181 Cormus domestica
181.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.hmz72v
Format: SIMPLE_CSV
Download key: 0260114-230224095556074
Created: 2023-05-24T19:58:21.669+00:00
Modified: 2023-05-24T19:59:21.054+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260114-230224095556074.zip
Total records: 24073Conversion 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 24073 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: -35.377469 xmax: 151.5967 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 24,073 × 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 837acfc2-… "HSS:HSS:39… Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
2 9e8 962cceea-… "MGC:MGC-Co… Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
3 8e8 834a4794-… "D2FF1E2A-2… Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
4 8e8 834a4794-… "F47E10C5-8… Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
5 8e8 834a4794-… "F4E0BAD2-6… Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
6 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
7 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
8 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
9 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
10 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
# ℹ 24,063 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 24 073 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 181.1: Occurrences de Cormus domestica dans le monde.
181.1.1 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] 0.9981722261[1] 0.0001246209446[1] 0
Figure 181.2: Occurrence de Cormus domestica dans la région d’endémisme.
181.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
21682
CC_BY_NC_4_0
2222
CC0_1_0
54
https://creativecommons.org/licenses/by-nc/4.0/legalcode
47
https://creativecommons.org/licenses/by/4.0/legalcode
21
https://creativecommons.org/publicdomain/zero/1.0/legalcode
3 [1] 90.55724333
Figure 181.3: Occurrence de Cormus domestica 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] 21760181.1.3 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 21760 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.42058 ymin: 36.91 xmax: 37.534533 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 21,760 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
2 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
3 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
4 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
5 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
6 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
7 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
8 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
9 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
10 8e8 6a122346-… "" Plantae Trach… Magn… Rosa… Rosac… Corm… Cormus… ""
# ℹ 21,750 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>, …
181.2 Modélisation de la niche climatique
181.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 21760, 0 (geometries, attributes)
extent : -9.42058, 37.53453, 36.91, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= codo 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 = codo
21707 presences, 0 true absences and 63721 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.048 Min. :-12.645 Min. : 0.0
1st Qu.:20.94 1st Qu.: -8.672 1st Qu.: 8.681 1st Qu.: 601.5
Median :24.89 Median : -1.988 Median : 12.414 Median : 713.6
Mean :25.41 Mean : -3.721 Mean : 12.031 Mean : 749.4
3rd Qu.:28.29 3rd Qu.: 1.612 3rd Qu.: 15.903 3rd Qu.: 894.9
Max. :45.35 Max. : 11.900 Max. : 25.490 Max. :1374.0
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 180.0 1st Qu.: 22.665
Median : 220.0 Median : 31.521
Mean : 221.5 Mean : 35.521
3rd Qu.: 268.0 3rd Qu.: 40.220
Max. :1261.0 Max. :123.602
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 181.5: 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 : 152108, 2 (geometries, attributes)
extent : -10.35417, 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 181.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
181.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for codo_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for codo_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for codo_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= codo 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 : codo_PA1
-=-=-=--=-=-=- codo_PA1_RUN1
-=-=-=- Run : codo_PA2
-=-=-=--=-=-=- codo_PA2_RUN1
-=-=-=- Run : codo_PA3
-=-=-=--=-=-=- codo_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=181.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 codo_PA1_RUN1_GAM PA1 RUN1 GAM TSS 717.0 97.299
2 codo_PA1_RUN1_GAM PA1 RUN1 GAM ROC 719.5 97.299
3 codo_PA1_RUN1_MARS PA1 RUN1 MARS TSS 514.0 97.628
4 codo_PA1_RUN1_MARS PA1 RUN1 MARS ROC 519.5 97.576
5 codo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 375.0 97.426
6 codo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 375.5 97.420
specificity calibration validation evaluation
1 67.389 0.647 0.642 NA
2 67.435 0.758 0.749 NA
3 91.791 0.894 0.902 NA
4 91.872 0.976 0.979 NA
5 92.584 0.901 0.905 NA
6 92.641 0.975 0.977 NA
