10 Acer campestre
10.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.q67yyk
Format: SIMPLE_CSV
Download key: 0230450-230224095556074
Created: 2023-05-10T16:04:03.728+00:00
Modified: 2023-05-10T16:13:56.314+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230450-230224095556074.zip
Total records: 308684Conversion 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 304994 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.75688 ymin: -43.567448 xmax: 172.653137 ymax: 63.442031
Geodetic CRS: WGS 84
# A tibble: 304,994 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
# ℹ 304,984 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 304 994 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 10.1: Occurrences de Acer campestre dans le monde.
10.1.1 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] 0.9987803039[1] 0.001065594733[1] 3.93450363e-05
Figure 10.2: Occurrence de Acer campestre dans la région d’endémisme.
10.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
245729 48934 9959 [1] 83.93615694
Figure 10.3: Occurrence de Acer campestre 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] 25568810.1.3 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: -8.221751 ymin: 37.163026 xmax: 42.6061 ymax: 63.434
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 2 e9 a814f323-… "SR00011800… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
2 2 e9 dd366f57-… "304CEA6E-B… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
3 2 e9 14d5676a-… "q-10092485… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
4 3.e9 e5f16d86-… "4168dff2-5… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
5 3.e9 14d81697-… "cf3c0a8c-5… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
6 6 e6 857aa892-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
7 2 e9 0d8cc344-… "b5a83c34-1… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
8 3.e9 688a357d-… "c1c3a147-5… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
9 1 e9 75956ee6-… "http://pif… Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
10 6 e6 857aa892-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer c… ""
# 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>, …
10.2 Modélisation de la niche climatique
10.2.1 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 : -8.221751, 42.6061, 37.163026, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acca 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 = acca
24998 presences, 0 true absences and 72891 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-22.000000 Min. :-12.086667 Min. : 0.0000 Min. : 3.0000
1st Qu.:20.64400 1st Qu.: -8.768000 1st Qu.: 8.248667 1st Qu.: 605.6910 1st Qu.: 175.0000
Median :23.82000 Median : -2.588000 Median : 12.568666 Median : 719.4681 Median : 217.0000
Mean :24.97589 Mean : -4.019596 Mean : 12.033592 Mean : 750.9204 Mean : 219.2983
3rd Qu.:27.96800 3rd Qu.: 0.960000 3rd Qu.: 16.114666 3rd Qu.: 896.5963 3rd Qu.: 255.0000
Max. :45.96800 Max. : 12.148000 Max. : 26.380001 Max. :1392.7480 Max. :1243.0000
prec_season
Min. : 5.126035
1st Qu.: 19.866373
Median : 30.282345
Mean : 34.072753
3rd Qu.: 39.149487
Max. :123.722084
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 10.5: 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 : 174992, 2 (geometries, attributes)
extent : -10.5625, 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 10.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
10.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acca_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acca_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acca_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acca 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 : acca_PA1
-=-=-=--=-=-=- acca_PA1_RUN1
-=-=-=- Run : acca_PA2
-=-=-=--=-=-=- acca_PA2_RUN1
-=-=-=- Run : acca_PA3
-=-=-=--=-=-=- acca_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=10.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 acca_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 95.865 78.830 0.747
2 acca_PA1_RUN1_GAM PA1 RUN1 GAM ROC 640.5 95.805 78.965 0.911
3 acca_PA1_RUN1_MARS PA1 RUN1 MARS TSS 479.0 96.655 88.000 0.847
4 acca_PA1_RUN1_MARS PA1 RUN1 MARS ROC 479.5 96.645 88.015 0.964
5 acca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 368.0 95.145 89.205 0.844
6 acca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 363.5 95.340 89.020 0.961
validation evaluation
1 0.744 NA
2 0.907 NA
3 0.843 NA
4 0.961 NA
5 0.840 NA
6 0.959 NA
Figure 10.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
10.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acca_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.225835
2 acca_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.062842
3 acca_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.007775
4 acca_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.582405
5 acca_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.144702
6 acca_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.023005
Figure 10.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 10.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
10.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=10.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 acca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 acca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 552.0 96.384 92.328 0.887 NA NA
2 TSS EMwmean ROC 552.5 96.372 92.356 0.987 NA NA
Figure 10.11: 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 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.140406
2 EMcv temp_min 1 0.121709
3 EMcv temp_wet_quart 1 0.031945
4 EMcv temp_season 1 0.254828
5 EMcv prec_wet_quart 1 0.080875
6 EMcv prec_season 1 0.174114Par variable :
Figure 10.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 10.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
10.3 Projections
10.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acca/current
sp.name : acca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/acca/acca.AllModels.models.out )
models.projected :
acca_PA1_RUN1_GAM, acca_PA1_RUN1_MARS, acca_PA1_RUN1_MAXNET, acca_PA1_RUN1_GBM, acca_PA1_RUN1_RF, acca_PA2_RUN1_GAM, acca_PA2_RUN1_MARS, acca_PA2_RUN1_MAXNET, acca_PA2_RUN1_GBM, acca_PA2_RUN1_RF, acca_PA3_RUN1_GAM, acca_PA3_RUN1_MARS, acca_PA3_RUN1_MAXNET, acca_PA3_RUN1_GBM, acca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 10.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 10.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acca/current
sp.name : acca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/acca/acca.AllModels.ensemble.models.out )
models.projected :
acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 10.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
10.3.2 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/acca/cont_gre
sp.name : acca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/acca/acca.AllModels.models.out )
models.projected :
acca_PA1_RUN1_GAM, acca_PA1_RUN1_MARS, acca_PA1_RUN1_MAXNET, acca_PA1_RUN1_GBM, acca_PA1_RUN1_RF, acca_PA2_RUN1_GAM, acca_PA2_RUN1_MARS, acca_PA2_RUN1_MAXNET, acca_PA2_RUN1_GBM, acca_PA2_RUN1_RF, acca_PA3_RUN1_GAM, acca_PA3_RUN1_MARS, acca_PA3_RUN1_MAXNET, acca_PA3_RUN1_GBM, acca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 10.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 10.18: 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/acca/cont_gre
sp.name : acca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/acca/acca.AllModels.ensemble.models.out )
models.projected :
acca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 10.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
10.3.3 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 10.20: 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 10.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 10.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 10.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
10.4 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)
10.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 10.24: 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 10.25: 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 10.26: 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 10.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
10.4.2 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>
1 394 669 762 731.4663 815 861 0 2000
2 258 562 729 665.3183 807 857 126 2040
3 191 491 672 623.2544 782 851 126 2060
4 232 495 674 623.8257 767 854 126 2080
5 266 523 692 636.7667 775 843 126 2100
6 246 554 725 662.7319 810 859 245 2040
7 162 434 609 573.1369 738 846 245 2060
8 163 411 586 555.3989 709 823 245 2080
9 159 357 536 497.6010 642 769 245 2100
10 174 536 698 644.3749 798 854 370 2040
11 168 453 624 587.7872 748 832 370 2060
12 158 321 493 469.1442 617 779 370 2080
13 115 201 251 260.0805 299 543 370 2100
14 244 538 709 647.8268 787 853 585 2040
15 161 397 577 540.1284 699 805 585 2060
16 160 205 286 297.5193 369 558 585 2080
17 96 157 183 180.2484 203 292 585 2100
Figure 10.28: 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.