1 Collecte des données

Cette phase concerne toutes les données du projet qui ne sont pas les occurrences des espèces d’arbre, i.e. données « espèces » génériques, données géographiques et données climatiques. La plupart sont téléchargées sur des plateformes de données publiques.

Il est attendu un maximum de 50 GB de données environnementales téléchargées , dont les plus importantes sont :

~30–40 GB de données climatiques (250–300 MB × 127 TIFF) :
- variables bioclimatiques contemporaines (×19)
- variables bioclimatiques futures × 4 périodes × 3 GCMS × 4 scénarios = 48 TIFF
- la même chose pour les températures maximales (×12 + 16 × 3 GCMs)
~2 GB de données d’occurrences (10–20 MB × 200 espèces)

1.1 Données « espèces » génériques

1.1.1 Taxonomie : Liste d’espèces (essences) et résolution des noms d’espèces

50 essences prioritaires :

La résolution des noms d’espèces est un problème compliqué. On s’appuiera sur l’ossature de taxonomie du GBIF (GBIF Backbone Taxonomy), qui propose une classification unique pour intégrer les données de plusieurs sources de manière cohérente. L’interaction entre le GBIF et R se fait par le package rgbif (on utilise également les outils de manipulation de données présents dans les packages dplyr et tibble).

On peut récupérer des clés taxonomiques GBIF à partir d’un nom scientifique et vérifier la meilleure correspondance renvoyée par la fonction. On fait le test sur le premier nom de la liste fournie, qui est un nom correctement rempli :

# A tibble: 1 × 7
  scientificName                  status   synonym species         speciesKey confidence matchType
  <chr>                           <chr>    <lgl>   <chr>                <int>      <int> <chr>    
1 Zelkova serrata (Thunb.) Makino ACCEPTED FALSE   Zelkova serrata    2984532         99 EXACT

On vérifie le statut ($status) qui peut prendre les valeurs suivantes :

ACCEPTED : nom scientifique accepté ;
DOUBTFUL: en pratique accepté, mais il subsiste des doutes sur l’exactitude de l’évaluation ;
SYNONYM : Un synonyme dont le type exact est inconnu ;
*_SYNONYM/MISAPPLIED : des sous-classes spécifiques de SYNONYM.

En cas de synonyme, on travaillera sur le nom scientifique accepté. Plus précisément, la colonne $synonym (TRUE/FALSE) permet de tester si le nom proposé est un synonyme ; la colonne $species renvoie directement le nom scientifique accepté et la colonne $speciesKey le numéro de clé correspondant (sur lequel on travaillera).

Finalement, $confidence et $matchType renseignent la correspondance trouvée avec la taxonomie GBIF. (à noter que name_backbone() renvoie aussi toute l’information sur les différents niveaux taxonomiques plus élevés).

Pour cet exemple, rien à signaler donc, c’est directement le nom scientifique accepté. On peut faire quelques tests sur la taxonomie (un nom hybride, un synonyme, un nom inconnu, des coquilles) :

# A tibble: 1 × 7
  scientificName                      status  synonym species            speciesKey confidence matchType
  <chr>                               <chr>   <lgl>   <chr>                   <int>      <int> <chr>    
1 Platanus ×acerifolia (Aiton) Willd. SYNONYM TRUE    Platanus hispanica    7400250         98 EXACT

# A tibble: 1 × 7
  scientificName         status  synonym species         speciesKey confidence matchType
  <chr>                  <chr>   <lgl>   <chr>                <int>      <int> <chr>    
1 Morus kagayamae Koidz. SYNONYM TRUE    Morus australis    7262450         98 EXACT

# A tibble: 1 × 5
  confidence matchType synonym verbatim_name    verbatim_rank
*      <int> <chr>     <lgl>   <chr>            <chr>        
1        100 NONE      FALSE   Cladastris lutea species

# A tibble: 1 × 7
  scientificName                       status   synonym species          speciesKey confidence matchType
  <chr>                                <chr>    <lgl>   <chr>                 <int>      <int> <chr>    
1 Pterostyrax hispidus Siebold & Zucc. ACCEPTED FALSE   Pterostyrax his…    3646556         96 FUZZY

# A tibble: 1 × 7
  scientificName            status   synonym species                speciesKey confidence matchType
  <chr>                     <chr>    <lgl>   <chr>                       <int>      <int> <chr>    
1 Chionanthus virginicus L. ACCEPTED FALSE   Chionanthus virginicus    3172303         95 FUZZY

Tous les tests sont concluants, sauf évidemment celui de l’essence inconnue.

On vérifie et corrige la taxonomie sur toutes les essences choisies à l’aide de la taxonomie GBIF. Au passage, il faut corriger manuellement "Sorbus aria" en "Sorbus aria L" afin que celui-ci soit reconnu au niveau de l’espèce. On regarde ensuite la correspondance (exacte ou non) puis le niveau de confiance, et enfin le statut (par exemple « synonyme »). Pour ce dernier point, on visualise toutes les différences après correction :


EXACT 
   50

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
     97      97      98      98      99     100


ACCEPTED  SYNONYM 
      44        6

# A tibble: 6 × 3
  taxon_proposé       species                 status 
  <chr>               <chr>                   <chr>  
1 Sophora japonica    Styphnolobium japonicum SYNONYM
2 Platanus acerifolia Platanus hispanica      SYNONYM
3 Catalpa bignonoides Catalpa bignonioides    SYNONYM
4 Malus tschonoskii   Docyniopsis tschonoskii SYNONYM
5 Morus kagayamae     Morus australis         SYNONYM
6 Sorbus aria L       Aria edulis             SYNONYM

On ajoute un nom de code abrégé qui reprend les 2 premières lettres du genre et les 2 premières lettres de l’espèce. On vérifie le nombre de doublon (en espérant qu’il reste à 0) :

[1] 0

Finalement, on rajoute une colonne nom_commun (qui est pour l’instant une copie du nom scientifique) qui servira plus tard pour présenter les fiches par espèce, ainsi que des colonnes pour l’instant vide qui seront remplies au fur et à mesure du traitement de chaque espèce :

