236 Abies nordmanniana
236.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.83kunz
Format: SIMPLE_CSV
Download key: 0010147-230828120925497
Created: 2023-09-08T22:23:37.461+00:00
Modified: 2023-09-08T22:24:16.739+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0010147-230828120925497.zip
Total records: 2924Conversion 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 2924 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.1434 ymin: -43.358 xmax: 174.7694 ymax: 67.30405
Geodetic CRS: WGS 84
# A tibble: 2,924 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 991748733 bf2a4bf0-5f31… "http://dat… Plantae Trach… Pino… Pina… Pinac… Abies
2 920163352 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
3 920163282 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
4 920163244 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
5 920162874 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
6 920162859 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
7 920162805 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
8 920162645 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
9 920162635 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
10 900315571 30bc94f2-50aa… "urn:catalo… Plantae Trach… Pino… Pina… Pinac… Abies
# ℹ 2,914 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <chr>,
# 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>, …Il y a 2 924 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 236.1: Occurrences de Abies nordmanniana dans le monde.
236.1.1 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] 0.9907661[1] 0.005129959[1] 0.002393981
Figure 236.2: Occurrence de Abies nordmanniana dans la région d’endémisme.
236.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
2052
CC_BY_NC_4_0
257
CC0_1_0
500
https://creativecommons.org/licenses/by-nc/4.0/legalcode
72
https://creativecommons.org/licenses/by/4.0/legalcode
7
https://creativecommons.org/publicdomain/zero/1.0/legalcode
9 [1] 88.64342
Figure 236.3: Occurrence de Abies nordmanniana 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] 2568236.1.3 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 2568 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.739658 ymin: 37.86 xmax: 43.49615 ymax: 67.30405
Geodetic CRS: WGS 84
# A tibble: 2,568 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 920163352 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
2 920163282 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
3 920163244 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
4 920162874 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
5 920162859 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
6 920162805 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
7 920162645 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
8 920162635 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Abies
9 900315571 30bc94f2-50aa… "urn:catalo… Plantae Trach… Pino… Pina… Pinac… Abies
10 890523905 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Pinac… Abies
# ℹ 2,558 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <chr>,
# 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>, …
236.2 Modélisation de la niche climatique
236.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2568, 0 (geometries, attributes)
extent : -8.739658, 43.49615, 37.86, 67.30405 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= abno Data Formating -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
! Response variable is considered as only presences... Is it really what you want?
! No data has been set aside for modeling evaluation
! 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...
! No data has been set aside for modeling evaluation
> random pseudo absences selection
> Pseudo absences are selected in explanatory variables
! 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.
! No data has been set aside for modeling evaluation
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.formated.data -=-=-=-=-=-=-=-=-=-=-=-=-=-=
dir.name = Output
sp.name = abno
2568 presences, 0 true absences and 7671 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 6.42 Min. :-21.648 Min. :-8.647 Min. : 222.2
1st Qu.:19.95 1st Qu.: -8.712 1st Qu.: 8.566 1st Qu.: 614.2
Median :22.50 Median : -3.640 Median :12.495 Median : 722.2
Mean :24.36 Mean : -4.492 Mean :11.998 Mean : 756.1
3rd Qu.:28.01 3rd Qu.: 0.132 3rd Qu.:15.819 3rd Qu.: 894.8
Max. :44.90 Max. : 10.700 Max. :23.437 Max. :1353.7
prec_wet_quart prec_season
Min. : 6.0 Min. : 6.974
1st Qu.: 177.0 1st Qu.: 22.304
Median : 215.0 Median : 30.125
Mean : 219.3 Mean : 35.001
3rd Qu.: 253.0 3rd Qu.: 38.623
Max. :1214.0 Max. :118.054
3 Pseudo Absences dataset available ( PA1, PA2, PA3 ) with
2568 (PA1, PA2, PA3) pseudo absences
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 236.5: 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 : 17976, 2 (geometries, attributes)
extent : -10.4375, 46.97917, 29.02083, 70.97917 (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
"**Presences**" "Presences (calibration)"
11 12
"Presences (validation)" "Presences (evaluation)"
19 20
"**True Absences**" "True Absences (calibration)"
21 22
"True Absences (validation)" "True Absences (evaluation)"
29 30
"**Pseudo-Absences**" "Pseudo-Absences (calibration)"
31 1
"Pseudo-Absences (validation)" "Background"
$data.plot
Figure 236.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
236.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
> Automatic weights creation to rise a 0.5 prevalence
! ignored obsolete argument 'do.full.models' as 'CV.do.full.models' was also given
!!! argument 'do.full.models' is obsolete, please use 'CV.perc' instead.
/! 'CV.perc' is on a scale 0-1 and was set to data.split.perc/100 = 0.8
! ignored obsolete argument 'nb.rep' as 'CV.nb.rep' was also given
Creating suitable Workdir...
Checking Cross-Validation arguments...
