203 Fagus crenata
203.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2yuyx9
Format: SIMPLE_CSV
Download key: 0260824-230224095556074
Created: 2023-05-25T10:50:35.613+00:00
Modified: 2023-05-25T10:51:19.041+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260824-230224095556074.zip
Total records: 1318Conversion 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 1318 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -73.8747 ymin: 31.46 xmax: 143.89716 ymax: 53.666664
Geodetic CRS: WGS 84
# A tibble: 1,318 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 736075536 86185376-f762-11e… 7c19e894-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 736075533 86185376-f762-11e… 7c144452-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 736075531 86185376-f762-11e… 7bf951d8-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 736075520 86185376-f762-11e… 7b9fcbea-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 736075517 86185376-f762-11e… 7b8d2d50-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 729331719 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 729330547 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 729327731 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 729327616 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 729327559 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 1,308 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …Il y a 1 318 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 203.1: Occurrences de Fagus crenata dans le monde.
203.1.1 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] 0.002276176024[1] 0.0007587253414[1] 0.9969650986
Figure 203.2: Occurrence de Fagus crenata dans la région d’endémisme.
203.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1243 65 6 [1] 95.05327245
Figure 203.3: Occurrence de Fagus crenata 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] 1249203.1.3 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 1249 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 130.301 ymin: 31.46 xmax: 143.89716 ymax: 43.78783
Geodetic CRS: WGS 84
# A tibble: 1,249 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 736075536 86185376-f762-11… 7c19e894-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 736075533 86185376-f762-11… 7c144452-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 736075531 86185376-f762-11… 7bf951d8-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 736075520 86185376-f762-11… 7b9fcbea-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 736075517 86185376-f762-11… 7b8d2d50-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 4109269920 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 4109269867 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 4109269367 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 4109269311 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 4109269302 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 1,239 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …
203.2 Modélisation de la niche climatique
203.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1249, 0 (geometries, attributes)
extent : 130.301, 143.8972, 31.46, 43.78783 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= facr 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 = facr
1246 presences, 0 true absences and 3740 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.124 Min. :-42.288 Min. :-13.49 Min. : 24.26
1st Qu.:22.600 1st Qu.:-21.576 1st Qu.: 15.81 1st Qu.: 762.46
Median :25.884 Median : -9.078 Median : 19.34 Median : 914.03
Mean :25.293 Mean : -9.917 Mean : 18.76 Mean : 952.52
3rd Qu.:29.300 3rd Qu.: -1.048 3rd Qu.: 22.88 3rd Qu.:1285.36
Max. :40.612 Max. : 24.700 Max. : 34.46 Max. :1908.31
prec_wet_quart prec_season
Min. : 9.0 Min. : 9.357
1st Qu.: 205.0 1st Qu.: 46.531
Median : 415.0 Median : 74.258
Mean : 477.3 Mean : 74.266
3rd Qu.: 683.8 3rd Qu.:100.497
Max. :5422.0 Max. :166.306
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 203.5: 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 : 8731, 2 (geometries, attributes)
extent : 68.02083, 144.6042, 3.020833, 56.97917 (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 203.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
203.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for facr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for facr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for facr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= facr 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 : facr_PA1
-=-=-=--=-=-=- facr_PA1_RUN1
-=-=-=- Run : facr_PA2
-=-=-=--=-=-=- facr_PA2_RUN1
-=-=-=- Run : facr_PA3
-=-=-=--=-=-=- facr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=203.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 facr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 662 99.900
2 facr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 661 99.900
3 facr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 510 99.900
4 facr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 462 100.000
5 facr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 385 98.997
6 facr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 385 98.997
specificity calibration validation evaluation
1 92.993 0.929 0.892 NA
2 92.993 0.964 0.944 NA
