25 Celtis sinensis
25.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.89vk92
Format: SIMPLE_CSV
Download key: 0232008-230224095556074
Created: 2023-05-11T06:27:18.331+00:00
Modified: 2023-05-11T06:28:01.715+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232008-230224095556074.zip
Total records: 2440Conversion 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 2440 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.5014 ymin: -35.828559 xmax: 158.5 ymax: 74.15
Geodetic CRS: WGS 84
# A tibble: 2,440 × 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… Magn… Rosa… Canna… Celt… Celtis… ""
2 8e8 834a4794-… "F4242663-C… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
3 8e8 29d56be4-… "TAI220054" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
4 8e8 29d56be4-… "TAI249815" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
5 8e8 29d56be4-… "TAI256260" Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… ""
6 8e8 bf2a4bf0-… "http://dat… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
7 7e8 86185376-… "7cc6cda2-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
8 7e8 86185376-… "7c2bbaf6-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
9 7e8 86185376-… "7c0e28a6-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
10 7e8 86185376-… "7b4f456c-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
# ℹ 2,430 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 2 440 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 25.1: Occurrences de Celtis sinensis dans le monde.
25.1.1 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] 0.002049180328[1] 0.01147540984[1] 0.7942622951
Figure 25.2: Occurrence de Celtis sinensis dans la région d’endémisme.
25.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
804 1096 38 [1] 43.44685243
Figure 25.3: Occurrence de Celtis sinensis 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] 84225.1.3 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 842 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 101.585777 ymin: 21.728529 xmax: 140.983333 ymax: 40.2027
Geodetic CRS: WGS 84
# A tibble: 842 × 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… Magn… Rosa… Canna… Celt… Celtis… ""
2 7e8 86185376-… "7cc6cda2-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
3 7e8 86185376-… "7c2bbaf6-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
4 7e8 86185376-… "7c0e28a6-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
5 7e8 86185376-… "7b4f456c-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
6 6e8 80fc4302-… "eaa55b68-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
7 6e8 80fc4302-… "eaa53386-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
8 6e8 80fc4302-… "eaa50c44-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
9 6e8 80fc4302-… "eaa4e2f0-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
10 6e8 80fc4302-… "eaa4b9ba-f… Plantae Trach… Magn… Rosa… Canna… Celt… Celtis… "japonica"
# ℹ 832 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>, …
25.2 Modélisation de la niche climatique
25.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 842, 0 (geometries, attributes)
extent : 101.5858, 140.9833, 21.72853, 40.2027 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cesi 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 = cesi
825 presences, 0 true absences and 2526 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.804 Min. :-43.408 Min. :-14.95 Min. : 27.25
1st Qu.:22.708 1st Qu.:-21.504 1st Qu.: 15.87 1st Qu.: 665.90
Median :28.220 Median : -4.748 Median : 21.44 Median : 848.58
Mean :26.157 Mean : -8.046 Mean : 19.69 Mean : 916.17
3rd Qu.:30.372 3rd Qu.: 3.634 3rd Qu.: 24.56 3rd Qu.:1279.46
Max. :38.968 Max. : 24.163 Max. : 33.97 Max. :1908.31
prec_wet_quart prec_season
Min. : 10.0 Min. : 8.818
1st Qu.: 202.5 1st Qu.: 49.400
Median : 419.0 Median : 77.559
Mean : 480.6 Mean : 77.225
3rd Qu.: 655.5 3rd Qu.:102.074
Max. :3499.0 Max. :164.346
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 25.5: 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 : 5826, 2 (geometries, attributes)
extent : 68.02083, 145.0208, 3.020833, 56.97917 (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 25.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
25.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cesi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cesi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cesi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cesi 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 : cesi_PA1
-=-=-=--=-=-=- cesi_PA1_RUN1
-=-=-=- Run : cesi_PA2
-=-=-=--=-=-=- cesi_PA2_RUN1
-=-=-=- Run : cesi_PA3
-=-=-=--=-=-=- cesi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=25.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cesi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 611.0 99.848
2 cesi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 609.5 99.848
3 cesi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 505.0 97.879
4 cesi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 510.5 97.879
5 cesi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 331.0 98.182
6 cesi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 331.5 98.182
