112 Alnus incana
112.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6v89gs
Format: SIMPLE_CSV
Download key: 0252453-230224095556074
Created: 2023-05-20T15:35:25.692+00:00
Modified: 2023-05-20T15:40:03.109+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252453-230224095556074.zip
Total records: 109597Conversion 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 109597 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -160.01 ymin: 32.211109 xmax: 136.15 ymax: 70.45594
Geodetic CRS: WGS 84
# A tibble: 109,597 × 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 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
2 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
3 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
4 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
5 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
8 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
9 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
10 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
# ℹ 109,587 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 109 597 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 112.1: Occurrences de Alnus incana dans le monde.
112.1.1 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] 0.9637763807[1] 0.02920700384[1] 7.299469876e-05
Figure 112.2: Occurrence de Alnus incana dans la région d’endémisme.
112.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
83194 8829 13604 [1] 91.6413417
Figure 112.3: Occurrence de Alnus incana 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] 96798112.1.3 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 25000 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.087825 ymin: 42.4041 xmax: 46.545488 ymax: 70.44222
Geodetic CRS: WGS 84
# A tibble: 25,000 × 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 c1492854-… C170FEBE-FF… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
2 2 e9 f2e389da-… http://tun.… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
3 1 e9 2e4cc37b-… 237531 Plantae Trach… Magn… Faga… Betul… Alnus Alnus … "incana"
4 2 e9 b124e1e0-… urn:uuid:a7… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
5 3.e9 f11a63fa-… abceaa8c-2c… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
6 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
7 2 e9 f2e389da-… http://tun.… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
8 1.e8 0efbb3b3-… urn:catalog… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … "incana"
9 2 e9 f2e389da-… http://tun.… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
10 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Alnus Alnus … ""
# ℹ 24,990 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>, …
112.2 Modélisation de la niche climatique
112.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -8.087825, 46.54549, 42.4041, 70.44222 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= alin 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 = alin
24911 presences, 0 true absences and 72879 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.120 Min. :-11.711 Min. : 0.0
1st Qu.:18.84 1st Qu.:-11.216 1st Qu.: 9.193 1st Qu.: 649.6
Median :22.34 Median : -5.328 Median : 13.065 Median : 784.3
Mean :24.00 Mean : -5.611 Mean : 12.221 Mean : 785.0
3rd Qu.:27.92 3rd Qu.: -0.060 3rd Qu.: 15.972 3rd Qu.: 923.0
Max. :45.41 Max. : 11.608 Max. : 25.377 Max. :1394.6
prec_wet_quart prec_season
Min. : 3 Min. : 4.719
1st Qu.: 179 1st Qu.: 25.285
Median : 219 Median : 31.960
Mean : 228 Mean : 36.444
3rd Qu.: 259 3rd Qu.: 39.295
Max. :1229 Max. :123.444
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 112.5: 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 : 174644, 2 (geometries, attributes)
extent : -10.47917, 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 112.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
112.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for alin_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for alin_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for alin_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= alin 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 : alin_PA1
-=-=-=--=-=-=- alin_PA1_RUN1
-=-=-=- Run : alin_PA2
-=-=-=--=-=-=- alin_PA2_RUN1
-=-=-=- Run : alin_PA3
-=-=-=--=-=-=- alin_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=112.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 alin_PA1_RUN1_GAM PA1 RUN1 GAM TSS 525.0 93.838
2 alin_PA1_RUN1_GAM PA1 RUN1 GAM ROC 580.5 91.861
3 alin_PA1_RUN1_MARS PA1 RUN1 MARS TSS 534.0 90.401
4 alin_PA1_RUN1_MARS PA1 RUN1 MARS ROC 531.5 90.546
5 alin_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 408.0 91.736
6 alin_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 408.5 91.691
specificity calibration validation evaluation
1 77.755 0.716 0.715 NA
2 79.765 0.906 0.906 NA
3 79.950 0.703 0.716 NA
4 79.860 0.899 0.901 NA
5 79.120 0.709 0.715 NA
