124 Cedrus deodara
124.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.cz4d2u
Format: SIMPLE_CSV
Download key: 0252506-230224095556074
Created: 2023-05-20T16:04:17.496+00:00
Modified: 2023-05-20T16:05:07.011+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252506-230224095556074.zip
Total records: 3317Conversion 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 3298 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -155.583 ymin: -44.67751 xmax: 172.651199 ymax: 57.981692
Geodetic CRS: WGS 84
# A tibble: 3,298 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
# ℹ 3,288 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 3 298 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 124.1: Occurrences de Cedrus deodara dans le monde.
124.1.1 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] 0.8929654336[1] 0.04244996968[1] 0.03972104306
Figure 124.2: Occurrence de Cedrus deodara dans la région d’endémisme.
124.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
2242
CC_BY_NC_4_0
78
CC0_1_0
9
https://creativecommons.org/licenses/by-nc/4.0/legalcode
402
https://creativecommons.org/licenses/by/4.0/legalcode
78
https://creativecommons.org/publicdomain/zero/1.0/legalcode
136 [1] 83.70118846
Figure 124.3: Occurrence de Cedrus deodara 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] 2465124.1.3 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 2465 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.31955 ymin: 37.15 xmax: 41.710369 ymax: 57.981692
Geodetic CRS: WGS 84
# A tibble: 2,465 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
3 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
4 9e6 857aa892-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
5 9e6 857aa892-… "" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
6 4e9 017f23ba-… "34a79719-b… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
7 4e9 017f23ba-… "7b5638e9-9… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
8 4e9 0a013f89-… "29159578" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
9 4e9 0a013f89-… "29159576" Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
10 4e9 36555a0c-… "2cd4p9h.cs… Plantae Trach… Pino… Pina… Pinac… Cedr… Cedrus… NA
# ℹ 2,455 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
124.2 Modélisation de la niche climatique
124.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2465, 0 (geometries, attributes)
extent : -9.31955, 41.71037, 37.15, 57.98169 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cede 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 = cede
2461 presences, 0 true absences and 7369 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.996 Min. :-21.540 Min. :-9.010 Min. : 210.8
1st Qu.:20.894 1st Qu.: -8.516 1st Qu.: 9.303 1st Qu.: 617.4
Median :24.948 Median : -1.728 Median :13.370 Median : 750.6
Mean :25.563 Mean : -3.654 Mean :12.657 Mean : 757.4
3rd Qu.:28.827 3rd Qu.: 1.548 3rd Qu.:16.442 3rd Qu.: 894.5
Max. :44.648 Max. : 10.600 Max. :23.843 Max. :1367.6
prec_wet_quart prec_season
Min. : 5.0 Min. : 4.852
1st Qu.: 175.0 1st Qu.: 22.491
Median : 217.0 Median : 31.097
Mean : 223.1 Mean : 35.172
3rd Qu.: 266.0 3rd Qu.: 40.144
Max. :1090.0 Max. :118.695
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 124.5: 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 : 17239, 2 (geometries, attributes)
extent : -10.35417, 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 124.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
124.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cede_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cede_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cede_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cede 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 : cede_PA1
-=-=-=--=-=-=- cede_PA1_RUN1
-=-=-=- Run : cede_PA2
-=-=-=--=-=-=- cede_PA2_RUN1
-=-=-=- Run : cede_PA3
-=-=-=--=-=-=- cede_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=124.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cede_PA1_RUN1_GAM PA1 RUN1 GAM TSS 525.0 98.324
2 cede_PA1_RUN1_GAM PA1 RUN1 GAM ROC 527.5 98.324
3 cede_PA1_RUN1_MARS PA1 RUN1 MARS TSS 592.0 93.093
4 cede_PA1_RUN1_MARS PA1 RUN1 MARS ROC 591.5 93.093
5 cede_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 426.0 92.026
6 cede_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 425.5 92.026
specificity calibration validation evaluation
1 66.785 0.651 0.635 NA
2 66.785 0.756 0.737 NA
3 88.996 0.821 0.844 NA
4 88.996 0.955 0.956 NA
5 90.213 0.821 0.848 NA
6 90.213 0.952 0.955 NA
Figure 124.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
124.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cede_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.505537
2 cede_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.007984
3 cede_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.000268
