131 Crataegus monogyna
131.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.5w9n4r
Format: SIMPLE_CSV
Download key: 0252538-230224095556074
Created: 2023-05-20T16:22:44.953+00:00
Modified: 2023-05-20T16:27:27.767+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252538-230224095556074.zip
Total records: 652150Conversion 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 652150 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -132.03923 ymin: -46.384475 xmax: 177.787781 ymax: 68.702322
Geodetic CRS: WGS 84
# A tibble: 652,150 × 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-… 880E0190-7D… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
2 2e9 835613da-… CB6C288D-60… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
3 2e9 835613da-… 5E0588DD-6A… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
4 2e9 835613da-… 6E2F74D4-2E… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
5 2e9 835613da-… 43A72A90-20… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
6 2e9 835613da-… 66C93ED5-FD… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
7 3e7 835613da-… C3232439-C7… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
8 3e7 835613da-… 8FD06E2C-11… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
9 2e9 835613da-… EB015144-D5… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
# ℹ 652,140 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 652 150 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 131.1: Occurrences de Crataegus monogyna dans le monde.
131.1.1 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] 0.9888537913[1] 0.002709499348[1] 9.200337346e-06
Figure 131.2: Occurrence de Crataegus monogyna dans la région d’endémisme.
131.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
460943 152009 31929 [1] 76.4283643
Figure 131.3: Occurrence de Crataegus monogyna 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] 492872131.1.3 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: -9.981081 ymin: 36.7 xmax: 40.83333 ymax: 63.4453
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 a814f323-… SR000118000… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
2 3.e9 dd238f50-… 377b1cc9-1b… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
3 1 e9 bfc6fe18-… Natuurpunt:… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
4 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
5 1 e9 75956ee6-… http://cbnm… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
6 3 e9 67fabcac-… 7973641 Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
7 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
8 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
9 3.e9 f11a63fa-… 5f995907-90… Plantae Trach… Magn… Rosa… Rosac… Crat… Cratae… ""
10 1 e9 75956ee6-… http://cbnb… 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>, …
131.2 Modélisation de la niche climatique
131.2.1 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 : -9.981081, 40.83333, 36.7, 63.4453 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= crmo 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 = crmo
24966 presences, 0 true absences and 72840 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.484 Min. :-21.996 Min. :-12.310 Min. : 197.0
1st Qu.:20.420 1st Qu.: -8.800 1st Qu.: 8.193 1st Qu.: 597.0
Median :23.712 Median : -2.432 Median : 12.377 Median : 718.7
Mean :24.901 Mean : -3.948 Mean : 11.972 Mean : 747.5
3rd Qu.:28.036 3rd Qu.: 1.064 3rd Qu.: 16.028 3rd Qu.: 896.9
Max. :45.864 Max. : 12.132 Max. : 26.215 Max. :1380.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 175.0 1st Qu.: 20.73
Median : 216.0 Median : 30.43
Mean : 218.2 Mean : 34.39
3rd Qu.: 253.0 3rd Qu.: 39.19
Max. :1230.0 Max. :123.69
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 131.5: 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 : 174864, 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 131.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
131.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for crmo_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for crmo_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for crmo_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= crmo 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 : crmo_PA1
-=-=-=--=-=-=- crmo_PA1_RUN1
-=-=-=- Run : crmo_PA2
-=-=-=--=-=-=- crmo_PA2_RUN1
-=-=-=- Run : crmo_PA3
-=-=-=--=-=-=- crmo_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=131.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 crmo_PA1_RUN1_GAM PA1 RUN1 GAM TSS 667.0 95.819
2 crmo_PA1_RUN1_GAM PA1 RUN1 GAM ROC 665.5 95.849
3 crmo_PA1_RUN1_MARS PA1 RUN1 MARS TSS 529.0 96.210
4 crmo_PA1_RUN1_MARS PA1 RUN1 MARS ROC 530.5 96.200
5 crmo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 313.0 97.547
6 crmo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 313.5 97.517
specificity calibration validation evaluation
1 72.670 0.684 0.692 NA
2 72.655 0.843 0.845 NA
3 88.085 0.843 0.849 NA
4 88.120 0.957 0.959 NA
5 86.080 0.836 0.843 NA
6 86.115 0.956 0.957 NA
Figure 131.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