$n_gbif : nombre total d’occurrences dans le GBIF ;
$area : région d’endémisme (EUR, AMN, ASI)
$n_area : nombre d’occurrences dans la région d’endémisme ;
$n_libr : nombre d’occurrences libres d’utilisation dans la région d’endémisme (= utilisables) ;
$ech : est-ce que le sous-échantillonnage a été effectué (TRUE/FALSE, ≥ 25k occurrences utilisables) ;
$n_fin : nombre final d’occurrences utilisées (après potentiel sous-échantillonnage) ;
$mod_ok : performance des modèles individuels suffisante (TRUE), limitée (FALSE) ou insuffisante (NA) ;
$mod_n : nombre de modèles qui ont fonctionné, utilisés pour le modèle d’ensemble (soit TSS ≥ 0.8, soit TSS ≥ 0.75 si $mod_ok == FALSE) ;
$mod_tss : TSS du modèle d’ensemble final ;
$mod_cont_avg, $mod_cont_min, $mod_cont_max : valeurs projetées moyennes, minimales et maximales sur la métropole de Grenoble selon les conditions climatiques contemporaines ;
$mod_s2_avg, $mod_s2_min, $mod_s2_max : valeurs projetées moyennes, minimales et maximales sur la métropole de Grenoble à l’horizon 2100 selon le SSP2-4.5 ;
$mod_s5_avg, $mod_s5_min, $mod_s5_max : valeurs projetées moyennes, minimales et maximales sur la métropole de Grenoble à l’horizon 2100 selon les SSP5-8.5.

On visualise le tableau final d’essences :

# A tibble: 50 × 28
   taxon_proposé           scientificName status synonym species speciesKey confidence matchType nom_abr
   <chr>                   <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>  
 1 Zelkova serrata         Zelkova serra… ACCEP… FALSE   Zelkov…    2984532         99 EXACT     zese   
 2 Pyrus calleryana        Pyrus callery… ACCEP… FALSE   Pyrus …    5363119         98 EXACT     pyca   
 3 Alnus spaethii          Alnus ×spaeth… ACCEP… FALSE   Alnus …    4097656         99 EXACT     alsp   
 4 Celtis australis        Celtis austra… ACCEP… FALSE   Celtis…    2984492         97 EXACT     ceau   
 5 Acer campestre          Acer campestr… ACCEP… FALSE   Acer c…    3189863         99 EXACT     acca   
 6 Quercus cerris          Quercus cerri… ACCEP… FALSE   Quercu…    2880580         97 EXACT     quce   
 7 Prunus serrulata        Prunus serrul… ACCEP… FALSE   Prunus…    3022609         98 EXACT     prse   
 8 Prunus avium            Prunus avium … ACCEP… FALSE   Prunus…    3020791         97 EXACT     prav   
 9 Liquidambar styraciflua Liquidambar s… ACCEP… FALSE   Liquid…    3152824         99 EXACT     list   
10 Carpinus betulus        Carpinus betu… ACCEP… FALSE   Carpin…    2875818         98 EXACT     cabe   
# ℹ 40 more rows
# ℹ 19 more variables: nom_commun <lgl>, n_gbif <lgl>, area <lgl>, n_area <lgl>, n_libr <lgl>,
#   ech <lgl>, n_fin <lgl>, mod_ok <lgl>, mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>,
#   mod_cont_min <lgl>, mod_cont_max <lgl>, mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>,
#   mod_s5_avg <lgl>, mod_s5_min <lgl>, mod_s5_max <lgl>

On fait la même chose pour les 4 espèces prototypes :


EXACT 
    4

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   99.0    99.0    99.5    99.5   100.0   100.0


ACCEPTED 
       4

# A tibble: 2 × 3
  taxon_proposé            species                status  
  <chr>                    <chr>                  <chr>   
1 Acer pseudoplatanus L    Acer pseudoplatanus    ACCEPTED
2 Aesculus hippocastanum L Aesculus hippocastanum ACCEPTED

[1] 0

# A tibble: 4 × 28
  taxon_proposé nom_commun scientificName status synonym species speciesKey confidence matchType nom_abr
  <chr>         <chr>      <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>  
1 Acer pseudop… érable sy… Acer pseudopl… ACCEP… FALSE   Acer p…    3189870        100 EXACT     acps   
2 Acer monspes… érable de… Acer monspess… ACCEP… FALSE   Acer m…    7262958         99 EXACT     acmo   
3 Larix decidua mélèze d'… Larix decidua… ACCEP… FALSE   Larix …    2686212         99 EXACT     lade   
4 Aesculus hip… marronnie… Aesculus hipp… ACCEP… FALSE   Aescul…    3189815        100 EXACT     aehi   
# ℹ 18 more variables: n_gbif <lgl>, area <lgl>, n_area <lgl>, n_libr <lgl>, ech <lgl>, n_fin <lgl>,
#   mod_ok <lgl>, mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>, mod_cont_min <lgl>,
#   mod_cont_max <lgl>, mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>, mod_s5_avg <lgl>,
#   mod_s5_min <lgl>, mod_s5_max <lgl>

On complète avec le deuxième lot d’essences :


EXACT 
   47

    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
97.00000 97.00000 99.00000 98.17021 99.00000 99.00000


ACCEPTED DOUBTFUL  SYNONYM 
      45        1        1

# A tibble: 2 × 3
  taxon_proposé      species             status  
  <chr>              <chr>               <chr>   
1 Prunus X schmittii Prunus schmittii    DOUBTFUL
2 Malus floribunda   Sinomalus sieboldii SYNONYM

