123 Cedrus atlantica
123.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.g2y395
Format: SIMPLE_CSV
Download key: 0252504-230224095556074
Created: 2023-05-20T16:03:14.646+00:00
Modified: 2023-05-20T16:04:02.496+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252504-230224095556074.zip
Total records: 5433Conversion 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 5433 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -117.16389 ymin: -44.682 xmax: 172.83778 ymax: 62.466817
Geodetic CRS: WGS 84
# A tibble: 5,433 × 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… Pino… Pina… Pinac… Cedr… Cedrus… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
# ℹ 5,423 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 5 433 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 123.1: Occurrences de Cedrus atlantica dans le monde.
123.1.1 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] 0.9769924535[1] 0.0189582183[1] 0
Figure 123.2: Occurrence de Cedrus atlantica dans la région d’endémisme.
123.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
4007
CC_BY_NC_4_0
245
CC0_1_0
28
https://creativecommons.org/licenses/by-nc/4.0/legalcode
759
https://creativecommons.org/licenses/by/4.0/legalcode
137
https://creativecommons.org/publicdomain/zero/1.0/legalcode
132 [1] 81.08515448
Figure 123.3: Occurrence de Cedrus atlantica 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] 4304123.1.3 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 4304 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.42 ymin: 32.236034 xmax: 28.093456 ymax: 62.466817
Geodetic CRS: WGS 84
# A tibble: 4,304 × 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 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
3 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
4 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
5 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
6 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
7 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
8 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
9 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
10 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… ""
# ℹ 4,294 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>, …
123.2 Modélisation de la niche climatique
123.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 4304, 0 (geometries, attributes)
extent : -9.42, 28.09346, 32.23603, 62.46682 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceat 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 = ceat
4299 presences, 0 true absences and 12850 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 6.584 Min. :-21.680 Min. :-9.639 Min. : 224.1
1st Qu.:20.876 1st Qu.: -8.600 1st Qu.: 9.121 1st Qu.: 614.0
Median :24.888 Median : -1.712 Median :12.633 Median : 715.5
Mean :25.460 Mean : -3.724 Mean :12.210 Mean : 751.3
3rd Qu.:28.620 3rd Qu.: 1.292 3rd Qu.:15.877 3rd Qu.: 894.9
Max. :45.268 Max. : 11.052 Max. :25.766 Max. :1354.0
prec_wet_quart prec_season
Min. : 5.0 Min. : 4.779
1st Qu.: 178.0 1st Qu.: 23.996
Median : 221.0 Median : 31.193
Mean : 223.6 Mean : 35.769
3rd Qu.: 270.0 3rd Qu.: 39.827
Max. :1229.0 Max. :121.346
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 123.5: 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 : 30108, 2 (geometries, attributes)
extent : -10.47917, 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 123.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
123.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ceat_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ceat_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ceat_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceat 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 : ceat_PA1
-=-=-=--=-=-=- ceat_PA1_RUN1
-=-=-=- Run : ceat_PA2
-=-=-=--=-=-=- ceat_PA2_RUN1
-=-=-=- Run : ceat_PA3
-=-=-=--=-=-=- ceat_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=123.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ceat_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 96.714
2 ceat_PA1_RUN1_GAM PA1 RUN1 GAM ROC 621.5 96.860
3 ceat_PA1_RUN1_MARS PA1 RUN1 MARS TSS 531.0 94.766
4 ceat_PA1_RUN1_MARS PA1 RUN1 MARS ROC 532.0 94.766
5 ceat_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 397.0 93.516
6 ceat_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 399.5 93.516
specificity calibration validation evaluation
1 62.939 0.597 0.586 NA
2 62.852 0.727 0.729 NA
3 88.440 0.833 0.825 NA
4 88.498 0.963 0.964 NA
5 89.893 0.834 0.830 NA
6 89.980 0.960 0.961 NA
Figure 123.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
123.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ceat_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.507350
2 ceat_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.050171
3 ceat_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.001330
