67 Cercis siliquastrum
67.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.34uetk
Format: SIMPLE_CSV
Download key: 0252124-230224095556074
Created: 2023-05-20T11:45:02.603+00:00
Modified: 2023-05-20T11:46:03.283+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252124-230224095556074.zip
Total records: 8808Conversion 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 8808 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.311667 ymin: -36.880478 xmax: 174.725833 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 8,808 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9265587 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
2 9261073 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
3 9261072 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
4 9260938 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
5 9260890 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
6 9260507 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
7 9260475 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
8 9251103 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
9 9250942 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
10 9250827 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
# ℹ 8,798 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 8 808 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 67.1: Occurrences de Cercis siliquastrum dans le monde.
67.1.1 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] 0.9952316076[1] 0.0009082652134[1] 0.0002270663034
Figure 67.2: Occurrence de Cercis siliquastrum dans la région d’endémisme.
67.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
7617
CC_BY_NC_4_0
1005
CC0_1_0
86
https://creativecommons.org/licenses/by-nc/4.0/legalcode
32
https://creativecommons.org/licenses/by/4.0/legalcode
22
https://creativecommons.org/publicdomain/zero/1.0/legalcode
4 [1] 88.17020306
Figure 67.3: Occurrence de Cercis siliquastrum 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] 772967.1.3 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 7729 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.367987 ymin: 31.519087 xmax: 45.832822 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 7,729 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9265587 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
2 9261073 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
3 9261072 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
4 9260938 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
5 9260890 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
6 9260507 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
7 9260475 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
8 9251103 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
9 9250942 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
10 9250827 857aa892-f… "" Plantae Trach… Magn… Faba… Fabac… Cerc… Cercis… ""
# ℹ 7,719 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>, …
67.2 Modélisation de la niche climatique
67.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 7729, 0 (geometries, attributes)
extent : -9.367987, 45.83282, 31.51909, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cesl 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 = cesl
7687 presences, 0 true absences and 22988 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.756 Min. :-21.932 Min. :-12.267 Min. : 211.5
1st Qu.:20.972 1st Qu.: -8.760 1st Qu.: 9.753 1st Qu.: 604.7
Median :25.716 Median : -1.292 Median : 12.885 Median : 727.3
Mean :25.831 Mean : -3.335 Mean : 12.495 Mean : 752.2
3rd Qu.:29.236 3rd Qu.: 2.320 3rd Qu.: 16.019 3rd Qu.: 895.0
Max. :44.976 Max. : 11.200 Max. : 24.869 Max. :1375.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 7.389
1st Qu.: 177.0 1st Qu.: 25.182
Median : 219.0 Median : 33.088
Mean : 221.8 Mean : 37.922
3rd Qu.: 262.0 3rd Qu.: 43.100
Max. :1222.0 Max. :122.292
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 67.5: 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 : 53935, 2 (geometries, attributes)
extent : -10.4375, 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 67.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
67.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cesl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cesl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cesl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cesl 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 : cesl_PA1
-=-=-=--=-=-=- cesl_PA1_RUN1
-=-=-=- Run : cesl_PA2
-=-=-=--=-=-=- cesl_PA2_RUN1
-=-=-=- Run : cesl_PA3
-=-=-=--=-=-=- cesl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=67.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cesl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 475.0 98.179
2 cesl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 469.5 98.228
3 cesl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 484.0 95.545
4 cesl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 477.0 95.642
5 cesl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 353.0 95.431
6 cesl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 352.5 95.431
specificity calibration validation evaluation
1 63.610 0.618 0.616 NA
2 63.578 0.772 0.780 NA
3 89.908 0.855 0.855 NA
4 89.811 0.969 0.969 NA
5 89.520 0.849 0.844 NA
6 89.520 0.968 0.970 NA
Figure 67.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
67.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cesl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.244710
2 cesl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.546135
3 cesl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.012961
4 cesl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.053274
5 cesl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.005189
6 cesl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.009869
Figure 67.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 67.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
67.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cesl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=67.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cesl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cesl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 523.0 95.564 92.566
2 mergedAlgo TSS EMwmean ROC 520.5 95.616 92.531
calibration validation evaluation
1 0.881 NA NA
2 0.988 NA NA
Figure 67.11: 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 cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cesl_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 0.196319
2 mergedAlgo TSS EMcv temp_min 1 0.552266
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.026183
4 mergedAlgo TSS EMcv temp_season 1 0.082941
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.143937
6 mergedAlgo TSS EMcv prec_season 1 0.051181Par variable :
Figure 67.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 67.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
67.3 Projections
67.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cesl/current
sp.name : cesl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesl/cesl.AllModels.models.out )
models.projected :
cesl_PA1_RUN1_GAM, cesl_PA1_RUN1_MARS, cesl_PA1_RUN1_MAXNET, cesl_PA1_RUN1_GBM, cesl_PA1_RUN1_RF, cesl_PA2_RUN1_GAM, cesl_PA2_RUN1_MARS, cesl_PA2_RUN1_MAXNET, cesl_PA2_RUN1_GBM, cesl_PA2_RUN1_RF, cesl_PA3_RUN1_GAM, cesl_PA3_RUN1_MARS, cesl_PA3_RUN1_MAXNET, cesl_PA3_RUN1_GBM, cesl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 67.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 67.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cesl/current
sp.name : cesl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesl/cesl.AllModels.ensemble.models.out )
models.projected :
cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 67.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
67.3.2 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/cesl/cont_gre
sp.name : cesl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesl/cesl.AllModels.models.out )
models.projected :
cesl_PA1_RUN1_GAM, cesl_PA1_RUN1_MARS, cesl_PA1_RUN1_MAXNET, cesl_PA1_RUN1_GBM, cesl_PA1_RUN1_RF, cesl_PA2_RUN1_GAM, cesl_PA2_RUN1_MARS, cesl_PA2_RUN1_MAXNET, cesl_PA2_RUN1_GBM, cesl_PA2_RUN1_RF, cesl_PA3_RUN1_GAM, cesl_PA3_RUN1_MARS, cesl_PA3_RUN1_MAXNET, cesl_PA3_RUN1_GBM, cesl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 67.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 67.18: 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/cesl/cont_gre
sp.name : cesl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cesl/cesl.AllModels.ensemble.models.out )
models.projected :
cesl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cesl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 67.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
67.3.3 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 67.20: 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 67.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 67.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 67.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
67.4 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)
67.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 67.24: 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 67.25: 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 67.26: 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 67.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
67.4.2 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 31 196 362 402.7458 620 849 0 2000
2 115 479 718 641.1912 808 859 126 2040
3 186 543 769 676.3195 822 863 126 2060
4 192 530 780 678.2662 826 861 126 2080
5 193 556 773 681.8316 826 865 126 2100
6 169 540 761 670.1145 817 859 245 2040
7 189 532 784 678.2707 827 861 245 2060
8 214 528 816 698.8743 841 864 245 2080
9 214 515 812 688.8331 843 865 245 2100
10 105 460 706 630.8272 800 859 370 2040
11 207 567 791 691.6236 830 864 370 2060
12 205 503 816 683.5194 843 865 370 2080
13 175 435 694 623.4510 829 871 370 2100
14 128 490 737 651.3558 813 863 585 2040
15 217 554 808 705.0620 839 864 585 2060
16 176 458 762 651.4544 848 868 585 2080
17 170 328 522 483.5993 580 857 585 2100
Figure 67.28: 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.