[1] 17

# A tibble: 47 × 27
   taxon_proposé    scientificName status synonym species speciesKey confidence matchType nom_abr n_gbif
   <chr>            <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>   <lgl> 
 1 Acer buergerian… Acer buergeri… ACCEP… FALSE   Acer b…    7100404         99 EXACT     acbu    NA    
 2 Celtis julianae  Celtis julian… ACCEP… FALSE   Celtis…    4159571         99 EXACT     ceju    NA    
 3 Betula pendula   Betula pendul… ACCEP… FALSE   Betula…    5331916         99 EXACT     bepe    NA    
 4 Ailanthus altis… Ailanthus alt… ACCEP… FALSE   Ailant…    3190653         99 EXACT     aial    NA    
 5 Albizia julibri… Albizia julib… ACCEP… FALSE   Albizi…    2972983         97 EXACT     alju    NA    
 6 Cladrastis kent… Cladrastis ke… ACCEP… FALSE   Cladra…    2945513         97 EXACT     clke    NA    
 7 Pteroceltis tat… Pteroceltis t… ACCEP… FALSE   Pteroc…    4159853         99 EXACT     ptta    NA    
 8 Pistacia chinen… Pistacia chin… ACCEP… FALSE   Pistac…    3190586         99 EXACT     pich    NA    
 9 Salix viminalis  Salix viminal… ACCEP… FALSE   Salix …    5372933         97 EXACT     savi    NA    
10 Pinus sylvestris Pinus sylvest… ACCEP… FALSE   Pinus …    5285637         98 EXACT     pisy    NA    
# ℹ 37 more rows
# ℹ 17 more variables: area <lgl>, n_area <lgl>, n_libr <lgl>, ech <lgl>, n_fin <lgl>, mod_ok <lgl>,
#   mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>, mod_cont_min <lgl>, mod_cont_max <lgl>,
#   mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>, mod_s5_avg <lgl>, mod_s5_min <lgl>,
#   mod_s5_max <lgl>

On complète avec le troisième lot d’essences :


EXACT 
   85

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   97.0    97.0    99.0    98.2    99.0   100.0


ACCEPTED  SYNONYM 
      77        8

# A tibble: 8 × 3
  taxon_proposé            species                 status 
  <chr>                    <chr>                   <chr>  
1 Cedrela sinensis         Toona sinensis          SYNONYM
2 Malus trilobata          Eriolobus trilobatus    SYNONYM
3 Pinus griffithii McClell Pinus wallichiana       SYNONYM
4 Prunus amygdalus         Prunus dulcis           SYNONYM
5 Pterocarya fraxinifolia  Pterocarya pterocarpa   SYNONYM
6 Sorbus domestica         Cormus domestica        SYNONYM
7 Sorbus intermedia        Scandosorbus intermedia SYNONYM
8 Sorbus torminalis        Torminalis glaberrima   SYNONYM

[1] 17

# A tibble: 85 × 27
   taxon_proposé    scientificName status synonym species speciesKey confidence matchType nom_abr n_gbif
   <chr>            <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>   <lgl> 
 1 Abies alba       Abies alba Mi… ACCEP… FALSE   Abies …    2685484         97 EXACT     abal    NA    
 2 Abies koreana    Abies koreana… ACCEP… FALSE   Abies …    2685681         99 EXACT     abko    NA    
 3 Abies pinsapo    Abies pinsapo… ACCEP… FALSE   Abies …    2685464         99 EXACT     abpi    NA    
 4 Acer capillipes  Acer capillip… ACCEP… FALSE   Acer c…    7495204         97 EXACT     accl    NA    
 5 Acer griseum     Acer griseum … ACCEP… FALSE   Acer g…    3768452         99 EXACT     acgr    NA    
 6 Acer heldreichii Acer heldreic… ACCEP… FALSE   Acer h…    7375236         98 EXACT     ache    NA    
 7 Acer negundo     Acer negundo … ACCEP… FALSE   Acer n…    3189866         99 EXACT     acne    NA    
 8 Acer opalus      Acer opalus M… ACCEP… FALSE   Acer o…    7100278         99 EXACT     acop    NA    
 9 Alniaria alnifo… Alniaria alni… ACCEP… FALSE   Alniar…   10825869         99 EXACT     alal    NA    
10 Alnus incana     Alnus incana … ACCEP… FALSE   Alnus …    9148577         97 EXACT     alin    NA    
# ℹ 75 more rows
# ℹ 17 more variables: area <lgl>, n_area <lgl>, n_libr <lgl>, ech <lgl>, n_fin <lgl>, mod_ok <lgl>,
#   mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>, mod_cont_min <lgl>, mod_cont_max <lgl>,
#   mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>, mod_s5_avg <lgl>, mod_s5_min <lgl>,
#   mod_s5_max <lgl>

On complète avec le quatrième lot d’essences :


EXACT FUZZY 
   46     3

    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
94.00000 97.00000 98.00000 97.93878 99.00000 99.00000


ACCEPTED  SYNONYM 
      47        2

# A tibble: 5 × 3
  taxon_proposé          species                status  
  <chr>                  <chr>                  <chr>   
1 Celtis caucasica       Celtis australis       SYNONYM 
2 Eriobotrya deflexa     Rhaphiolepis deflexa   SYNONYM 
3 Koelreuteria bippinata Koelreuteria bipinnata ACCEPTED
4 Ostrya virgniana       Ostrya virginiana      ACCEPTED
5 Pterocarya stepnoptera Pterocarya stenoptera  ACCEPTED

         taxon_proposé              scientificName   status synonym              species speciesKey
1     Celtis caucasica     Celtis caucasica Willd.  SYNONYM    TRUE     Celtis australis    2984492
2       Pinus pinaster        Pinus pinaster Aiton ACCEPTED   FALSE       Pinus pinaster    5285565
3  Quercus canariensis  Quercus canariensis Willd. ACCEPTED   FALSE  Quercus canariensis    2880808
4      Quercus faginea        Quercus faginea Lam. ACCEPTED   FALSE      Quercus faginea    2881480
5 Quercus ithaburensis Quercus ithaburensis Decne. ACCEPTED   FALSE Quercus ithaburensis    2878323
6 Quercus rotundifolia   Quercus rotundifolia Lam. ACCEPTED   FALSE Quercus rotundifolia    2881550
  confidence matchType nom_abr
1         97     EXACT    ceau
2         98     EXACT    pipi
3         99     EXACT    quca
4         97     EXACT    qufa
5         99     EXACT    quit
6         99     EXACT    quro

