75 Crataegus laevigata
75.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2sree5
Format: SIMPLE_CSV
Download key: 0252144-230224095556074
Created: 2023-05-20T11:56:41.773+00:00
Modified: 2023-05-20T11:59:12.851+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252144-230224095556074.zip
Total records: 98682Conversion 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 98682 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123 ymin: -37.2131 xmax: 145.68 ymax: 63.4522
Geodetic CRS: WGS 84
# A tibble: 98,682 × 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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
# ℹ 98,672 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 98 682 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 75.1: Occurrences de Crataegus laevigata dans le monde.
75.1.1 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] 0.9993514521[1] 0.0006080136195[1] 2.026712065e-05
Figure 75.2: Occurrence de Crataegus laevigata dans la région d’endémisme.
75.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
85308
CC_BY_NC_4_0
2481
CC0_1_0
7469
https://creativecommons.org/licenses/by-nc/4.0/legalcode
2405
https://creativecommons.org/licenses/by/4.0/legalcode
876
https://creativecommons.org/publicdomain/zero/1.0/legalcode
79 [1] 95.04552921
Figure 75.3: Occurrence de Crataegus laevigata 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] 9373275.1.3 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: -8.746013 ymin: 37.175945 xmax: 37.603505 ymax: 63.434
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 1.e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
2 2 e9 dd238f50-… "c44b8803-5… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
3 8 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
4 1 e9 f97eeccc-… "195004" Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… "laevigata"
5 3.e9 bd8ee748-… "611bdde8-c… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
6 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
7 2 e9 dd238f50-… "ca4a4476-a… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
8 1 e9 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
9 3.e9 e5f16d86-… "d72458d0-c… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
10 3.e9 dd238f50-… "20407d23-1… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
# 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>, …
75.2 Modélisation de la niche climatique
75.2.1 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 : -8.746013, 37.6035, 37.17594, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= crla 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 = crla
24993 presences, 0 true absences and 72899 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.224 Min. :-22.180 Min. :-14.857 Min. : 211.5
1st Qu.:20.340 1st Qu.: -8.696 1st Qu.: 8.468 1st Qu.: 617.0
Median :23.376 Median : -3.088 Median : 12.740 Median : 718.2
Mean :24.751 Mean : -4.204 Mean : 12.083 Mean : 754.6
3rd Qu.:27.872 3rd Qu.: 0.544 3rd Qu.: 16.121 3rd Qu.: 894.4
Max. :45.576 Max. : 12.036 Max. : 25.944 Max. :1368.2
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.688
1st Qu.: 176.0 1st Qu.: 19.913
Median : 214.0 Median : 29.964
Mean : 216.4 Mean : 33.916
3rd Qu.: 248.0 3rd Qu.: 38.978
Max. :1248.0 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 75.5: 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 : 174972, 2 (geometries, attributes)
extent : -10.52083, 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 75.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
75.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for crla_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for crla_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for crla_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= crla 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 : crla_PA1
-=-=-=--=-=-=- crla_PA1_RUN1
-=-=-=- Run : crla_PA2
-=-=-=--=-=-=- crla_PA2_RUN1
-=-=-=- Run : crla_PA3
-=-=-=--=-=-=- crla_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=75.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 crla_PA1_RUN1_GAM PA1 RUN1 GAM TSS 715.0 95.104
2 crla_PA1_RUN1_GAM PA1 RUN1 GAM ROC 713.5 95.139
3 crla_PA1_RUN1_MARS PA1 RUN1 MARS TSS 491.0 96.849
4 crla_PA1_RUN1_MARS PA1 RUN1 MARS ROC 491.5 96.849
5 crla_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 343.0 97.039
6 crla_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 335.5 97.309
specificity calibration validation evaluation
1 82.065 0.771 0.776 NA
2 82.040 0.939 0.943 NA
3 89.335 0.862 0.864 NA
4 89.345 0.965 0.967 NA
5 89.180 0.862 0.861 NA
6 88.960 0.965 0.968 NA
Figure 75.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
75.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 crla_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.186241
2 crla_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.124980
3 crla_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.019314
4 crla_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.498193
5 crla_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.100830
6 crla_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.217208
Figure 75.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 75.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
75.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : crla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=75.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 crla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 crla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 578.0 96.479 93.546
2 mergedAlgo TSS EMwmean ROC 553.5 96.963 93.064
calibration validation evaluation
1 0.900 NA NA
2 0.991 NA NA
Figure 75.11: 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 crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 crla_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 0.204442
2 mergedAlgo TSS EMcv temp_min 1 0.173131
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.025887
4 mergedAlgo TSS EMcv temp_season 1 0.212709
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.034905
6 mergedAlgo TSS EMcv prec_season 1 0.156310Par variable :
Figure 75.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 75.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
75.3 Projections
75.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/crla/current
sp.name : crla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crla/crla.AllModels.models.out )
models.projected :
crla_PA1_RUN1_GAM, crla_PA1_RUN1_MARS, crla_PA1_RUN1_MAXNET, crla_PA1_RUN1_GBM, crla_PA1_RUN1_RF, crla_PA2_RUN1_GAM, crla_PA2_RUN1_MARS, crla_PA2_RUN1_MAXNET, crla_PA2_RUN1_GBM, crla_PA2_RUN1_RF, crla_PA3_RUN1_GAM, crla_PA3_RUN1_MARS, crla_PA3_RUN1_MAXNET, crla_PA3_RUN1_GBM, crla_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 75.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 75.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/crla/current
sp.name : crla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crla/crla.AllModels.ensemble.models.out )
models.projected :
crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 75.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
75.3.2 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/crla/cont_gre
sp.name : crla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crla/crla.AllModels.models.out )
models.projected :
crla_PA1_RUN1_GAM, crla_PA1_RUN1_MARS, crla_PA1_RUN1_MAXNET, crla_PA1_RUN1_GBM, crla_PA1_RUN1_RF, crla_PA2_RUN1_GAM, crla_PA2_RUN1_MARS, crla_PA2_RUN1_MAXNET, crla_PA2_RUN1_GBM, crla_PA2_RUN1_RF, crla_PA3_RUN1_GAM, crla_PA3_RUN1_MARS, crla_PA3_RUN1_MAXNET, crla_PA3_RUN1_GBM, crla_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 75.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 75.18: 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/crla/cont_gre
sp.name : crla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crla/crla.AllModels.ensemble.models.out )
models.projected :
crla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 75.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
75.3.3 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 75.20: 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 75.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 75.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 75.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
75.4 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)
75.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 75.24: 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 75.25: 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 75.26: 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 75.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
75.4.2 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>
1 270 560 781 697.21973 807 851 0 2000
2 67 360 670 572.53204 769 840 126 2040
3 56 304 550 507.78414 715 829 126 2060
4 55 286 526 500.03416 713 813 126 2080
5 146 311 548 511.01116 703 802 126 2100
6 64 349 640 563.78317 779 834 245 2040
7 56 245 448 444.30127 666 802 245 2060
8 55 226 396 398.01494 556 785 245 2080
9 56 202 342 324.70077 437 686 245 2100
10 51 349 638 551.66549 760 840 370 2040
11 56 267 459 454.12243 664 796 370 2060
12 57 172 316 298.66965 424 679 370 2080
13 40 67 92 103.98872 121 380 370 2100
14 56 319 621 539.04739 747 816 585 2040
15 57 210 390 390.26182 585 760 585 2060
16 42 65 109 127.47577 161 535 585 2080
17 45 68 72 73.45029 79 130 585 2100
Figure 75.28: 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.