5 Marronnier d’Inde (Aesculus hippocastanum L.)
On recommence la même chose pour le marronnier d’Inde, espèce à faible répartition localisée.
5.1 Taxonomie
On vérifie le statut taxonomique du marronnier d’Inde sur l’ossature de taxonomie du GBIF :
[1] "Aesculus hippocastanum"# A tibble: 1 × 7
scientificName status synonym species speciesKey confidence matchType
<chr> <chr> <lgl> <chr> <int> <int> <chr>
1 Aesculus hippocastanum L. ACCEPTED FALSE Aesculus hippocastanum 3189815 99 EXACT Pour le marronnier d’Inde, rien à signaler, c’est directement le nom scientifique accepté.
5.2 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.cbzx87
Format: SIMPLE_CSV
Download key: 0153176-230224095556074
Created: 2023-04-08T10:57:35.475+00:00
Modified: 2023-04-08T11:01:55.561+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0153176-230224095556074.zip
Total records: 102285On peut dès lors explorer rapidement les données (classe du jeu de données et premières lignes du tableau) :
# A tibble: 102,285 × 50
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1.70e-314 6902be25-fe92-4519-a80b-a000b… "VOR 001039… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
2 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
3 9.11e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
4 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
5 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
6 7.81e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
7 7.81e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
8 8.28e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
9 6.61e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
10 6.61e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
# ℹ 102,275 more rows
# ℹ 40 more variables: infraspecificEpithet <lgl>, 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>, …Puis les transformer en objets géographiques (format Simple feature de sf) :
Simple feature collection with 102285 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -125.652807 ymin: -46.451144 xmax: 175.332092 ymax: 63.81137
Geodetic CRS: WGS 84
# A tibble: 102,285 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1.70e-314 6902be25-fe92-4519-a80b-a000b… "VOR 001039… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
2 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
3 9.11e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
4 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
5 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
6 7.81e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
7 7.81e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
8 8.28e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
9 6.61e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
10 6.61e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
# ℹ 102,275 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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>, …Il y a 102 285 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 5.1: Occurrences de Aesculus hippocastanum dans le monde.
5.3 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] 0.9567385247[1] 0.04186342083[1] 0.0002248619055On obtient 95.67 % d’occurrences en Europe, on est bien sur une espèce endémique de la région. On peut récupérer les données d’Europe, et les cartographier :
Figure 5.2: Occurrence de Aesculus hippocastanum en Europe.
5.3.1 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
48919 31481 21885 
Figure 5.3: Occurrence de Aesculus hippocastanum en Europe, selon la licence : CC BY-NC en bleu ; CC0 et CC BY en orange.
Les occurrences en CC BY forment l’essentiel du jeu de données. On peut donc supprimer les données en CC BY-NC sans risque.
5.3.2 Sous-échantillonnage
On a largement plus de 25 000 localisations ; on procède donc au sous-échantillonnage aléatoire :
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: -10.137061 ymin: 36.637 xmax: 45.129 ymax: 63.81137
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1.67e-314 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
2 1.47e-314 14d5676a-2c54-4f94-9023-1e8dc… "q-10233276… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
3 6.63e-315 8df9af24-1fbd-4699-a545-9a286… "urn:catalo… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
4 1.12e-314 38b4c89f-584c-41bb-bd8f-cd1de… "urn:lsid:a… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
5 1.96e-314 14d5676a-2c54-4f94-9023-1e8dc… "q-10158678… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
6 1.29e-314 38b4c89f-584c-41bb-bd8f-cd1de… "urn:lsid:a… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
