115 Amelanchier ovalis
115.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xduvch
Format: SIMPLE_CSV
Download key: 0252466-230224095556074
Created: 2023-05-20T15:42:47.504+00:00
Modified: 2023-05-20T15:44:29.437+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252466-230224095556074.zip
Total records: 73971Conversion 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 73971 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -88.063283 ymin: 31.205 xmax: 61.5 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 73,971 × 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 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
2 9e8 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
3 9e8 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
# ℹ 73,961 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 73 971 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 115.1: Occurrences de Amelanchier ovalis dans le monde.
115.1.1 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] 0.9999459248[1] 2.703762285e-05[1] 0
Figure 115.2: Occurrence de Amelanchier ovalis dans la région d’endémisme.
115.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
70618
CC_BY_NC_4_0
3247
CC0_1_0
80
https://creativecommons.org/licenses/by-nc/4.0/legalcode
22 [1] 95.58046156
Figure 115.3: Occurrence de Amelanchier ovalis 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] 70698115.1.3 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: -8.905697 ymin: 36.88 xmax: 46.8002 ymax: 60.793655
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 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
2 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
3 3.e9 e5f16d86-… 9390342f-c6… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
4 3.e9 e5f16d86-… 8559a475-34… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
5 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
6 3.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
7 3.e9 dd238f50-… 3368a8ec-14… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… "ovalis"
8 2 e9 0d8cc344-… 47477744-30… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
9 2 e9 0d8cc344-… 9bedbe4c-da… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
10 2 e9 4ebe5835-… 564c0084-da… Plantae Trach… Magn… Rosa… Rosac… Amel… Amelan… ""
# 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>, …
115.2 Modélisation de la niche climatique
115.2.1 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 : -8.905697, 46.8002, 36.88, 60.79366 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= amov 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 = amov
24996 presences, 0 true absences and 72895 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.656 Min. :-21.996 Min. :-10.076 Min. : 198.1
1st Qu.:20.204 1st Qu.: -8.840 1st Qu.: 8.021 1st Qu.: 625.8
Median :24.044 Median : -3.512 Median : 12.085 Median : 713.4
Mean :24.978 Mean : -4.385 Mean : 11.506 Mean : 756.3
3rd Qu.:28.252 3rd Qu.: 0.668 3rd Qu.: 15.673 3rd Qu.: 895.2
Max. :45.660 Max. : 11.980 Max. : 26.293 Max. :1380.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.688
1st Qu.: 181.0 1st Qu.: 22.682
Median : 226.0 Median : 31.005
Mean : 237.4 Mean : 35.511
3rd Qu.: 301.0 3rd Qu.: 39.445
Max. :1257.0 Max. :123.521
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 115.5: 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 : 174984, 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 115.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
115.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for amov_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for amov_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for amov_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= amov 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 : amov_PA1
-=-=-=--=-=-=- amov_PA1_RUN1
-=-=-=- Run : amov_PA2
-=-=-=--=-=-=- amov_PA2_RUN1
-=-=-=- Run : amov_PA3
-=-=-=--=-=-=- amov_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=115.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 amov_PA1_RUN1_GAM PA1 RUN1 GAM TSS 788.0 95.404
2 amov_PA1_RUN1_GAM PA1 RUN1 GAM ROC 776.5 95.604
3 amov_PA1_RUN1_MARS PA1 RUN1 MARS TSS 575.0 96.114
4 amov_PA1_RUN1_MARS PA1 RUN1 MARS ROC 576.5 96.094
5 amov_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 384.0 96.750
6 amov_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 388.5 96.589
specificity calibration validation evaluation
1 87.995 0.834 0.841 NA
2 87.810 0.948 0.949 NA
3 92.205 0.883 0.887 NA
4 92.255 0.980 0.982 NA
5 93.295 0.901 0.905 NA
6 93.500 0.980 0.981 NA
Figure 115.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
115.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 amov_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.464617
2 amov_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.228128
3 amov_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010384
4 amov_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.797732
5 amov_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.063136
6 amov_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.160672
Figure 115.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 115.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
115.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : amov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=115.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 amov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 amov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 668.0 96.503 97.538
2 mergedAlgo TSS EMwmean ROC 664.5 96.599 97.488
calibration validation evaluation
1 0.941 NA NA
2 0.996 NA NA
Figure 115.11: 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 amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 amov_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 0.161978
2 mergedAlgo TSS EMcv temp_min 1 0.099692
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.019360
4 mergedAlgo TSS EMcv temp_season 1 0.520972
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.176820
6 mergedAlgo TSS EMcv prec_season 1 0.154958Par variable :
Figure 115.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 115.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
115.3 Projections
115.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/amov/current
sp.name : amov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amov/amov.AllModels.models.out )
models.projected :
amov_PA1_RUN1_GAM, amov_PA1_RUN1_MARS, amov_PA1_RUN1_MAXNET, amov_PA1_RUN1_GBM, amov_PA1_RUN1_RF, amov_PA2_RUN1_GAM, amov_PA2_RUN1_MARS, amov_PA2_RUN1_MAXNET, amov_PA2_RUN1_GBM, amov_PA2_RUN1_RF, amov_PA3_RUN1_GAM, amov_PA3_RUN1_MARS, amov_PA3_RUN1_MAXNET, amov_PA3_RUN1_GBM, amov_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 115.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 115.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/amov/current
sp.name : amov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amov/amov.AllModels.ensemble.models.out )
models.projected :
amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 115.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
115.3.2 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/amov/cont_gre
sp.name : amov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amov/amov.AllModels.models.out )
models.projected :
amov_PA1_RUN1_GAM, amov_PA1_RUN1_MARS, amov_PA1_RUN1_MAXNET, amov_PA1_RUN1_GBM, amov_PA1_RUN1_RF, amov_PA2_RUN1_GAM, amov_PA2_RUN1_MARS, amov_PA2_RUN1_MAXNET, amov_PA2_RUN1_GBM, amov_PA2_RUN1_RF, amov_PA3_RUN1_GAM, amov_PA3_RUN1_MARS, amov_PA3_RUN1_MAXNET, amov_PA3_RUN1_GBM, amov_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 115.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 115.18: 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/amov/cont_gre
sp.name : amov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/amov/amov.AllModels.ensemble.models.out )
models.projected :
amov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, amov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 115.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
115.3.3 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 115.20: 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 115.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 115.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 115.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
115.4 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)
115.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 115.24: 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 115.25: 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 115.26: 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 115.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
115.4.2 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>
1 188 636 785 721.16590 843 897 0 2000
2 110 352 579 548.73476 772 870 126 2040
3 111 274 492 480.38541 706 838 126 2060
4 116 317 529 515.89228 740 843 126 2080
5 124 366 554 531.93720 726 839 126 2100
6 114 358 578 551.24075 772 871 245 2040
7 110 220 394 422.70099 633 810 245 2060
8 111 233 419 432.81868 659 802 245 2080
9 99 176 341 368.49939 540 718 245 2100
10 106 297 522 499.54664 726 857 370 2040
11 112 242 432 437.96690 651 799 370 2060
12 89 147 295 339.31622 518 728 370 2080
13 67 94 112 161.97807 229 414 370 2100
14 105 333 546 527.59518 750 854 585 2040
15 105 190 346 380.29110 559 760 585 2060
16 74 98 143 187.18012 270 461 585 2080
17 50 81 89 92.51593 97 224 585 2100
Figure 115.28: 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.