132 Cupressus sempervirens
132.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.vndync
Format: SIMPLE_CSV
Download key: 0252551-230224095556074
Created: 2023-05-20T16:30:32.699+00:00
Modified: 2023-05-20T16:31:22.606+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252551-230224095556074.zip
Total records: 4935Conversion 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 4935 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.5177538 ymin: -41.254 xmax: 173.311 ymax: 59.46983
Geodetic CRS: WGS 84
# A tibble: 4,935 × 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 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
3 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
4 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
5 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
6 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… "horizontalis"
7 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
8 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
9 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
10 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
# ℹ 4,925 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 4 935 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 132.1: Occurrences de Cupressus sempervirens dans le monde.
132.1.1 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] 0.9529888551[1] 0.009321175279[1] 0.0004052684904
Figure 132.2: Occurrence de Cupressus sempervirens dans la région d’endémisme.
132.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
3796
CC_BY_NC_4_0
828
CC0_1_0
36
https://creativecommons.org/licenses/by-nc/4.0/legalcode
38
https://creativecommons.org/licenses/by/4.0/legalcode
1
https://creativecommons.org/publicdomain/zero/1.0/legalcode
4 [1] 81.58622156
Figure 132.3: Occurrence de Cupressus sempervirens 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] 3837132.1.3 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 3837 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.429055 ymin: 31.200001 xmax: 40.329046 ymax: 54.247471
Geodetic CRS: WGS 84
# A tibble: 3,837 × 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 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
2 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
3 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
4 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
5 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… "horizontalis"
6 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
7 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
8 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
9 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
10 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Cupr… Cupres… ""
# ℹ 3,827 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>, …
132.2 Modélisation de la niche climatique
132.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 3837, 0 (geometries, attributes)
extent : -9.429055, 40.32905, 31.2, 54.24747 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cuse 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 = cuse
3807 presences, 0 true absences and 11460 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.012 Min. :-21.960 Min. :-9.423 Min. : 276.7
1st Qu.:20.958 1st Qu.: -8.716 1st Qu.: 9.887 1st Qu.: 605.1
Median :26.288 Median : -1.200 Median :12.942 Median : 723.3
Mean :26.069 Mean : -3.151 Mean :12.552 Mean : 751.0
3rd Qu.:29.798 3rd Qu.: 2.777 3rd Qu.:15.958 3rd Qu.: 894.1
Max. :44.944 Max. : 11.550 Max. :23.919 Max. :1349.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 7.992
1st Qu.: 173.0 1st Qu.: 26.667
Median : 218.0 Median : 33.499
Mean : 220.4 Mean : 38.972
3rd Qu.: 263.0 3rd Qu.: 44.989
Max. :1240.0 Max. :122.117
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 132.5: 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 : 26739, 2 (geometries, attributes)
extent : -10.27083, 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 132.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
132.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cuse_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cuse_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cuse_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cuse 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 : cuse_PA1
-=-=-=--=-=-=- cuse_PA1_RUN1
-=-=-=- Run : cuse_PA2
-=-=-=--=-=-=- cuse_PA2_RUN1
-=-=-=- Run : cuse_PA3
-=-=-=--=-=-=- cuse_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=132.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cuse_PA1_RUN1_GAM PA1 RUN1 GAM TSS 515.0 97.997
2 cuse_PA1_RUN1_GAM PA1 RUN1 GAM ROC 518.5 97.997
3 cuse_PA1_RUN1_MARS PA1 RUN1 MARS TSS 472.0 94.386
4 cuse_PA1_RUN1_MARS PA1 RUN1 MARS ROC 397.5 96.159
5 cuse_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 364.0 94.386
6 cuse_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 362.5 94.485
specificity calibration validation evaluation
1 64.723 0.627 0.635 NA
2 64.756 0.797 0.808 NA
3 87.036 0.815 0.801 NA
4 85.375 0.961 0.957 NA
5 86.482 0.808 0.809 NA
6 86.482 0.959 0.955 NA
Figure 132.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
