48 Alnus cordata
48.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.m6ev7s
Format: SIMPLE_CSV
Download key: 0232202-230224095556074
Created: 2023-05-11T08:14:48.213+00:00
Modified: 2023-05-11T08:15:44.422+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232202-230224095556074.zip
Total records: 6066Conversion 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 6066 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.2669 ymin: -45.038527 xmax: 175.908955 ymax: 62.8534
Geodetic CRS: WGS 84
# A tibble: 6,066 × 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 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
4 8e8 834a4794-… "5912C1EB-2… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
5 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
6 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
7 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
8 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
9 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
10 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
# ℹ 6,056 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 6 066 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 48.1: Occurrences de Alnus cordata dans le monde.
48.1.1 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] 0.9940652819[1] 0.001483679525[1] 0
Figure 48.2: Occurrence de Alnus cordata dans la région d’endémisme.
48.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
2241
CC_BY_NC_4_0
1102
CC0_1_0
176
https://creativecommons.org/licenses/by-nc/4.0/legalcode
2031
https://creativecommons.org/licenses/by/4.0/legalcode
451
https://creativecommons.org/publicdomain/zero/1.0/legalcode
29 [1] 48.04311774
Figure 48.3: Occurrence de Alnus cordata 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] 289748.1.3 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 2897 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.057541 ymin: 37.175556 xmax: 16.637868 ymax: 62.8534
Geodetic CRS: WGS 84
# A tibble: 2,897 × 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 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
4 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
5 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
6 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
7 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
8 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
9 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
10 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
# ℹ 2,887 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>, …
48.2 Modélisation de la niche climatique
48.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2897, 0 (geometries, attributes)
extent : -9.057541, 16.63787, 37.17556, 62.8534 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= alco 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 = alco
2894 presences, 0 true absences and 8670 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.044 Min. :-21.588 Min. :-9.007 Min. : 259.4
1st Qu.:20.532 1st Qu.: -8.590 1st Qu.: 8.296 1st Qu.: 577.2
Median :23.904 Median : -1.386 Median :12.259 Median : 718.7
Mean :25.116 Mean : -3.452 Mean :11.955 Mean : 740.5
3rd Qu.:28.473 3rd Qu.: 1.800 3rd Qu.:15.828 3rd Qu.: 893.6
Max. :44.872 Max. : 11.267 Max. :24.013 Max. :1371.1
prec_wet_quart prec_season
Min. : 6.0 Min. : 8.127
1st Qu.: 178.0 1st Qu.: 23.298
Median : 220.0 Median : 32.075
Mean : 226.2 Mean : 36.298
3rd Qu.: 269.0 3rd Qu.: 43.063
Max. :1214.0 Max. :122.649
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 48.5: 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 : 20267, 2 (geometries, attributes)
extent : -10.4375, 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 48.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
48.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for alco_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for alco_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for alco_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= alco 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 : alco_PA1
-=-=-=--=-=-=- alco_PA1_RUN1
-=-=-=- Run : alco_PA2
-=-=-=--=-=-=- alco_PA2_RUN1
-=-=-=- Run : alco_PA3
-=-=-=--=-=-=- alco_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=48.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 alco_PA1_RUN1_GAM PA1 RUN1 GAM TSS 475.0 98.747
2 alco_PA1_RUN1_GAM PA1 RUN1 GAM ROC 573.5 97.840
3 alco_PA1_RUN1_MARS PA1 RUN1 MARS TSS 421.0 96.587
4 alco_PA1_RUN1_MARS PA1 RUN1 MARS ROC 423.5 96.587
5 alco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 324.0 97.149
6 alco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 326.0 97.106
specificity calibration validation evaluation
1 68.637 0.674 0.649 NA
2 69.629 0.781 0.763 NA
3 86.109 0.827 0.803 NA
4 86.152 0.956 0.947 NA
5 85.634 0.828 0.810 NA
6 85.720 0.949 0.944 NA
Figure 48.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
48.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 alco_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.283000
2 alco_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.223812
3 alco_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.003487
4 alco_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.623042
5 alco_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.013396
6 alco_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.027799
Figure 48.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 48.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
48.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : alco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=48.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 alco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 535.0 96.890 90.519
2 mergedAlgo TSS EMwmean ROC 541.5 96.821 90.634
calibration validation evaluation
1 0.874 NA NA
2 0.986 NA NA
Figure 48.11: 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 alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 alco_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 0.110192
2 mergedAlgo TSS EMcv temp_min 1 0.539954
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.016104
4 mergedAlgo TSS EMcv temp_season 1 0.080605
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.088143
6 mergedAlgo TSS EMcv prec_season 1 0.159794Par variable :
Figure 48.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 48.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
48.3 Projections
48.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alco/current
sp.name : alco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alco/alco.AllModels.models.out )
models.projected :
alco_PA1_RUN1_GAM, alco_PA1_RUN1_MARS, alco_PA1_RUN1_MAXNET, alco_PA1_RUN1_GBM, alco_PA1_RUN1_RF, alco_PA2_RUN1_GAM, alco_PA2_RUN1_MARS, alco_PA2_RUN1_MAXNET, alco_PA2_RUN1_GBM, alco_PA2_RUN1_ANN, alco_PA2_RUN1_RF, alco_PA3_RUN1_GAM, alco_PA3_RUN1_MARS, alco_PA3_RUN1_MAXNET, alco_PA3_RUN1_GBM, alco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 48.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 48.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alco/current
sp.name : alco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alco/alco.AllModels.ensemble.models.out )
models.projected :
alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 48.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
48.3.2 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/alco/cont_gre
sp.name : alco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alco/alco.AllModels.models.out )
models.projected :
alco_PA1_RUN1_GAM, alco_PA1_RUN1_MARS, alco_PA1_RUN1_MAXNET, alco_PA1_RUN1_GBM, alco_PA1_RUN1_RF, alco_PA2_RUN1_GAM, alco_PA2_RUN1_MARS, alco_PA2_RUN1_MAXNET, alco_PA2_RUN1_GBM, alco_PA2_RUN1_ANN, alco_PA2_RUN1_RF, alco_PA3_RUN1_GAM, alco_PA3_RUN1_MARS, alco_PA3_RUN1_MAXNET, alco_PA3_RUN1_GBM, alco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 48.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 48.18: 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/alco/cont_gre
sp.name : alco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alco/alco.AllModels.ensemble.models.out )
models.projected :
alco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 48.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
48.3.3 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 48.20: 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 48.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 48.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 48.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
48.4 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)
48.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 48.24: 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 48.25: 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 48.26: 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 48.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
48.4.2 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>
1 346 574 671 663.8488 756 839 0 2000
2 401 704 787 754.2260 812 853 126 2040
3 380 706 792 751.6024 813 857 126 2060
4 384 711 802 761.2062 829 859 126 2080
5 377 711 793 755.1715 820 860 126 2100
6 401 724 800 764.4871 824 856 245 2040
7 379 695 793 745.9351 815 853 245 2060
8 369 668 789 732.6272 813 859 245 2080
9 365 645 769 706.1169 793 848 245 2100
10 393 689 780 742.5428 803 847 370 2040
11 377 687 788 740.8484 810 856 370 2060
12 352 622 753 687.0481 782 845 370 2080
13 313 573 670 625.5149 735 799 370 2100
14 407 714 795 761.1771 820 857 585 2040
15 368 674 786 732.8972 804 858 585 2060
16 317 608 701 656.0713 774 832 585 2080
17 282 375 611 545.7975 650 785 585 2100
Figure 48.28: 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.