245 Corylus colurna
245.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.29hwzg
Format: SIMPLE_CSV
Download key: 0013592-230828120925497
Created: 2023-09-11T19:12:17.626+00:00
Modified: 2023-09-11T19:13:17.613+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0013592-230828120925497.zip
Total records: 1225Conversion 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 1002 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: -38.560194 xmax: 177.715722 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,002 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
# ℹ 992 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 1 002 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 245.1: Occurrences de Corylus colurna dans le monde.
245.1.1 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] 0.870259481[1] 0.126746507[1] 0
Figure 245.2: Occurrence de Corylus colurna dans la région d’endémisme.
245.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
549
CC_BY_NC_4_0
207
CC0_1_0
44
https://creativecommons.org/licenses/by-nc/4.0/legalcode
42
https://creativecommons.org/licenses/by/4.0/legalcode
29
https://creativecommons.org/publicdomain/zero/1.0/legalcode
1 [1] 71.44495413
Figure 245.3: Occurrence de Corylus colurna 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] 623245.1.3 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 623 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -4.79 ymin: 37.530033 xmax: 45.13944 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 623 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Cory… Corylu… NA
# ℹ 613 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>, …
245.2 Modélisation de la niche climatique
245.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 623, 0 (geometries, attributes)
extent : -4.79, 45.13944, 37.530033, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cocl 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 = cocl
623 presences, 0 true absences and 1866 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 7.60000 Min. :-21.600000 Min. :-8.85200 Min. : 313.9957 Min. : 5.0000
1st Qu.:20.72609 1st Qu.: -8.176000 1st Qu.:10.19533 1st Qu.: 644.8527 1st Qu.: 179.0000
Median :23.56800 Median : -3.300000 Median :14.69400 Median : 730.9590 Median : 212.0000
Mean :24.87520 Mean : -4.211525 Mean :13.24008 Mean : 760.3300 Mean : 216.4781
3rd Qu.:27.78000 3rd Qu.: 0.488000 3rd Qu.:16.89200 3rd Qu.: 890.2535 3rd Qu.: 247.0000
Max. :45.74400 Max. : 9.500000 Max. :26.18467 Max. :1322.5034 Max. :1189.0000
prec_season
Min. : 8.481972
1st Qu.: 21.544056
Median : 31.257059
Mean : 35.198078
3rd Qu.: 41.228321
Max. :121.060120
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 245.5: 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 : 4361, 2 (geometries, attributes)
extent : -9.729166667, 46.97916667, 29.02083333, 70.9375 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 245.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
245.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cocl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cocl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cocl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cocl 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 : cocl_PA1
-=-=-=--=-=-=- cocl_PA1_RUN1
-=-=-=- Run : cocl_PA2
-=-=-=--=-=-=- cocl_PA2_RUN1
-=-=-=- Run : cocl_PA3
-=-=-=--=-=-=- cocl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=245.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 cocl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 586.0 95.783 52.209 0.480
2 cocl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 567.0 96.185 51.807 0.695
3 cocl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 511.0 92.771 87.349 0.801
4 cocl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 514.0 92.771 87.550 0.956
5 cocl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 425.0 92.169 88.956 0.813
6 cocl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 425.5 92.169 89.157 0.951
validation evaluation
1 0.512 NA
2 0.735 NA
3 0.760 NA
4 0.934 NA
5 0.792 NA
6 0.937 NA
Figure 245.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
245.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cocl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.031633
2 cocl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.237764
3 cocl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.086639
4 cocl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.244319
5 cocl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.000485
6 cocl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.161367
Figure 245.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 245.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
245.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cocl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cocl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=245.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 cocl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 cocl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 735 90.851 95.981 0.868 NA NA
2 TSS EMwmean ROC 743 90.851 96.141 0.987 NA NA
Figure 245.11: 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 merged.by.algo filtered.by
1 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.368289
2 EMcv temp_min 1 0.386658
3 EMcv temp_wet_quart 1 0.119245
4 EMcv temp_season 1 0.337449
5 EMcv prec_wet_quart 1 0.189777
6 EMcv prec_season 1 0.231208Par variable :
Figure 245.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 245.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
245.3 Projections
245.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cocl/current
sp.name : cocl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/cocl/cocl.AllModels.models.out )
models.projected :
cocl_PA1_RUN1_GAM, cocl_PA1_RUN1_MARS, cocl_PA1_RUN1_MAXNET, cocl_PA1_RUN1_GBM, cocl_PA1_RUN1_RF, cocl_PA2_RUN1_GAM, cocl_PA2_RUN1_MARS, cocl_PA2_RUN1_MAXNET, cocl_PA2_RUN1_GBM, cocl_PA2_RUN1_RF, cocl_PA3_RUN1_GAM, cocl_PA3_RUN1_MARS, cocl_PA3_RUN1_MAXNET, cocl_PA3_RUN1_GBM, cocl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 245.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 245.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cocl/current
sp.name : cocl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/cocl/cocl.AllModels.ensemble.models.out )
models.projected :
cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cocl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 245.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
245.3.2 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/cocl/cont_gre
sp.name : cocl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/cocl/cocl.AllModels.models.out )
models.projected :
cocl_PA1_RUN1_GAM, cocl_PA1_RUN1_MARS, cocl_PA1_RUN1_MAXNET, cocl_PA1_RUN1_GBM, cocl_PA1_RUN1_RF, cocl_PA2_RUN1_GAM, cocl_PA2_RUN1_MARS, cocl_PA2_RUN1_MAXNET, cocl_PA2_RUN1_GBM, cocl_PA2_RUN1_RF, cocl_PA3_RUN1_GAM, cocl_PA3_RUN1_MARS, cocl_PA3_RUN1_MAXNET, cocl_PA3_RUN1_GBM, cocl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 245.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 245.18: 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/cocl/cont_gre
sp.name : cocl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/cocl/cocl.AllModels.ensemble.models.out )
models.projected :
cocl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cocl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 245.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
245.3.3 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 245.20: 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 245.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 245.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 245.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
245.4 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)
245.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 245.24: 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 245.25: 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 245.26: 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 245.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
245.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <fct> <dbl>
1 304 563 616 638.8640846 752 869 0 2000
2 361 517 601 607.2163787 710 823 126 2040
3 316 501 553 570.2652361 634 821 126 2060
4 242 413 490 500.1276075 571 800 126 2080
5 291 485 517 545.0799121 596 803 126 2100
6 367 510 595 598.2932848 682 813 245 2040
7 270 436 491 508.0063430 568 801 245 2060
8 336 387 457 470.3596799 533 816 245 2080
9 177 369 385 414.0644038 458 795 245 2100
10 373 522 601 609.2160096 707 813 370 2040
11 293 449 501 517.1832912 575 817 370 2060
12 301 370 410 431.6981706 486 781 370 2080
13 151 242 303 282.9699963 323 467 370 2100
14 265 441 519 530.0135369 615 792 585 2040
15 326 380 455 470.4949812 533 799 585 2060
16 141 255 315 294.7134522 333 586 585 2080
17 96 180 199 195.0192890 216 302 585 2100
Figure 245.28: 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.