6 79.245 0.898 0.900 NA
Figure 112.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
112.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 alin_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.173973
2 alin_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.155182
3 alin_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.084162
4 alin_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.323085
5 alin_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.108665
6 alin_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.244399
Figure 112.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 112.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
112.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : alin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=112.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 alin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 96.913 94.774
2 mergedAlgo TSS EMwmean ROC 628.5 96.861 94.835
calibration validation evaluation
1 0.917 NA NA
2 0.994 NA NA
Figure 112.11: 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 alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 alin_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 0.567526
2 mergedAlgo TSS EMcv temp_min 1 0.468038
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.436514
4 mergedAlgo TSS EMcv temp_season 1 0.448955
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.416788
6 mergedAlgo TSS EMcv prec_season 1 0.431879Par variable :
Figure 112.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 112.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
112.3 Projections
112.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alin/current
sp.name : alin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alin/alin.AllModels.models.out )
models.projected :
alin_PA1_RUN1_GAM, alin_PA1_RUN1_MARS, alin_PA1_RUN1_MAXNET, alin_PA1_RUN1_GBM, alin_PA1_RUN1_RF, alin_PA2_RUN1_GAM, alin_PA2_RUN1_MARS, alin_PA2_RUN1_MAXNET, alin_PA2_RUN1_GBM, alin_PA2_RUN1_RF, alin_PA3_RUN1_GAM, alin_PA3_RUN1_MARS, alin_PA3_RUN1_MAXNET, alin_PA3_RUN1_GBM, alin_PA3_RUN1_ANN, alin_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 112.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 112.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alin/current
sp.name : alin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alin/alin.AllModels.ensemble.models.out )
models.projected :
alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 112.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
112.3.2 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/alin/cont_gre
sp.name : alin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alin/alin.AllModels.models.out )
models.projected :
alin_PA1_RUN1_GAM, alin_PA1_RUN1_MARS, alin_PA1_RUN1_MAXNET, alin_PA1_RUN1_GBM, alin_PA1_RUN1_RF, alin_PA2_RUN1_GAM, alin_PA2_RUN1_MARS, alin_PA2_RUN1_MAXNET, alin_PA2_RUN1_GBM, alin_PA2_RUN1_RF, alin_PA3_RUN1_GAM, alin_PA3_RUN1_MARS, alin_PA3_RUN1_MAXNET, alin_PA3_RUN1_GBM, alin_PA3_RUN1_ANN, alin_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 112.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 112.18: 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/alin/cont_gre
sp.name : alin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alin/alin.AllModels.ensemble.models.out )
models.projected :
alin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 112.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
112.3.3 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 112.20: 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 112.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 112.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 112.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
112.4 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)
112.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 112.24: 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 112.25: 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 112.26: 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 112.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
112.4.2 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>
1 231 588 692 678.74957 775 997 0 2000
2 45 249 368 361.40942 484 974 126 2040
3 14 106 270 245.26539 348 693 126 2060
4 35 147 268 253.14296 340 582 126 2080
5 19 112 206 207.85140 303 537 126 2100
6 37 240 356 345.05107 455 853 245 2040
7 21 101 208 200.55642 286 625 245 2060
8 17 49 99 127.81948 192 466 245 2080
9 17 47 57 70.55117 87 319 245 2100
10 47 161 359 342.37036 467 916 370 2040
11 13 67 134 161.28181 252 507 370 2060
12 15 45 51 68.74378 88 348 370 2080
13 7 27 36 33.90348 40 94 370 2100
14 56 223 333 318.97193 414 789 585 2040
15 21 47 81 106.52845 151 376 585 2060
16 9 35 39 39.97682 44 115 585 2080
17 5 25 29 28.77367 34 73 585 2100
Figure 112.28: 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.