118 Broussonetia papyrifera
118.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.67wes6
Format: SIMPLE_CSV
Download key: 0252484-230224095556074
Created: 2023-05-20T15:52:41.292+00:00
Modified: 2023-05-20T15:53:37.476+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252484-230224095556074.zip
Total records: 14764Conversion 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 14764 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -178.119431 ymin: -43.640337 xmax: 178.021007 ymax: 89.8
Geodetic CRS: WGS 84
# A tibble: 14,764 × 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 5f06e39d-… "USFS - New… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
2 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
3 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
4 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
5 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
6 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
7 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
8 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
9 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
10 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
# ℹ 14,754 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 14 764 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 118.1: Occurrences de Broussonetia papyrifera dans le monde.
118.1.1 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] 0.5660390138[1] 0.1497561636[1] 0.2457328637
Figure 118.2: Occurrence de Broussonetia papyrifera dans la région d’endémisme.
118.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
7984 337 36 [1] 95.96745244
Figure 118.3: Occurrence de Broussonetia papyrifera 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] 8020118.1.3 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 8020 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.230554 ymin: 36.037258 xmax: 45.567749 ymax: 52.484083
Geodetic CRS: WGS 84
# A tibble: 8,020 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
2 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
3 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
4 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
5 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
6 9 e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
7 8 e6 857aa892-… "" Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
8 4 e9 700f193f-… "UIB:FV-MLL… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
9 3.e9 14d5676a-… "q-10270639… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
10 3.e9 14d5676a-… "q-10013438… Plantae Trach… Magn… Rosa… Morac… Brou… Brouss… ""
# ℹ 8,010 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>, …
118.2 Modélisation de la niche climatique
118.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 8020, 0 (geometries, attributes)
extent : -9.230554, 45.56775, 36.03726, 52.48408 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= brpa 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 = brpa
8009 presences, 0 true absences and 23842 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-13.55 Min. : 0.0
1st Qu.:20.98 1st Qu.: -8.724 1st Qu.: 9.95 1st Qu.: 616.2
Median :26.39 Median : -1.316 Median : 13.30 Median : 744.2
Mean :26.06 Mean : -3.423 Mean : 12.71 Mean : 759.5
3rd Qu.:29.50 3rd Qu.: 2.060 3rd Qu.: 16.11 3rd Qu.: 896.6
Max. :44.90 Max. : 12.376 Max. : 24.84 Max. :1351.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.126
1st Qu.: 175.0 1st Qu.: 24.549
Median : 219.0 Median : 32.636
Mean : 219.2 Mean : 37.008
3rd Qu.: 259.0 3rd Qu.: 41.789
Max. :1261.0 Max. :122.196
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 118.5: 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 : 56096, 2 (geometries, attributes)
extent : -10.27083, 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 118.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
118.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for brpa_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for brpa_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for brpa_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= brpa 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 : brpa_PA1
-=-=-=--=-=-=- brpa_PA1_RUN1
-=-=-=- Run : brpa_PA2
-=-=-=--=-=-=- brpa_PA2_RUN1
-=-=-=- Run : brpa_PA3
-=-=-=--=-=-=- brpa_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=118.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 brpa_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 97.503
2 brpa_PA1_RUN1_GAM PA1 RUN1 GAM ROC 639.0 97.487
3 brpa_PA1_RUN1_MARS PA1 RUN1 MARS TSS 463.0 95.692
4 brpa_PA1_RUN1_MARS PA1 RUN1 MARS ROC 464.5 95.692
5 brpa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 363.0 94.287
6 brpa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 370.5 93.835
specificity calibration validation evaluation
1 65.773 0.633 0.623 NA
2 65.804 0.777 0.771 NA
3 90.726 0.864 0.860 NA
4 90.789 0.979 0.977 NA
5 92.534 0.868 0.865 NA
6 93.002 0.979 0.977 NA
Figure 118.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