specificity calibration validation evaluation
1 70.920 0.708 0.738 NA
2 70.920 0.835 0.819 NA
3 93.917 0.918 0.928 NA
4 94.065 0.990 0.985 NA
5 91.691 0.900 0.891 NA
6 91.840 0.988 0.992 NA
Figure 25.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
25.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cesi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.197529
2 cesi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.059831
3 cesi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.001361
4 cesi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.680961
5 cesi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.244902
6 cesi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.175909
Figure 25.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 25.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
25.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cesi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=25.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cesi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cesi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 587.0 97.939 95.962
2 mergedAlgo TSS EMwmean ROC 586.5 97.939 95.962
calibration validation evaluation
1 0.939 NA NA
2 0.994 NA NA
Figure 25.11: 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 cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cesi_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 0.107028
2 mergedAlgo TSS EMcv temp_min 1 0.332833
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.079235
4 mergedAlgo TSS EMcv temp_season 1 0.265509
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.259528
6 mergedAlgo TSS EMcv prec_season 1 0.276354Par variable :
Figure 25.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 25.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
25.3 Projections
25.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cesi/current
sp.name : cesi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesi/cesi.AllModels.models.out )
models.projected :
cesi_PA1_RUN1_GAM, cesi_PA1_RUN1_MARS, cesi_PA1_RUN1_MAXNET, cesi_PA1_RUN1_GBM, cesi_PA1_RUN1_ANN, cesi_PA1_RUN1_RF, cesi_PA2_RUN1_GAM, cesi_PA2_RUN1_MARS, cesi_PA2_RUN1_MAXNET, cesi_PA2_RUN1_GBM, cesi_PA2_RUN1_ANN, cesi_PA2_RUN1_RF, cesi_PA3_RUN1_GAM, cesi_PA3_RUN1_MARS, cesi_PA3_RUN1_MAXNET, cesi_PA3_RUN1_GBM, cesi_PA3_RUN1_ANN, cesi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 25.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 25.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cesi/current
sp.name : cesi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesi/cesi.AllModels.ensemble.models.out )
models.projected :
cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 25.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
25.3.2 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/cesi/cont_gre
sp.name : cesi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesi/cesi.AllModels.models.out )
models.projected :
cesi_PA1_RUN1_GAM, cesi_PA1_RUN1_MARS, cesi_PA1_RUN1_MAXNET, cesi_PA1_RUN1_GBM, cesi_PA1_RUN1_ANN, cesi_PA1_RUN1_RF, cesi_PA2_RUN1_GAM, cesi_PA2_RUN1_MARS, cesi_PA2_RUN1_MAXNET, cesi_PA2_RUN1_GBM, cesi_PA2_RUN1_ANN, cesi_PA2_RUN1_RF, cesi_PA3_RUN1_GAM, cesi_PA3_RUN1_MARS, cesi_PA3_RUN1_MAXNET, cesi_PA3_RUN1_GBM, cesi_PA3_RUN1_ANN, cesi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 25.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 25.18: 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/cesi/cont_gre
sp.name : cesi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesi/cesi.AllModels.ensemble.models.out )
models.projected :
cesi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 25.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
25.3.3 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 25.20: 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 25.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 25.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 25.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
25.4 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)
25.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 25.24: 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 25.25: 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 25.26: 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 25.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
25.4.2 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>
1 159 245 292 284.5924 322 572 0 2000
2 151 253 293 287.4768 339 523 126 2040
3 146 229 278 272.6112 320 505 126 2060
4 150 236 304 294.5099 355 570 126 2080
5 144 233 286 282.6168 340 556 126 2100
6 151 252 306 293.1401 350 507 245 2040
7 149 209 302 291.7277 353 548 245 2060
8 143 197 298 287.2477 361 465 245 2080
9 141 195 287 269.5381 319 517 245 2100
10 153 255 293 287.4115 338 541 370 2040
11 142 202 285 277.7685 336 538 370 2060
12 138 194 278 256.1134 300 395 370 2080
13 139 183 196 222.9912 281 434 370 2100
14 153 255 300 292.1634 346 572 585 2040
15 143 197 292 284.8564 358 550 585 2060
16 142 195 242 248.4968 310 500 585 2080
17 140 155 178 177.5318 197 337 585 2100
Figure 25.28: 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.