30 Catalpa bignonioides
30.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.29c8mt
Format: SIMPLE_CSV
Download key: 0232038-230224095556074
Created: 2023-05-11T06:42:57.747+00:00
Modified: 2023-05-11T06:43:45.617+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232038-230224095556074.zip
Total records: 3477Conversion 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 3370 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.6283 ymin: -43.644597 xmax: 175.290393 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 3,370 × 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… Lami… Bigno… Cata… Catalp… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
# ℹ 3,360 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 3 370 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 30.1: Occurrences de Catalpa bignonioides dans le monde.
30.1.1 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] 0.7994065282[1] 0.1931750742[1] 0.003857566766
Figure 30.2: Occurrence de Catalpa bignonioides dans la région d’endémisme.
30.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
2030
CC_BY_NC_4_0
353
CC0_1_0
67
https://creativecommons.org/licenses/by-nc/4.0/legalcode
58
https://creativecommons.org/licenses/by/4.0/legalcode
159
https://creativecommons.org/publicdomain/zero/1.0/legalcode
27 [1] 84.74387528
Figure 30.3: Occurrence de Catalpa bignonioides 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] 228330.1.3 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 2283 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.837101 ymin: 36.63 xmax: 44.542442 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 2,283 × 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 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Bigno… Cata… Catalp… ""
# ℹ 2,273 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>, …
30.2 Modélisation de la niche climatique
30.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2283, 0 (geometries, attributes)
extent : -8.837101, 44.54244, 36.63, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cabi 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 = cabi
2281 presences, 0 true absences and 6828 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.292 Min. :-21.856 Min. :-13.553 Min. : 246.0
1st Qu.:20.880 1st Qu.: -8.692 1st Qu.: 9.567 1st Qu.: 639.0
Median :23.724 Median : -3.152 Median : 13.991 Median : 735.7
Mean :24.988 Mean : -4.207 Mean : 12.916 Mean : 762.7
3rd Qu.:27.972 3rd Qu.: 0.750 3rd Qu.: 16.892 3rd Qu.: 897.9
Max. :44.640 Max. : 12.032 Max. : 24.841 Max. :1353.5
prec_wet_quart prec_season
Min. : 4.0 Min. : 8.283
1st Qu.: 178.0 1st Qu.: 22.164
Median : 215.0 Median : 31.104
Mean : 221.9 Mean : 35.223
3rd Qu.: 253.0 3rd Qu.: 40.351
Max. :1184.0 Max. :120.679
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 30.5: 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 : 15973, 2 (geometries, attributes)
extent : -10.27083, 46.97917, 29.02083, 70.9375 (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 30.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
30.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cabi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cabi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cabi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cabi 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 : cabi_PA1
-=-=-=--=-=-=- cabi_PA1_RUN1
-=-=-=- Run : cabi_PA2
-=-=-=--=-=-=- cabi_PA2_RUN1
-=-=-=- Run : cabi_PA3
-=-=-=--=-=-=- cabi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=30.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cabi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 747.0 92.329
2 cabi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 752.0 92.110
3 cabi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 475.0 95.397
4 cabi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 484.5 95.288
5 cabi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 359.0 95.507
6 cabi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 358.5 95.507
specificity calibration validation evaluation
1 66.210 0.585 0.591 NA
2 66.758 0.799 0.801 NA
3 84.775 0.802 0.779 NA
4 84.995 0.950 0.939 NA
5 85.542 0.810 0.796 NA
6 85.542 0.956 0.949 NA
Figure 30.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
30.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cabi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.135013
2 cabi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.426178
3 cabi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.038419
4 cabi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.259828
5 cabi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.002938
6 cabi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.076357
Figure 30.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 30.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
30.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cabi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=30.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cabi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cabi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 598.0 97.194 92.355
2 mergedAlgo TSS EMwmean ROC 595.5 97.326 92.282
calibration validation evaluation
1 0.896 NA NA
2 0.991 NA NA
Figure 30.11: 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 cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cabi_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 0.268079
2 mergedAlgo TSS EMcv temp_min 1 0.388262
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.135820
4 mergedAlgo TSS EMcv temp_season 1 0.300859
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.231966
6 mergedAlgo TSS EMcv prec_season 1 0.254590Par variable :
Figure 30.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 30.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
30.3 Projections
30.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cabi/current
sp.name : cabi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabi/cabi.AllModels.models.out )
models.projected :
cabi_PA1_RUN1_GAM, cabi_PA1_RUN1_MARS, cabi_PA1_RUN1_MAXNET, cabi_PA1_RUN1_GBM, cabi_PA1_RUN1_ANN, cabi_PA1_RUN1_RF, cabi_PA2_RUN1_GAM, cabi_PA2_RUN1_MARS, cabi_PA2_RUN1_MAXNET, cabi_PA2_RUN1_GBM, cabi_PA2_RUN1_ANN, cabi_PA2_RUN1_RF, cabi_PA3_RUN1_GAM, cabi_PA3_RUN1_MARS, cabi_PA3_RUN1_MAXNET, cabi_PA3_RUN1_GBM, cabi_PA3_RUN1_ANN, cabi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 30.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 30.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cabi/current
sp.name : cabi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabi/cabi.AllModels.ensemble.models.out )
models.projected :
cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 30.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
30.3.2 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/cabi/cont_gre
sp.name : cabi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabi/cabi.AllModels.models.out )
models.projected :
cabi_PA1_RUN1_GAM, cabi_PA1_RUN1_MARS, cabi_PA1_RUN1_MAXNET, cabi_PA1_RUN1_GBM, cabi_PA1_RUN1_ANN, cabi_PA1_RUN1_RF, cabi_PA2_RUN1_GAM, cabi_PA2_RUN1_MARS, cabi_PA2_RUN1_MAXNET, cabi_PA2_RUN1_GBM, cabi_PA2_RUN1_ANN, cabi_PA2_RUN1_RF, cabi_PA3_RUN1_GAM, cabi_PA3_RUN1_MARS, cabi_PA3_RUN1_MAXNET, cabi_PA3_RUN1_GBM, cabi_PA3_RUN1_ANN, cabi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 30.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 30.18: 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/cabi/cont_gre
sp.name : cabi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cabi/cabi.AllModels.ensemble.models.out )
models.projected :
cabi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cabi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 30.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
30.3.3 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 30.20: 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 30.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 30.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 30.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
30.4 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)
30.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 30.24: 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 30.25: 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 30.26: 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 30.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
30.4.2 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>
1 187 415 644 583.3561 724 865 0 2000
2 217 393 709 609.3175 754 852 126 2040
3 226 375 686 583.0163 744 873 126 2060
4 221 402 713 608.2796 773 867 126 2080
5 228 390 693 591.6286 745 860 126 2100
6 220 392 715 607.8639 750 850 245 2040
7 218 380 635 565.7842 741 837 245 2060
8 239 372 501 535.9250 727 833 245 2080
9 230 313 411 465.4916 599 830 245 2100
10 217 385 695 593.7839 741 844 370 2040
11 225 375 641 560.6127 732 860 370 2060
12 220 288 362 417.2431 524 823 370 2080
13 189 228 259 269.5836 301 727 370 2100
14 225 405 731 622.6408 773 866 585 2040
15 230 378 554 548.2461 732 828 585 2060
16 194 244 282 308.3759 353 776 585 2080
17 117 158 181 195.2714 224 400 585 2100
Figure 30.28: 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.