[1] 0

# A tibble: 48 × 27
   taxon_proposé    scientificName status synonym species speciesKey confidence matchType nom_abr n_gbif
   <chr>            <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>   <lgl> 
 1 Abies concolor   Abies concolo… ACCEP… FALSE   Abies …    2685580         98 EXACT     abco    NA    
 2 Acer hyrcanum    Acer hyrcanum… ACCEP… FALSE   Acer h…    7262979         99 EXACT     achy    NA    
 3 Arbutus andrach… Arbutus andra… ACCEP… FALSE   Arbutu…    4170901         99 EXACT     aran    NA    
 4 Arbutus unedo    Arbutus unedo… ACCEP… FALSE   Arbutu…    2882803         99 EXACT     arun    NA    
 5 Banksia integri… Banksia integ… ACCEP… FALSE   Banksi…    7124338         97 EXACT     bain    NA    
 6 Carpinus orient… Carpinus orie… ACCEP… FALSE   Carpin…    2875780         99 EXACT     caor    NA    
 7 Carpinus turcza… Carpinus turc… ACCEP… FALSE   Carpin…    2875945         99 EXACT     catu    NA    
 8 Carya illinoine… Carya illinoi… ACCEP… FALSE   Carya …    3054289         99 EXACT     cail    NA    
 9 Casuarina cunni… Casuarina cun… ACCEP… FALSE   Casuar…    2891932         99 EXACT     cacu    NA    
10 Cercidiphyllum … Cercidiphyllu… ACCEP… FALSE   Cercid…    8060423         98 EXACT     ceja    NA    
# ℹ 38 more rows
# ℹ 17 more variables: area <lgl>, n_area <lgl>, n_libr <lgl>, ech <lgl>, n_fin <lgl>, mod_ok <lgl>,
#   mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>, mod_cont_min <lgl>, mod_cont_max <lgl>,
#   mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>, mod_s5_avg <lgl>, mod_s5_min <lgl>,
#   mod_s5_max <lgl>

Puis le cinquième (et dernier) lot d’essences :


EXACT 
   71

    Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
83.00000 97.00000 98.00000 97.78873 99.00000 99.00000


ACCEPTED DOUBTFUL  SYNONYM 
      63        1        7

# A tibble: 8 × 3
  taxon_proposé                    species              status  
  <chr>                            <chr>                <chr>   
1 Carya tomentosa                  Carya alba           SYNONYM 
2 Halesia monticola                Halesia tetraptera   SYNONYM 
3 Maackia chinensis                Maackia hupehensis   SYNONYM 
4 Eriobotrya deflexa               Rhaphiolepis deflexa SYNONYM 
5 Sapindus saponaria l.            Sapindus saponaria   ACCEPTED
6 Senegalia visco                  Parasenegalia visco  SYNONYM 
7 Abies bornmuelleriana            Abies nordmanniana   SYNONYM 
8 Acer cappadocicum subsp. lobelii Acer lobelii         SYNONYM

[1] 6

[1] 0

# A tibble: 68 × 27
   taxon_proposé    scientificName status synonym species speciesKey confidence matchType nom_abr n_gbif
   <chr>            <chr>          <chr>  <lgl>   <chr>        <int>      <int> <chr>     <chr>   <lgl> 
 1 Abies nordmanni… Abies nordman… ACCEP… FALSE   Abies …    2685552         99 EXACT     abno    NA    
 2 Abies numidica   Abies numidic… ACCEP… FALSE   Abies …    2685546         97 EXACT     abnu    NA    
 3 Aesculus flava   Aesculus flav… ACCEP… FALSE   Aescul…    3189824         97 EXACT     aefl    NA    
 4 Aesculus indica  Aesculus indi… ACCEP… FALSE   Aescul…    8566446         97 EXACT     aein    NA    
 5 Carya cordiform… Carya cordifo… ACCEP… FALSE   Carya …    3054299         98 EXACT     caco    NA    
 6 Carya tomentosa  Carya tomento… SYNON… TRUE    Carya …    3054302         98 EXACT     caal    NA    
 7 Catalpa speciosa Catalpa speci… ACCEP… FALSE   Catalp…    3172612         97 EXACT     casp    NA    
 8 Celtis bungeana  Celtis bungea… ACCEP… FALSE   Celtis…    7141664         99 EXACT     cebu    NA    
 9 Cercis canadens… Cercis canade… ACCEP… FALSE   Cercis…    5353583         98 EXACT     ceca    NA    
10 Corylus colurna  Corylus colur… ACCEP… FALSE   Corylu…    2875968         99 EXACT     cocl    NA    
# ℹ 58 more rows
# ℹ 17 more variables: area <lgl>, n_area <lgl>, n_libr <lgl>, ech <lgl>, n_fin <lgl>, mod_ok <lgl>,
#   mod_n <lgl>, mod_tss <lgl>, mod_cont_avg <lgl>, mod_cont_min <lgl>, mod_cont_max <lgl>,
#   mod_s2_avg <lgl>, mod_s2_min <lgl>, mod_s2_max <lgl>, mod_s5_avg <lgl>, mod_s5_min <lgl>,
#   mod_s5_max <lgl>

1.1.2 Carte de référence des espèces en France (IFN)

Pour valider les données de chaque espèce, on comparera avec la distribution française issue de l’Inventaire Forestier National, carte préparée par Delphine Legron. Les colonnes avec des NAs sont importées en tant que caractères, pas en tant que nombres. On corrige donc cela.

