109 Acer negundo
109.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.eqnd9g
Format: SIMPLE_CSV
Download key: 0252445-230224095556074
Created: 2023-05-20T15:30:42.725+00:00
Modified: 2023-05-20T15:32:10.102+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252445-230224095556074.zip
Total records: 65160Conversion 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 65110 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -149.856694 ymin: -46.452565 xmax: 176.894148 ymax: 65.76289
Geodetic CRS: WGS 84
# A tibble: 65,110 × 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 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
# ℹ 65,100 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 65 110 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 109.1: Occurrences de Acer negundo dans le monde.
109.1.1 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] 0.6457533405[1] 0.2889110736[1] 0.0206573491
Figure 109.2: Occurrence de Acer negundo dans la région d’endémisme.
109.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
33311
CC_BY_NC_4_0
6895
CC0_1_0
1636
https://creativecommons.org/licenses/by-nc/4.0/legalcode
155
https://creativecommons.org/licenses/by/4.0/legalcode
44
https://creativecommons.org/publicdomain/zero/1.0/legalcode
4 [1] 83.23225116
Figure 109.3: Occurrence de Acer negundo 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] 34995109.1.3 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: -9.141639 ymin: 33.654767 xmax: 46.97979 ymax: 65.76289
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 6 e6 857aa892-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
2 2 e9 dd238f50-… "4641dfd4-2… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
3 3 e9 50c9509d-… "https://ww… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
4 2 e9 14d5676a-… "q-10233316… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
5 3.e9 9f51fefe-… "unibuc_608" Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
6 2 e9 14d5676a-… "q-10036532… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
7 3.e9 28b85661-… "46209940" Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
8 2 e9 14d5676a-… "q-10076398… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
9 1 e8 857aa892-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
10 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Sapi… Sapin… Acer Acer n… ""
# 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>, …
109.2 Modélisation de la niche climatique
109.2.1 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 : -9.141639, 46.97979, 33.65477, 65.76289 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acne 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 = acne
24995 presences, 0 true absences and 72881 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-12.078 Min. : 0.0
1st Qu.:20.85 1st Qu.: -9.112 1st Qu.: 9.507 1st Qu.: 623.0
Median :24.78 Median : -2.420 Median : 13.162 Median : 741.0
Mean :25.35 Mean : -4.017 Mean : 12.632 Mean : 762.1
3rd Qu.:28.38 3rd Qu.: 1.180 3rd Qu.: 16.559 3rd Qu.: 904.4
Max. :45.72 Max. : 11.700 Max. : 25.938 Max. :1386.3
prec_wet_quart prec_season
Min. : 3 Min. : 5.698
1st Qu.: 175 1st Qu.: 22.315
Median : 213 Median : 31.260
Mean : 217 Mean : 35.264
3rd Qu.: 253 3rd Qu.: 39.796
Max. :1248 Max. :123.722
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 109.5: 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 : 174980, 2 (geometries, attributes)
extent : -10.4375, 46.97979, 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 109.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
109.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acne_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acne_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acne_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acne 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 : acne_PA1
-=-=-=--=-=-=- acne_PA1_RUN1
-=-=-=- Run : acne_PA2
-=-=-=--=-=-=- acne_PA2_RUN1
-=-=-=- Run : acne_PA3
-=-=-=--=-=-=- acne_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=109.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acne_PA1_RUN1_GAM PA1 RUN1 GAM TSS 677.0 85.857
2 acne_PA1_RUN1_GAM PA1 RUN1 GAM ROC 692.5 85.432
3 acne_PA1_RUN1_MARS PA1 RUN1 MARS TSS 619.0 85.972
4 acne_PA1_RUN1_MARS PA1 RUN1 MARS ROC 618.5 85.972
5 acne_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 450.0 84.172
6 acne_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 452.5 84.052
specificity calibration validation evaluation
1 69.375 0.552 0.553 NA
2 69.845 0.756 0.754 NA
3 89.855 0.758 0.761 NA
4 89.855 0.937 0.937 NA
5 92.260 0.765 0.771 NA
6 92.500 0.940 0.941 NA
Figure 109.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
109.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acne_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.505622
2 acne_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.527931
