17 Acer platanoides
17.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.hqvwhm
Format: SIMPLE_CSV
Download key: 0230924-230224095556074
Created: 2023-05-10T20:43:05.083+00:00
Modified: 2023-05-10T20:49:49.451+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230924-230224095556074.zip
Total records: 458944Conversion 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 234461 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -149.9108 ymin: -46.561126 xmax: 173.037437 ymax: 69.642909
Geodetic CRS: WGS 84
# A tibble: 234,461 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
# ℹ 234,451 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 234 461 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 17.1: Occurrences de Acer platanoides dans le monde.
17.1.1 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] 0.9606416419[1] 0.03014147342[1] 0.0001364832531
Figure 17.2: Occurrence de Acer platanoides dans la région d’endémisme.
17.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
107755 22724 94754 [1] 89.91089228
Figure 17.3: Occurrence de Acer platanoides 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] 20250917.1.3 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: -9.538206 ymin: 39.474736 xmax: 46.829213 ymax: 66.150532
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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
2 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
3 2 e9 f2e389da-… http://tun.… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
4 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
5 3.e9 f11a63fa-… 11111a63-83… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
6 1.e9 2e4cc37b-… 546893 Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
7 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
8 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
9 2 e9 67fabcac-… 3883054 Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
10 2 e9 bfc6fe18-… Natuurpunt:… Plantae Trach… Magn… Sapi… Sapin… Acer Acer p… ""
# 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>, …
17.2 Modélisation de la niche climatique
17.2.1 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 : -9.538206, 46.82921, 39.47474, 66.15053 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acpl 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 = acpl
24988 presences, 0 true absences and 72894 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.036 Min. :-12.087 Min. : 0.0
1st Qu.:19.90 1st Qu.: -9.248 1st Qu.: 9.128 1st Qu.: 647.8
Median :22.79 Median : -4.784 Median : 13.394 Median : 745.1
Mean :24.43 Mean : -4.819 Mean : 12.426 Mean : 769.2
3rd Qu.:27.90 3rd Qu.: 0.516 3rd Qu.: 16.087 3rd Qu.: 901.1
Max. :46.05 Max. : 12.400 Max. : 25.695 Max. :1358.0
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.911
1st Qu.: 176.0 1st Qu.: 22.806
Median : 213.0 Median : 30.604
Mean : 215.5 Mean : 35.290
3rd Qu.: 245.0 3rd Qu.: 39.005
Max. :1240.0 Max. :123.648
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 17.5: 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 : 174952, 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 17.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
17.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acpl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acpl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acpl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acpl 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 : acpl_PA1
-=-=-=--=-=-=- acpl_PA1_RUN1
-=-=-=- Run : acpl_PA2
-=-=-=--=-=-=- acpl_PA2_RUN1
-=-=-=- Run : acpl_PA3
-=-=-=--=-=-=- acpl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=17.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acpl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 606.0 93.122
2 acpl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 614.5 93.002
3 acpl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 530.0 91.451
4 acpl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 538.5 91.226
5 acpl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 396.0 91.456
6 acpl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 384.5 92.186
specificity calibration validation evaluation
1 76.490 0.696 0.687 NA
2 76.720 0.894 0.890 NA
3 85.890 0.773 0.763 NA
4 86.130 0.938 0.935 NA
5 85.195 0.767 0.764 NA
6 84.515 0.938 0.936 NA
Figure 17.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
17.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acpl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.255395
2 acpl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.048222
3 acpl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.059040
4 acpl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.343438
5 acpl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.130360
6 acpl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.409936
Figure 17.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 17.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
17.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acpl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acpl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=17.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acpl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acpl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 606.0 97.223 95.717
2 mergedAlgo TSS EMwmean ROC 614.5 97.075 95.873
calibration validation evaluation
1 0.929 NA NA
2 0.996 NA NA
Figure 17.11: 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 acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acpl_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 0.642263
2 mergedAlgo TSS EMcv temp_min 1 0.556356
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.449873
4 mergedAlgo TSS EMcv temp_season 1 0.502649
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.396566
6 mergedAlgo TSS EMcv prec_season 1 0.494015Par variable :
Figure 17.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 17.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
17.3 Projections
17.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acpl/current
sp.name : acpl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acpl/acpl.AllModels.models.out )
models.projected :
acpl_PA1_RUN1_GAM, acpl_PA1_RUN1_MARS, acpl_PA1_RUN1_MAXNET, acpl_PA1_RUN1_GBM, acpl_PA1_RUN1_RF, acpl_PA2_RUN1_GAM, acpl_PA2_RUN1_MARS, acpl_PA2_RUN1_MAXNET, acpl_PA2_RUN1_GBM, acpl_PA2_RUN1_ANN, acpl_PA2_RUN1_RF, acpl_PA3_RUN1_GAM, acpl_PA3_RUN1_MARS, acpl_PA3_RUN1_MAXNET, acpl_PA3_RUN1_GBM, acpl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 17.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 17.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acpl/current
sp.name : acpl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acpl/acpl.AllModels.ensemble.models.out )
models.projected :
acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acpl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 17.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
17.3.2 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/acpl/cont_gre
sp.name : acpl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acpl/acpl.AllModels.models.out )
models.projected :
acpl_PA1_RUN1_GAM, acpl_PA1_RUN1_MARS, acpl_PA1_RUN1_MAXNET, acpl_PA1_RUN1_GBM, acpl_PA1_RUN1_RF, acpl_PA2_RUN1_GAM, acpl_PA2_RUN1_MARS, acpl_PA2_RUN1_MAXNET, acpl_PA2_RUN1_GBM, acpl_PA2_RUN1_ANN, acpl_PA2_RUN1_RF, acpl_PA3_RUN1_GAM, acpl_PA3_RUN1_MARS, acpl_PA3_RUN1_MAXNET, acpl_PA3_RUN1_GBM, acpl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 17.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 17.18: 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/acpl/cont_gre
sp.name : acpl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acpl/acpl.AllModels.ensemble.models.out )
models.projected :
acpl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acpl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 17.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
17.3.3 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 17.20: 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 17.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 17.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 17.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
17.4 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)
17.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 17.24: 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 17.25: 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 17.26: 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 17.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
17.4.2 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>
1 213 463 771 694.5662 861 1000 0 2000
2 41 216 541 491.8738 712 992 126 2040
3 51 171 371 407.9125 607 955 126 2060
4 52 161 358 396.4244 605 925 126 2080
5 68 157 349 381.8316 575 926 126 2100
6 58 219 553 497.0128 724 985 245 2040
7 57 154 264 340.3259 515 919 245 2060
8 63 149 197 288.7389 387 881 245 2080
9 59 163 211 218.3987 233 793 245 2100
10 49 220 490 482.7123 703 991 370 2040
11 64 155 249 338.1467 516 919 370 2060
12 68 177 220 219.5344 241 841 370 2080
13 15 126 179 167.9569 207 323 370 2100
14 49 194 482 448.4831 649 963 585 2040
15 56 155 211 281.4755 377 846 585 2060
16 18 120 177 158.2515 199 311 585 2080
17 38 145 201 198.2822 247 393 585 2100
Figure 17.28: 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.