113 Amelanchier alnifolia
113.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.7ftjm7
Format: SIMPLE_CSV
Download key: 0252462-230224095556074
Created: 2023-05-20T15:40:40.259+00:00
Modified: 2023-05-20T15:41:29.485+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252462-230224095556074.zip
Total records: 4936Conversion 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 4936 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -155.57445 ymin: 34.378765 xmax: 104.1017 ymax: 66.98
Geodetic CRS: WGS 84
# A tibble: 4,936 × 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 95c938a8-… 852c0075-41… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
2 9e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
3 9e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
4 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
5 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
6 8e8 5678b0b3-… 4714 Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
7 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
8 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
9 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
10 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
# ℹ 4,926 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 4 936 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 113.1: Occurrences de Amelanchier alnifolia dans le monde.
113.1.1 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] 0.03849270665[1] 0.9064019449[1] 0.002228525122
Figure 113.2: Occurrence de Amelanchier alnifolia dans la région d’endémisme.
113.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
578 2796 1100 [1] 37.50558784
Figure 113.3: Occurrence de Amelanchier alnifolia 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] 1678113.1.3 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 1678 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -128.673371 ymin: 34.378765 xmax: -64.5625 ymax: 54.957748
Geodetic CRS: WGS 84
# A tibble: 1,678 × 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 95c938a8-… 852c0075-41… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
2 9e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
3 9e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
4 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
5 8e8 5678b0b3-… 4714 Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
6 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
7 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
8 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
9 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
10 8e8 2429287b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
# ℹ 1,668 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>, …
113.2 Modélisation de la niche climatique
113.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1678, 0 (geometries, attributes)
extent : -128.6734, -64.5625, 34.37877, 54.95775 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= amal 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 = amal
1666 presences, 0 true absences and 5022 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :12.52 Min. :-30.556 Min. :-11.621 Min. : 53.42
1st Qu.:22.17 1st Qu.:-15.714 1st Qu.: 7.972 1st Qu.: 710.34
Median :26.22 Median : -9.392 Median : 14.966 Median : 854.26
Mean :26.39 Mean : -8.888 Mean : 13.467 Mean : 857.06
3rd Qu.:30.55 3rd Qu.: -1.184 3rd Qu.: 19.506 3rd Qu.:1055.48
Max. :42.14 Max. : 22.850 Max. : 33.409 Max. :1468.08
prec_wet_quart prec_season
Min. : 25 Min. : 5.535
1st Qu.: 179 1st Qu.: 24.261
Median : 268 Median : 41.441
Mean : 311 Mean : 44.362
3rd Qu.: 350 3rd Qu.: 60.501
Max. :1737 Max. :131.654
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 113.5: 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 : 11698, 2 (geometries, attributes)
extent : -129.6042, -52.8125, 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 113.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
113.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for amal_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for amal_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for amal_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= amal 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 : amal_PA1
-=-=-=--=-=-=- amal_PA1_RUN1
-=-=-=- Run : amal_PA2
-=-=-=--=-=-=- amal_PA2_RUN1
-=-=-=- Run : amal_PA3
-=-=-=--=-=-=- amal_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=113.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 amal_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 84.921
2 amal_PA1_RUN1_GAM PA1 RUN1 GAM ROC 651.5 85.446
3 amal_PA1_RUN1_MARS PA1 RUN1 MARS TSS 546.0 87.397
4 amal_PA1_RUN1_MARS PA1 RUN1 MARS ROC 541.5 87.697
5 amal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 410.0 88.072
6 amal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 415.5 87.697
specificity calibration validation evaluation
1 72.578 0.575 0.559 NA
2 72.280 0.808 0.788 NA
3 82.638 0.701 0.710 NA
4 82.489 0.921 0.918 NA
5 84.054 0.725 0.740 NA
6 84.948 0.927 0.917 NA
Figure 113.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
113.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 amal_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.507808
2 amal_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.740450
3 amal_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.038243
4 amal_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.221067
5 amal_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.268451
6 amal_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.131537
Figure 113.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 113.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
113.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : amal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=113.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 amal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 amal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 622.0 93.878 93.270
2 mergedAlgo TSS EMwmean ROC 647.5 93.337 94.046
calibration validation evaluation
1 0.872 NA NA
2 0.987 NA NA
Figure 113.11: 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 amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 amal_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 0.431561
2 mergedAlgo TSS EMcv temp_min 1 0.486420
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.391960
4 mergedAlgo TSS EMcv temp_season 1 0.330287
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.223842
6 mergedAlgo TSS EMcv prec_season 1 0.172078Par variable :
Figure 113.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 113.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
113.3 Projections
113.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/amal/current
sp.name : amal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amal/amal.AllModels.models.out )
models.projected :
amal_PA1_RUN1_GAM, amal_PA1_RUN1_MARS, amal_PA1_RUN1_MAXNET, amal_PA1_RUN1_GBM, amal_PA1_RUN1_ANN, amal_PA1_RUN1_RF, amal_PA2_RUN1_GAM, amal_PA2_RUN1_MARS, amal_PA2_RUN1_MAXNET, amal_PA2_RUN1_GBM, amal_PA2_RUN1_ANN, amal_PA2_RUN1_RF, amal_PA3_RUN1_GAM, amal_PA3_RUN1_MARS, amal_PA3_RUN1_MAXNET, amal_PA3_RUN1_GBM, amal_PA3_RUN1_ANN, amal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 113.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 113.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/amal/current
sp.name : amal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amal/amal.AllModels.ensemble.models.out )
models.projected :
amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 113.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
113.3.2 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/amal/cont_gre
sp.name : amal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amal/amal.AllModels.models.out )
models.projected :
amal_PA1_RUN1_GAM, amal_PA1_RUN1_MARS, amal_PA1_RUN1_MAXNET, amal_PA1_RUN1_GBM, amal_PA1_RUN1_ANN, amal_PA1_RUN1_RF, amal_PA2_RUN1_GAM, amal_PA2_RUN1_MARS, amal_PA2_RUN1_MAXNET, amal_PA2_RUN1_GBM, amal_PA2_RUN1_ANN, amal_PA2_RUN1_RF, amal_PA3_RUN1_GAM, amal_PA3_RUN1_MARS, amal_PA3_RUN1_MAXNET, amal_PA3_RUN1_GBM, amal_PA3_RUN1_ANN, amal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 113.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 113.18: 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/amal/cont_gre
sp.name : amal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amal/amal.AllModels.ensemble.models.out )
models.projected :
amal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 113.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
113.3.3 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 113.20: 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 113.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 113.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 113.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
113.4 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)
113.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 113.24: 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 113.25: 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 113.26: 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 113.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
113.4.2 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 22 155 173 149.99587 184 256 0 2000
2 20 32 173 139.39912 192 273 126 2040
3 20 32 189 147.43183 206 333 126 2060
4 20 27 193 165.51661 225 502 126 2080
5 20 29 190 147.49334 205 476 126 2100
6 20 29 169 132.92602 187 233 245 2040
7 19 29 183 140.46949 204 482 245 2060
8 20 29 172 122.47669 196 300 245 2080
9 20 32 123 132.94496 207 572 245 2100
10 20 32 171 136.74044 188 277 370 2040
11 20 30 186 140.31710 201 487 370 2060
12 20 43 69 113.88442 193 346 370 2080
13 19 31 40 64.97602 53 550 370 2100
14 20 29 198 161.58382 218 487 585 2040
15 19 27 180 128.66814 200 328 585 2060
16 18 28 37 95.86845 93 622 585 2080
17 23 35 39 43.02222 48 377 585 2100
Figure 113.28: 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.