131.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 crmo_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.238341
2 crmo_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.110431
3 crmo_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.024956
4 crmo_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.697693
5 crmo_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.066419
6 crmo_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.019198
Figure 131.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 131.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
131.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : crmo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crmo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=131.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 crmo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 crmo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 547.0 96.948 91.032
2 mergedAlgo TSS EMwmean ROC 554.5 96.816 91.186
calibration validation evaluation
1 0.880 NA NA
2 0.987 NA NA
Figure 131.11: 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 crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 crmo_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 0.104467
2 mergedAlgo TSS EMcv temp_min 1 0.103989
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.029762
4 mergedAlgo TSS EMcv temp_season 1 0.361416
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.076626
6 mergedAlgo TSS EMcv prec_season 1 0.155540Par variable :
Figure 131.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 131.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
131.3 Projections
131.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/crmo/current
sp.name : crmo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crmo/crmo.AllModels.models.out )
models.projected :
crmo_PA1_RUN1_GAM, crmo_PA1_RUN1_MARS, crmo_PA1_RUN1_MAXNET, crmo_PA1_RUN1_GBM, crmo_PA1_RUN1_RF, crmo_PA2_RUN1_GAM, crmo_PA2_RUN1_MARS, crmo_PA2_RUN1_MAXNET, crmo_PA2_RUN1_GBM, crmo_PA2_RUN1_RF, crmo_PA3_RUN1_GAM, crmo_PA3_RUN1_MARS, crmo_PA3_RUN1_MAXNET, crmo_PA3_RUN1_GBM, crmo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 131.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 131.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/crmo/current
sp.name : crmo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crmo/crmo.AllModels.ensemble.models.out )
models.projected :
crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crmo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 131.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
131.3.2 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/crmo/cont_gre
sp.name : crmo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crmo/crmo.AllModels.models.out )
models.projected :
crmo_PA1_RUN1_GAM, crmo_PA1_RUN1_MARS, crmo_PA1_RUN1_MAXNET, crmo_PA1_RUN1_GBM, crmo_PA1_RUN1_RF, crmo_PA2_RUN1_GAM, crmo_PA2_RUN1_MARS, crmo_PA2_RUN1_MAXNET, crmo_PA2_RUN1_GBM, crmo_PA2_RUN1_RF, crmo_PA3_RUN1_GAM, crmo_PA3_RUN1_MARS, crmo_PA3_RUN1_MAXNET, crmo_PA3_RUN1_GBM, crmo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 131.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 131.18: 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/crmo/cont_gre
sp.name : crmo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/crmo/crmo.AllModels.ensemble.models.out )
models.projected :
crmo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, crmo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 131.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
131.3.3 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 131.20: 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 131.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 131.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 131.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
131.4 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)
131.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 131.24: 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 131.25: 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 131.26: 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 131.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
131.4.2 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>
1 306 644 737 713.14854 795 850 0 2000
2 172 465 609 587.84836 745 842 126 2040
3 177 416 541 535.45570 691 840 126 2060
4 183 433 547 544.03730 697 828 126 2080
5 220 471 579 567.75061 711 822 126 2100
6 163 449 604 584.20437 754 840 245 2040
7 155 377 485 479.55087 612 796 245 2060
8 148 380 505 487.61134 608 796 245 2080
9 132 308 443 415.39484 515 691 245 2100
10 149 409 558 547.30444 716 835 370 2040
11 156 410 515 506.38460 636 811 370 2060
12 96 273 419 392.65286 501 703 370 2080
13 68 98 152 159.74629 213 313 370 2100
14 162 431 574 555.98041 716 825 585 2040
15 145 352 476 456.75524 570 746 585 2060
16 67 120 184 192.50031 265 417 585 2080
17 53 68 88 93.39872 120 167 585 2100
Figure 131.28: 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.