103 Abies alba
103.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.jmpahh
Format: SIMPLE_CSV
Download key: 0252420-230224095556074
Created: 2023-05-20T15:18:46.609+00:00
Modified: 2023-05-20T15:24:33.325+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252420-230224095556074.zip
Total records: 128944Conversion en objets géographiques (format Simple feature de sf) et
exploration rapide des données (classe du jeu de données et premières lignes du
tableau) :
Simple feature collection with 128944 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.296237 ymin: -43.358 xmax: 172.839797 ymax: 69.557984
Geodetic CRS: WGS 84
# A tibble: 128,944 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3e7 835613da-… 00DDF612-ED… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
2 2e9 835613da-… 8ABC5B75-B8… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
3 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
4 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
5 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
6 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
# ℹ 128,934 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 128 944 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 103.1: Occurrences de Abies alba dans le monde.
103.1.1 Données par région
On évalue la proportion d’occurrences dans chaque région, en utilisant les 3 masques créés précédemment. Si on a au moins 50 % des occurrences dans une région, on peut continuer en travaillant uniquement sur ces données. Sinon, on vérifie qu’au moins 67 % des données tombent dans l’ensemble des régions, et on prend la région la plus représentée. Au final, s’il s’agit d’une espèce endémique d’Europe, on n’a pas besoin de manipulation supplémentaire.
[1] 0.9998448939[1] 0.0001008189602[1] 1.551060926e-05
Figure 103.2: Occurrence de Abies alba dans la région d’endémisme.
103.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
120848 4297 3779 [1] 96.66702864
Figure 103.3: Occurrence de Abies alba dans la région d’endémisme, selon la licence : CC BY-NC en bleu ; CC0 et CC BY en orange.
Idéalement, on aimerait avoir au moins 50 % de données vraiment libres
d’utilisation (c’est-à-dire sans la clause -NC). On continue en supprimant les
données en CC BY-NC.
[1] 124627103.1.3 Sous-échantillonnage
Si le jeu de données contient 25 000 occurrences ou plus, on procède au sous-échantillonnage aléatoire pour en conserver un maximum de 25 000.
Simple feature collection with 25000 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -7.731111 ymin: 37.87 xmax: 23.427361 ymax: 69.557984
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1 e9 75956ee6-… http://pifh… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
2 4 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
3 1 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
4 3.e9 77f833ab-… c8d20d1a-63… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
5 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
6 4 e9 72e23311-… AmphiConsul… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
7 3.e9 f11a63fa-… 8324c99a-3c… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
8 2 e9 4ebe5835-… 96fdf224-05… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
9 3.e9 2e102194-… 41712_IPlus… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
10 2 e9 67fabcac-… 22058616 Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
# ℹ 24,990 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
103.2 Modélisation de la niche climatique
103.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -7.731111, 23.427361, 37.87, 69.557984 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= abal Data Formating -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
! Response variable is considered as only presences... Is it really what you want?
! No data has been set aside for modeling evaluation
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
Checking Pseudo-absence selection arguments...
> random pseudo absences selection
> Pseudo absences are selected in explanatory variables
! Some NAs have been automatically removed from your data
!!! Some data are located in the same raster cell.
Please set `filter.raster = TRUE` if you want an automatic filtering.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.formated.data -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
dir.name = Output
sp.name = abal
24993 presences, 0 true absences and 72918 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 2.272 Min. :-22.084000 Min. :-9.618667 Min. : 202.5070 Min. : 3.0000
1st Qu.:19.980 1st Qu.: -8.720000 1st Qu.: 7.992666 1st Qu.: 619.7362 1st Qu.: 181.0000
Median :22.764 Median : -3.928000 Median :12.348001 Median : 719.0775 Median : 225.0000
Mean :24.455 Mean : -4.620752 Mean :11.587506 Mean : 755.4477 Mean : 238.6631
3rd Qu.:27.820 3rd Qu.: -0.108000 3rd Qu.:15.840000 3rd Qu.: 896.5271 3rd Qu.: 303.0000
Max. :45.924 Max. : 12.148000 Max. :25.216667 Max. :1374.3781 Max. :1264.0000
prec_season
Min. : 4.687692
1st Qu.: 20.740456
Median : 30.328802
Mean : 34.493990
3rd Qu.: 39.081699
Max. :123.602058
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 103.5: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
$data.vect
class : SpatVector
geometry : points
dimensions : 174972, 2 (geometries, attributes)
extent : -10.4375, 46.97916667, 29.02083333, 70.97916667 (xmin, xmax, ymin, ymax)
coord. ref. :
names : resp dataset
type : <num> <chr>
values : 10 Initial dataset
10 Initial dataset
10 Initial dataset
$data.label
9 10 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 103.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
103.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for abal_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for abal_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for abal_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= abal Modeling Summary -=-=-=-=-=-=-=-=-=-=-=-=-=-=
6 environmental variables ( temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season )
Number of evaluation repetitions : 1
Models selected : GAM MARS MAXNET GBM ANN RF
Total number of model runs: 18
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=- Run : abal_PA1
-=-=-=--=-=-=- abal_PA1_RUN1
-=-=-=- Run : abal_PA2
-=-=-=--=-=-=- abal_PA2_RUN1
-=-=-=- Run : abal_PA3
-=-=-=--=-=-=- abal_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=103.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 abal_PA1_RUN1_GAM PA1 RUN1 GAM TSS 707.0 91.828
2 abal_PA1_RUN1_GAM PA1 RUN1 GAM ROC 704.5 91.878
3 abal_PA1_RUN1_MARS PA1 RUN1 MARS TSS 552.0 93.908
4 abal_PA1_RUN1_MARS PA1 RUN1 MARS ROC 557.5 93.813
5 abal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 370.0 93.498
6 abal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 356.5 94.343
specificity calibration validation evaluation
1 78.110 0.699 0.703 NA
2 78.065 0.864 0.864 NA
3 90.555 0.845 0.853 NA
4 90.710 0.975 0.975 NA
5 90.775 0.843 0.849 NA
6 90.005 0.977 0.977 NA
Figure 103.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
103.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 abal_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.272505
2 abal_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.176341
3 abal_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.019082
4 abal_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.592206
5 abal_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.071112
6 abal_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.203696
Figure 103.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 103.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
103.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : abal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=103.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 abal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 477.0 97.047 93.312
2 mergedAlgo TSS EMwmean ROC 460.5 97.535 92.829
calibration validation evaluation
1 0.904 NA NA
2 0.993 NA NA
Figure 103.11: Évaluation de la qualité du modèle d’ensemble : Aire sous la courbe de ROC & True Skill Statistic.
