40 Acer saccharinum
40.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.92r5r2
Format: SIMPLE_CSV
Download key: 0232089-230224095556074
Created: 2023-05-11T07:04:16.536+00:00
Modified: 2023-05-11T07:05:46.751+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232089-230224095556074.zip
Total records: 60416Conversion 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 8799 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.444337 ymin: -33.619444 xmax: 151.866595 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 8,799 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
# ℹ 8,789 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 8 799 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 40.1: Occurrences de Acer saccharinum dans le monde.
40.1.1 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] 0.3083304921[1] 0.6895101716[1] 0.001477440618
Figure 40.2: Occurrence de Acer saccharinum dans la région d’endémisme.
40.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1104 4187 776 [1] 30.98730839
Figure 40.3: Occurrence de Acer saccharinum 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] 188040.1.3 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 1880 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.213858 ymin: 28.330191 xmax: -63.43402 ymax: 50.686389
Geodetic CRS: WGS 84
# A tibble: 1,880 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer s… NA
# ℹ 1,870 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>, …
40.2 Modélisation de la niche climatique
40.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1880, 0 (geometries, attributes)
extent : -123.2139, -63.43402, 28.33019, 50.68639 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acsa 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 = acsa
1879 presences, 0 true absences and 5629 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 7.884 Min. :-30.752 Min. :-11.72 Min. : 49.97
1st Qu.:24.007 1st Qu.:-15.629 1st Qu.: 11.51 1st Qu.: 771.59
Median :27.916 Median : -8.778 Median : 17.17 Median : 914.51
Mean :27.388 Mean : -8.752 Mean : 15.78 Mean : 897.13
3rd Qu.:31.152 3rd Qu.: -2.878 3rd Qu.: 21.34 3rd Qu.:1080.46
Max. :44.140 Max. : 21.852 Max. : 33.06 Max. :1472.54
prec_wet_quart prec_season
Min. : 24.0 Min. : 5.798
1st Qu.: 219.0 1st Qu.: 18.777
Median : 294.0 Median : 34.322
Mean : 308.9 Mean : 39.832
3rd Qu.: 341.0 3rd Qu.: 55.896
Max. :1760.0 Max. :137.768
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 40.5: 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 : 13156, 2 (geometries, attributes)
extent : -129.8958, -52.77083, 13.0625, 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 40.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
40.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acsa_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acsa_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acsa_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acsa 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 : acsa_PA1
-=-=-=--=-=-=- acsa_PA1_RUN1
-=-=-=- Run : acsa_PA2
-=-=-=--=-=-=- acsa_PA2_RUN1
-=-=-=- Run : acsa_PA3
-=-=-=--=-=-=- acsa_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=40.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acsa_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 89.088
2 acsa_PA1_RUN1_GAM PA1 RUN1 GAM ROC 727.5 89.022
3 acsa_PA1_RUN1_MARS PA1 RUN1 MARS TSS 491.0 88.556
4 acsa_PA1_RUN1_MARS PA1 RUN1 MARS ROC 496.5 88.290
5 acsa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 364.0 93.214
6 acsa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 366.5 93.214
specificity calibration validation evaluation
1 68.285 0.574 0.580 NA
2 68.418 0.781 0.786 NA
3 79.122 0.678 0.684 NA
4 79.588 0.910 0.909 NA
5 75.532 0.688 0.705 NA
6 75.864 0.918 0.923 NA
Figure 40.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
40.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acsa_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.316218
2 acsa_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.699290
3 acsa_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006453
4 acsa_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.347845
5 acsa_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.061213
6 acsa_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.233900
Figure 40.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 40.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
40.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acsa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acsa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=40.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acsa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acsa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 95.263 94.706
2 mergedAlgo TSS EMwmean ROC 632.5 95.210 94.990
calibration validation evaluation
1 0.900 NA NA
2 0.989 NA NA
Figure 40.11: 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 acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acsa_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 0.547673
2 mergedAlgo TSS EMcv temp_min 1 0.543906
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.526980
4 mergedAlgo TSS EMcv temp_season 1 0.538692
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.402550
6 mergedAlgo TSS EMcv prec_season 1 0.522263Par variable :
Figure 40.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 40.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
40.3 Projections
40.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acsa/current
sp.name : acsa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acsa/acsa.AllModels.models.out )
models.projected :
acsa_PA1_RUN1_GAM, acsa_PA1_RUN1_MARS, acsa_PA1_RUN1_MAXNET, acsa_PA1_RUN1_GBM, acsa_PA1_RUN1_ANN, acsa_PA1_RUN1_RF, acsa_PA2_RUN1_GAM, acsa_PA2_RUN1_MARS, acsa_PA2_RUN1_MAXNET, acsa_PA2_RUN1_GBM, acsa_PA2_RUN1_ANN, acsa_PA2_RUN1_RF, acsa_PA3_RUN1_GAM, acsa_PA3_RUN1_MARS, acsa_PA3_RUN1_MAXNET, acsa_PA3_RUN1_GBM, acsa_PA3_RUN1_ANN, acsa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 40.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 40.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acsa/current
sp.name : acsa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acsa/acsa.AllModels.ensemble.models.out )
models.projected :
acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acsa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 40.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
40.3.2 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/acsa/cont_gre
sp.name : acsa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acsa/acsa.AllModels.models.out )
models.projected :
acsa_PA1_RUN1_GAM, acsa_PA1_RUN1_MARS, acsa_PA1_RUN1_MAXNET, acsa_PA1_RUN1_GBM, acsa_PA1_RUN1_ANN, acsa_PA1_RUN1_RF, acsa_PA2_RUN1_GAM, acsa_PA2_RUN1_MARS, acsa_PA2_RUN1_MAXNET, acsa_PA2_RUN1_GBM, acsa_PA2_RUN1_ANN, acsa_PA2_RUN1_RF, acsa_PA3_RUN1_GAM, acsa_PA3_RUN1_MARS, acsa_PA3_RUN1_MAXNET, acsa_PA3_RUN1_GBM, acsa_PA3_RUN1_ANN, acsa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 40.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 40.18: 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/acsa/cont_gre
sp.name : acsa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acsa/acsa.AllModels.ensemble.models.out )
models.projected :
acsa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acsa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 40.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
40.3.3 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 40.20: 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 40.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 40.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 40.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
40.4 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)
40.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 40.24: 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 40.25: 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 40.26: 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 40.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
40.4.2 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 93 167 238 262.8719 355 690 0 2000
2 117 216 272 281.7637 330 712 126 2040
3 102 225 280 278.3669 323 579 126 2060
4 109 236 293 273.9376 321 502 126 2080
5 105 229 290 277.8765 324 541 126 2100
6 117 218 278 289.9327 342 704 245 2040
7 106 227 286 268.2476 316 515 245 2060
8 100 205 288 263.5965 317 542 245 2080
9 100 168 281 264.2461 322 485 245 2100
10 98 216 275 283.5842 335 708 370 2040
11 97 230 291 277.0068 327 541 370 2060
12 104 189 281 281.4713 341 522 370 2080
13 146 196 304 280.9054 345 501 370 2100
14 103 213 281 265.6152 314 500 585 2040
15 97 216 285 260.2487 314 494 585 2060
16 113 189 300 275.8653 334 565 585 2080
17 159 208 246 268.8428 329 503 585 2100
Figure 40.28: 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.