130 Corylus avellana
130.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6y487g
Format: SIMPLE_CSV
Download key: 0252525-230224095556074
Created: 2023-05-20T16:11:59.915+00:00
Modified: 2023-05-20T16:19:41.957+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252525-230224095556074.zip
Total records: 607164Conversion 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 607164 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.900002 ymin: -43.899308 xmax: 175.256161 ymax: 68.3482
Geodetic CRS: WGS 84
# A tibble: 607,164 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2e9 835613da-… 016FD1E5-5C… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
2 2e9 835613da-… A3B3F209-57… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
3 2e9 835613da-… D1634A91-64… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
4 2e9 835613da-… 9E1F79DF-B1… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
5 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
6 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
10 4e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
# ℹ 607,154 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 <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 607 164 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 130.1: Occurrences de Corylus avellana dans le monde.
130.1.1 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] 0.9972264495[1] 0.000375516335[1] 8.235007346e-06
Figure 130.2: Occurrence de Corylus avellana dans la région d’endémisme.
130.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
457789 95903 51788 [1] 84.16083108
Figure 130.3: Occurrence de Corylus avellana 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] 509577130.1.3 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 25000 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -10.137485 ymin: 37.042859 xmax: 46.829213 ymax: 67.928517
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2 e9 95a410f0-… c7978f53-9a… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
2 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
3 1.e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
4 3.e9 f11a63fa-… 147f28c4-f9… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
5 3.e9 b0bc4d1a-… 5b04e718-22… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
6 3.e9 14d5676a-… q-100154562… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
7 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
8 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
9 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
10 1 e9 bfc6fe18-… Natuurpunt:… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… ""
# ℹ 24,990 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 <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
130.2 Modélisation de la niche climatique
130.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -10.13748, 46.82921, 37.04286, 67.92852 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= coav 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 = coav
24994 presences, 0 true absences and 72930 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.48 Min. :-22.080 Min. :-9.371 Min. : 212.8
1st Qu.:20.31 1st Qu.: -8.852 1st Qu.: 8.127 1st Qu.: 605.3
Median :23.46 Median : -3.040 Median :12.621 Median : 724.6
Mean :24.79 Mean : -4.152 Mean :11.988 Mean : 752.1
3rd Qu.:27.95 3rd Qu.: 0.880 3rd Qu.:16.068 3rd Qu.: 897.4
Max. :45.49 Max. : 11.848 Max. :24.739 Max. :1393.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 176.0 1st Qu.: 20.59
Median : 217.0 Median : 30.48
Mean : 221.7 Mean : 34.36
3rd Qu.: 256.0 3rd Qu.: 39.09
Max. :1243.0 Max. :123.38
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 130.5: 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 : 174976, 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 130.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
130.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for coav_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for coav_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for coav_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= coav 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 : coav_PA1
-=-=-=--=-=-=- coav_PA1_RUN1
-=-=-=- Run : coav_PA2
-=-=-=--=-=-=- coav_PA2_RUN1
-=-=-=- Run : coav_PA3
-=-=-=--=-=-=- coav_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=130.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 coav_PA1_RUN1_GAM PA1 RUN1 GAM TSS 697.0 91.298
2 coav_PA1_RUN1_GAM PA1 RUN1 GAM ROC 700.5 91.173
3 coav_PA1_RUN1_MARS PA1 RUN1 MARS TSS 521.0 93.463
4 coav_PA1_RUN1_MARS PA1 RUN1 MARS ROC 525.5 93.383
5 coav_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 359.0 94.274
6 coav_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 363.5 94.059
specificity calibration validation evaluation
1 62.220 0.536 0.533 NA
2 62.420 0.774 0.774 NA
3 85.950 0.794 0.794 NA
4 86.055 0.946 0.947 NA
5 84.650 0.789 0.791 NA
6 84.905 0.946 0.948 NA
Figure 130.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
130.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 coav_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.297787
2 coav_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.127642
3 coav_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.036638
4 coav_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.420720
5 coav_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.068759
6 coav_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.063562
Figure 130.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 130.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
130.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : coav
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo, coav_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=130.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 coav_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 coav_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 96.751 93.671
2 mergedAlgo TSS EMwmean ROC 631.5 96.643 93.801
calibration validation evaluation
1 0.904 NA NA
2 0.992 NA NA
Figure 130.11: 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 coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 coav_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 0.465893
2 mergedAlgo TSS EMcv temp_min 1 0.487652
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.204745
4 mergedAlgo TSS EMcv temp_season 1 0.409886
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.231767
6 mergedAlgo TSS EMcv prec_season 1 0.377816Par variable :
Figure 130.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 130.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
130.3 Projections
130.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/coav/current
sp.name : coav
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/coav/coav.AllModels.models.out )
models.projected :
coav_PA1_RUN1_GAM, coav_PA1_RUN1_MARS, coav_PA1_RUN1_MAXNET, coav_PA1_RUN1_GBM, coav_PA1_RUN1_RF, coav_PA2_RUN1_GAM, coav_PA2_RUN1_MARS, coav_PA2_RUN1_MAXNET, coav_PA2_RUN1_GBM, coav_PA2_RUN1_RF, coav_PA3_RUN1_GAM, coav_PA3_RUN1_MARS, coav_PA3_RUN1_MAXNET, coav_PA3_RUN1_GBM, coav_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 130.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 130.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/coav/current
sp.name : coav
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/coav/coav.AllModels.ensemble.models.out )
models.projected :
coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo, coav_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 130.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
130.3.2 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/coav/cont_gre
sp.name : coav
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/coav/coav.AllModels.models.out )
models.projected :
coav_PA1_RUN1_GAM, coav_PA1_RUN1_MARS, coav_PA1_RUN1_MAXNET, coav_PA1_RUN1_GBM, coav_PA1_RUN1_RF, coav_PA2_RUN1_GAM, coav_PA2_RUN1_MARS, coav_PA2_RUN1_MAXNET, coav_PA2_RUN1_GBM, coav_PA2_RUN1_RF, coav_PA3_RUN1_GAM, coav_PA3_RUN1_MARS, coav_PA3_RUN1_MAXNET, coav_PA3_RUN1_GBM, coav_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 130.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 130.18: 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/coav/cont_gre
sp.name : coav
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/coav/coav.AllModels.ensemble.models.out )
models.projected :
coav_EMcvByTSS_mergedData_mergedRun_mergedAlgo, coav_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 130.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
130.3.3 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 130.20: 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 130.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 130.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 130.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
130.4 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)
130.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 130.24: 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 130.25: 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 130.26: 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 130.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
130.4.2 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>
1 355 564 795 748.7277 909 973 0 2000
2 206 397 650 605.6436 824 969 126 2040
3 187 288 523 516.5549 724 922 126 2060
4 191 288 528 510.6590 710 917 126 2080
5 202 281 582 519.0605 718 899 126 2100
6 201 377 634 593.3759 825 960 245 2040
7 190 246 437 457.2381 642 901 245 2060
8 208 242 352 415.9726 591 863 245 2080
9 184 245 272 342.6827 432 716 245 2100
10 215 387 630 592.9853 810 964 370 2040
11 196 243 448 459.2841 650 876 370 2060
12 214 245 258 321.0122 358 740 370 2080
13 118 230 286 266.2897 305 451 370 2100
14 196 363 590 560.4024 761 941 585 2040
15 206 245 354 410.5147 567 796 585 2060
16 121 244 287 273.7033 317 472 585 2080
17 188 289 313 306.6158 332 397 585 2100
Figure 130.28: 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.