Figure 181.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
181.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 codo_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.500814
2 codo_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.187591
3 codo_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.014182
4 codo_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.562477
5 codo_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.023745
6 codo_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.012477
Figure 181.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 181.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
181.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : codo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, codo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=181.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 codo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 codo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 553.0 98.074 95.402
2 mergedAlgo TSS EMwmean ROC 560.5 98.037 95.501
calibration validation evaluation
1 0.935 NA NA
2 0.995 NA NA
Figure 181.11: 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 codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 codo_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 0.119711
2 mergedAlgo TSS EMcv temp_min 1 0.099096
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.017982
4 mergedAlgo TSS EMcv temp_season 1 0.513477
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.077037
6 mergedAlgo TSS EMcv prec_season 1 0.122029Par variable :
Figure 181.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 181.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
181.3 Projections
181.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/codo/current
sp.name : codo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/codo/codo.AllModels.models.out )
models.projected :
codo_PA1_RUN1_GAM, codo_PA1_RUN1_MARS, codo_PA1_RUN1_MAXNET, codo_PA1_RUN1_GBM, codo_PA1_RUN1_RF, codo_PA2_RUN1_GAM, codo_PA2_RUN1_MARS, codo_PA2_RUN1_MAXNET, codo_PA2_RUN1_GBM, codo_PA2_RUN1_RF, codo_PA3_RUN1_GAM, codo_PA3_RUN1_MARS, codo_PA3_RUN1_MAXNET, codo_PA3_RUN1_GBM, codo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 181.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 181.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/codo/current
sp.name : codo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/codo/codo.AllModels.ensemble.models.out )
models.projected :
codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, codo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 181.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
181.3.2 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/codo/cont_gre
sp.name : codo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/codo/codo.AllModels.models.out )
models.projected :
codo_PA1_RUN1_GAM, codo_PA1_RUN1_MARS, codo_PA1_RUN1_MAXNET, codo_PA1_RUN1_GBM, codo_PA1_RUN1_RF, codo_PA2_RUN1_GAM, codo_PA2_RUN1_MARS, codo_PA2_RUN1_MAXNET, codo_PA2_RUN1_GBM, codo_PA2_RUN1_RF, codo_PA3_RUN1_GAM, codo_PA3_RUN1_MARS, codo_PA3_RUN1_MAXNET, codo_PA3_RUN1_GBM, codo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 181.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 181.18: 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/codo/cont_gre
sp.name : codo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/codo/codo.AllModels.ensemble.models.out )
models.projected :
codo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, codo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 181.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
181.3.3 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 181.20: 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 181.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 181.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 181.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
181.4 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)
181.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 181.24: 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 181.25: 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 181.26: 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 181.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
181.4.2 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>
1 132 398.25 599 555.5687 700 864 0 2000
2 75 361.00 504 502.2628 670 815 126 2040
3 72 313.00 467 458.6238 644 798 126 2060
4 70 332.00 469 467.1727 640 787 126 2080
5 74 405.00 513 495.3126 655 790 126 2100
6 73 363.00 512 504.8707 682 806 245 2040
7 59 255.00 416 382.5250 519 750 245 2060
8 61 229.00 430 399.2142 607 755 245 2080
9 51 197.00 340 336.8403 463 694 245 2100
10 75 313.00 458 451.8238 640 811 370 2040
11 65 279.00 442 417.0872 608 776 370 2060
12 46 115.00 315 316.6473 453 709 370 2080
13 37 60.00 103 113.2991 161 288 370 2100
14 73 348.00 478 476.0162 641 792 585 2040
15 54 223.00 362 359.5172 491 719 585 2060
16 44 65.00 137 135.3103 189 322 585 2080
17 28 40.00 52 54.2932 67 134 585 2100
Figure 181.28: 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.