7 1.29e-314 38b4c89f-584c-41bb-bd8f-cd1de… "urn:lsid:a… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
8 8.93e-315 64dabd3c-4f34-4520-b9dd-d227a… "http://id.… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
9 4.55e-315 6ac3f774-d9fb-4796-b3e9-92bf6… "" Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
10 1.44e-314 a814f323-ccc0-44b7-b188-4c155… "SR00011800… Plantae Trach… Magn… Sapi… Sapin… Aesc… Aescul…
# ℹ 24,990 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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>, …
5.4 Modélisation de la niche climatique
5.4.1 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 : -10.137061, 45.129, 36.637, 63.81137 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= aehi 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 = aehi
24988 presences, 0 true absences and 72899 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-21.980000 Min. :-12.252666 Min. : 0.0000 Min. : 3.0000
1st Qu.:20.22800 1st Qu.: -8.824000 1st Qu.: 8.447333 1st Qu.: 620.7793 1st Qu.: 174.0000
Median :23.08000 Median : -3.308000 Median : 13.034666 Median : 729.1476 Median : 212.0000
Mean :24.66375 Mean : -4.217614 Mean : 12.252372 Mean : 754.0032 Mean : 214.6056
3rd Qu.:28.12391 3rd Qu.: 1.084000 3rd Qu.: 16.180000 3rd Qu.: 897.6471 3rd Qu.: 246.0000
Max. :45.58000 Max. : 12.032000 Max. : 26.344000 Max. :1392.7480 Max. :1255.0000
prec_season
Min. : 4.734771
1st Qu.: 21.661642
Median : 30.610294
Mean : 34.959591
3rd Qu.: 39.567432
Max. :124.089523
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 5.5: 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, 46.97916667, 29.02083333, 70.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 5.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
5.4.2 Modèles individuels de niche
prendre en compte jeu de données validation
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for aehi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for aehi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for aehi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= aehi 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 : aehi_PA1
-=-=-=--=-=-=- aehi_PA1_RUN1
-=-=-=- Run : aehi_PA2
-=-=-=--=-=-=- aehi_PA2_RUN1
-=-=-=- Run : aehi_PA3
-=-=-=--=-=-=- aehi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=5.4.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 aehi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 676.0 94.552 71.560 0.661
2 aehi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 693.5 94.142 72.050 0.847
3 aehi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 567.0 91.576 85.520 0.771
4 aehi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 574.5 91.451 85.705 0.937
5 aehi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 354.0 94.072 82.340 0.764
6 aehi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 358.5 93.912 82.685 0.934
validation evaluation
1 0.666 NA
2 0.847 NA
3 0.782 NA
4 0.939 NA
5 0.774 NA
6 0.935 NA
Figure 5.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
Peu de modèles ont une performance suffisante au sens de la TSS : GBF et RF, qui ont aussi les meilleures performances au sens du ROC. Les GAMs et ANNs ont les performances les plus faibles.
5.4.2.2 Importance des variables environnementales
L’importance de chaque variable est estimée par randomisation de la variable
d’intérêt (moyenne/variance sur tous les algorithmes). On utilise la fonction
get_variables_importance() pour récupérer l’importance des variables, que l’on
peut visualiser par algorithme ou par variable :
full.name PA run algo expl.var rand var.imp
1 aehi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.177941
2 aehi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.159236
3 aehi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.013221
4 aehi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.436643
5 aehi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.043355
6 aehi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.088724
Figure 5.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 5.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
5.4.2.3 Courbes de réponse
Finalement, le modèle permet d’établir des courbes de réponse, c’est-à-dire la
variation de la probabilité d’occurrence selon chaque variable
environnementale. On utilise pour cela la fonction bm_PlotResponseCurves() qui
permet d’extraire ces valeurs et de les afficher :
Figure 5.10: Courbes de réponse de chaque variable climatique selon l’algorithme (en couleurs).