full.name merged.by.PA merged.by.run
1 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo expl.var rand var.imp
1 mergedAlgo TSS EMcv temp_max_august 1 0.161583
2 mergedAlgo TSS EMcv temp_min 1 0.134038
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.011868
4 mergedAlgo TSS EMcv temp_season 1 0.333151
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.065484
6 mergedAlgo TSS EMcv prec_season 1 0.092129Par variable :
Figure 103.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 103.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
103.3 Projections
103.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abal/current
sp.name : abal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abal/abal.AllModels.models.out )
models.projected :
abal_PA1_RUN1_GAM, abal_PA1_RUN1_MARS, abal_PA1_RUN1_MAXNET, abal_PA1_RUN1_GBM, abal_PA1_RUN1_RF, abal_PA2_RUN1_GAM, abal_PA2_RUN1_MARS, abal_PA2_RUN1_MAXNET, abal_PA2_RUN1_GBM, abal_PA2_RUN1_RF, abal_PA3_RUN1_GAM, abal_PA3_RUN1_MARS, abal_PA3_RUN1_MAXNET, abal_PA3_RUN1_GBM, abal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 103.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 103.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abal/current
sp.name : abal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abal/abal.AllModels.ensemble.models.out )
models.projected :
abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 103.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
103.3.2 Interpolation à l’échelle de la métropole
- → conditions climatiques favorables à fine échelle
On projette la niche climatique sur ce raster à fine échelle.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abal/cont_gre
sp.name : abal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abal/abal.AllModels.models.out )
models.projected :
abal_PA1_RUN1_GAM, abal_PA1_RUN1_MARS, abal_PA1_RUN1_MAXNET, abal_PA1_RUN1_GBM, abal_PA1_RUN1_RF, abal_PA2_RUN1_GAM, abal_PA2_RUN1_MARS, abal_PA2_RUN1_MAXNET, abal_PA2_RUN1_GBM, abal_PA2_RUN1_RF, abal_PA3_RUN1_GAM, abal_PA3_RUN1_MARS, abal_PA3_RUN1_MAXNET, abal_PA3_RUN1_GBM, abal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 103.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 103.18: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abal/cont_gre
sp.name : abal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abal/abal.AllModels.ensemble.models.out )
models.projected :
abal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 103.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
103.3.3 Distributions potentielles futures
Futur : Projection à l’échelle de l’Europe jusqu’à l’horizon 2100
Toutes les fenêtres temporelles × scénarios pour le GCM « IPSL-CM6A-LR »
- SSP1-2.6
Figure 103.20: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP1-2.6 (modèle d’ensemble).
On obtient pour la métrique TSS une carte unique de moyenne pondérée sur les algorithmes et sur les jeux de pseudo-absences.
- SSP2-4.5
Figure 103.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 103.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 103.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
103.4 Inférence à l’échelle de la métropole
- Croisement avec températures de surface 2019 (fournie par la métropole)
- → conditions climatiques favorables à fine échelle
- à peu près 7 pixels × 9 (WorldClim)
103.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 103.24: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP2-4.5
Figure 103.25: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP3-7.0
Figure 103.26: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
- SSP5-8.5
Figure 103.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
103.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <tab> <fct> <dbl>
1 277 581 785 708.4254 852 873 0 2000
2 145 299 485 501.4302 727 858 126 2040
3 102 237 375 416.5785 591 841 126 2060
4 141 249 382 432.9629 623 847 126 2080
5 144 248 384 424.2717 601 832 126 2100
6 143 281 459 485.7943 710 860 245 2040
7 104 224 338 371.0124 495 814 245 2060
8 97 203 287 312.3975 381 768 245 2080
9 91 180 235 248.2430 313 653 245 2100
10 111 294 462 480.6416 668 853 370 2040
11 102 219 329 359.6543 473 796 370 2060
12 82 169 219 228.0011 283 613 370 2080
13 44 97 114 151.7401 197 358 370 2100
14 145 276 449 475.6322 695 852 585 2040
15 100 194 278 304.1080 376 751 585 2060
16 52 111 137 165.3353 190 378 585 2080
17 40 51 65 122.7472 238 318 585 2100
Figure 103.28: Évolution de la favorabilité climatique au cours du XXIème siècle. Le point représente la médiane sur l’étendue de la métropole (i.e. tous les pixels de la carte) ; le trait gras représente 50 % des données intermédiaires (espace inter-quartile) ; le trait fin représente le reste des données du minimum au maximum.