4 ceat_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.826932
5 ceat_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.015888
6 ceat_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.020464
Figure 123.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 123.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
123.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ceat
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceat_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=123.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ceat_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ceat_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 488.0 96.604 91.268
2 mergedAlgo TSS EMwmean ROC 486.5 96.627 91.261
calibration validation evaluation
1 0.879 NA NA
2 0.988 NA NA
Figure 123.11: 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 ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ceat_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 0.152888
2 mergedAlgo TSS EMcv temp_min 1 0.342508
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.039799
4 mergedAlgo TSS EMcv temp_season 1 0.262263
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.131701
6 mergedAlgo TSS EMcv prec_season 1 0.121836Par variable :
Figure 123.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 123.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
123.3 Projections
123.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceat/current
sp.name : ceat
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceat/ceat.AllModels.models.out )
models.projected :
ceat_PA1_RUN1_GAM, ceat_PA1_RUN1_MARS, ceat_PA1_RUN1_MAXNET, ceat_PA1_RUN1_GBM, ceat_PA1_RUN1_ANN, ceat_PA1_RUN1_RF, ceat_PA2_RUN1_GAM, ceat_PA2_RUN1_MARS, ceat_PA2_RUN1_MAXNET, ceat_PA2_RUN1_GBM, ceat_PA2_RUN1_ANN, ceat_PA2_RUN1_RF, ceat_PA3_RUN1_GAM, ceat_PA3_RUN1_MARS, ceat_PA3_RUN1_MAXNET, ceat_PA3_RUN1_GBM, ceat_PA3_RUN1_ANN, ceat_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 123.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 123.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceat/current
sp.name : ceat
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceat/ceat.AllModels.ensemble.models.out )
models.projected :
ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceat_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 123.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
123.3.2 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/ceat/cont_gre
sp.name : ceat
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceat/ceat.AllModels.models.out )
models.projected :
ceat_PA1_RUN1_GAM, ceat_PA1_RUN1_MARS, ceat_PA1_RUN1_MAXNET, ceat_PA1_RUN1_GBM, ceat_PA1_RUN1_ANN, ceat_PA1_RUN1_RF, ceat_PA2_RUN1_GAM, ceat_PA2_RUN1_MARS, ceat_PA2_RUN1_MAXNET, ceat_PA2_RUN1_GBM, ceat_PA2_RUN1_ANN, ceat_PA2_RUN1_RF, ceat_PA3_RUN1_GAM, ceat_PA3_RUN1_MARS, ceat_PA3_RUN1_MAXNET, ceat_PA3_RUN1_GBM, ceat_PA3_RUN1_ANN, ceat_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 123.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 123.18: 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/ceat/cont_gre
sp.name : ceat
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceat/ceat.AllModels.ensemble.models.out )
models.projected :
ceat_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceat_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 123.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
123.3.3 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 123.20: 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 123.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 123.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 123.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
123.4 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)
123.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 123.24: 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 123.25: 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 123.26: 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 123.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
123.4.2 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>
1 283 637 692 691.2334 779 866 0 2000
2 432 674 730 718.9837 793 854 126 2040
3 430 659 725 707.4959 788 845 126 2060
4 428 673 748 718.9103 793 841 126 2080
5 435 684 743 724.2221 792 843 126 2100
6 432 683 756 727.3651 796 852 245 2040
7 422 623 694 682.1942 772 827 245 2060
8 419 623 723 689.8147 790 830 245 2080
9 409 558 668 650.2350 758 817 245 2100
10 423 638 703 694.8131 777 849 370 2040
11 420 640 713 694.3327 783 832 370 2060
12 387 520 650 632.0401 761 825 370 2080
13 366 410 477 484.0001 560 661 370 2100
14 427 671 730 714.8778 787 845 585 2040
15 419 600 683 669.8600 770 820 585 2060
16 383 438 535 528.8619 614 680 585 2080
17 307 362 391 388.7045 417 558 585 2100
Figure 123.28: 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.