Reading layer `SER_EssenceV1' from data source 
  `/home/mathieu/Travail/Arbres Grenoble/Data/SER_Placette/SER_EssenceV1.shp' using driver `ESRI Shapefile'
Simple feature collection with 85 features and 159 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 99038.3984 ymin: 6046555.789 xmax: 1242435.544 ymax: 7110523.769
Projected CRS: RGF93 v1 / Lambert-93

Simple feature collection with 10 features and 12 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 99038.3984 ymin: 6150166.078 xmax: 880525.8197 ymax: 7110523.769
Projected CRS: RGF93 v1 / Lambert-93
   codeser                             NomSER CODE_SER Surface_FR Surface_AU SURFACE_TO    Taux_Boise
1      A11    Ouest-Bretagne et Nord-Cotentin      A11        221       1230       1451 0.15230875258
2      A12                 Pays de Saint-Malo      A12         80        496        576 0.13888888889
3      A13 Bocage normand et Pays de Fougères      A13        139       1171       1310 0.10610687023
4      A21               Bretagne méridionale      A21        100        427        527 0.18975332068
5      A22                  Bocage armoricain      A22         93        969       1062 0.08757062147
6      A30                     Bocage vendéen      A30         82        949       1031 0.07953443259
7      B10     Côtes et plateaux de la Manche      B10        204       1419       1623 0.12569316081
8      B21                           Flandres      B21         32        332        364 0.08791208791
9      B22                     Plaine picarde      B22         43        704        747 0.05756358768
10     B23        Mosan, Thiérache et Hainaut      B23         51        285        336 0.15178571429
   CODE_SER_1 ailanthus Liriodendr Nb_total Nb_Placett                       geometry
1         A11        NA         NA     5734        383 MULTIPOLYGON (((176022.0722...
2         A12        NA         NA     2094        125 MULTIPOLYGON (((617421.5988...
3         A13        NA         NA     2887        229 MULTIPOLYGON (((367861.8486...
4         A21        NA         NA     2022        154 MULTIPOLYGON (((232292.7348...
5         A22        NA         NA     2309        179 MULTIPOLYGON (((365978.3768...
6         A30        NA         NA     2059        166 MULTIPOLYGON (((404545.8662...
7         B10        NA         NA     4433        385 MULTIPOLYGON (((599795.0914...
8         B21        NA         NA      798         50 MULTIPOLYGON (((719475.0944...
9         B22        NA         NA     1082         91 MULTIPOLYGON (((705413.3238...
10        B23        NA         NA     1127         84 MULTIPOLYGON (((747176.4614...

Le jeu de données comporte les informations de surface (Surface_FR = surface de forêt ; Surface_AU = surface autre ; Surface_TO = surface totale), le taux boisé, le nombre d’observation (par espèce et total) et le nombre de placettes pour 85 sylvo-écorégions sur le territoire français. Chaque essence est listée dans une colonne dédiée avec le nom scientifique. Problème, le format Shapefile tronque les noms de colonnes à 10 caractères ; on croise donc ce tableau avec la liste préparée en amont par Margot Ahr. On importe uniquement l’information pertinente, dans les lignes 4 (nom usuel) et 5 (nom scientifique). Lorsque le nom scientifique est absent, on utilise le nom usuel ; on rajoute également une majuscule au début :

On termine par cartographier le nombre de placette par écorégion, à l’aide du package ggplot2 (on charge aussi cowplot pour les thèmes et viridis pour les palettes de couleurs) :

Figure 1.1: Nombre de placettes par sylvo-écorégion de l’Inventaire Forestier National.

On peut y voir une grosse variabilité du nombre de placettes selon l’écorégion. Voyons ce que ça donne pour l’érable de Montpellier (densité par écorégion) :

Figure 1.2: Densité d’observations de l’érable de Montpellier par sylvo-écorégion de l’Inventaire Forestier National.

1.2 Données géographiques

1.2.1 Fond de carte mondiale et masques régionaux

On prépare une carte du monde en résolution moyenne avec le package rnaturalearth (et les données dans rnaturalearthdata) :

On créé au passage trois masques (rectangulaires) en WGS 84 (EPSG : 4326) qui nous serviront plus tard pour évaluer l’endémisme des essences, et pour sous-échantillonner les données d’occurrences et de climat :

masque Europe : longitude 12°W–47°E, latitude 29–71°N
masque Amérique du Nord : longitude 50–130°W, latitude 13–55°N
masque Asie : longitude 68–149°W, latitude 3–57°N

On visualise les 3 masques sur une carte du monde (note : les côtés verticaux des rectangles sont ajustés à la projection de Robinson pour suivre les méridiens de manière courbe) :

Figure 1.3: Carte du monde avec les 3 masques régionaux

Pour les cartes régionales, on utilisera les projections de référence suivantes :

Europe : ETRS89 Lambert Azimuthal Equal Area (EPSG : 3035), le système de référence pour les cartes à l’échelle européenne ;
Amérique du Nord : NAD27 US National Atlas Equal Area (EPSG : 2163), le système de référence pour les États-Unis ;
Asie : China Geodetic Coordinate System 2000 (EPSG : 4480), le système de référence pour la Chine.

Fonds de cartes pour les 3 cartes régionales.

Figure 1.4: Fonds de cartes pour les 3 cartes régionales.

1.2.2 Données climatiques contemporaines

Pour toutes les données climatiques, nous nous appuierons sur les données fournies par WorldClim (version 2.1), un jeu de données global au format raster pour la période contemporaine (1970–2000) et pour des projections futures sur des périodes de 20 ans (2021-2040, 2041-2060, 2061-2080, 2081-2100). WorldClim interpole les données ponctuelles de stations météo pour offrir une couverture globale jusqu’à une résolution spatiale de 30 secondes (environ 1 km²) pour les données contemporaines, mais seulement 2,5 minutes (environ 20 km² par pixel) pour les données futures. Pour des raisons de cohérence et de comparabilité, nous utiliserons donc la résolution maximale possible pour les deux jeux de données, à savoir 2,5 minutes.

