119 Carya ovata
119.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2ttqxa
Format: SIMPLE_CSV
Download key: 0252486-230224095556074
Created: 2023-05-20T15:54:11.941+00:00
Modified: 2023-05-20T15:54:55.610+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252486-230224095556074.zip
Total records: 4544Conversion 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 4544 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.1 ymin: 18.781 xmax: 25.959176 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 4,544 × 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… Faga… Jugla… Carya Carya … ""
2 3.e9 c4e1739b-… "BISON:New … Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
3 9 e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
4 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
5 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
6 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
7 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
8 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
9 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
10 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
# ℹ 4,534 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 <lgl>,
# 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 4 544 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 119.1: Occurrences de Carya ovata dans le monde.
119.1.1 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] 0.01452464789[1] 0.9854753521[1] 0
Figure 119.2: Occurrence de Carya ovata dans la région d’endémisme.
119.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
661 3249 568 [1] 27.44528808
Figure 119.3: Occurrence de Carya ovata 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] 1229119.1.3 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 1229 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.1 ymin: 18.781 xmax: -70.631619 ymax: 49.233333
Geodetic CRS: WGS 84
# A tibble: 1,229 × 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… Faga… Jugla… Carya Carya … ""
2 3.e9 c4e1739b-… "BISON:New … Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
3 9 e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
4 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
5 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
6 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
7 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
8 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
9 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
10 9 e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya … ""
# ℹ 1,219 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
119.2 Modélisation de la niche climatique
119.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1229, 0 (geometries, attributes)
extent : -123.1, -70.63162, 18.781, 49.23333 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= caov 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 = caov
1226 presences, 0 true absences and 3683 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :11.50 Min. :-30.628 Min. :-12.40 Min. : 62.18
1st Qu.:24.10 1st Qu.:-14.680 1st Qu.: 12.12 1st Qu.: 757.09
Median :27.31 Median : -8.788 Median : 17.27 Median : 915.63
Mean :27.32 Mean : -8.457 Mean : 15.93 Mean : 884.73
3rd Qu.:31.16 3rd Qu.: -1.944 3rd Qu.: 20.94 3rd Qu.:1057.03
Max. :42.48 Max. : 22.380 Max. : 32.09 Max. :1456.75
prec_wet_quart prec_season
Min. : 28.0 Min. : 5.531
1st Qu.: 229.0 1st Qu.: 18.777
Median : 297.0 Median : 33.392
Mean : 317.3 Mean : 39.581
3rd Qu.: 346.0 3rd Qu.: 56.203
Max. :1781.0 Max. :136.496
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 119.5: 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 : 8591, 2 (geometries, attributes)
extent : -129.9375, -52.89583, 13.0625, 54.97917 (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 119.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
119.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for caov_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for caov_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for caov_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= caov 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 : caov_PA1
-=-=-=--=-=-=- caov_PA1_RUN1
-=-=-=- Run : caov_PA2
-=-=-=--=-=-=- caov_PA2_RUN1
-=-=-=- Run : caov_PA3
-=-=-=--=-=-=- caov_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=119.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 caov_PA1_RUN1_GAM PA1 RUN1 GAM TSS 545.0 98.879
2 caov_PA1_RUN1_GAM PA1 RUN1 GAM ROC 543.0 98.879
3 caov_PA1_RUN1_MARS PA1 RUN1 MARS TSS 404.0 97.350
4 caov_PA1_RUN1_MARS PA1 RUN1 MARS ROC 411.5 97.350
5 caov_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 354.0 96.942
6 caov_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 354.0 96.942
specificity calibration validation evaluation
1 63.072 0.620 0.593 NA
2 63.072 0.748 0.705 NA
3 76.806 0.742 0.752 NA
4 77.009 0.934 0.936 NA
5 79.451 0.764 0.764 NA
6 79.451 0.938 0.942 NA
Figure 119.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
119.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 caov_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.119245