3 acne_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.017237
4 acne_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.110253
5 acne_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.013708
6 acne_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.146538
Figure 109.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 109.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
109.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acne
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acne_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=109.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acne_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acne_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 495.0 98.076 95.283
2 mergedAlgo TSS EMwmean ROC 538.5 97.283 96.090
calibration validation evaluation
1 0.933 NA NA
2 0.996 NA NA
Figure 109.11: 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 acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acne_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 0.653690
2 mergedAlgo TSS EMcv temp_min 1 0.591027
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.442967
4 mergedAlgo TSS EMcv temp_season 1 0.486439
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.478125
6 mergedAlgo TSS EMcv prec_season 1 0.503342Par variable :
Figure 109.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 109.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
109.3 Projections
109.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acne/current
sp.name : acne
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acne/acne.AllModels.models.out )
models.projected :
acne_PA1_RUN1_GAM, acne_PA1_RUN1_MARS, acne_PA1_RUN1_MAXNET, acne_PA1_RUN1_GBM, acne_PA1_RUN1_RF, acne_PA2_RUN1_GAM, acne_PA2_RUN1_MARS, acne_PA2_RUN1_MAXNET, acne_PA2_RUN1_GBM, acne_PA2_RUN1_RF, acne_PA3_RUN1_GAM, acne_PA3_RUN1_MARS, acne_PA3_RUN1_MAXNET, acne_PA3_RUN1_GBM, acne_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 109.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 109.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acne/current
sp.name : acne
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acne/acne.AllModels.ensemble.models.out )
models.projected :
acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acne_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 109.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
109.3.2 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/acne/cont_gre
sp.name : acne
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acne/acne.AllModels.models.out )
models.projected :
acne_PA1_RUN1_GAM, acne_PA1_RUN1_MARS, acne_PA1_RUN1_MAXNET, acne_PA1_RUN1_GBM, acne_PA1_RUN1_RF, acne_PA2_RUN1_GAM, acne_PA2_RUN1_MARS, acne_PA2_RUN1_MAXNET, acne_PA2_RUN1_GBM, acne_PA2_RUN1_RF, acne_PA3_RUN1_GAM, acne_PA3_RUN1_MARS, acne_PA3_RUN1_MAXNET, acne_PA3_RUN1_GBM, acne_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 109.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 109.18: 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/acne/cont_gre
sp.name : acne
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acne/acne.AllModels.ensemble.models.out )
models.projected :
acne_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acne_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 109.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
109.3.3 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 109.20: 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 109.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 109.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 109.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
109.4 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)
109.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 109.24: 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 109.25: 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 109.26: 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 109.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
109.4.2 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 11 283 451 468.8171 617 996 0 2000
2 199 478 545 554.6902 635 998 126 2040
3 233 423 498 509.8746 601 902 126 2060
4 226 449 518 522.6792 607 847 126 2080
5 202 394 495 497.8620 595 846 126 2100
6 185 480 540 549.2323 621 976 245 2040
7 227 432 508 515.0855 607 870 245 2060
8 208 467 533 527.3674 612 839 245 2080
9 177 435 479 483.0162 588 790 245 2100
10 233 460 539 555.0427 640 983 370 2040
11 203 413 491 497.8928 596 854 370 2060
12 193 435 498 503.5707 595 815 370 2080
13 159 367 476 443.7756 502 701 370 2100
14 208 445 519 524.4391 611 921 585 2040
15 207 452 487 495.0238 583 785 585 2060
16 161 445 487 474.1913 541 721 585 2080
17 139 413 486 448.6627 514 677 585 2100
Figure 109.28: 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.