Les deux jeux de données présentent les températures (valeurs mensuelles moyennes, minimales et maximales) et la précipitation (valeurs mensuelles), ainsi que 19 variables bioclimatiques dérivées représentant des tendances annuelles, la saisonnalité, ou les conditions extrêmes ou limitantes :

BIO1 = Température annuelle moyenne [“temp_year”]
BIO2 = Amplitude de température diurne moyenne (moyenne des valeurs mensuelles (temp max - temp min)) [“temp_diurnal_range”]
BIO3 = Isothermalité (BIO2/BIO7 ×100) [“temp_iso”]
BIO4 = Saisonnalité de température (écart type ×100) [“temp_season”]
BIO5 = Température maximale du mois le plus chaud [“temp_max”]
BIO6 = Température minimale du mois le plus froid [“temp_min”]
BIO7 = Amplitude annuelle de température (BIO5-BIO6) [“temp_year_range”]
BIO8 = Température moyenne du trimestre le plus humide [“temp_wet_quart”]
BIO9 = Température moyenne du trimestre le plus sec [“temp_dry_quart”]
BIO10 = Température moyenne du trimestre le plus chaud [“temp_mean_hot”]
BIO11 = Température moyenne du trimestre le plus froid [“temp_mean_cold”]
BIO12 = Précipitations annuelles [“prec_year”]
BIO13 = Précipitations du mois le plus humide [“prec_wet_month”]
BIO14 = Précipitations du mois le plus sec [“prec_dry_month”]
BIO15 = Saisonnalité de précipitation (coefficient de variation) [“prec_season”]
BIO16 = Précipitations du trimestre le plus humide [“prec_wet_quart”]
BIO17 = Précipitations du trimestre le plus sec [“prec_dry_quart”]
BIO18 = Précipitations du trimestre le plus chaud [“prec_hot_quart”]
BIO19 = Précipitations du trimestre le plus froid [“prec_cold_quart”]

Les variables bioclimatiques présentent des paramètres importants pour la physiologie des plantes, notamment pour leur croissance et leur distribution, et sont de ce fait plus pertinentes que les variables de base (température et précipitation). Pour cette étude, nous utiliserons les variables bioclimatiques qui ne sont pas trop corrélées à l’échelle européenne (coefficient de corrélation de Pearson $r < 0,7$), ainsi que la température au mois d’août afin de pouvoir affiner ensuite avec les températures de surface de l’agglomération de Grenoble.

On commence par charger le package geodata qui sert à télécharger des données globales, comme celles de WorldClim.

Le package geodata permet de récupérer en un seul raster de classe SpatRaster (terra) les 19 variables bioclimatiques. On précise la résolution, et on récupère les données mondiales de WorldClim, qui seront stockées dans Data-dl :

class       : SpatRaster 
dimensions  : 4320, 8640, 19  (nrow, ncol, nlyr)
resolution  : 0.04166666667, 0.04166666667  (x, y)
extent      : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326) 
sources     : wc2.1_2.5m_bio_1.tif  
              wc2.1_2.5m_bio_2.tif  
              wc2.1_2.5m_bio_3.tif  
              ... and 16 more source(s)
names       :    temp_year, temp_~range,      temp_iso, temp_season,     temp_max,     temp_min, ... 
min values  : -54.75916672,  1.00000000,   9.063088417,    0.000000, -30.76000023, -72.50399780, ... 
max values  :  31.16666603, 21.97299957, 100.000000000, 2377.624023,  48.45999908,  26.45000076, ...

On télécharge également la température maximale au mois d’août, que l’on ajoute au raster existant :

class       : SpatRaster 
dimensions  : 4320, 8640, 20  (nrow, ncol, nlyr)
resolution  : 0.04166666667, 0.04166666667  (x, y)
extent      : -180, 180, -90, 90  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326) 
sources     : wc2.1_2.5m_tmax_08.tif  
              wc2.1_2.5m_bio_1.tif  
              wc2.1_2.5m_bio_2.tif  
              ... and 17 more source(s)
names       :  temp_~ugust,    temp_year, temp_~range,      temp_iso, temp_season,     temp_max, ... 
min values  : -62.09999847, -54.75916672,  1.00000000,   9.063088417,    0.000000, -30.76000023, ... 
max values  :  46.72399979,  31.16666603, 21.97299957, 100.000000000, 2377.624023,  48.45999908, ...

On prépare le masque pour les 3 régions d’endémisme au format terra :

Figure 1.5: Carte du monde avec les 3 zones d’intérêt.

Puis on l’utilise pour découper les données climatiques mondiales au niveau des 3 zones :

On souhaite conserver un nombre restreint de variables peu corrélées ; on enlèvera notamment les variables avec un coefficient de corrélation $r > 0.75$. Pour cela, on s’appuie sur les données climatiques européennes ; on utilisera la même sélection de données pour les deux autres régions. On examine les structures de corrélation à l’aide d’une Analyse en composantes principales (ACP) en utilisant le package ade4 :

A) Diagramme en barre des valeurs propres de l'ACP sur les données climatiques contemporaines. B) Cercle des corrélations des variables climatiques contemporaines.

Figure 1.6: A) Diagramme en barre des valeurs propres de l’ACP sur les données climatiques contemporaines. B) Cercle des corrélations des variables climatiques contemporaines.

Deux composantes principales ressortent visiblement, et représentent une large part de la variabilité climatique. Sur ces deux axes, il ressort plusieurs groupes de variables corrélées, dont un grand nombre avec des valeurs très élevées de corrélation. On cherche les variables qui sont le moins corrélées, incluant les températures maximales en août et une variable de température hivernale. On retient 6 variables (4 de température et 2 de précipitation) :

temp_max_august
temp_min
temp_wet_quart
temp_season
prec_wet_quart
prec_season

class       : SpatRaster 
dimensions  : 1008, 1416, 6  (nrow, ncol, nlyr)
resolution  : 0.04166666667, 0.04166666667  (x, y)
extent      : -12, 47, 29, 71  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326) 
source(s)   : memory
names       :    temp_~ugust,     temp_min,  temp_~quart, temp_season, prec_~quart,   prec_season 
min values  :  0.08399999887, -24.58399963, -14.85666656,     0.00000,           3,   4.495999813 
max values  : 46.10400009155,  12.39999962,  26.40666580,  1395.26355,        1264, 124.089523315

Et on vérifie les corrélations :

      [,1]  [,2]  [,3]  [,4]  [,5]  [,6]
[1,]  1.00  0.74  0.17 -0.03 -0.53  0.61
[2,]  0.74  1.00 -0.10 -0.67 -0.15  0.46
[3,]  0.17 -0.10  1.00  0.43 -0.38 -0.10
[4,] -0.03 -0.67  0.43  1.00 -0.32 -0.06
[5,] -0.53 -0.15 -0.38 -0.32  1.00 -0.27
[6,]  0.61  0.46 -0.10 -0.06 -0.27  1.00

Les seules corrélations résiduelles supérieurs à 0.5 sont entre la température maximale en août et 1) la température minimum ($r = 0.74$), 2) les précipitations du trimestre le plus humide ($r = -0.53$), 3) la saisonnalité des précipitations ($r = 0.61$), et entre la saisonnalité des températures et la température minimum ($r = -0.67$). On est toutefois en-dessous du seuil établi, et les autres corrélations ne sont pas un problème.

