191 Arbutus unedo
191.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.knbqa8
Format: SIMPLE_CSV
Download key: 0260727-230224095556074
Created: 2023-05-25T09:04:53.793+00:00
Modified: 2023-05-25T09:06:13.197+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260727-230224095556074.zip
Total records: 41351Conversion 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 41351 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.2813 ymin: -46.608277 xmax: 178.042058 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 41,351 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932707451 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
2 932705548 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
3 932704299 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
4 920670168 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
5 920668445 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
6 920666611 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
7 920666405 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
8 920661593 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
9 920660639 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
10 920659854 6ac3f774-d9fb-479… "" Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
# ℹ 41,341 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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>, …Il y a 41 351 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 191.1: Occurrences de Arbutus unedo dans le monde.
191.1.1 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] 0.9885371575[1] 0.001450992721[1] 2.418321201e-05
Figure 191.2: Occurrence de Arbutus unedo dans la région d’endémisme.
191.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
33771
CC_BY_NC_4_0
6841
CC0_1_0
141
https://creativecommons.org/licenses/by-nc/4.0/legalcode
82
https://creativecommons.org/licenses/by/4.0/legalcode
22
https://creativecommons.org/publicdomain/zero/1.0/legalcode
20 [1] 83.06382562
Figure 191.3: Occurrence de Arbutus unedo 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] 33954191.1.3 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: -10.130738 ymin: 32.272078 xmax: 41.851609 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3958407894 14d5676a-2c54-4f… q-102602776… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
2 2645709762 7a3679ef-5582-4a… o-1005233639 Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
3 2977548406 14d5676a-2c54-4f… q-102574129… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
4 2976513398 14d5676a-2c54-4f… q-102657546… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
5 3848132355 23f9546d-6ad8-41… 47e3677e-dd… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
6 2647406035 14d5676a-2c54-4f… q-100616991… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
7 3473799825 e5f16d86-e225-48… 6e55ee48-ba… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
8 2647915901 14d5676a-2c54-4f… q-100599171… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
9 2490332782 1876c0d1-bc99-42… c19bd6e0-76… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
10 1118562471 75956ee6-1a2b-4f… http://flor… Plantae Trach… Magn… Eric… Erica… Arbu… Arbutu…
# ℹ 24,990 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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>, …
191.2 Modélisation de la niche climatique
191.2.1 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 : -10.13074, 41.85161, 32.27208, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= arun 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 = arun
24691 presences, 0 true absences and 72895 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.256 Min. :-21.952 Min. :-12.253 Min. : 225.4
1st Qu.:20.912 1st Qu.: -8.660 1st Qu.: 9.612 1st Qu.: 576.4
Median :25.648 Median : -0.824 Median : 12.620 Median : 718.8
Mean :25.756 Mean : -3.029 Mean : 12.348 Mean : 741.3
3rd Qu.:28.937 3rd Qu.: 3.076 3rd Qu.: 15.752 3rd Qu.: 895.3
Max. :45.704 Max. : 12.036 Max. : 25.169 Max. :1393.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.047
1st Qu.: 178.0 1st Qu.: 27.251
Median : 221.0 Median : 33.986
Mean : 225.2 Mean : 38.831
3rd Qu.: 275.0 3rd Qu.: 44.899
Max. :1257.0 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 191.5: 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 : 173764, 2 (geometries, attributes)
extent : -10.52083, 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 191.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
191.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for arun_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for arun_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for arun_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= arun 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 : arun_PA1
-=-=-=--=-=-=- arun_PA1_RUN1
-=-=-=- Run : arun_PA2
-=-=-=--=-=-=- arun_PA2_RUN1
-=-=-=- Run : arun_PA3
-=-=-=--=-=-=- arun_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=191.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 arun_PA1_RUN1_GAM PA1 RUN1 GAM TSS 455.0 99.033
2 arun_PA1_RUN1_GAM PA1 RUN1 GAM ROC 500.0 98.861
3 arun_PA1_RUN1_MARS PA1 RUN1 MARS TSS 443.0 95.854
4 arun_PA1_RUN1_MARS PA1 RUN1 MARS ROC 443.5 95.854
5 arun_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 340.0 94.998
