126 Chionanthus virginicus
126.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.fmxz2z
Format: SIMPLE_CSV
Download key: 0252512-230224095556074
Created: 2023-05-20T16:06:23.422+00:00
Modified: 2023-05-20T16:07:14.658+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252512-230224095556074.zip
Total records: 1861Conversion 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 1861 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: -22.863721 xmax: 25.948293 ymax: 56.683774
Geodetic CRS: WGS 84
# A tibble: 1,861 × 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 0096dfc0-… http://bioi… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
2 9e8 0096dfc0-… http://bioi… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
3 9e8 0096dfc0-… http://bioi… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
4 9e8 0096dfc0-… http://bioi… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
5 9e8 0096dfc0-… http://bioi… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
6 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
7 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
8 9e8 50c9509d-… http://www.… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
9 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
10 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
# ℹ 1,851 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 861 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 126.1: Occurrences de Chionanthus virginicus dans le monde.
126.1.1 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] 0.005910800645[1] 0.9935518538[1] 0
Figure 126.2: Occurrence de Chionanthus virginicus dans la région d’endémisme.
126.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
579 1131 139 [1] 38.83180097
Figure 126.3: Occurrence de Chionanthus virginicus 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] 718126.1.3 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 718 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: 25.678165 xmax: -70.506416 ymax: 49.25
Geodetic CRS: WGS 84
# A tibble: 718 × 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 0096dfc0-… "http://bio… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
2 9e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
3 9e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
4 9e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
5 9e8 0096dfc0-… "http://bio… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
6 9e8 50c9509d-… "http://www… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
7 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
8 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
9 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
10 6e8 5288946d-… "" Plantae Trach… Magn… Lami… Oleac… Chio… Chiona… ""
# ℹ 708 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
126.2 Modélisation de la niche climatique
126.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 718, 0 (geometries, attributes)
extent : -123.2333, -70.50642, 25.67816, 49.25 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= chvi 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 = chvi
718 presences, 0 true absences and 2154 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :11.52 Min. :-30.64800 Min. :-9.865 Min. : 59.5
1st Qu.:24.38 1st Qu.:-14.12900 1st Qu.:11.375 1st Qu.: 717.6
Median :29.25 Median : -6.25600 Median :17.037 Median : 852.4
Mean :28.03 Mean : -7.04516 Mean :16.277 Mean : 855.6
3rd Qu.:31.90 3rd Qu.: -0.03627 3rd Qu.:22.291 3rd Qu.:1021.1
Max. :43.72 Max. : 21.46667 Max. :32.501 Max. :1458.4
prec_wet_quart prec_season
Min. : 31.0 Min. : 5.84
1st Qu.: 233.8 1st Qu.: 17.44
Median : 312.5 Median : 31.72
Mean : 330.8 Mean : 38.68
3rd Qu.: 374.0 3rd Qu.: 56.18
Max. :1730.0 Max. :137.47
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 126.5: 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 : 5026, 2 (geometries, attributes)
extent : -129.6458, -53.02083, 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 126.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
126.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for chvi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for chvi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for chvi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= chvi 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 : chvi_PA1
-=-=-=--=-=-=- chvi_PA1_RUN1
-=-=-=- Run : chvi_PA2
-=-=-=--=-=-=- chvi_PA2_RUN1
-=-=-=- Run : chvi_PA3
-=-=-=--=-=-=- chvi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=126.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 chvi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 520.0 100.000
2 chvi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 520.0 100.000
3 chvi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 400.0 97.387
4 chvi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 399.0 97.387
5 chvi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 342.0 96.167
6 chvi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 343.5 96.167
specificity calibration validation evaluation
1 79.791 0.798 0.757 NA
2 79.791 0.895 0.874 NA
3 84.843 0.822 0.826 NA
4 84.843 0.944 0.960 NA
5 84.669 0.810 0.819 NA
6 84.843 0.947 0.959 NA