Et on vérifie sur la carte ce que ça donne pour deux variables de température et une de précipitation :

Cartes climatiques contemporaines en Europe (1970–2000).

Figure 1.7: Cartes climatiques contemporaines en Europe (1970–2000).

Plus globalement, voici toutes les couches climatiques dans les 3 zones d’intérêt :

Conditions climatiques contemporaines dans les 3 régions d'endémisme données par WorldClim.

Figure 1.8: Conditions climatiques contemporaines dans les 3 régions d’endémisme données par WorldClim.

1.2.3 Données climatiques futures

Les données disponibles proviennent du Coupled Model Intercomparison Project Phase 6 (CMIP6) en lien avec le Sixième rapport d’évaluation du GIEC (IPCC AR6, 2021–2022). Les données climatiques futures ont été mises à l’échelle, corrigées pour leur biais, et couvrent les 4 scénarios retenus (trajectoires socio-économiques partagées, en anglais shared socio-economic pathways, SSPs) :

un scénario « vert » à +1,8 °C projetés à l’horizon 2100 (SSP1-2.6) ;
un scénario optimiste à +2,7 °C (SSP2-4.5) ;
un scénario moyen à +3,6 °C (SSP3-7.0) ;
un scénario du pire à +4,4 °C (SSP5-8.5).

Les conditions générales d’utilisation des modèles du CMIP6 sont disponibles en ligne. Pour résumer :

les modèles sont sous licence Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA) ;
lien pour citer les modèles du CMIP6

1.2.3.1 GCM « IPSL-CM6A-LR »

On commence par les données issues du modèle de l’Institut Pierre-Simon Laplace version 6A à faible résolution (IPSL-CM6A-LR), pour les 4 scénarios envisagés et les 4 périodes de temps futures.

On télécharge également les températures maximales en août.

Puis l’on sélectionne et combine les 6 variables d’intérêt (température maximale en août, température minimale annuelle, température du trimestre le plus humide, saisonnalité de température, précipitations du trimestre le plus humide, saisonnalité de précipitation).

On utilise ensuite le masque pour l’Europe.

Carte pour les mêmes variables de température et de précipitation, pour la période 2080–2100 du scénario SSP5-8.5 et le modèle IPSL-CM6A-LR :

Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle IPSL-CM6A-LR.

Figure 1.9: Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle IPSL-CM6A-LR.

1.2.3.2 GCM « CanESM5 »

On refait la même chose avec le modèle du Canadian earth system version 5 (CanESM5).

On télécharge également les températures maximales en août.

Puis l’on sélectionne et combine les 6 variables d’intérêt.

On utilise ensuite le masque pour l’Europe.

Carte pour les mêmes variables de température et de précipitation, pour la période 2080–2100 du scénario SSP5-8.5 et le modèle CanESM5 :

Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle CanESM5.

Figure 1.10: Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle CanESM5.

1.2.3.3 GCM « MIROC6 »

On refait la même chose avec le modèle pour la recherche interdisciplinaire sur le climat version 6 (MIROC6).

On télécharge également les températures maximales en août.

Puis l’on sélectionne et combine les 6 variables d’intérêt.

On utilise ensuite le masque pour l’Europe.

Carte pour les mêmes variables de température et de précipitation, pour la période 2080–2100 du scénario SSP5-8.5 et le modèle MIROC6.

Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle MIROC6.

Figure 1.11: Cartes du climat futur en 2080–2100 (SSP5-8.5) selon le modèle MIROC6.

1.2.3.4 Comparaison des GCMs

Pour comparer les GCMs, on regarde sur la fenêtre temporelle 2080–2100, c’est-à-dire la plus éloignée (permettant ainsi des divergences maximales), et sur deux scénarios opposés : le SSP1-2.6 et le SSP5-8.5.

Commençons par le SSP1-2.6.

     [,1] [,2] [,3]
[1,]    1    1    1
[2,]    1    1    1
[3,]    1    1    1

     [,1] [,2] [,3]
[1,] 1.00 0.99 0.99
[2,] 0.99 1.00 0.99
[3,] 0.99 0.99 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.89 0.93
[2,] 0.89 1.00 0.91
[3,] 0.93 0.91 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.99 0.99
[2,] 0.99 1.00 0.99
[3,] 0.99 0.99 1.00

     [,1] [,2] [,3]
[1,]    1 1.00 1.00
[2,]    1 1.00 0.99
[3,]    1 0.99 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.99 0.99
[2,] 0.99 1.00 1.00
[3,] 0.99 1.00 1.00

Dans ce premier cas, toutes les corrélations sont extrêmement proches de 1, avec seulement des déviations concernant la température du trimestre le plus humide (corrélation de 0.89 minimum toutefois).

La même chose avec le SSP5-8.5 :

     [,1] [,2] [,3]
[1,] 1.00 0.99 0.99
[2,] 0.99 1.00 0.98
[3,] 0.99 0.98 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.96 0.98
[2,] 0.96 1.00 0.98
[3,] 0.98 0.98 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.69 0.77
[2,] 0.69 1.00 0.78
[3,] 0.77 0.78 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.95 0.95
[2,] 0.95 1.00 0.95
[3,] 0.95 0.95 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.99 0.98
[2,] 0.99 1.00 0.99
[3,] 0.98 0.99 1.00

     [,1] [,2] [,3]
[1,] 1.00 0.98 0.99
[2,] 0.98 1.00 0.98
[3,] 0.99 0.98 1.00

Pour toutes les variables sauf la température du trimestre le plus humide, les corrélations sont à nouveau extrêmement proches de 1. Pour la température du trimestre le plus humide, les déviations sont un peu plus fortes, avec toutefois des corrélations supérieures à 0.69 dans tous les cas (ces déviations pourraient tout simplement être le résultat de définitions différentes du trimestre le plus froid).