3 98.298 0.982 0.976 NA
4 98.198 0.997 0.998 NA
5 98.699 0.977 0.976 NA
6 98.699 0.996 0.998 NA
Figure 203.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
203.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 facr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.111682
2 facr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.316651
3 facr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.244183
4 facr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.051787
5 facr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.428604
6 facr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.361565
Figure 203.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 203.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
203.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : facr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, facr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=203.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 facr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 facr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 639.5 99.759 99.144
2 mergedAlgo TSS EMwmean ROC 639.5 99.759 99.144
calibration validation evaluation
1 0.989 NA NA
2 0.999 NA NA
Figure 203.11: 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 facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 facr_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 0.076218
2 mergedAlgo TSS EMcv temp_min 1 0.381332
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.083810
4 mergedAlgo TSS EMcv temp_season 1 0.156261
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.273788
6 mergedAlgo TSS EMcv prec_season 1 0.271655Par variable :
Figure 203.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 203.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
203.3 Projections
203.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/facr/current
sp.name : facr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/facr/facr.AllModels.models.out )
models.projected :
facr_PA1_RUN1_GAM, facr_PA1_RUN1_MARS, facr_PA1_RUN1_MAXNET, facr_PA1_RUN1_GBM, facr_PA1_RUN1_ANN, facr_PA1_RUN1_RF, facr_PA2_RUN1_GAM, facr_PA2_RUN1_MARS, facr_PA2_RUN1_MAXNET, facr_PA2_RUN1_GBM, facr_PA2_RUN1_ANN, facr_PA2_RUN1_RF, facr_PA3_RUN1_GAM, facr_PA3_RUN1_MARS, facr_PA3_RUN1_MAXNET, facr_PA3_RUN1_GBM, facr_PA3_RUN1_ANN, facr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 203.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 203.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/facr/current
sp.name : facr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/facr/facr.AllModels.ensemble.models.out )
models.projected :
facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, facr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 203.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
203.3.2 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/facr/cont_gre
sp.name : facr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/facr/facr.AllModels.models.out )
models.projected :
facr_PA1_RUN1_GAM, facr_PA1_RUN1_MARS, facr_PA1_RUN1_MAXNET, facr_PA1_RUN1_GBM, facr_PA1_RUN1_ANN, facr_PA1_RUN1_RF, facr_PA2_RUN1_GAM, facr_PA2_RUN1_MARS, facr_PA2_RUN1_MAXNET, facr_PA2_RUN1_GBM, facr_PA2_RUN1_ANN, facr_PA2_RUN1_RF, facr_PA3_RUN1_GAM, facr_PA3_RUN1_MARS, facr_PA3_RUN1_MAXNET, facr_PA3_RUN1_GBM, facr_PA3_RUN1_ANN, facr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 203.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 203.18: 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/facr/cont_gre
sp.name : facr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/facr/facr.AllModels.ensemble.models.out )
models.projected :
facr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, facr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 203.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
203.3.3 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 203.20: 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 203.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 203.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 203.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
203.4 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)
203.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 203.24: 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 203.25: 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 203.26: 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 203.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
203.4.2 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>
1 115 413 465 468.6795 493 763 0 2000
2 117 398 421 447.3356 458 753 126 2040
3 59 358 381 403.1036 412 738 126 2060
4 97 366 388 425.1367 444 758 126 2080
5 54 342 369 400.9762 413 753 126 2100
6 113 386 409 437.2334 455 750 245 2040
7 126 374 393 426.9652 432 744 245 2060
8 74 330 355 370.7868 382 706 245 2080
9 74 302 322 329.6419 347 661 245 2100
10 130 412 434 461.0290 469 757 370 2040
11 65 341 367 386.3255 393 727 370 2060
12 67 294 315 311.6047 335 585 370 2080
13 50 179 243 233.4348 276 477 370 2100
14 93 384 407 441.6035 459 753 585 2040
15 68 319 347 359.6009 376 725 585 2060
16 61 244 291 280.8216 318 583 585 2080
17 39 155 208 189.1533 231 376 585 2100
Figure 203.28: 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.