118.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 brpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.345401
2 brpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.393848
3 brpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006991
4 brpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.032866
5 brpa_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.006672
6 brpa_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.017750
Figure 118.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 118.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
118.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : brpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, brpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=118.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 brpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 brpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 493.0 96.616 93.981
2 mergedAlgo TSS EMwmean ROC 495.5 96.579 94.036
calibration validation evaluation
1 0.906 NA NA
2 0.991 NA NA
Figure 118.11: 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 brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 brpa_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 0.232304
2 mergedAlgo TSS EMcv temp_min 1 0.474521
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036762
4 mergedAlgo TSS EMcv temp_season 1 0.105914
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.119535
6 mergedAlgo TSS EMcv prec_season 1 0.095245Par variable :
Figure 118.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 118.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
118.3 Projections
118.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/brpa/current
sp.name : brpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/brpa/brpa.AllModels.models.out )
models.projected :
brpa_PA1_RUN1_GAM, brpa_PA1_RUN1_MARS, brpa_PA1_RUN1_MAXNET, brpa_PA1_RUN1_GBM, brpa_PA1_RUN1_ANN, brpa_PA1_RUN1_RF, brpa_PA2_RUN1_GAM, brpa_PA2_RUN1_MARS, brpa_PA2_RUN1_MAXNET, brpa_PA2_RUN1_GBM, brpa_PA2_RUN1_ANN, brpa_PA2_RUN1_RF, brpa_PA3_RUN1_GAM, brpa_PA3_RUN1_MARS, brpa_PA3_RUN1_MAXNET, brpa_PA3_RUN1_GBM, brpa_PA3_RUN1_ANN, brpa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 118.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 118.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/brpa/current
sp.name : brpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/brpa/brpa.AllModels.ensemble.models.out )
models.projected :
brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, brpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 118.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
118.3.2 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/brpa/cont_gre
sp.name : brpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/brpa/brpa.AllModels.models.out )
models.projected :
brpa_PA1_RUN1_GAM, brpa_PA1_RUN1_MARS, brpa_PA1_RUN1_MAXNET, brpa_PA1_RUN1_GBM, brpa_PA1_RUN1_ANN, brpa_PA1_RUN1_RF, brpa_PA2_RUN1_GAM, brpa_PA2_RUN1_MARS, brpa_PA2_RUN1_MAXNET, brpa_PA2_RUN1_GBM, brpa_PA2_RUN1_ANN, brpa_PA2_RUN1_RF, brpa_PA3_RUN1_GAM, brpa_PA3_RUN1_MARS, brpa_PA3_RUN1_MAXNET, brpa_PA3_RUN1_GBM, brpa_PA3_RUN1_ANN, brpa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 118.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 118.18: 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/brpa/cont_gre
sp.name : brpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/brpa/brpa.AllModels.ensemble.models.out )
models.projected :
brpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, brpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 118.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
118.3.3 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 118.20: 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 118.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 118.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 118.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
118.4 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)
118.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 118.24: 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 118.25: 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 118.26: 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 118.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
118.4.2 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 21 115 285 386.6233 684 872 0 2000
2 56 554 694 657.8731 821 884 126 2040
3 97 622 728 704.4664 843 882 126 2060
4 96 649 747 717.5917 845 883 126 2080
5 111 627 724 704.9965 841 880 126 2100
6 85 612 713 697.0316 832 883 245 2040
7 139 670 753 729.2084 851 884 245 2060
8 347 688 818 768.7443 861 882 245 2080
9 344 682 805 754.1695 861 881 245 2100
10 53 544 690 651.3025 816 882 370 2040
11 172 676 760 736.6340 853 880 370 2060
12 393 682 825 757.2772 860 880 370 2080
13 391 598 740 708.6769 822 866 370 2100
14 71 585 699 673.4351 826 883 585 2040
15 278 686 799 761.5282 858 880 585 2060
16 378 666 783 732.4617 848 875 585 2080
17 375 509 670 633.5939 693 826 585 2100
Figure 118.28: 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.