15 Carpinus betulus
15.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.p27rbs
Format: SIMPLE_CSV
Download key: 0230503-230224095556074
Created: 2023-05-10T16:31:00.621+00:00
Modified: 2023-05-10T16:37:52.868+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230503-230224095556074.zip
Total records: 284076Conversion 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 281131 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: -43.542217 xmax: 175.04515 ymax: 63.743392
Geodetic CRS: WGS 84
# A tibble: 281,131 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
# ℹ 281,121 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 281 131 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 15.1: Occurrences de Carpinus betulus dans le monde.
15.1.1 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] 0.9990573789[1] 0.0005442302699[1] 1.067118176e-05
Figure 15.2: Occurrence de Carpinus betulus dans la région d’endémisme.
15.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
241509 16865 22492 [1] 93.99535722
Figure 15.3: Occurrence de Carpinus betulus 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] 26400115.1.3 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: -9.254365 ymin: 37.87 xmax: 44.44 ymax: 60.427463
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://cbn… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
2 3.e9 14d5676a-… "q-10161535… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
3 8 e6 857aa892-… "" Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
4 8 e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
5 2 e9 4ebe5835-… "e714529b-1… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
6 8 e6 857aa892-… "" Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
7 4 e9 017f23ba-… "658898be-d… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
8 1.e9 8ea4250e-… "http://id.… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
9 2 e8 857aa892-… "" Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
10 2 e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Faga… Betul… Carp… Carpin… ""
# 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>, …
15.2 Modélisation de la niche climatique
15.2.1 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 : -9.254365, 44.44, 37.87, 60.42746 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cabe 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 = cabe
24998 presences, 0 true absences and 72850 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.932 Min. :-12.078 Min. : 0.0
1st Qu.:20.73 1st Qu.: -8.732 1st Qu.: 8.023 1st Qu.: 606.1
Median :23.80 Median : -2.364 Median : 12.615 Median : 719.1
Mean :24.98 Mean : -4.003 Mean : 12.036 Mean : 752.1
3rd Qu.:27.88 3rd Qu.: 0.852 3rd Qu.: 16.153 3rd Qu.: 896.5
Max. :45.74 Max. : 12.376 Max. : 26.027 Max. :1393.7
prec_wet_quart prec_season
Min. : 4.0 Min. : 6.116
1st Qu.: 174.0 1st Qu.: 18.733
Median : 215.0 Median : 30.148
Mean : 216.2 Mean : 33.663
3rd Qu.: 250.0 3rd Qu.: 39.110
Max. :1257.0 Max. :122.373
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 15.5: 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 : 174992, 2 (geometries, attributes)
extent : -10.39583, 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 15.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
15.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cabe_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cabe_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cabe_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cabe 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 : cabe_PA1
-=-=-=--=-=-=- cabe_PA1_RUN1
-=-=-=- Run : cabe_PA2
-=-=-=--=-=-=- cabe_PA2_RUN1
-=-=-=- Run : cabe_PA3
-=-=-=--=-=-=- cabe_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=15.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cabe_PA1_RUN1_GAM PA1 RUN1 GAM TSS 624.0 95.850
2 cabe_PA1_RUN1_GAM PA1 RUN1 GAM ROC 618.5 96.040
3 cabe_PA1_RUN1_MARS PA1 RUN1 MARS TSS 503.0 95.915
4 cabe_PA1_RUN1_MARS PA1 RUN1 MARS ROC 461.5 96.525
5 cabe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 354.0 96.425
6 cabe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 356.5 96.360
specificity calibration validation evaluation
1 82.325 0.782 0.786 NA
2 82.230 0.949 0.948 NA
3 90.105 0.860 0.861 NA
4 89.565 0.971 0.971 NA
5 90.115 0.866 0.869 NA
6 90.210 0.971 0.972 NA
Figure 15.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
15.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cabe_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.149856
2 cabe_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.209661
3 cabe_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.007521
