66 Acer tataricum
66.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.328ka3
Format: SIMPLE_CSV
Download key: 0252121-230224095556074
Created: 2023-05-20T11:43:32.464+00:00
Modified: 2023-05-20T11:44:29.251+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252121-230224095556074.zip
Total records: 10449Conversion 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 6774 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.3188 ymin: 27.931667 xmax: 144.43404 ymax: 65.010719
Geodetic CRS: WGS 84
# A tibble: 6,774 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ""
# ℹ 6,764 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 6 774 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 66.1: Occurrences de Acer tataricum dans le monde.
66.1.1 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] 0.5794213168[1] 0.1619427222[1] 0.2307351639
Figure 66.2: Occurrence de Acer tataricum dans la région d’endémisme.
66.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
1936
CC_BY_NC_4_0
866
CC0_1_0
1118
https://creativecommons.org/licenses/by-nc/4.0/legalcode
3
https://creativecommons.org/licenses/by/4.0/legalcode
2 [1] 77.85987261
Figure 66.3: Occurrence de Acer tataricum 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] 305666.1.3 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 3056 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -4.77 ymin: 37.87 xmax: 46.559 ymax: 63.870183
Geodetic CRS: WGS 84
# A tibble: 3,056 × 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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… tataricum
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… tataricum
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Sapin… Acer Acer t… ginnala
# ℹ 3,046 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>, …
66.2 Modélisation de la niche climatique
66.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 3056, 0 (geometries, attributes)
extent : -4.77, 46.559, 37.87, 63.87018 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= acta 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 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 = acta
3056 presences, 0 true absences and 9138 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 6.296 Min. :-21.644 Min. :-9.030 Min. : 235.8
1st Qu.:20.116 1st Qu.:-10.640 1st Qu.: 9.928 1st Qu.: 682.2
Median :22.830 Median : -5.788 Median :14.225 Median : 790.4
Mean :24.426 Mean : -5.529 Mean :12.993 Mean : 801.2
3rd Qu.:27.848 3rd Qu.: -0.382 3rd Qu.:16.692 3rd Qu.: 938.5
Max. :44.944 Max. : 10.752 Max. :24.823 Max. :1354.0
prec_wet_quart prec_season
Min. : 5.0 Min. : 6.065
1st Qu.: 177.0 1st Qu.: 25.523
Median : 210.0 Median : 31.420
Mean : 212.6 Mean : 36.467
3rd Qu.: 239.0 3rd Qu.: 39.189
Max. :1240.0 Max. :122.850
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 66.5: 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 : 21392, 2 (geometries, attributes)
extent : -10.10417, 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 66.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
66.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for acta_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for acta_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for acta_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= acta 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 : acta_PA1
-=-=-=--=-=-=- acta_PA1_RUN1
-=-=-=- Run : acta_PA2
-=-=-=--=-=-=- acta_PA2_RUN1
-=-=-=- Run : acta_PA3
-=-=-=--=-=-=- acta_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=66.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 acta_PA1_RUN1_GAM PA1 RUN1 GAM TSS 662.0 83.067
2 acta_PA1_RUN1_GAM PA1 RUN1 GAM ROC 651.5 84.008
3 acta_PA1_RUN1_MARS PA1 RUN1 MARS TSS 536.0 86.585
4 acta_PA1_RUN1_MARS PA1 RUN1 MARS ROC 537.5 86.585
5 acta_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 398.0 89.898
6 acta_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 400.5 89.693
specificity calibration validation evaluation
1 80.491 0.636 0.648 NA
2 79.836 0.885 0.881 NA
3 80.736 0.674 0.684 NA
4 80.859 0.920 0.920 NA
5 77.382 0.674 0.687 NA
6 77.751 0.925 0.925 NA
Figure 66.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
66.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 acta_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.447500
2 acta_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.533741
3 acta_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.094479
4 acta_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.479170
5 acta_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.203119
6 acta_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.311996
Figure 66.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 66.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
66.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : acta
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acta_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=66.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 acta_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acta_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 556.0 96.531 95.721
2 mergedAlgo TSS EMwmean ROC 550.5 96.630 95.656
calibration validation evaluation
1 0.923 NA NA
2 0.993 NA NA
Figure 66.11: 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 acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 acta_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 0.625305
2 mergedAlgo TSS EMcv temp_min 1 0.585693
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.370977
4 mergedAlgo TSS EMcv temp_season 1 0.355367
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.355532
6 mergedAlgo TSS EMcv prec_season 1 0.419929Par variable :
Figure 66.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 66.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
66.3 Projections
66.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acta/current
sp.name : acta
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acta/acta.AllModels.models.out )
models.projected :
acta_PA1_RUN1_GAM, acta_PA1_RUN1_MARS, acta_PA1_RUN1_MAXNET, acta_PA1_RUN1_GBM, acta_PA1_RUN1_RF, acta_PA2_RUN1_GAM, acta_PA2_RUN1_MARS, acta_PA2_RUN1_MAXNET, acta_PA2_RUN1_GBM, acta_PA2_RUN1_RF, acta_PA3_RUN1_GAM, acta_PA3_RUN1_MARS, acta_PA3_RUN1_MAXNET, acta_PA3_RUN1_GBM, acta_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 66.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 66.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/acta/current
sp.name : acta
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acta/acta.AllModels.ensemble.models.out )
models.projected :
acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acta_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 66.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
66.3.2 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/acta/cont_gre
sp.name : acta
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acta/acta.AllModels.models.out )
models.projected :
acta_PA1_RUN1_GAM, acta_PA1_RUN1_MARS, acta_PA1_RUN1_MAXNET, acta_PA1_RUN1_GBM, acta_PA1_RUN1_RF, acta_PA2_RUN1_GAM, acta_PA2_RUN1_MARS, acta_PA2_RUN1_MAXNET, acta_PA2_RUN1_GBM, acta_PA2_RUN1_RF, acta_PA3_RUN1_GAM, acta_PA3_RUN1_MARS, acta_PA3_RUN1_MAXNET, acta_PA3_RUN1_GBM, acta_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 66.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 66.18: 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/acta/cont_gre
sp.name : acta
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/acta/acta.AllModels.ensemble.models.out )
models.projected :
acta_EMcvByTSS_mergedData_mergedRun_mergedAlgo, acta_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 66.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
66.3.3 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 66.20: 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 66.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 66.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 66.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
66.4 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)
66.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 66.24: 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 66.25: 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 66.26: 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 66.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
66.4.2 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 37 131 181 200.1986 264 533 0 2000
2 51 113 156 160.2948 195 416 126 2040
3 43 94 125 136.8912 174 398 126 2060
4 58 95 121 132.1666 163 405 126 2080
5 44 87 109 125.2962 156 396 126 2100
6 57 115 146 154.8325 186 396 245 2040
7 54 99 125 139.9689 179 417 245 2060
8 53 83 99 110.8415 133 433 245 2080
9 43 81 97 104.8265 116 318 245 2100
10 74 125 172 175.3173 213 419 370 2040
11 47 89 108 122.2234 148 387 370 2060
12 47 81 95 100.1794 110 297 370 2080
13 59 92 107 106.2064 119 347 370 2100
14 57 109 139 150.2751 182 405 585 2040
15 53 89 109 121.1350 144 453 585 2060
16 69 91 101 107.8473 114 350 585 2080
17 48 113 136 139.7413 177 231 585 2100
Figure 66.28: 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.