85 Cydonia oblonga
85.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.yvsmmn
Format: SIMPLE_CSV
Download key: 0252187-230224095556074
Created: 2023-05-20T12:19:50.800+00:00
Modified: 2023-05-20T12:20:51.849+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252187-230224095556074.zip
Total records: 17246Conversion 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 17246 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.207845 ymin: -43.595084 xmax: 176.858554 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 17,246 × 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 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
2 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
# ℹ 17,236 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 17 246 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 85.1: Occurrences de Cydonia oblonga dans le monde.
85.1.1 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] 0.9690942827[1] 0.0142641772[1] 0.0007537979821
Figure 85.2: Occurrence de Cydonia oblonga dans la région d’endémisme.
85.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
16105
CC_BY_NC_4_0
463
CC0_1_0
97
https://creativecommons.org/licenses/by-nc/4.0/legalcode
40
https://creativecommons.org/licenses/by/4.0/legalcode
6
https://creativecommons.org/publicdomain/zero/1.0/legalcode
2 [1] 96.99036678
Figure 85.3: Occurrence de Cydonia oblonga 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] 1621085.1.3 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 16210 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.765907 ymin: 31.161811 xmax: 46.51708 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 16,210 × 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:a… Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Cydo… Cydoni… ""
# ℹ 16,200 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>, …
85.2 Modélisation de la niche climatique
85.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 16210, 0 (geometries, attributes)
extent : -9.765907, 46.51708, 31.16181, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cyob 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 = cyob
16207 presences, 0 true absences and 47787 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.064 Min. :-22.000 Min. :-11.523 Min. : 205.1
1st Qu.:20.829 1st Qu.: -8.752 1st Qu.: 9.493 1st Qu.: 615.6
Median :24.664 Median : -2.420 Median : 13.245 Median : 733.1
Mean :25.498 Mean : -3.755 Mean : 12.580 Mean : 756.0
3rd Qu.:28.983 3rd Qu.: 1.668 3rd Qu.: 16.304 3rd Qu.: 895.9
Max. :45.908 Max. : 12.124 Max. : 25.847 Max. :1380.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.911
1st Qu.: 175.0 1st Qu.: 23.432
Median : 216.0 Median : 31.991
Mean : 218.7 Mean : 36.360
3rd Qu.: 255.0 3rd Qu.: 41.625
Max. :1240.0 Max. :123.000
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 85.5: 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 : 113458, 2 (geometries, attributes)
extent : -10.47917, 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 85.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
85.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cyob_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cyob_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cyob_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cyob 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 : cyob_PA1
-=-=-=--=-=-=- cyob_PA1_RUN1
-=-=-=- Run : cyob_PA2
-=-=-=--=-=-=- cyob_PA2_RUN1
-=-=-=- Run : cyob_PA3
-=-=-=--=-=-=- cyob_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=85.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cyob_PA1_RUN1_GAM PA1 RUN1 GAM TSS 576.0 94.393
2 cyob_PA1_RUN1_GAM PA1 RUN1 GAM ROC 568.5 94.570
3 cyob_PA1_RUN1_MARS PA1 RUN1 MARS TSS 446.0 92.835
4 cyob_PA1_RUN1_MARS PA1 RUN1 MARS ROC 450.5 92.750
5 cyob_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 368.0 92.249
6 cyob_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 374.5 91.701
specificity calibration validation evaluation
1 56.084 0.505 0.522 NA
2 55.976 0.689 0.701 NA
3 80.298 0.732 0.740 NA
4 80.436 0.934 0.935 NA
5 81.377 0.736 0.743 NA
6 81.963 0.936 0.938 NA
Figure 85.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
85.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cyob_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.500201
2 cyob_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.083750
3 cyob_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010364
4 cyob_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.369209
5 cyob_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.023129
6 cyob_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.054652
Figure 85.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 85.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
85.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cyob
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cyob_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=85.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cyob_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cyob_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 95.477 94.53
2 mergedAlgo TSS EMwmean ROC 625.5 95.477 94.53
calibration validation evaluation
1 0.900 NA NA
2 0.992 NA NA
Figure 85.11: 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 cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cyob_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 0.578884
2 mergedAlgo TSS EMcv temp_min 1 0.584012
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.356002
4 mergedAlgo TSS EMcv temp_season 1 0.533442
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.455788
6 mergedAlgo TSS EMcv prec_season 1 0.430353Par variable :
Figure 85.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 85.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
85.3 Projections
85.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cyob/current
sp.name : cyob
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cyob/cyob.AllModels.models.out )
models.projected :
cyob_PA1_RUN1_GAM, cyob_PA1_RUN1_MARS, cyob_PA1_RUN1_MAXNET, cyob_PA1_RUN1_GBM, cyob_PA1_RUN1_ANN, cyob_PA1_RUN1_RF, cyob_PA2_RUN1_GAM, cyob_PA2_RUN1_MARS, cyob_PA2_RUN1_MAXNET, cyob_PA2_RUN1_GBM, cyob_PA2_RUN1_ANN, cyob_PA2_RUN1_RF, cyob_PA3_RUN1_GAM, cyob_PA3_RUN1_MARS, cyob_PA3_RUN1_MAXNET, cyob_PA3_RUN1_GBM, cyob_PA3_RUN1_ANN, cyob_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 85.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 85.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cyob/current
sp.name : cyob
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cyob/cyob.AllModels.ensemble.models.out )
models.projected :
cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cyob_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 85.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
85.3.2 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/cyob/cont_gre
sp.name : cyob
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cyob/cyob.AllModels.models.out )
models.projected :
cyob_PA1_RUN1_GAM, cyob_PA1_RUN1_MARS, cyob_PA1_RUN1_MAXNET, cyob_PA1_RUN1_GBM, cyob_PA1_RUN1_ANN, cyob_PA1_RUN1_RF, cyob_PA2_RUN1_GAM, cyob_PA2_RUN1_MARS, cyob_PA2_RUN1_MAXNET, cyob_PA2_RUN1_GBM, cyob_PA2_RUN1_ANN, cyob_PA2_RUN1_RF, cyob_PA3_RUN1_GAM, cyob_PA3_RUN1_MARS, cyob_PA3_RUN1_MAXNET, cyob_PA3_RUN1_GBM, cyob_PA3_RUN1_ANN, cyob_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 85.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 85.18: 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/cyob/cont_gre
sp.name : cyob
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cyob/cyob.AllModels.ensemble.models.out )
models.projected :
cyob_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cyob_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 85.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
85.3.3 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 85.20: 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 85.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 85.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 85.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
85.4 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)
85.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 85.24: 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 85.25: 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 85.26: 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 85.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
85.4.2 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>
1 172 528 679 673.9875 831 994 0 2000
2 336 561 730 686.3508 805 951 126 2040
3 319 494 641 610.0736 733 936 126 2060
4 327 490 691 639.6992 771 966 126 2080
5 324 477 647 605.3562 724 926 126 2100
6 346 577 730 679.2563 791 944 245 2040
7 282 446 601 594.4374 743 919 245 2060
8 325 394 627 586.6119 727 916 245 2080
9 268 372 565 535.0976 655 858 245 2100
10 344 537 711 676.8850 802 954 370 2040
11 324 426 604 577.3735 701 922 370 2060
12 313 355 560 525.8479 649 879 370 2080
13 217 359 392 421.5788 495 645 370 2100
14 319 521 719 666.2196 792 964 585 2040
15 286 386 583 554.5513 673 856 585 2060
16 210 356 403 444.5673 562 640 585 2080
17 211 348 381 377.0425 405 637 585 2100
Figure 85.28: 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.