4 cabe_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.197253
5 cabe_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.113093
6 cabe_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.024197
Figure 15.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 15.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
15.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cabe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=15.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cabe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cabe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 549.0 96.068 93.480
2 mergedAlgo TSS EMwmean ROC 556.5 95.960 93.635
calibration validation evaluation
1 0.896 NA NA
2 0.989 NA NA
Figure 15.11: 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 cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cabe_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 0.234421
2 mergedAlgo TSS EMcv temp_min 1 0.196176
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.037122
4 mergedAlgo TSS EMcv temp_season 1 0.173430
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.041202
6 mergedAlgo TSS EMcv prec_season 1 0.149669Par variable :
Figure 15.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 15.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
15.3 Projections
15.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cabe/current
sp.name : cabe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabe/cabe.AllModels.models.out )
models.projected :
cabe_PA1_RUN1_GAM, cabe_PA1_RUN1_MARS, cabe_PA1_RUN1_MAXNET, cabe_PA1_RUN1_GBM, cabe_PA1_RUN1_ANN, cabe_PA1_RUN1_RF, cabe_PA2_RUN1_GAM, cabe_PA2_RUN1_MARS, cabe_PA2_RUN1_MAXNET, cabe_PA2_RUN1_GBM, cabe_PA2_RUN1_ANN, cabe_PA2_RUN1_RF, cabe_PA3_RUN1_GAM, cabe_PA3_RUN1_MARS, cabe_PA3_RUN1_MAXNET, cabe_PA3_RUN1_GBM, cabe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 15.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 15.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cabe/current
sp.name : cabe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabe/cabe.AllModels.ensemble.models.out )
models.projected :
cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 15.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
15.3.2 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/cabe/cont_gre
sp.name : cabe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabe/cabe.AllModels.models.out )
models.projected :
cabe_PA1_RUN1_GAM, cabe_PA1_RUN1_MARS, cabe_PA1_RUN1_MAXNET, cabe_PA1_RUN1_GBM, cabe_PA1_RUN1_ANN, cabe_PA1_RUN1_RF, cabe_PA2_RUN1_GAM, cabe_PA2_RUN1_MARS, cabe_PA2_RUN1_MAXNET, cabe_PA2_RUN1_GBM, cabe_PA2_RUN1_ANN, cabe_PA2_RUN1_RF, cabe_PA3_RUN1_GAM, cabe_PA3_RUN1_MARS, cabe_PA3_RUN1_MAXNET, cabe_PA3_RUN1_GBM, cabe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 15.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 15.18: 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/cabe/cont_gre
sp.name : cabe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabe/cabe.AllModels.ensemble.models.out )
models.projected :
cabe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 15.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
15.3.3 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 15.20: 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 15.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 15.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 15.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
15.4 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)
15.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 15.24: 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 15.25: 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 15.26: 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 15.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
15.4.2 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>
1 277 584 758 700.6173 806 861 0 2000
2 286 462 727 647.4352 799 862 126 2040
3 251 420 665 605.3688 755 859 126 2060
4 272 400 650 593.8556 752 851 126 2080
5 291 428 672 610.7340 752 838 126 2100
6 290 456 717 647.0361 810 864 245 2040
7 210 386 597 561.7957 716 842 245 2060
8 233 387 553 544.1810 687 824 245 2080
9 225 371 500 490.3395 607 777 245 2100
10 232 456 701 635.0966 792 859 370 2040
11 244 401 614 576.1327 725 835 370 2060
12 230 363 482 475.8296 588 776 370 2080
13 101 250 271 279.9375 309 601 370 2100
14 267 426 689 617.2920 773 852 585 2040
15 214 381 562 540.7613 690 802 585 2060
16 121 261 296 310.3187 354 633 585 2080
17 53 185 205 198.0934 226 337 585 2100
Figure 15.28: 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.