2 caov_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.680243
3 caov_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.029067
4 caov_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.123274
5 caov_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.142967
6 caov_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.390386
Figure 119.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 119.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
119.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : caov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, caov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=119.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 caov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 caov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 637.0 94.698 93.456
2 mergedAlgo TSS EMwmean ROC 639.5 94.698 93.674
calibration validation evaluation
1 0.882 NA NA
2 0.987 NA NA
Figure 119.11: 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 caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 caov_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 0.364380
2 mergedAlgo TSS EMcv temp_min 1 0.466836
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.296078
4 mergedAlgo TSS EMcv temp_season 1 0.300579
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.297866
6 mergedAlgo TSS EMcv prec_season 1 0.275669Par variable :
Figure 119.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 119.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
119.3 Projections
119.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/caov/current
sp.name : caov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/caov/caov.AllModels.models.out )
models.projected :
caov_PA1_RUN1_GAM, caov_PA1_RUN1_MARS, caov_PA1_RUN1_MAXNET, caov_PA1_RUN1_GBM, caov_PA1_RUN1_ANN, caov_PA1_RUN1_RF, caov_PA2_RUN1_GAM, caov_PA2_RUN1_MARS, caov_PA2_RUN1_MAXNET, caov_PA2_RUN1_GBM, caov_PA2_RUN1_ANN, caov_PA2_RUN1_RF, caov_PA3_RUN1_GAM, caov_PA3_RUN1_MARS, caov_PA3_RUN1_MAXNET, caov_PA3_RUN1_GBM, caov_PA3_RUN1_ANN, caov_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 119.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 119.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/caov/current
sp.name : caov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/caov/caov.AllModels.ensemble.models.out )
models.projected :
caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, caov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 119.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
119.3.2 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/caov/cont_gre
sp.name : caov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/caov/caov.AllModels.models.out )
models.projected :
caov_PA1_RUN1_GAM, caov_PA1_RUN1_MARS, caov_PA1_RUN1_MAXNET, caov_PA1_RUN1_GBM, caov_PA1_RUN1_ANN, caov_PA1_RUN1_RF, caov_PA2_RUN1_GAM, caov_PA2_RUN1_MARS, caov_PA2_RUN1_MAXNET, caov_PA2_RUN1_GBM, caov_PA2_RUN1_ANN, caov_PA2_RUN1_RF, caov_PA3_RUN1_GAM, caov_PA3_RUN1_MARS, caov_PA3_RUN1_MAXNET, caov_PA3_RUN1_GBM, caov_PA3_RUN1_ANN, caov_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 119.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 119.18: 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/caov/cont_gre
sp.name : caov
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/caov/caov.AllModels.ensemble.models.out )
models.projected :
caov_EMcvByTSS_mergedData_mergedRun_mergedAlgo, caov_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 119.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
119.3.3 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 119.20: 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 119.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 119.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 119.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
119.4 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)
119.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 119.24: 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 119.25: 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 119.26: 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 119.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
119.4.2 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>
1 122 154 207 261.4984 381 587 0 2000
2 132 288 398 371.6090 440 626 126 2040
3 136 370 406 401.5473 457 622 126 2060
4 127 380 420 415.9830 455 695 126 2080
5 129 354 404 394.5331 432 622 126 2100
6 139 334 402 381.3653 440 638 245 2040
7 138 394 427 439.5231 504 665 245 2060
8 154 403 427 448.8934 507 678 245 2080
9 188 377 421 425.4636 484 685 245 2100
10 127 327 401 382.0068 461 618 370 2040
11 137 397 416 432.7580 492 617 370 2060
12 218 336 405 398.4038 460 630 370 2080
13 258 288 369 376.8129 421 780 370 2100
14 123 337 417 389.8952 451 670 585 2040
15 156 400 435 454.7927 520 687 585 2060
16 261 295 413 411.3477 497 756 585 2080
17 154 271 287 297.1547 312 454 585 2100
Figure 119.28: 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.