244 Cercis canadensis
244.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.8r2n7m
Format: SIMPLE_CSV
Download key: 0013541-230828120925497
Created: 2023-09-11T18:21:00.772+00:00
Modified: 2023-09-11T18:22:07.394+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0013541-230828120925497.zip
Total records: 18205Conversion 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 13680 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.039467 ymin: -38.559528 xmax: 177.713556 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 13,680 × 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… Faba… Fabac… Cerc… Cercis… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
# ℹ 13,670 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 13 680 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 244.1: Occurrences de Cercis canadensis dans le monde.
244.1.1 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] 0.001388888889[1] 0.9983918129[1] 0
Figure 244.2: Occurrence de Cercis canadensis dans la région d’endémisme.
244.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
2329 10503 826 [1] 23.10001464
Figure 244.3: Occurrence de Cercis canadensis 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] 3155244.1.3 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 3155 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.41003 ymin: 19.688917 xmax: -69.94651 ymax: 45.556423
Geodetic CRS: WGS 84
# A tibble: 3,155 × 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… Faba… Fabac… Cerc… Cercis… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
# ℹ 3,145 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>, …
244.2 Modélisation de la niche climatique
244.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 3155, 0 (geometries, attributes)
extent : -122.41003, -69.94651, 19.688917, 45.556423 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceca 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 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 = ceca
3155 presences, 0 true absences and 9433 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 9.17600 Min. :-30.668001 Min. :-11.25600 Min. : 53.54538 Min. : 25.0000
1st Qu.:24.16000 1st Qu.:-14.442000 1st Qu.: 12.44183 1st Qu.: 748.74533 1st Qu.: 227.0000
Median :28.83000 Median : -7.140000 Median : 17.64733 Median : 880.41727 Median : 299.0000
Mean :27.91356 Mean : -7.728857 Mean : 16.40079 Mean : 874.21932 Mean : 315.2959
3rd Qu.:31.66000 3rd Qu.: -0.756000 3rd Qu.: 21.85300 3rd Qu.:1037.41708 3rd Qu.: 350.0000
Max. :44.27200 Max. : 23.000000 Max. : 33.12267 Max. :1468.81104 Max. :1818.0000
prec_season
Min. : 5.696689
1st Qu.: 18.991030
Median : 32.764187
Mean : 39.448854
3rd Qu.: 56.049998
Max. :138.215500
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 244.5: 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 : 22085, 2 (geometries, attributes)
extent : -129.8541667, -52.85416667, 13.02083333, 54.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 244.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
244.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ceca_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ceca_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ceca_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceca 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 : ceca_PA1
-=-=-=--=-=-=- ceca_PA1_RUN1
-=-=-=- Run : ceca_PA2
-=-=-=--=-=-=- ceca_PA2_RUN1
-=-=-=- Run : ceca_PA3
-=-=-=--=-=-=- ceca_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=244.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 ceca_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 98.019 66.719 0.647
2 ceca_PA1_RUN1_GAM PA1 RUN1 GAM ROC 658.5 98.019 66.719 0.790
3 ceca_PA1_RUN1_MARS PA1 RUN1 MARS TSS 398.0 97.108 78.922 0.761
4 ceca_PA1_RUN1_MARS PA1 RUN1 MARS ROC 400.5 97.108 79.002 0.933
5 ceca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 332.0 96.910 79.596 0.766
6 ceca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 332.5 96.910 79.675 0.932
validation evaluation
1 0.662 NA
2 0.804 NA
3 0.753 NA
4 0.928 NA
5 0.769 NA
6 0.930 NA
Figure 244.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
244.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ceca_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.268871
2 ceca_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.508646
3 ceca_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.007447
4 ceca_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.165560
5 ceca_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.106498
6 ceca_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.246077
Figure 244.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 244.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
244.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ceca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=244.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 ceca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 ceca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 667.0 94.960 94.689 0.896 NA NA
2 TSS EMwmean ROC 662.5 95.119 94.615 0.989 NA NA
Figure 244.11: 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 merged.by.algo filtered.by
1 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.452019
2 EMcv temp_min 1 0.565991
3 EMcv temp_wet_quart 1 0.513052
4 EMcv temp_season 1 0.430597
5 EMcv prec_wet_quart 1 0.456482
6 EMcv prec_season 1 0.506005Par variable :
Figure 244.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 244.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
244.3 Projections
244.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceca/current
sp.name : ceca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceca/ceca.AllModels.models.out )
models.projected :
ceca_PA1_RUN1_GAM, ceca_PA1_RUN1_MARS, ceca_PA1_RUN1_MAXNET, ceca_PA1_RUN1_GBM, ceca_PA1_RUN1_ANN, ceca_PA1_RUN1_RF, ceca_PA2_RUN1_GAM, ceca_PA2_RUN1_MARS, ceca_PA2_RUN1_MAXNET, ceca_PA2_RUN1_GBM, ceca_PA2_RUN1_ANN, ceca_PA2_RUN1_RF, ceca_PA3_RUN1_GAM, ceca_PA3_RUN1_MARS, ceca_PA3_RUN1_MAXNET, ceca_PA3_RUN1_GBM, ceca_PA3_RUN1_ANN, ceca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 244.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 244.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceca/current
sp.name : ceca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceca/ceca.AllModels.ensemble.models.out )
models.projected :
ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 244.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
244.3.2 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/ceca/cont_gre
sp.name : ceca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceca/ceca.AllModels.models.out )
models.projected :
ceca_PA1_RUN1_GAM, ceca_PA1_RUN1_MARS, ceca_PA1_RUN1_MAXNET, ceca_PA1_RUN1_GBM, ceca_PA1_RUN1_ANN, ceca_PA1_RUN1_RF, ceca_PA2_RUN1_GAM, ceca_PA2_RUN1_MARS, ceca_PA2_RUN1_MAXNET, ceca_PA2_RUN1_GBM, ceca_PA2_RUN1_ANN, ceca_PA2_RUN1_RF, ceca_PA3_RUN1_GAM, ceca_PA3_RUN1_MARS, ceca_PA3_RUN1_MAXNET, ceca_PA3_RUN1_GBM, ceca_PA3_RUN1_ANN, ceca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 244.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 244.18: 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/ceca/cont_gre
sp.name : ceca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceca/ceca.AllModels.ensemble.models.out )
models.projected :
ceca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ceca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 244.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
244.3.3 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 244.20: 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 244.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 244.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 244.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
244.4 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)
244.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 244.24: 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 244.25: 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 244.26: 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 244.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
244.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <fct> <dbl>
1 53 121 144 272.6063454 502 689 0 2000
2 79 157 431 374.3028325 572 746 126 2040
3 90 196 462 408.8803445 566 711 126 2060
4 98 217 469 416.8661389 578 709 126 2080
5 98 202 451 403.4037750 553 693 126 2100
6 91 182 462 398.7113996 578 732 245 2040
7 99 382 506 466.9426279 602 758 245 2060
8 107 450 525 501.2875989 581 687 245 2080
9 93 447 529 511.1909784 574 667 245 2100
10 82 161 449 388.2191248 591 779 370 2040
11 97 382 476 452.4605579 579 696 370 2060
12 141 442 530 519.5920421 588 676 370 2080
13 304 500 546 544.1388088 586 686 370 2100
14 90 155 440 377.7496996 570 713 585 2040
15 101 452 523 491.2618328 585 697 585 2060
16 234 523 561 557.3900412 601 684 585 2080
17 359 491 533 538.9419806 589 670 585 2100
Figure 244.28: 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.