Figure 126.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
126.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 chvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.185790
2 chvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.422030
3 chvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.124370
4 chvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.435656
5 chvi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.270598
6 chvi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.205490
Figure 126.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 126.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
126.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : chvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, chvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=126.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 chvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 chvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 479.0 97.911 86.63
2 mergedAlgo TSS EMwmean ROC 469.5 98.329 86.49
calibration validation evaluation
1 0.845 NA NA
2 0.978 NA NA
Figure 126.11: 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 chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 chvi_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 0.112682
2 mergedAlgo TSS EMcv temp_min 1 0.331385
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.071729
4 mergedAlgo TSS EMcv temp_season 1 0.217835
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.165974
6 mergedAlgo TSS EMcv prec_season 1 0.184133Par variable :
Figure 126.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 126.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
126.3 Projections
126.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/chvi/current
sp.name : chvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/chvi/chvi.AllModels.models.out )
models.projected :
chvi_PA1_RUN1_GAM, chvi_PA1_RUN1_MARS, chvi_PA1_RUN1_MAXNET, chvi_PA1_RUN1_GBM, chvi_PA1_RUN1_ANN, chvi_PA1_RUN1_RF, chvi_PA2_RUN1_GAM, chvi_PA2_RUN1_MARS, chvi_PA2_RUN1_MAXNET, chvi_PA2_RUN1_GBM, chvi_PA2_RUN1_ANN, chvi_PA2_RUN1_RF, chvi_PA3_RUN1_GAM, chvi_PA3_RUN1_MARS, chvi_PA3_RUN1_MAXNET, chvi_PA3_RUN1_GBM, chvi_PA3_RUN1_ANN, chvi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 126.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 126.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/chvi/current
sp.name : chvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/chvi/chvi.AllModels.ensemble.models.out )
models.projected :
chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, chvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 126.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
126.3.2 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/chvi/cont_gre
sp.name : chvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/chvi/chvi.AllModels.models.out )
models.projected :
chvi_PA1_RUN1_GAM, chvi_PA1_RUN1_MARS, chvi_PA1_RUN1_MAXNET, chvi_PA1_RUN1_GBM, chvi_PA1_RUN1_ANN, chvi_PA1_RUN1_RF, chvi_PA2_RUN1_GAM, chvi_PA2_RUN1_MARS, chvi_PA2_RUN1_MAXNET, chvi_PA2_RUN1_GBM, chvi_PA2_RUN1_ANN, chvi_PA2_RUN1_RF, chvi_PA3_RUN1_GAM, chvi_PA3_RUN1_MARS, chvi_PA3_RUN1_MAXNET, chvi_PA3_RUN1_GBM, chvi_PA3_RUN1_ANN, chvi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 126.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 126.18: 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/chvi/cont_gre
sp.name : chvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/chvi/chvi.AllModels.ensemble.models.out )
models.projected :
chvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, chvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 126.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
126.3.3 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 126.20: 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 126.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 126.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 126.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
126.4 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)
126.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 126.24: 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 126.25: 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 126.26: 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 126.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
126.4.2 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>
1 159 313 357 431.5136 570 763 0 2000
2 274 424 508 538.4077 656 797 126 2040
3 300 452 582 571.1201 674 807 126 2060
4 285 471 588 575.1642 680 788 126 2080
5 298 480 611 597.8637 714 810 126 2100
6 321 448 561 566.7797 687 801 245 2040
7 314 496 626 604.4526 707 804 245 2060
8 347 579 677 649.9360 738 816 245 2080
9 369 597 684 657.2980 746 814 245 2100
10 269 425 517 541.7283 660 799 370 2040
11 327 506 641 618.4424 719 814 370 2060
12 365 582 686 654.0578 765 826 370 2080
13 303 476 630 594.8445 714 813 370 2100
14 254 417 533 537.1677 653 772 585 2040
15 372 569 678 650.0800 738 820 585 2060
16 333 517 680 621.8004 714 812 585 2080
17 259 360 512 489.7965 601 719 585 2100
Figure 126.28: 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.