5.4.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : aehi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, aehi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=→ prend les modèles individuels en entrée → on décide sur quel critère les modèles sont gardés
même idée que l’interférence multi-modèles, mais basé sur métrique de performance (e.g. TSS > 0. et AUC/ROC > 0.9)
→ on peut calculer moyenne ou médiane → retourne des coefficients de variation → retourne des probabilités pondérées par la métrique choisie
→ grouping level stratifié jusqu’à “all”
5.4.3.1 Évaluation de la qualité
get_evaluations() pour récupérer les stats d’intérêt
full.name merged.by.PA merged.by.run merged.by.algo
1 aehi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 aehi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 686.0 95.746 96.543 0.923 NA NA
2 TSS EMwmean ROC 684.5 95.770 96.529 0.995 NA NA
Figure 5.11: 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 merged.by.algo filtered.by
1 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.551149
2 EMcv temp_min 1 0.589237
3 EMcv temp_wet_quart 1 0.407774
4 EMcv temp_season 1 0.551334
5 EMcv prec_wet_quart 1 0.409496
6 EMcv prec_season 1 0.477742Par variable :
Figure 5.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
bm_PlotResponseCurves() pour forme de la réponse sur chaque variable
Figure 5.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
5.5 Projections
5.5.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
BIOMOD_Projection() un seul modèle
BIOMOD_EnsembleForecasting() modèle d’ensemble
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/aehi/current
sp.name : aehi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/aehi/aehi.AllModels.models.out )
models.projected :
aehi_PA1_RUN1_GAM, aehi_PA1_RUN1_MARS, aehi_PA1_RUN1_MAXNET, aehi_PA1_RUN1_GBM, aehi_PA1_RUN1_RF, aehi_PA2_RUN1_GAM, aehi_PA2_RUN1_MARS, aehi_PA2_RUN1_MAXNET, aehi_PA2_RUN1_GBM, aehi_PA2_RUN1_RF, aehi_PA3_RUN1_GAM, aehi_PA3_RUN1_MARS, aehi_PA3_RUN1_MAXNET, aehi_PA3_RUN1_GBM, aehi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 5.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 5.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/aehi/current
sp.name : aehi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/aehi/aehi.AllModels.ensemble.models.out )
models.projected :
aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, aehi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 5.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
5.5.2 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/aehi/cont_gre
sp.name : aehi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/aehi/aehi.AllModels.models.out )
models.projected :
aehi_PA1_RUN1_GAM, aehi_PA1_RUN1_MARS, aehi_PA1_RUN1_MAXNET, aehi_PA1_RUN1_GBM, aehi_PA1_RUN1_RF, aehi_PA2_RUN1_GAM, aehi_PA2_RUN1_MARS, aehi_PA2_RUN1_MAXNET, aehi_PA2_RUN1_GBM, aehi_PA2_RUN1_RF, aehi_PA3_RUN1_GAM, aehi_PA3_RUN1_MARS, aehi_PA3_RUN1_MAXNET, aehi_PA3_RUN1_GBM, aehi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 5.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 5.18: 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/aehi/cont_gre
sp.name : aehi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/aehi/aehi.AllModels.ensemble.models.out )
models.projected :
aehi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, aehi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 5.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
5.5.3 Validation avec une référence française (IFN)
extraction des pixels par polygone (écorégion) et moyenne arithmétique pour chacun :
aehi_density aehi_current_proj
1 0 672.0378486
2 0 622.9832536
3 0 760.1123110
4 0 586.0785908
5 0 820.4326146
6 0 692.9418440IFN pour AEHI, densité + Carte de projection actuelle France
Figure 5.20: A) Carte de densité selon l’IFN ; B) Probabilité d’occurrence selon le modèle d’ensemble.
corrélation non paramétrique de Spearman (par les rangs) :
Figure 5.21: Comparaison des distributions contemporaines données par l’IFN vs. modèle d’ensemble : A) Données brutes ; B) Rangs.
[1] 0.25987422965.5.4 Distributions potentielles futures
Future : 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
On peut évaluer directement la sortie du modèle d’ensemble.
Figure 5.22: 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 5.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 5.24: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 5.25: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
5.6 Inférence à l’échelle de la métropole
- Espèces potentielles pour Grenoble (forte probabilité de présence à l’horizon 2100)
- Croisement avec températures de surface 2019 (fournie par la métropole)
- → conditions climatiques favorables à fine échelle
à peu près 7 pixels × 9 (WorldClim)
5.6.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 5.26: 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 5.27: 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 5.28: 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 5.29: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
5.6.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <fct> <dbl>
1 272 557 653 641.0489467 709 982 0 2000
2 91 320 456 459.7074667 604 940 126 2040
3 131 262 379 386.5777934 492 872 126 2060
4 118 254 356 375.4697364 479 830 126 2080
5 170 292 376 386.1410600 463 792 126 2100
6 99 322 455 466.8105644 613 894 245 2040
7 117 206 294 329.5880611 420 793 245 2060
8 147 235 301 330.6236431 411 739 245 2080
9 142 219 253 279.4228058 317 627 245 2100
10 86 285 433 437.4418250 585 927 370 2040
11 147 248 322 346.0367175 425 783 370 2060
12 165 223 256 282.7127338 322 619 370 2080
13 113 184 198 203.7813966 219 330 370 2100
14 85 282 391 404.2629865 529 861 585 2040
15 137 222 285 309.8597594 388 688 585 2060
16 65 180 194 196.2937119 211 323 585 2080
17 77 120 224 209.2541904 285 477 585 2100
Figure 5.30: 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.