19 2023-05-03 [?] CRAN (R 4.3.1)
oai 0.4.0 2022-11-10 [?] CRAN (R 4.2.2)
pROC 1.18.4 2023-07-06 [?] CRAN (R 4.3.1)
pillar 1.9.0 2023-03-22 [?] CRAN (R 4.2.3)
pkgconfig 2.0.3 2019-09-22 [?] CRAN (R 4.2.0)
plotmo 3.6.2 2022-05-21 [?] CRAN (R 4.2.0)
plotrix 3.8-2 2021-09-08 [?] CRAN (R 4.2.0)
plyr 1.8.8 2022-11-11 [?] CRAN (R 4.2.2)
proxy 0.4-27 2022-06-09 [?] CRAN (R 4.2.0)
purrr 1.0.1 2023-01-10 [?] CRAN (R 4.2.2)
rJava 1.0-6 2021-12-10 [?] CRAN (R 4.1.2)
randomForest 4.7-1.1 2022-05-23 [?] CRAN (R 4.2.0)
renv 1.0.2 2023-08-15 [1] CRAN (R 4.3.1)
reshape 0.8.9 2022-04-12 [?] CRAN (R 4.2.0)
reshape2 1.4.4 2020-04-09 [?] CRAN (R 4.2.0)
rlang 1.1.1 2023-04-28 [?] CRAN (R 4.3.0)
rmarkdown 2.23 2023-07-01 [?] CRAN (R 4.3.1)
rmsfact 0.0.3 2016-08-04 [?] RSPM (R 4.3.0)
rpart 4.1.19 2022-10-21 [?] CRAN (R 4.2.1)
rstudioapi 0.15.0 2023-07-07 [?] CRAN (R 4.3.1)
sass 0.4.7 2023-07-15 [?] CRAN (R 4.3.1)
scales 1.2.1 2022-08-20 [?] CRAN (R 4.2.1)
sessioninfo 1.2.2 2021-12-06 [?] RSPM (R 4.3.0)
stringi 1.7.12 2023-01-11 [?] CRAN (R 4.2.2)
survival 3.5-5 2023-03-12 [?] CRAN (R 4.3.1)
tidyr 1.3.0 2023-01-24 [?] CRAN (R 4.2.2)
tidyselect 1.2.0 2022-10-10 [?] CRAN (R 4.2.1)
units 0.8-2 2023-04-27 [?] CRAN (R 4.3.0)
utf8 1.2.3 2023-01-31 [?] CRAN (R 4.2.2)
vctrs 0.6.3 2023-06-14 [?] CRAN (R 4.3.1)
whisker 0.4.1 2022-12-05 [?] CRAN (R 4.2.2)
withr 2.5.0 2022-03-03 [?] CRAN (R 4.2.0)
xfun 0.39 2023-04-20 [?] CRAN (R 4.3.0)
xml2 1.3.5 2023-07-06 [?] CRAN (R 4.3.1)
yaml 2.3.7 2023-01-23 [?] CRAN (R 4.2.2)

Chemin des librairies

  • [1] /home/mathieu/Travail/Arbres Grenoble/renv/library/R-4.3/x86_64-pc-linux-gnu
  • [2] /home/mathieu/.cache/R/renv/sandbox/R-4.3/x86_64-pc-linux-gnu/9a444a72