6 arun_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 342.5 94.856
specificity calibration validation evaluation
1 66.815 0.658 0.654 NA
2 67.005 0.809 0.806 NA
3 91.650 0.875 0.876 NA
4 91.670 0.982 0.983 NA
5 92.260 0.872 0.876 NA
6 92.435 0.982 0.982 NA
Figure 191.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
191.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 arun_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.367105
2 arun_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.258558
3 arun_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.003241
4 arun_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.303357
5 arun_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.003455
6 arun_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.025174
Figure 191.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 191.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
191.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : arun
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo, arun_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=191.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 arun_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 arun_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 448.0 97.853 93.823
2 mergedAlgo TSS EMwmean ROC 451.5 97.797 93.895
calibration validation evaluation
1 0.917 NA NA
2 0.994 NA NA
Figure 191.11: 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 arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 arun_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 0.177757
2 mergedAlgo TSS EMcv temp_min 1 0.553918
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.024673
4 mergedAlgo TSS EMcv temp_season 1 0.079298
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.100252
6 mergedAlgo TSS EMcv prec_season 1 0.052411Par variable :
Figure 191.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 191.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
191.3 Projections
191.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/arun/current
sp.name : arun
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/arun/arun.AllModels.models.out )
models.projected :
arun_PA1_RUN1_GAM, arun_PA1_RUN1_MARS, arun_PA1_RUN1_MAXNET, arun_PA1_RUN1_GBM, arun_PA1_RUN1_RF, arun_PA2_RUN1_GAM, arun_PA2_RUN1_MARS, arun_PA2_RUN1_MAXNET, arun_PA2_RUN1_GBM, arun_PA2_RUN1_RF, arun_PA3_RUN1_GAM, arun_PA3_RUN1_MARS, arun_PA3_RUN1_MAXNET, arun_PA3_RUN1_GBM, arun_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 191.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 191.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/arun/current
sp.name : arun
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/arun/arun.AllModels.ensemble.models.out )
models.projected :
arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo, arun_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 191.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
191.3.2 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/arun/cont_gre
sp.name : arun
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/arun/arun.AllModels.models.out )
models.projected :
arun_PA1_RUN1_GAM, arun_PA1_RUN1_MARS, arun_PA1_RUN1_MAXNET, arun_PA1_RUN1_GBM, arun_PA1_RUN1_RF, arun_PA2_RUN1_GAM, arun_PA2_RUN1_MARS, arun_PA2_RUN1_MAXNET, arun_PA2_RUN1_GBM, arun_PA2_RUN1_RF, arun_PA3_RUN1_GAM, arun_PA3_RUN1_MARS, arun_PA3_RUN1_MAXNET, arun_PA3_RUN1_GBM, arun_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 191.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 191.18: 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/arun/cont_gre
sp.name : arun
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/arun/arun.AllModels.ensemble.models.out )
models.projected :
arun_EMcvByTSS_mergedData_mergedRun_mergedAlgo, arun_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 191.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
191.3.3 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 191.20: 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 191.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 191.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 191.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
191.4 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)
191.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 191.24: 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 191.25: 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 191.26: 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 191.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
191.4.2 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 20 67 141 212.6741 354 694 0 2000
2 33 275 432 430.0332 603 763 126 2040
3 53 338 512 489.1569 658 747 126 2060
4 55 367 520 501.4754 664 758 126 2080
5 67 361 544 508.0191 671 753 126 2100
6 51 324 459 461.0138 622 738 245 2040
7 69 361 535 505.8757 668 755 245 2060
8 164 462 646 567.2321 702 759 245 2080
9 152 467 648 568.2820 712 760 245 2100
10 32 264 409 411.7538 580 739 370 2040
11 94 407 581 530.5728 678 748 370 2060
12 169 461 661 566.9876 714 757 370 2080
13 127 260 549 497.2904 652 764 370 2100
14 38 291 457 453.6923 626 764 585 2040
15 143 468 639 566.4498 698 759 585 2060
16 122 270 585 526.4343 702 768 585 2080
17 115 226 433 386.6915 506 749 585 2100
Figure 191.28: 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.