En conclusion, il est inutile de considérer plusieurs GCMs. À l’échelle de l’étude, le surcoût d’analyse ne justifie pas d’intégrer les différences minimes entre modèles. On considérera donc uniquement le modèle de l’Institut Pierre-Simon Laplace version 6A à faible résolution (IPSL-CM6A-LR).

          used  (Mb) gc trigger  (Mb) max used  (Mb)
Ncells 3651755 195.1    7156917 382.3  7156917 382.3
Vcells 6152280  47.0   12255594  93.6  9048502  69.1

1.2.4 Données Grenoble

1.2.4.1 Températures de surface de la métropole de Grenoble (août 2019)

On commence par charger les deux packages qui nous serviront pour la préparation des données raster : terra (évolution du package raster, mais qui n’est pas encore utilisé par tous les autres packages) et tidyterra (intégration de terra à dplyr).

On récupère les données de températures de surface de la métropole de Grenoble (août 2019), fournies par Grenoble-Alpes Métropole. Il s’agit d’un raster en projection RGF93 / CC45, la projection de référence pour la France (Lambert conique conforme) au niveau de Grenoble. On utilisera plus tard les coordonnées de la ville de Grenoble comme point de référence (latitude : 45.188529°N, longitude : 5.724524°E).

class       : SpatRaster 
dimensions  : 1364, 829, 1  (nrow, ncol, nlyr)
resolution  : 29.99287724, 29.99287724  (x, y)
extent      : 1901804.347, 1926668.442, 4198479.105, 4239389.389  (xmin, xmax, ymin, ymax)
coord. ref. : RGF93 v1 / CC45 (EPSG:3945) 
source(s)   : memory
name        : temp_surf_3945_clip 
min value   :         23.42581177 
max value   :         53.57958984

Carte des températures de surface dans la métropole de Grenoble, août 2019. Le point représente le centre ville de Grenoble comme référence.

Figure 1.12: Carte des températures de surface dans la métropole de Grenoble, août 2019. Le point représente le centre ville de Grenoble comme référence.

1.2.4.2 Interpolation à l’échelle de Grenoble : données climatiques contemporaines

Croisement avec températures de surface 2019 (fournie par la métropole)

WorldClim sur Grenoble représente à peu près 7 pixels × 9 pixels ; on reprojette sur le raster des températures d’août 2019, ce qui induit une interpolation bilinéaire pour reconstruire à la bonne résolution. On découpe ensuite le résultat pour coller au raster original de Grenoble :

Figure 1.13: Conditions climatiques contemporaines (WorldClim) projetées sur l’emprise et la résolution du raster de Grenoble.

On calcule la température moyenne sur la métropole de Grenoble dans le raster WorldClim des conditions climatiques contemporaines, ainsi que dans le raster d’août 2019. On recentre alors le raster d’août 2019 en utilisant la moyenne WorldClim.

                       mean
temp_max_august 25.09620887

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-6.330264607

Figure 1.14: Conditions climatiques contemporaines (WorldClim) en prenant en compte la température locale à Grenoble.

On vérifie qu’on a bien la même moyenne que celle donnée par WorldClim initialement :

                       mean
temp_max_august 25.09620886

1.2.4.3 Interpolation à l’échelle de Grenoble : données climatiques futures (GCM IPSL-CM6A-LR)

                       mean
temp_max_august 27.70720895

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-3.719264521

                       mean
temp_max_august 28.49844428

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-2.928029192

                       mean
temp_max_august 28.69823569

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-2.728237779

                      mean
temp_max_august 28.5617606

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-2.864712871

                       mean
temp_max_august 27.70720895

                       mean
temp_max_august 28.49844428

                       mean
temp_max_august 28.69823569

                      mean
temp_max_august 28.5617606

                       mean
temp_max_august 27.99383706

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-3.432636413

                       mean
temp_max_august 29.21383694

                           mean
temp_surf_3945_clip 31.42647347

       mean 
-2.21263653

                       mean
temp_max_august 30.21118186

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-1.215291615

                      mean
temp_max_august 30.9147084

                           mean
temp_surf_3945_clip 31.42647347

         mean 
-0.5117650676

                       mean
temp_max_august 27.99383706

                       mean
temp_max_august 29.21383694

                       mean
temp_max_august 30.21118186

                      mean
temp_max_august 30.9147084

                       mean
temp_max_august 27.79549425

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-3.630979227

                       mean
temp_max_august 29.23922327

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-2.187250199

                       mean
temp_max_august 31.51140698

                           mean
temp_surf_3945_clip 31.42647347

         mean 
0.08493350884

                       mean
temp_max_august 33.93622401

                           mean
temp_surf_3945_clip 31.42647347

       mean 
2.509750535

                       mean
temp_max_august 27.79549425

                       mean
temp_max_august 29.23922327

                       mean
temp_max_august 31.51140698

                       mean
temp_max_august 33.93622401

                       mean
temp_max_august 27.98252124

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-3.443952237

                       mean
temp_max_august 29.81140786

                           mean
temp_surf_3945_clip 31.42647347

        mean 
-1.615065613

                       mean
temp_max_august 33.11298093

                           mean
temp_surf_3945_clip 31.42647347

       mean 
1.686507453

                       mean
temp_max_august 36.59007449

                           mean
temp_surf_3945_clip 31.42647347

       mean 
5.163601021

                       mean
temp_max_august 27.98252124

                       mean
temp_max_august 29.81140786

                       mean
temp_max_august 33.11298092

                       mean
temp_max_august 36.59007449

Figure 1.15: Conditions climatiques à l’horizon 2100 (WorldClim, SSP5-8.5, GCM IPSL-CM6A-LR) en prenant en compte la température locale à Grenoble.

          used  (Mb) gc trigger  (Mb) max used  (Mb)
Ncells 3659452 195.5    7156917 382.3  7156917 382.3
Vcells 6160475  47.1   12255594  93.6  9048502  69.1