34 Celtis occidentalis
34.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.eacamb
Format: SIMPLE_CSV
Download key: 0232050-230224095556074
Created: 2023-05-11T06:48:00.990+00:00
Modified: 2023-05-11T06:48:58.115+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232050-230224095556074.zip
Total records: 9231Conversion 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 4373 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.033872 ymin: -37.8167 xmax: 153.01744 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 4,373 × 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… Rosa… Canna… Celt… Celtis… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
# ℹ 4,363 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 4 373 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 34.1: Occurrences de Celtis occidentalis dans le monde.
34.1.1 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] 0.05282414818[1] 0.912188429[1] 0
Figure 34.2: Occurrence de Celtis occidentalis dans la région d’endémisme.
34.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
707 2667 615 [1] 33.14113813
Figure 34.3: Occurrence de Celtis occidentalis 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] 132234.1.3 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 1322 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -116.233333 ymin: 29.549438 xmax: -70.9275 ymax: 50.198611
Geodetic CRS: WGS 84
# A tibble: 1,322 × 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… Rosa… Canna… Celt… Celtis… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
# ℹ 1,312 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>, …
34.2 Modélisation de la niche climatique
34.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1322, 0 (geometries, attributes)
extent : -116.2333, -70.9275, 29.54944, 50.19861 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceoc 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 = ceoc
1319 presences, 0 true absences and 3964 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 9.768 Min. :-30.708 Min. :-12.75 Min. : 57.7
1st Qu.:24.300 1st Qu.:-15.266 1st Qu.: 12.47 1st Qu.: 773.9
Median :28.120 Median : -8.644 Median : 17.95 Median : 912.6
Mean :27.498 Mean : -8.733 Mean : 16.27 Mean : 899.8
3rd Qu.:31.174 3rd Qu.: -3.476 3rd Qu.: 21.63 3rd Qu.:1081.2
Max. :42.536 Max. : 22.044 Max. : 32.19 Max. :1456.5
prec_wet_quart prec_season
Min. : 28.0 Min. : 5.55
1st Qu.: 224.0 1st Qu.: 19.14
Median : 296.0 Median : 35.23
Mean : 312.3 Mean : 40.17
3rd Qu.: 340.5 3rd Qu.: 56.34
Max. :1789.0 Max. :136.07
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 34.5: 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 : 9242, 2 (geometries, attributes)
extent : -129.9375, -52.85417, 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 34.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
34.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ceoc_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ceoc_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ceoc_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ceoc 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 : ceoc_PA1
-=-=-=--=-=-=- ceoc_PA1_RUN1
-=-=-=- Run : ceoc_PA2
-=-=-=--=-=-=- ceoc_PA2_RUN1
-=-=-=- Run : ceoc_PA3
-=-=-=--=-=-=- ceoc_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=34.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 93.270
2 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM ROC 617.0 93.270
3 ceoc_PA1_RUN1_MARS PA1 RUN1 MARS TSS 534.0 88.531
4 ceoc_PA1_RUN1_MARS PA1 RUN1 MARS ROC 649.0 85.877
5 ceoc_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 425.0 86.730
6 ceoc_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 427.5 86.730
specificity calibration validation evaluation
1 69.282 0.626 0.568 NA
2 69.376 0.793 0.736 NA
3 84.026 0.727 0.705 NA
4 86.957 0.933 0.930 NA
5 86.389 0.733 0.708 NA
6 86.767 0.936 0.925 NA
Figure 34.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
34.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.444373
2 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.247590
3 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.142522
4 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.280586
5 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.158239
6 ceoc_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.276264
Figure 34.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 34.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
34.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ceoc
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed: ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: ceoc_EMcvByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=34.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 485 97.574 89.783
2 mergedAlgo TSS EMwmean ROC 485 97.574 89.783
calibration validation evaluation
1 0.874 NA NA
2 0.978 NA NA
Figure 34.11: 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 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo expl.var rand var.imp
1 mergedAlgo TSS EMwmean temp_max_august 1 0.166442
2 mergedAlgo TSS EMwmean temp_min 1 0.073017
3 mergedAlgo TSS EMwmean temp_wet_quart 1 0.098005
4 mergedAlgo TSS EMwmean temp_season 1 0.246296
5 mergedAlgo TSS EMwmean prec_wet_quart 1 0.095021
6 mergedAlgo TSS EMwmean prec_season 1 0.127777Par variable :
Figure 34.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 34.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
34.3 Projections
34.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceoc/current
sp.name : ceoc
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceoc/ceoc.AllModels.models.out )
models.projected :
ceoc_PA1_RUN1_GAM, ceoc_PA1_RUN1_MARS, ceoc_PA1_RUN1_MAXNET, ceoc_PA1_RUN1_GBM, ceoc_PA1_RUN1_RF, ceoc_PA2_RUN1_GAM, ceoc_PA2_RUN1_MARS, ceoc_PA2_RUN1_MAXNET, ceoc_PA2_RUN1_GBM, ceoc_PA2_RUN1_RF, ceoc_PA3_RUN1_GAM, ceoc_PA3_RUN1_MARS, ceoc_PA3_RUN1_MAXNET, ceoc_PA3_RUN1_GBM, ceoc_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 34.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 34.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ceoc/current
sp.name : ceoc
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceoc/ceoc.AllModels.ensemble.models.out )
models.projected : ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 34.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
34.3.2 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/ceoc/cont_gre
sp.name : ceoc
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceoc/ceoc.AllModels.models.out )
models.projected :
ceoc_PA1_RUN1_GAM, ceoc_PA1_RUN1_MARS, ceoc_PA1_RUN1_MAXNET, ceoc_PA1_RUN1_GBM, ceoc_PA1_RUN1_RF, ceoc_PA2_RUN1_GAM, ceoc_PA2_RUN1_MARS, ceoc_PA2_RUN1_MAXNET, ceoc_PA2_RUN1_GBM, ceoc_PA2_RUN1_RF, ceoc_PA3_RUN1_GAM, ceoc_PA3_RUN1_MARS, ceoc_PA3_RUN1_MAXNET, ceoc_PA3_RUN1_GBM, ceoc_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 34.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 34.18: 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/ceoc/cont_gre
sp.name : ceoc
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/ceoc/ceoc.AllModels.ensemble.models.out )
models.projected : ceoc_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 34.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
34.3.3 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 34.20: 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 34.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 34.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 34.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
34.4 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)
34.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 34.24: 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 34.25: 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 34.26: 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 34.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
34.4.2 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 24 78 108 148.5897 234 412 0 2000
2 44 152 234 216.4490 272 468 126 2040
3 50 186 234 220.0629 260 412 126 2060
4 30 194 238 223.3023 264 418 126 2080
5 50 182 232 217.6373 260 394 126 2100
6 56 182 240 224.8392 274 478 245 2040
7 38 204 238 229.1742 256 408 245 2060
8 66 222 248 243.0778 268 362 245 2080
9 56 200 240 234.9077 270 342 245 2100
10 44 160 238 218.7033 272 472 370 2040
11 58 204 236 231.8975 264 394 370 2060
12 76 196 238 234.3531 272 370 370 2080
13 44 208 234 236.1528 270 370 370 2100
14 36 172 230 211.6456 266 370 585 2040
15 58 212 240 234.2775 264 358 585 2060
16 50 224 250 245.1061 278 376 585 2080
17 34 170 228 225.4402 292 422 585 2100
Figure 34.28: 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.