132.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cuse_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.407397
2 cuse_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.117911
3 cuse_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.000654
4 cuse_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.295475
5 cuse_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.014963
6 cuse_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.025802
Figure 132.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 132.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
132.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cuse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cuse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=132.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cuse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cuse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 526.0 95.718 90.271
2 mergedAlgo TSS EMwmean ROC 522.5 95.850 90.183
calibration validation evaluation
1 0.860 NA NA
2 0.982 NA NA
Figure 132.11: 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 cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cuse_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 0.103954
2 mergedAlgo TSS EMcv temp_min 1 0.499924
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.016703
4 mergedAlgo TSS EMcv temp_season 1 0.091102
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.129780
6 mergedAlgo TSS EMcv prec_season 1 0.033661Par variable :
Figure 132.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 132.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
132.3 Projections
132.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cuse/current
sp.name : cuse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cuse/cuse.AllModels.models.out )
models.projected :
cuse_PA1_RUN1_GAM, cuse_PA1_RUN1_MARS, cuse_PA1_RUN1_MAXNET, cuse_PA1_RUN1_GBM, cuse_PA1_RUN1_ANN, cuse_PA1_RUN1_RF, cuse_PA2_RUN1_GAM, cuse_PA2_RUN1_MARS, cuse_PA2_RUN1_MAXNET, cuse_PA2_RUN1_GBM, cuse_PA2_RUN1_ANN, cuse_PA2_RUN1_RF, cuse_PA3_RUN1_GAM, cuse_PA3_RUN1_MARS, cuse_PA3_RUN1_MAXNET, cuse_PA3_RUN1_GBM, cuse_PA3_RUN1_ANN, cuse_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 132.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 132.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cuse/current
sp.name : cuse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cuse/cuse.AllModels.ensemble.models.out )
models.projected :
cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cuse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 132.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
132.3.2 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/cuse/cont_gre
sp.name : cuse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cuse/cuse.AllModels.models.out )
models.projected :
cuse_PA1_RUN1_GAM, cuse_PA1_RUN1_MARS, cuse_PA1_RUN1_MAXNET, cuse_PA1_RUN1_GBM, cuse_PA1_RUN1_ANN, cuse_PA1_RUN1_RF, cuse_PA2_RUN1_GAM, cuse_PA2_RUN1_MARS, cuse_PA2_RUN1_MAXNET, cuse_PA2_RUN1_GBM, cuse_PA2_RUN1_ANN, cuse_PA2_RUN1_RF, cuse_PA3_RUN1_GAM, cuse_PA3_RUN1_MARS, cuse_PA3_RUN1_MAXNET, cuse_PA3_RUN1_GBM, cuse_PA3_RUN1_ANN, cuse_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 132.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 132.18: 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/cuse/cont_gre
sp.name : cuse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cuse/cuse.AllModels.ensemble.models.out )
models.projected :
cuse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cuse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 132.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
132.3.3 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 132.20: 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 132.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 132.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 132.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
132.4 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)
132.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 132.24: 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 132.25: 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 132.26: 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 132.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
132.4.2 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 36 178 396 424.0355 681 810 0 2000
2 94 549 680 639.6700 760 818 126 2040
3 141 595 703 670.2848 770 819 126 2060
4 138 620 726 691.3762 783 830 126 2080
5 157 614 716 685.2373 784 828 126 2100
6 129 602 705 673.8650 768 820 245 2040
7 207 602 717 681.1729 768 818 245 2060
8 368 650 762 717.6584 794 830 245 2080
9 366 616 751 702.0638 791 832 245 2100
10 84 536 665 627.7949 747 816 370 2040
11 230 622 729 694.2976 780 828 370 2060
12 360 603 751 699.2019 793 832 370 2080
13 336 532 658 630.0989 726 776 370 2100
14 107 569 692 656.2106 766 826 585 2040
15 300 640 747 706.9974 783 831 585 2060
16 346 541 691 650.0663 745 782 585 2080
17 241 453 539 530.7480 617 760 585 2100
Figure 132.28: 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.