> Random cross-validation selection
-=-=-=-=-=-=-=-=-=-=-=-=-=-= abno Modeling Summary -=-=-=-=-=-=-=-=-=-=-=-=-=-=
6 environmental variables ( temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season )
Number of evaluation repetitions : 3
Models selected : GAM MARS MAXNET GBM ANN RF
Total number of model runs: 18
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=236.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 abno_PA1_RUN1_GAM PA1 RUN1 GAM TSS 558.0 94.255
2 abno_PA1_RUN1_GAM PA1 RUN1 GAM ROC 504.5 95.716
3 abno_PA1_RUN1_MARS PA1 RUN1 MARS TSS 537.0 93.087
4 abno_PA1_RUN1_MARS PA1 RUN1 MARS ROC 498.5 94.255
5 abno_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 378.0 95.521
6 abno_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 380.5 95.521
specificity calibration validation evaluation
1 86.465 0.807 0.835 NA
2 85.102 0.957 0.966 NA
3 85.492 0.787 0.813 NA
4 84.421 0.953 0.963 NA
5 84.421 0.801 0.831 NA
6 84.615 0.954 0.964 NA
Figure 236.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
236.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 abno_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.224306
2 abno_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.054131
3 abno_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.031502
4 abno_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.345201
5 abno_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.007054
6 abno_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.163059
Figure 236.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 236.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
236.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : abno
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abno_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=236.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 abno_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 abno_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 654.0 92.212 93.378 0.856 NA NA
2 TSS EMwmean ROC 623.5 93.419 92.230 0.982 NA NA
Figure 236.11: 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 merged.by.algo filtered.by
1 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.121163
2 EMcv temp_min 1 0.071900
3 EMcv temp_wet_quart 1 0.031285
4 EMcv temp_season 1 0.481954
5 EMcv prec_wet_quart 1 0.041824
6 EMcv prec_season 1 0.202101Par variable :
Figure 236.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 236.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
236.3 Projections
236.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abno/current
sp.name : abno
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/abno/abno.AllModels.models.out )
models.projected :
abno_PA1_RUN1_GAM, abno_PA1_RUN1_MARS, abno_PA1_RUN1_MAXNET, abno_PA1_RUN1_GBM, abno_PA1_RUN1_RF, abno_PA2_RUN1_GAM, abno_PA2_RUN1_MARS, abno_PA2_RUN1_MAXNET, abno_PA2_RUN1_GBM, abno_PA2_RUN1_ANN, abno_PA2_RUN1_RF, abno_PA3_RUN1_GAM, abno_PA3_RUN1_MARS, abno_PA3_RUN1_MAXNET, abno_PA3_RUN1_GBM, abno_PA3_RUN1_ANN, abno_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 236.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 236.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abno/current
sp.name : abno
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/abno/abno.AllModels.ensemble.models.out )
models.projected :
abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abno_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 236.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
236.3.2 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/abno/cont_gre
sp.name : abno
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/abno/abno.AllModels.models.out )
models.projected :
abno_PA1_RUN1_GAM, abno_PA1_RUN1_MARS, abno_PA1_RUN1_MAXNET, abno_PA1_RUN1_GBM, abno_PA1_RUN1_RF, abno_PA2_RUN1_GAM, abno_PA2_RUN1_MARS, abno_PA2_RUN1_MAXNET, abno_PA2_RUN1_GBM, abno_PA2_RUN1_ANN, abno_PA2_RUN1_RF, abno_PA3_RUN1_GAM, abno_PA3_RUN1_MARS, abno_PA3_RUN1_MAXNET, abno_PA3_RUN1_GBM, abno_PA3_RUN1_ANN, abno_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 236.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 236.18: 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/abno/cont_gre
sp.name : abno
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/abno/abno.AllModels.ensemble.models.out )
models.projected :
abno_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abno_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 236.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
236.3.3 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 236.20: 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 236.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 236.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 236.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
236.4 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)
236.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 236.24: 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 236.25: 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 236.26: 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 236.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
236.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <fct> <dbl>
1 290 509 781 690.6210195 821 886 0 2000
2 280 391 678 604.2691922 763 849 126 2040
3 233 357 604 556.0549769 720 841 126 2060
4 274 372 604 563.5681778 722 847 126 2080
5 254 364 604 561.9061537 723 839 126 2100
6 292 389 663 600.9125249 767 850 245 2040
7 207 358 561 525.3068085 682 817 245 2060
8 168 312 448 462.0121299 613 794 245 2080
9 148 255 366 389.5421204 534 746 245 2100
10 270 385 664 597.3240864 755 848 370 2040
11 191 340 540 513.6639542 676 820 370 2060
12 137 227 322 347.8759580 459 756 370 2080
13 94 127 186 209.4350450 279 572 370 2100
14 293 384 655 593.3446235 749 857 585 2040
15 166 314 470 469.3927575 621 794 585 2060
16 106 140 212 239.1422601 326 636 585 2080
17 59 79 106 120.2708044 158 281 585 2100
Figure 236.28: 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.