105 Abies pinsapo
105.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.tc82xu
Format: SIMPLE_CSV
Download key: 0252437-230224095556074
Created: 2023-05-20T15:26:18.655+00:00
Modified: 2023-05-20T15:27:11.113+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252437-230224095556074.zip
Total records: 906Conversion 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 906 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.385 ymin: -43.588782 xmax: 175.706681 ymax: 56.02313
Geodetic CRS: WGS 84
# A tibble: 906 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
3 9e8 837acfc2-… "HSS:HSS:56… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
4 9e8 837acfc2-… "HSS:HSS:56… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
5 9e8 837acfc2-… "HSS:HSS:56… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
6 9e8 837acfc2-… "HSS:HSS:28… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
7 9e8 837acfc2-… "HSS:HSS:28… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
8 9e8 837acfc2-… "HSS:HSS:49… Plantae Trach… Pino… Pina… Pinac… Abies Abies … "marocana"
9 9e8 837acfc2-… "HSS:HSS:27… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
10 8e8 834a4794-… "A29A1AFD-6… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
# ℹ 896 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 <lgl>,
# 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 906 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 105.1: Occurrences de Abies pinsapo dans le monde.
105.1.1 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] 0.9768211921[1] 0.01324503311[1] 0
Figure 105.2: Occurrence de Abies pinsapo dans la région d’endémisme.
105.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
622
CC_BY_NC_4_0
237
CC0_1_0
25
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1 [1] 73.10734463
Figure 105.3: Occurrence de Abies pinsapo 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] 647105.1.3 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 647 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.41 ymin: 35.13 xmax: 45.567749 ymax: 56.02313
Geodetic CRS: WGS 84
# A tibble: 647 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
3 4e9 50c9509d-… "https://ww… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
4 4e9 017f23ba-… "f01776ff-2… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
5 4e9 017f23ba-… "5caf205c-b… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
6 4e9 017f23ba-… "ea3be34a-b… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
7 4e9 017f23ba-… "b0e4b441-1… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
8 4e9 017f23ba-… "9aef2b03-4… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
9 4e9 017f23ba-… "281edaa1-0… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
10 4e9 017f23ba-… "eb06ab08-c… Plantae Trach… Pino… Pina… Pinac… Abies Abies … ""
# ℹ 637 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
105.2 Modélisation de la niche climatique
105.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 647, 0 (geometries, attributes)
extent : -8.41, 45.56775, 35.13, 56.02313 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= abpi 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 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 = abpi
647 presences, 0 true absences and 1938 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.48 Min. :-21.680 Min. :-8.539 Min. : 318.4
1st Qu.:20.72 1st Qu.: -8.412 1st Qu.: 8.635 1st Qu.: 628.2
Median :25.45 Median : -2.168 Median :12.505 Median : 717.6
Mean :25.87 Mean : -3.771 Mean :11.993 Mean : 756.1
3rd Qu.:29.56 3rd Qu.: 1.348 3rd Qu.:15.715 3rd Qu.: 895.8
Max. :44.82 Max. : 9.526 Max. :23.555 Max. :1340.7
prec_wet_quart prec_season
Min. : 5.0 Min. : 4.688
1st Qu.: 169.0 1st Qu.: 25.431
Median : 216.0 Median : 32.805
Mean : 221.3 Mean : 37.891
3rd Qu.: 263.0 3rd Qu.: 43.095
Max. :1245.0 Max. :119.545
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 105.5: 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 : 4529, 2 (geometries, attributes)
extent : -9.6875, 46.97917, 29.02083, 70.9375 (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 105.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
105.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for abpi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for abpi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for abpi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= abpi 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 : abpi_PA1
-=-=-=--=-=-=- abpi_PA1_RUN1
-=-=-=- Run : abpi_PA2
-=-=-=--=-=-=- abpi_PA2_RUN1
-=-=-=- Run : abpi_PA3
-=-=-=--=-=-=- abpi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=105.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 abpi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 96.332
2 abpi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 619.5 96.332
3 abpi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 430.0 94.981
4 abpi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 427.0 94.981
5 abpi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 363.0 94.788
6 abpi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 368.5 94.402
specificity calibration validation evaluation
1 65.444 0.620 0.636 NA
2 65.637 0.788 0.818 NA
