204 Fagus grandifolia
204.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.k4t2fu
Format: SIMPLE_CSV
Download key: 0260825-230224095556074
Created: 2023-05-25T10:51:39.070+00:00
Modified: 2023-05-25T10:52:41.388+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260825-230224095556074.zip
Total records: 22604Conversion 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 22362 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -99.7065 ymin: 19.3333 xmax: 5.514722 ymax: 50.838611
Geodetic CRS: WGS 84
# A tibble: 22,362 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393570481 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 3393519001 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 3393823926 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 3050909056 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 3393490683 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 3393815277 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 3393499725 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 3393708882 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 3393902379 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 3051266875 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 22,352 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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 <dbl>, depthAccuracy <dbl>, …Il y a 22 362 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 204.1: Occurrences de Fagus grandifolia dans le monde.
204.1.1 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] 8.943743851e-05[1] 0.9999105626[1] 0
Figure 204.2: Occurrence de Fagus grandifolia dans la région d’endémisme.
204.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
4607 15511 2242 [1] 30.63059034
Figure 204.3: Occurrence de Fagus grandifolia 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] 6849204.1.3 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 6849 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -99.7065 ymin: 19.3333 xmax: -60.047926 ymax: 48.093333
Geodetic CRS: WGS 84
# A tibble: 6,849 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393570481 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 3393519001 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 3393823926 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 3050909056 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 3393490683 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 3393815277 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 3393499725 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 3393708882 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 3393902379 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 3051266875 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 6,839 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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 <dbl>, depthAccuracy <dbl>, …
204.2 Modélisation de la niche climatique
204.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 6849, 0 (geometries, attributes)
extent : -99.7065, -60.04793, 19.3333, 48.09333 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fagr 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 = fagr
6844 presences, 0 true absences and 20376 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.612 Min. :-12.40 Min. : 0.0
1st Qu.:23.44 1st Qu.:-15.560 1st Qu.: 11.52 1st Qu.: 768.2
Median :26.85 Median : -9.600 Median : 16.95 Median : 914.4
Mean :26.92 Mean : -9.081 Mean : 15.60 Mean : 894.0
3rd Qu.:30.80 3rd Qu.: -2.808 3rd Qu.: 20.60 3rd Qu.:1053.3
Max. :42.76 Max. : 22.760 Max. : 33.43 Max. :1474.1
prec_wet_quart prec_season
Min. : 21.0 Min. : 5.439
1st Qu.: 229.0 1st Qu.: 16.709
Median : 296.0 Median : 29.477
Mean : 316.4 Mean : 37.801
3rd Qu.: 344.0 3rd Qu.: 55.455
Max. :2416.0 Max. :138.056
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 204.5: 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 : 47923, 2 (geometries, attributes)
extent : -129.9792, -52.72917, 13.02083, 54.97917 (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 204.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
204.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fagr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fagr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fagr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fagr 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 : fagr_PA1
-=-=-=--=-=-=- fagr_PA1_RUN1
-=-=-=- Run : fagr_PA2
-=-=-=--=-=-=- fagr_PA2_RUN1
-=-=-=- Run : fagr_PA3
-=-=-=--=-=-=- fagr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=204.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fagr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 545.0 98.155
2 fagr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 544.0 98.155
3 fagr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 411.0 96.785
4 fagr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 407.5 96.822
5 fagr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 377.0 94.466
6 fagr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 373.5 94.685
specificity calibration validation evaluation
1 71.254 0.694 0.680 NA
2 71.254 0.805 0.796 NA
3 83.957 0.807 0.793 NA
4 83.920 0.955 0.948 NA
5 85.892 0.804 0.790 NA
6 85.709 0.956 0.951 NA
Figure 204.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
204.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fagr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.136175
2 fagr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.309967
3 fagr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.019829
4 fagr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.336104
5 fagr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.182524
6 fagr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.427299
Figure 204.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 204.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
204.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fagr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fagr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=204.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fagr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fagr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 512.0 96.157 88.982
2 mergedAlgo TSS EMwmean ROC 512.5 96.157 89.016
calibration validation evaluation
1 0.852 NA NA
2 0.983 NA NA
Figure 204.11: 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 fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fagr_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 0.198635
2 mergedAlgo TSS EMcv temp_min 1 0.217521
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.056411
4 mergedAlgo TSS EMcv temp_season 1 0.199947
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.236239
6 mergedAlgo TSS EMcv prec_season 1 0.343230Par variable :
Figure 204.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 204.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
204.3 Projections
204.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fagr/current
sp.name : fagr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fagr/fagr.AllModels.models.out )
models.projected :
fagr_PA1_RUN1_GAM, fagr_PA1_RUN1_MARS, fagr_PA1_RUN1_MAXNET, fagr_PA1_RUN1_GBM, fagr_PA1_RUN1_ANN, fagr_PA1_RUN1_RF, fagr_PA2_RUN1_GAM, fagr_PA2_RUN1_MARS, fagr_PA2_RUN1_MAXNET, fagr_PA2_RUN1_GBM, fagr_PA2_RUN1_ANN, fagr_PA2_RUN1_RF, fagr_PA3_RUN1_GAM, fagr_PA3_RUN1_MARS, fagr_PA3_RUN1_MAXNET, fagr_PA3_RUN1_GBM, fagr_PA3_RUN1_ANN, fagr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 204.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 204.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fagr/current
sp.name : fagr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fagr/fagr.AllModels.ensemble.models.out )
models.projected :
fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fagr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 204.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
204.3.2 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/fagr/cont_gre
sp.name : fagr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fagr/fagr.AllModels.models.out )
models.projected :
fagr_PA1_RUN1_GAM, fagr_PA1_RUN1_MARS, fagr_PA1_RUN1_MAXNET, fagr_PA1_RUN1_GBM, fagr_PA1_RUN1_ANN, fagr_PA1_RUN1_RF, fagr_PA2_RUN1_GAM, fagr_PA2_RUN1_MARS, fagr_PA2_RUN1_MAXNET, fagr_PA2_RUN1_GBM, fagr_PA2_RUN1_ANN, fagr_PA2_RUN1_RF, fagr_PA3_RUN1_GAM, fagr_PA3_RUN1_MARS, fagr_PA3_RUN1_MAXNET, fagr_PA3_RUN1_GBM, fagr_PA3_RUN1_ANN, fagr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 204.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 204.18: 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/fagr/cont_gre
sp.name : fagr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fagr/fagr.AllModels.ensemble.models.out )
models.projected :
fagr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fagr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 204.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
204.3.3 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 204.20: 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 204.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 204.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 204.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
204.4 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)
204.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 204.24: 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 204.25: 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 204.26: 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 204.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
204.4.2 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>
1 114 300 536 478.6626 641 736 0 2000
2 153 466 671 563.7835 699 746 126 2040
3 149 334 662 547.9820 696 742 126 2060
4 135 298 637 526.2646 678 733 126 2080
5 150 340 670 552.1008 697 738 126 2100
6 150 439 681 567.4143 705 750 245 2040
7 139 294 651 531.3954 691 736 245 2060
8 141 249 633 511.6066 683 737 245 2080
9 129 222 607 488.0213 663 728 245 2100
10 158 467 677 567.3544 704 757 370 2040
11 144 303 660 537.8138 696 742 370 2060
12 119 200 585 471.4898 660 731 370 2080
13 102 140 311 330.0276 512 680 370 2100
14 142 392 644 538.0393 677 730 585 2040
15 131 274 655 528.9890 696 748 585 2060
16 105 149 394 374.3692 565 705 585 2080
17 70 101 129 153.5569 189 573 585 2100
Figure 204.28: 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.