44 Acer rubrum
44.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.8dmbky
Format: SIMPLE_CSV
Download key: 0232105-230224095556074
Created: 2023-05-11T07:11:41.024+00:00
Modified: 2023-05-11T07:13:16.339+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232105-230224095556074.zip
Total records: 73531Conversion 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 19603 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.74978 ymin: -39.938276 xmax: 175.23513 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 19,603 × 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 r… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
# ℹ 19,593 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 19 603 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 44.1: Occurrences de Acer rubrum dans le monde.
44.1.1 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] 0.01147783503[1] 0.988267102[1] 0.0001020252002
Figure 44.2: Occurrence de Acer rubrum dans la région d’endémisme.
44.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
3302 13286 2785 [1] 31.42001755
Figure 44.3: Occurrence de Acer rubrum 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] 608744.1.3 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 6087 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.74978 ymin: 25.760442 xmax: -53.9514 ymax: 50.154167
Geodetic CRS: WGS 84
# A tibble: 6,087 × 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 r… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer r… ""
# ℹ 6,077 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
44.2 Modélisation de la niche climatique
44.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 6087, 0 (geometries, attributes)
extent : -123.7498, -53.9514, 25.76044, 50.15417 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acru 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 = acru
6084 presences, 0 true absences and 18133 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.728 Min. :-11.55 Min. : 0.0
1st Qu.:23.48 1st Qu.:-15.432 1st Qu.: 11.92 1st Qu.: 753.9
Median :27.00 Median : -9.348 Median : 17.23 Median : 911.9
Mean :27.03 Mean : -8.913 Mean : 15.86 Mean : 890.1
3rd Qu.:31.04 3rd Qu.: -2.052 3rd Qu.: 20.85 3rd Qu.:1054.4
Max. :44.14 Max. : 22.200 Max. : 33.18 Max. :1469.2
prec_wet_quart prec_season
Min. : 24.0 Min. : 5.531
1st Qu.: 228.0 1st Qu.: 16.889
Median : 297.0 Median : 31.341
Mean : 319.7 Mean : 38.406
3rd Qu.: 348.0 3rd Qu.: 55.958
Max. :1812.0 Max. :136.351
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 44.5: 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 : 42597, 2 (geometries, attributes)
extent : -129.9375, -52.6875, 13.02083, 54.97917 (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 44.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
44.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acru_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acru_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acru_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acru 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 : acru_PA1
-=-=-=--=-=-=- acru_PA1_RUN1
-=-=-=- Run : acru_PA2
-=-=-=--=-=-=- acru_PA2_RUN1
-=-=-=- Run : acru_PA3
-=-=-=--=-=-=- acru_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=44.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acru_PA1_RUN1_GAM PA1 RUN1 GAM TSS 495.0 96.343
2 acru_PA1_RUN1_GAM PA1 RUN1 GAM ROC 498.5 96.322
3 acru_PA1_RUN1_MARS PA1 RUN1 MARS TSS 472.0 94.268
4 acru_PA1_RUN1_MARS PA1 RUN1 MARS ROC 470.5 94.309
5 acru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 395.0 91.329
6 acru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 395.5 91.186
specificity calibration validation evaluation
1 63.491 0.599 0.615 NA
2 63.614 0.767 0.775 NA
3 81.314 0.756 0.768 NA
4 81.294 0.941 0.947 NA
5 82.936 0.743 0.757 NA
6 83.162 0.941 0.948 NA
Figure 44.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
44.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acru_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.183820
2 acru_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.394117
3 acru_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.153445
4 acru_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.283034
5 acru_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.221093
6 acru_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.175796
Figure 44.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 44.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
44.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=44.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 96.236 96.289
2 mergedAlgo TSS EMwmean ROC 626.5 96.236 96.338
calibration validation evaluation
1 0.926 NA NA
2 0.995 NA NA
Figure 44.11: 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 acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acru_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 0.457590
2 mergedAlgo TSS EMcv temp_min 1 0.490732
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.413810
4 mergedAlgo TSS EMcv temp_season 1 0.448266
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.490867
6 mergedAlgo TSS EMcv prec_season 1 0.540986Par variable :
Figure 44.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 44.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
44.3 Projections
44.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acru/current
sp.name : acru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acru/acru.AllModels.models.out )
models.projected :
acru_PA1_RUN1_GAM, acru_PA1_RUN1_MARS, acru_PA1_RUN1_MAXNET, acru_PA1_RUN1_GBM, acru_PA1_RUN1_ANN, acru_PA1_RUN1_RF, acru_PA2_RUN1_GAM, acru_PA2_RUN1_MARS, acru_PA2_RUN1_MAXNET, acru_PA2_RUN1_GBM, acru_PA2_RUN1_RF, acru_PA3_RUN1_GAM, acru_PA3_RUN1_MARS, acru_PA3_RUN1_MAXNET, acru_PA3_RUN1_GBM, acru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 44.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 44.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acru/current
sp.name : acru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acru/acru.AllModels.ensemble.models.out )
models.projected :
acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 44.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
44.3.2 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/acru/cont_gre
sp.name : acru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acru/acru.AllModels.models.out )
models.projected :
acru_PA1_RUN1_GAM, acru_PA1_RUN1_MARS, acru_PA1_RUN1_MAXNET, acru_PA1_RUN1_GBM, acru_PA1_RUN1_ANN, acru_PA1_RUN1_RF, acru_PA2_RUN1_GAM, acru_PA2_RUN1_MARS, acru_PA2_RUN1_MAXNET, acru_PA2_RUN1_GBM, acru_PA2_RUN1_RF, acru_PA3_RUN1_GAM, acru_PA3_RUN1_MARS, acru_PA3_RUN1_MAXNET, acru_PA3_RUN1_GBM, acru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 44.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 44.18: 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/acru/cont_gre
sp.name : acru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acru/acru.AllModels.ensemble.models.out )
models.projected :
acru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 44.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
44.3.3 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 44.20: 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 44.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 44.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 44.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
44.4 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)
44.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 44.24: 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 44.25: 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 44.26: 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 44.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
44.4.2 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>
1 273 376 471 453.9164 514 727 0 2000
2 245 424 503 469.1598 536 665 126 2040
3 222 398 495 453.2507 529 616 126 2060
4 239 417 490 460.5170 526 623 126 2080
5 222 405 513 461.5458 535 603 126 2100
6 248 434 512 474.5617 541 650 245 2040
7 227 369 505 459.8017 534 601 245 2060
8 214 310 488 441.2815 534 624 245 2080
9 191 277 449 414.8810 516 605 245 2100
10 240 423 507 469.0873 541 645 370 2040
11 218 346 499 447.5185 534 601 370 2060
12 160 253 397 377.7971 510 585 370 2080
13 197 280 348 351.5555 415 621 370 2100
14 250 428 492 463.8382 525 614 585 2040
15 215 323 500 452.0092 543 620 585 2060
16 180 306 399 385.8206 448 653 585 2080
17 179 248 284 293.7905 335 468 585 2100
Figure 44.28: 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.