4 cede_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.772447
5 cede_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.032597
6 cede_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.013131
Figure 124.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 124.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
124.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cede
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cede_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=124.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cede_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cede_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 572.0 94.636 92.007
2 mergedAlgo TSS EMwmean ROC 579.5 94.514 92.211
calibration validation evaluation
1 0.867 NA NA
2 0.983 NA NA
Figure 124.11: 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 cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cede_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 0.244383
2 mergedAlgo TSS EMcv temp_min 1 0.561327
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036008
4 mergedAlgo TSS EMcv temp_season 1 0.136081
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.182480
6 mergedAlgo TSS EMcv prec_season 1 0.178652Par variable :
Figure 124.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 124.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
124.3 Projections
124.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cede/current
sp.name : cede
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cede/cede.AllModels.models.out )
models.projected :
cede_PA1_RUN1_GAM, cede_PA1_RUN1_MARS, cede_PA1_RUN1_MAXNET, cede_PA1_RUN1_GBM, cede_PA1_RUN1_ANN, cede_PA1_RUN1_RF, cede_PA2_RUN1_GAM, cede_PA2_RUN1_MARS, cede_PA2_RUN1_MAXNET, cede_PA2_RUN1_GBM, cede_PA2_RUN1_ANN, cede_PA2_RUN1_RF, cede_PA3_RUN1_GAM, cede_PA3_RUN1_MARS, cede_PA3_RUN1_MAXNET, cede_PA3_RUN1_GBM, cede_PA3_RUN1_ANN, cede_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 124.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 124.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cede/current
sp.name : cede
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cede/cede.AllModels.ensemble.models.out )
models.projected :
cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cede_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 124.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
124.3.2 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/cede/cont_gre
sp.name : cede
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cede/cede.AllModels.models.out )
models.projected :
cede_PA1_RUN1_GAM, cede_PA1_RUN1_MARS, cede_PA1_RUN1_MAXNET, cede_PA1_RUN1_GBM, cede_PA1_RUN1_ANN, cede_PA1_RUN1_RF, cede_PA2_RUN1_GAM, cede_PA2_RUN1_MARS, cede_PA2_RUN1_MAXNET, cede_PA2_RUN1_GBM, cede_PA2_RUN1_ANN, cede_PA2_RUN1_RF, cede_PA3_RUN1_GAM, cede_PA3_RUN1_MARS, cede_PA3_RUN1_MAXNET, cede_PA3_RUN1_GBM, cede_PA3_RUN1_ANN, cede_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 124.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 124.18: 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/cede/cont_gre
sp.name : cede
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cede/cede.AllModels.ensemble.models.out )
models.projected :
cede_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cede_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 124.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
124.3.3 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 124.20: 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 124.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 124.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 124.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
124.4 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)
124.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 124.24: 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 124.25: 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 124.26: 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 124.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
124.4.2 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>
1 247 548 671 649.6558 783 863 0 2000
2 430 705 794 765.1511 842 864 126 2040
3 422 713 796 770.2184 843 864 126 2060
4 424 715 815 772.9244 842 867 126 2080
5 428 716 796 770.2172 836 865 126 2100
6 432 724 818 775.3198 840 863 245 2040
7 411 713 817 773.4531 848 864 245 2060
8 413 714 827 776.2231 852 867 245 2080
9 399 702 801 760.1647 851 867 245 2100
10 420 701 791 762.5009 844 865 370 2040
11 417 718 813 775.1272 846 867 370 2060
12 398 692 817 755.7676 851 866 370 2080
13 379 607 738 703.8159 823 862 370 2100
14 424 707 797 765.1398 839 863 585 2040
15 417 719 827 778.8222 852 866 585 2060
16 383 649 774 731.4283 848 867 585 2080
17 288 455 641 590.3526 695 853 585 2100
Figure 124.28: 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.