110 Acer opalus
110.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.qbykuw
Format: SIMPLE_CSV
Download key: 0252448-230224095556074
Created: 2023-05-20T15:32:47.094+00:00
Modified: 2023-05-20T15:33:56.406+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252448-230224095556074.zip
Total records: 38476Conversion 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 38476 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -6.184996 ymin: 36.463917 xmax: 24.6994 ymax: 57.99369
Geodetic CRS: WGS 84
# A tibble: 38,476 × 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… Magn… Sapi… Sapin… Acer Acer o… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
5 9e8 837acfc2-… "HSS:HSS:55… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
6 8e8 834a4794-… "4FC71F98-5… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
7 8e8 834a4794-… "55380384-0… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
8 8e8 834a4794-… "46A762CD-0… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
9 8e8 834a4794-… "981C441C-3… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
10 8e8 834a4794-… "E9F85B63-C… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
# ℹ 38,466 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 38 476 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 110.1: Occurrences de Acer opalus dans le monde.
110.1.1 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] 1[1] 0[1] 0
Figure 110.2: Occurrence de Acer opalus dans la région d’endémisme.
110.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
37849
CC_BY_NC_4_0
579
CC0_1_0
44
https://creativecommons.org/licenses/by-nc/4.0/legalcode
2
https://creativecommons.org/publicdomain/zero/1.0/legalcode
2 [1] 98.48996777
Figure 110.3: Occurrence de Acer opalus 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] 37895110.1.3 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: -6.184996 ymin: 36.463917 xmax: 24.673126 ymax: 56.87515
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 3.e9 7a3679ef-… o-1009059167 Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
2 2 e9 0d8cc344-… 02079ffb-8d… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
3 2 e9 0d8cc344-… 839e7aed-8d… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
4 2 e9 0d8cc344-… 47896b61-8d… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
5 3.e9 e5f16d86-… 434ad9cb-71… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
6 2 e9 0d8cc344-… 6e633879-df… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
8 2 e9 0d8cc344-… 921127ab-6a… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… "opalus"
9 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
10 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Sapi… Sapin… Acer Acer o… ""
# 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
110.2 Modélisation de la niche climatique
110.2.1 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 : -6.184996, 24.67313, 36.46392, 56.87515 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acop 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 = acop
24999 presences, 0 true absences and 72977 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.084 Min. :-24.584 Min. :-9.955 Min. : 0.0
1st Qu.:20.576 1st Qu.: -8.600 1st Qu.: 8.070 1st Qu.: 629.2
Median :23.836 Median : -3.396 Median :11.651 Median : 711.9
Mean :24.952 Mean : -4.385 Mean :11.447 Mean : 756.8
3rd Qu.:27.944 3rd Qu.: 0.184 3rd Qu.:15.555 3rd Qu.: 893.9
Max. :45.968 Max. : 12.196 Max. :26.380 Max. :1365.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 182.0 1st Qu.: 21.35
Median : 229.0 Median : 30.37
Mean : 238.8 Mean : 34.79
3rd Qu.: 312.0 3rd Qu.: 39.16
Max. :1248.0 Max. :123.66
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 110.5: 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 : 174996, 2 (geometries, attributes)
extent : -10.5625, 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 110.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
110.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acop_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acop_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acop_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acop 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 : acop_PA1
-=-=-=--=-=-=- acop_PA1_RUN1
-=-=-=- Run : acop_PA2
-=-=-=--=-=-=- acop_PA2_RUN1
-=-=-=- Run : acop_PA3
-=-=-=--=-=-=- acop_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=110.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acop_PA1_RUN1_GAM PA1 RUN1 GAM TSS 798.0 97.765
2 acop_PA1_RUN1_GAM PA1 RUN1 GAM ROC 798.5 97.755
3 acop_PA1_RUN1_MARS PA1 RUN1 MARS TSS 413.0 98.770
4 acop_PA1_RUN1_MARS PA1 RUN1 MARS ROC 413.5 98.765
5 acop_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 355.0 97.250
6 acop_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 354.5 97.250
specificity calibration validation evaluation
1 77.075 0.748 0.749 NA
2 77.090 0.838 0.838 NA
3 93.775 0.926 0.926 NA
4 93.795 0.991 0.990 NA
5 95.655 0.929 0.930 NA
6 95.655 0.987 0.987 NA
Figure 110.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
