120 Castanea sativa
120.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.wj7u7n
Format: SIMPLE_CSV
Download key: 0252488-230224095556074
Created: 2023-05-20T15:55:16.423+00:00
Modified: 2023-05-20T16:00:16.040+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252488-230224095556074.zip
Total records: 202737Conversion 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 202737 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -149.5662 ymin: -45.026261 xmax: 175.312789 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 202,737 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
2 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
3 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
4 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
5 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
6 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
# ℹ 202,727 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 202 737 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 120.1: Occurrences de Castanea sativa dans le monde.
120.1.1 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] 0.9982637604[1] 0.0003699374066[1] 0
Figure 120.2: Occurrence de Castanea sativa dans la région d’endémisme.
120.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
145473 25094 31818 [1] 87.60085975
Figure 120.3: Occurrence de Castanea sativa 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] 177291120.1.3 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: -9.944707 ymin: 33.132132 xmax: 43.220833 ymax: 63.434
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> <lgl>
1 1 e9 75956ee6-… "http://pif… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
2 1 e9 740df67d-… "1154D7FD-6… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
3 2 e9 dd238f50-… "45ac0c7c-d… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
4 3.e9 e5f16d86-… "e1c46d25-c… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
5 8 e6 857aa892-… "" Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
6 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
7 8 e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
8 8 e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
9 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
10 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Faga… Fagac… Cast… Castan… NA
# 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>, …
120.2 Modélisation de la niche climatique
120.2.1 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 : -9.944707, 43.22083, 33.13213, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= casa 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 = casa
24989 presences, 0 true absences and 72833 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.036 Min. :-11.549 Min. : 0.0
1st Qu.:20.77 1st Qu.: -8.700 1st Qu.: 7.767 1st Qu.: 585.9
Median :24.26 Median : -1.588 Median : 12.019 Median : 715.6
Mean :25.13 Mean : -3.696 Mean : 11.776 Mean : 743.1
3rd Qu.:27.98 3rd Qu.: 1.376 3rd Qu.: 15.875 3rd Qu.: 895.6
Max. :45.55 Max. : 12.264 Max. : 26.344 Max. :1370.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 176.0 1st Qu.: 21.899
Median : 219.0 Median : 31.564
Mean : 232.4 Mean : 35.453
3rd Qu.: 271.0 3rd Qu.: 40.939
Max. :1261.0 Max. :123.602
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 120.5: 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 : 174956, 2 (geometries, attributes)
extent : -10.60417, 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 120.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
120.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for casa_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for casa_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for casa_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= casa 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 : casa_PA1
-=-=-=--=-=-=- casa_PA1_RUN1
-=-=-=- Run : casa_PA2
-=-=-=--=-=-=- casa_PA2_RUN1
-=-=-=- Run : casa_PA3
-=-=-=--=-=-=- casa_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=120.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 casa_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 95.438
2 casa_PA1_RUN1_GAM PA1 RUN1 GAM ROC 726.5 95.438
3 casa_PA1_RUN1_MARS PA1 RUN1 MARS TSS 564.0 96.744
4 casa_PA1_RUN1_MARS PA1 RUN1 MARS ROC 564.5 96.744
5 casa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 377.0 96.308
6 casa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 382.5 96.128
specificity calibration validation evaluation
1 68.585 0.640 0.623 NA
2 68.585 0.814 0.801 NA
3 91.330 0.881 0.883 NA
4 91.350 0.973 0.974 NA
5 91.490 0.878 0.881 NA
6 91.710 0.971 0.972 NA
Figure 120.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
120.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 casa_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.363157
2 casa_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.166213
3 casa_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.005712
4 casa_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.598742
5 casa_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.036637
6 casa_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.030667
Figure 120.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 120.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
120.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : casa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, casa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=120.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 casa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 casa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 641.0 96.534 94.500
2 mergedAlgo TSS EMwmean ROC 644.5 96.474 94.581
calibration validation evaluation
1 0.910 NA NA
2 0.991 NA NA
Figure 120.11: 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 casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 casa_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 0.281184
2 mergedAlgo TSS EMcv temp_min 1 0.098051
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.021668
4 mergedAlgo TSS EMcv temp_season 1 0.310453
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.093466
6 mergedAlgo TSS EMcv prec_season 1 0.116010Par variable :
Figure 120.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 120.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
120.3 Projections
120.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/casa/current
sp.name : casa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/casa/casa.AllModels.models.out )
models.projected :
casa_PA1_RUN1_GAM, casa_PA1_RUN1_MARS, casa_PA1_RUN1_MAXNET, casa_PA1_RUN1_GBM, casa_PA1_RUN1_ANN, casa_PA1_RUN1_RF, casa_PA2_RUN1_GAM, casa_PA2_RUN1_MARS, casa_PA2_RUN1_MAXNET, casa_PA2_RUN1_GBM, casa_PA2_RUN1_ANN, casa_PA2_RUN1_RF, casa_PA3_RUN1_GAM, casa_PA3_RUN1_MARS, casa_PA3_RUN1_MAXNET, casa_PA3_RUN1_GBM, casa_PA3_RUN1_ANN, casa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 120.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 120.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/casa/current
sp.name : casa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/casa/casa.AllModels.ensemble.models.out )
models.projected :
casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, casa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 120.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
120.3.2 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/casa/cont_gre
sp.name : casa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/casa/casa.AllModels.models.out )
models.projected :
casa_PA1_RUN1_GAM, casa_PA1_RUN1_MARS, casa_PA1_RUN1_MAXNET, casa_PA1_RUN1_GBM, casa_PA1_RUN1_ANN, casa_PA1_RUN1_RF, casa_PA2_RUN1_GAM, casa_PA2_RUN1_MARS, casa_PA2_RUN1_MAXNET, casa_PA2_RUN1_GBM, casa_PA2_RUN1_ANN, casa_PA2_RUN1_RF, casa_PA3_RUN1_GAM, casa_PA3_RUN1_MARS, casa_PA3_RUN1_MAXNET, casa_PA3_RUN1_GBM, casa_PA3_RUN1_ANN, casa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 120.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 120.18: 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/casa/cont_gre
sp.name : casa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/casa/casa.AllModels.ensemble.models.out )
models.projected :
casa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, casa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 120.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
120.3.3 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 120.20: 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 120.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 120.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 120.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
120.4 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)
120.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 120.24: 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 120.25: 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 120.26: 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 120.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
120.4.2 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>
1 179 487 651 623.2151 751 849 0 2000
2 253 408 631 585.3447 768 843 126 2040
3 230 363 581 547.0003 738 838 126 2060
4 249 362 563 549.9672 745 834 126 2080
5 266 390 617 577.4170 756 824 126 2100
6 254 411 633 591.7577 777 840 245 2040
7 247 327 492 504.3460 677 813 245 2060
8 227 312 468 486.1975 651 810 245 2080
9 228 278 394 429.9303 575 762 245 2100
10 255 387 597 562.0446 743 844 370 2040
11 233 337 521 519.0298 700 811 370 2060
12 225 250 340 396.0102 542 759 370 2080
13 82 226 248 262.5247 283 562 370 2100
14 250 382 581 561.4872 751 836 585 2040
15 245 303 458 477.8083 638 797 585 2060
16 91 239 258 285.9261 320 567 585 2080
17 65 216 226 217.2487 233 305 585 2100
Figure 120.28: 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.