60 Albizia julibrissin
60.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.mes3a5
Format: SIMPLE_CSV
Download key: 0252084-230224095556074
Created: 2023-05-20T11:16:04.492+00:00
Modified: 2023-05-20T11:17:43.334+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252084-230224095556074.zip
Total records: 8367Conversion 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 8181 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.255351 ymin: -43.519157 xmax: 176.990959 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 8,181 × 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… Faba… Fabac… Albi… Albizi… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
# ℹ 8,171 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 8 181 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 60.1: Occurrences de Albizia julibrissin dans le monde.
60.1.1 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] 0.08825326977[1] 0.6929470725[1] 0.1952084097
Figure 60.2: Occurrence de Albizia julibrissin dans la région d’endémisme.
60.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
943 3645 1081 [1] 35.70294585
Figure 60.3: Occurrence de Albizia julibrissin 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] 202460.1.3 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 2024 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.255351 ymin: 15.752778 xmax: -70.543547 ymax: 47.62872
Geodetic CRS: WGS 84
# A tibble: 2,024 × 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… Faba… Fabac… Albi… Albizi… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Albi… Albizi… ""
# ℹ 2,014 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>, …
60.2 Modélisation de la niche climatique
60.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2024, 0 (geometries, attributes)
extent : -124.2554, -70.54355, 15.75278, 47.62872 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= alju 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 = alju
2023 presences, 0 true absences and 6061 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.760 Min. :-11.42 Min. : 0.0
1st Qu.:24.23 1st Qu.:-14.321 1st Qu.: 11.37 1st Qu.: 731.9
Median :29.35 Median : -5.752 Median : 16.34 Median : 844.7
Mean :28.11 Mean : -7.149 Mean : 15.86 Mean : 857.3
3rd Qu.:32.15 3rd Qu.: 0.116 3rd Qu.: 21.62 3rd Qu.:1022.2
Max. :42.76 Max. : 22.333 Max. : 32.87 Max. :1472.5
prec_wet_quart prec_season
Min. : 21 Min. : 5.772
1st Qu.: 223 1st Qu.: 18.803
Median : 309 Median : 32.093
Mean : 324 Mean : 39.708
3rd Qu.: 379 3rd Qu.: 56.725
Max. :1683 Max. :137.839
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 60.5: 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 : 14164, 2 (geometries, attributes)
extent : -129.8542, -53.14583, 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 60.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
60.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for alju_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for alju_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for alju_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= alju 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 : alju_PA1
-=-=-=--=-=-=- alju_PA1_RUN1
-=-=-=- Run : alju_PA2
-=-=-=--=-=-=- alju_PA2_RUN1
-=-=-=- Run : alju_PA3
-=-=-=--=-=-=- alju_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=60.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 alju_PA1_RUN1_GAM PA1 RUN1 GAM TSS 864.0 96.848
2 alju_PA1_RUN1_GAM PA1 RUN1 GAM ROC 855.0 96.972
3 alju_PA1_RUN1_MARS PA1 RUN1 MARS TSS 549.0 92.089
4 alju_PA1_RUN1_MARS PA1 RUN1 MARS ROC 525.5 92.645
5 alju_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 339.0 95.550
6 alju_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 334.5 95.797
specificity calibration validation evaluation
1 69.117 0.660 0.681 NA
2 68.993 0.809 0.827 NA
3 87.894 0.801 0.810 NA
4 87.461 0.944 0.950 NA
5 85.300 0.808 0.825 NA
6 85.176 0.948 0.959 NA
Figure 60.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
60.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 alju_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.186705
2 alju_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.454168
3 alju_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.067057
4 alju_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.196451
5 alju_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.035774
6 alju_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.086128
Figure 60.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 60.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
60.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : alju
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alju_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=60.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 alju_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alju_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 473.0 96.688 87.312
2 mergedAlgo TSS EMwmean ROC 475.5 96.688 87.345
calibration validation evaluation
1 0.840 NA NA
2 0.976 NA NA
Figure 60.11: 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 alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 alju_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 0.125059
2 mergedAlgo TSS EMcv temp_min 1 0.485091
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.060870
4 mergedAlgo TSS EMcv temp_season 1 0.254474
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.070878
6 mergedAlgo TSS EMcv prec_season 1 0.081533Par variable :
Figure 60.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 60.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
60.3 Projections
60.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alju/current
sp.name : alju
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alju/alju.AllModels.models.out )
models.projected :
alju_PA1_RUN1_GAM, alju_PA1_RUN1_MARS, alju_PA1_RUN1_MAXNET, alju_PA1_RUN1_GBM, alju_PA1_RUN1_ANN, alju_PA1_RUN1_RF, alju_PA2_RUN1_GAM, alju_PA2_RUN1_MARS, alju_PA2_RUN1_MAXNET, alju_PA2_RUN1_GBM, alju_PA2_RUN1_ANN, alju_PA2_RUN1_RF, alju_PA3_RUN1_GAM, alju_PA3_RUN1_MARS, alju_PA3_RUN1_MAXNET, alju_PA3_RUN1_GBM, alju_PA3_RUN1_ANN, alju_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 60.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 60.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/alju/current
sp.name : alju
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alju/alju.AllModels.ensemble.models.out )
models.projected :
alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alju_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 60.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
60.3.2 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/alju/cont_gre
sp.name : alju
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alju/alju.AllModels.models.out )
models.projected :
alju_PA1_RUN1_GAM, alju_PA1_RUN1_MARS, alju_PA1_RUN1_MAXNET, alju_PA1_RUN1_GBM, alju_PA1_RUN1_ANN, alju_PA1_RUN1_RF, alju_PA2_RUN1_GAM, alju_PA2_RUN1_MARS, alju_PA2_RUN1_MAXNET, alju_PA2_RUN1_GBM, alju_PA2_RUN1_ANN, alju_PA2_RUN1_RF, alju_PA3_RUN1_GAM, alju_PA3_RUN1_MARS, alju_PA3_RUN1_MAXNET, alju_PA3_RUN1_GBM, alju_PA3_RUN1_ANN, alju_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 60.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 60.18: 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/alju/cont_gre
sp.name : alju
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/alju/alju.AllModels.ensemble.models.out )
models.projected :
alju_EMcvByTSS_mergedData_mergedRun_mergedAlgo, alju_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 60.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
60.3.3 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 60.20: 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 60.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 60.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 60.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
60.4 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)
60.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 60.24: 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 60.25: 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 60.26: 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 60.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
60.4.2 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>
1 187 285 338 389.6540 527 683 0 2000
2 231 398 463 497.2406 604 721 126 2040
3 253 440 521 535.3410 637 729 126 2060
4 256 438 526 535.6337 638 733 126 2080
5 253 449 529 543.0684 646 729 126 2100
6 257 414 487 514.0362 620 726 245 2040
7 275 468 551 559.0176 657 739 245 2060
8 379 520 607 599.3364 688 734 245 2080
9 359 554 637 617.8895 697 749 245 2100
10 233 399 469 498.9267 606 728 370 2040
11 291 479 559 568.4045 666 732 370 2060
12 330 549 617 604.0313 696 734 370 2080
13 366 598 703 649.4779 723 761 370 2100
14 233 407 483 506.5985 614 728 585 2040
15 320 515 598 596.0892 690 745 585 2060
16 388 630 705 665.2596 722 767 585 2080
17 368 574 659 637.6876 737 767 585 2100
Figure 60.28: 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.