3 82.046 0.768 0.798 NA
4 82.046 0.939 0.965 NA
5 81.660 0.764 0.798 NA
6 82.239 0.936 0.956 NA
Figure 105.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
105.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 abpi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.225268
2 abpi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.258072
3 abpi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.027713
4 abpi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.422615
5 abpi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.075324
6 abpi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.130224
Figure 105.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 105.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
105.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : abpi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abpi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=105.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 abpi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abpi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 547.0 95.827 90.918
2 mergedAlgo TSS EMwmean ROC 542.5 95.981 90.918
calibration validation evaluation
1 0.867 NA NA
2 0.986 NA NA
Figure 105.11: 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 abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 abpi_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 0.138041
2 mergedAlgo TSS EMcv temp_min 1 0.300408
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.033873
4 mergedAlgo TSS EMcv temp_season 1 0.247270
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.217265
6 mergedAlgo TSS EMcv prec_season 1 0.080407Par variable :
Figure 105.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 105.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
105.3 Projections
105.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abpi/current
sp.name : abpi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abpi/abpi.AllModels.models.out )
models.projected :
abpi_PA1_RUN1_GAM, abpi_PA1_RUN1_MARS, abpi_PA1_RUN1_MAXNET, abpi_PA1_RUN1_GBM, abpi_PA1_RUN1_RF, abpi_PA2_RUN1_GAM, abpi_PA2_RUN1_MARS, abpi_PA2_RUN1_MAXNET, abpi_PA2_RUN1_GBM, abpi_PA2_RUN1_ANN, abpi_PA2_RUN1_RF, abpi_PA3_RUN1_GAM, abpi_PA3_RUN1_MARS, abpi_PA3_RUN1_MAXNET, abpi_PA3_RUN1_GBM, abpi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 105.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 105.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abpi/current
sp.name : abpi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abpi/abpi.AllModels.ensemble.models.out )
models.projected :
abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abpi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 105.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
105.3.2 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/abpi/cont_gre
sp.name : abpi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abpi/abpi.AllModels.models.out )
models.projected :
abpi_PA1_RUN1_GAM, abpi_PA1_RUN1_MARS, abpi_PA1_RUN1_MAXNET, abpi_PA1_RUN1_GBM, abpi_PA1_RUN1_RF, abpi_PA2_RUN1_GAM, abpi_PA2_RUN1_MARS, abpi_PA2_RUN1_MAXNET, abpi_PA2_RUN1_GBM, abpi_PA2_RUN1_ANN, abpi_PA2_RUN1_RF, abpi_PA3_RUN1_GAM, abpi_PA3_RUN1_MARS, abpi_PA3_RUN1_MAXNET, abpi_PA3_RUN1_GBM, abpi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 105.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 105.18: 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/abpi/cont_gre
sp.name : abpi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abpi/abpi.AllModels.ensemble.models.out )
models.projected :
abpi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abpi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 105.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
105.3.3 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 105.20: 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 105.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 105.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 105.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
105.4 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)
105.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 105.24: 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 105.25: 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 105.26: 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 105.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
105.4.2 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>
1 177 345 587 544.8918 710 851 0 2000
2 201 490 575 578.8787 704 830 126 2040
3 236 428 541 552.3106 692 823 126 2060
4 275 500 588 599.2086 741 842 126 2080
5 247 500 594 599.3374 731 830 126 2100
6 209 494 578 585.1868 716 828 245 2040
7 247 354 517 503.8837 635 805 245 2060
8 239 342 510 503.8896 650 805 245 2080
9 214 295 441 446.3437 574 785 245 2100
10 182 395 538 531.1843 656 823 370 2040
11 236 364 514 515.8047 663 812 370 2060
12 174 271 352 401.8780 519 755 370 2080
13 136 188 209 238.5363 283 552 370 2100
14 211 508 592 597.0444 728 836 585 2040
15 232 308 470 461.9118 587 793 585 2060
16 163 196 239 267.4802 317 574 585 2080
17 91 107 138 139.9019 162 307 585 2100
Figure 105.28: 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.