110.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acop_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.329353
2 acop_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.186553
3 acop_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.019182
4 acop_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.726077
5 acop_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.132598
6 acop_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.019589
Figure 110.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 110.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
110.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acop
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acop_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=110.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acop_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acop_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 579.0 98.18 98.234
2 mergedAlgo TSS EMwmean ROC 578.5 98.18 98.234
calibration validation evaluation
1 0.964 NA NA
2 0.998 NA NA
Figure 110.11: 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 acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acop_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 0.094908
2 mergedAlgo TSS EMcv temp_min 1 0.122173
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.021525
4 mergedAlgo TSS EMcv temp_season 1 0.459340
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.152588
6 mergedAlgo TSS EMcv prec_season 1 0.140613Par variable :
Figure 110.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 110.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
110.3 Projections
110.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acop/current
sp.name : acop
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acop/acop.AllModels.models.out )
models.projected :
acop_PA1_RUN1_GAM, acop_PA1_RUN1_MARS, acop_PA1_RUN1_MAXNET, acop_PA1_RUN1_GBM, acop_PA1_RUN1_RF, acop_PA2_RUN1_GAM, acop_PA2_RUN1_MARS, acop_PA2_RUN1_MAXNET, acop_PA2_RUN1_GBM, acop_PA2_RUN1_RF, acop_PA3_RUN1_GAM, acop_PA3_RUN1_MARS, acop_PA3_RUN1_MAXNET, acop_PA3_RUN1_GBM, acop_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 110.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 110.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acop/current
sp.name : acop
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acop/acop.AllModels.ensemble.models.out )
models.projected :
acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acop_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 110.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
110.3.2 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/acop/cont_gre
sp.name : acop
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acop/acop.AllModels.models.out )
models.projected :
acop_PA1_RUN1_GAM, acop_PA1_RUN1_MARS, acop_PA1_RUN1_MAXNET, acop_PA1_RUN1_GBM, acop_PA1_RUN1_RF, acop_PA2_RUN1_GAM, acop_PA2_RUN1_MARS, acop_PA2_RUN1_MAXNET, acop_PA2_RUN1_GBM, acop_PA2_RUN1_RF, acop_PA3_RUN1_GAM, acop_PA3_RUN1_MARS, acop_PA3_RUN1_MAXNET, acop_PA3_RUN1_GBM, acop_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 110.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 110.18: 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/acop/cont_gre
sp.name : acop
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acop/acop.AllModels.ensemble.models.out )
models.projected :
acop_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acop_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 110.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
110.3.3 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 110.20: 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 110.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 110.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 110.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
110.4 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)
110.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 110.24: 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 110.25: 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 110.26: 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 110.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
110.4.2 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>
1 249 696 774 747.7777 846 889 0 2000
2 183 348 663 583.0304 809 874 126 2040
3 174 278 557 526.1932 755 854 126 2060
4 178 297 601 542.3621 774 860 126 2080
5 192 361 664 569.3914 750 848 126 2100
6 193 372 674 594.8868 812 872 245 2040
7 166 234 401 459.0241 704 831 245 2060
8 165 218 369 444.7739 705 826 245 2080
9 140 200 282 377.3599 605 741 245 2100
10 177 321 563 548.0482 777 864 370 2040
11 169 239 447 475.8481 714 821 370 2060
12 99 164 233 334.6937 544 748 370 2080
13 68 120 151 157.8598 194 314 370 2100
14 184 336 635 565.2381 788 867 585 2040
15 163 210 325 414.9568 666 798 585 2060
16 105 136 155 180.6332 229 423 585 2080
17 49 72 109 102.2848 127 166 585 2100
Figure 110.28: 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.