205 Fagus japonica
205.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ry6are
Format: SIMPLE_CSV
Download key: 0260826-230224095556074
Created: 2023-05-25T10:53:13.253+00:00
Modified: 2023-05-25T10:53:51.610+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260826-230224095556074.zip
Total records: 582Conversion 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 582 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 4.238888 ymin: 33.315881 xmax: 140.87285 ymax: 51.198888
Geodetic CRS: WGS 84
# A tibble: 582 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 736075547 86185376-f762-11e… 7ccbdbb2-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 736075545 86185376-f762-11e… 7cc651c4-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 729330538 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 729321847 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 729321501 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 729320720 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 729318618 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 729314205 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 729288392 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 729286564 81031dbc-47f2-470… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 572 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 <lgl>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …Il y a 582 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 205.1: Occurrences de Fagus japonica dans le monde.
205.1.1 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] 0.003436426117[1] 0[1] 0.9965635739
Figure 205.2: Occurrence de Fagus japonica dans la région d’endémisme.
205.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
550 28 2 [1] 95.17241379
Figure 205.3: Occurrence de Fagus japonica 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] 552205.1.3 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 552 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 130.4 ymin: 33.315881 xmax: 140.87285 ymax: 38.7983
Geodetic CRS: WGS 84
# A tibble: 552 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 736075547 86185376-f762-11… 7ccbdbb2-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
2 736075545 86185376-f762-11… 7cc651c4-f8… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
3 4109269393 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
4 4109269246 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
5 4109268725 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
6 4109267525 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
7 4109266415 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
8 4109266384 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
9 4109265564 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
10 4109264762 2507f17c-4446-41… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus …
# ℹ 542 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 <lgl>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …
205.2 Modélisation de la niche climatique
205.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 552, 0 (geometries, attributes)
extent : 130.4, 140.8728, 33.31588, 38.7983 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= faja 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 = faja
547 presences, 0 true absences and 1653 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.612 Min. :-43.532 Min. :-14.27 Min. : 24.62
1st Qu.:22.696 1st Qu.:-21.534 1st Qu.: 16.22 1st Qu.: 766.93
Median :26.500 Median : -7.764 Median : 19.76 Median : 871.56
Mean :25.485 Mean : -9.749 Mean : 19.02 Mean : 947.41
3rd Qu.:29.479 3rd Qu.: -1.180 3rd Qu.: 23.27 3rd Qu.:1283.77
Max. :39.944 Max. : 23.610 Max. : 34.69 Max. :1905.21
prec_wet_quart prec_season
Min. : 11.0 Min. : 9.349
1st Qu.: 202.8 1st Qu.: 50.615
Median : 428.5 Median : 73.546
Mean : 471.3 Mean : 76.884
3rd Qu.: 674.2 3rd Qu.:101.918
Max. :3264.0 Max. :164.647
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 205.5: 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 : 3844, 2 (geometries, attributes)
extent : 68.0625, 146.8958, 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 205.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
205.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for faja_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for faja_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for faja_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= faja 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 : faja_PA1
-=-=-=--=-=-=- faja_PA1_RUN1
-=-=-=- Run : faja_PA2
-=-=-=--=-=-=- faja_PA2_RUN1
-=-=-=- Run : faja_PA3
-=-=-=--=-=-=- faja_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=205.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 faja_PA1_RUN1_GAM PA1 RUN1 GAM TSS 596.0 100.000
2 faja_PA1_RUN1_GAM PA1 RUN1 GAM ROC 597.5 100.000
3 faja_PA1_RUN1_MARS PA1 RUN1 MARS TSS 500.0 99.772
4 faja_PA1_RUN1_MARS PA1 RUN1 MARS ROC 500.0 99.772
5 faja_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 332.5 99.772
6 faja_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 334.0 99.772
specificity calibration validation evaluation
1 92.760 0.928 0.918 NA
2 92.760 0.964 0.958 NA
3 98.416 0.982 0.991 NA
4 98.416 0.991 0.993 NA
5 96.606 0.964 0.991 NA
6 96.606 0.992 0.996 NA
Figure 205.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
205.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 faja_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.048684
2 faja_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.603760
3 faja_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.327551
4 faja_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.272506
5 faja_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.249162
6 faja_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.514477
Figure 205.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 205.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
205.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : faja
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo, faja_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=205.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 faja_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 faja_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 680.5 99.634 98.911
2 mergedAlgo TSS EMwmean ROC 682.0 99.634 98.911
calibration validation evaluation
1 0.985 NA NA
2 0.999 NA NA
Figure 205.11: 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 faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 faja_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 0.057974
2 mergedAlgo TSS EMcv temp_min 1 0.427237
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.073162
4 mergedAlgo TSS EMcv temp_season 1 0.280469
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.112465
6 mergedAlgo TSS EMcv prec_season 1 0.230134Par variable :
Figure 205.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 205.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
205.3 Projections
205.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/faja/current
sp.name : faja
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/faja/faja.AllModels.models.out )
models.projected :
faja_PA1_RUN1_GAM, faja_PA1_RUN1_MARS, faja_PA1_RUN1_MAXNET, faja_PA1_RUN1_GBM, faja_PA1_RUN1_ANN, faja_PA1_RUN1_RF, faja_PA2_RUN1_GAM, faja_PA2_RUN1_MARS, faja_PA2_RUN1_MAXNET, faja_PA2_RUN1_GBM, faja_PA2_RUN1_ANN, faja_PA2_RUN1_RF, faja_PA3_RUN1_GAM, faja_PA3_RUN1_MARS, faja_PA3_RUN1_MAXNET, faja_PA3_RUN1_GBM, faja_PA3_RUN1_ANN, faja_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 205.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 205.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/faja/current
sp.name : faja
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/faja/faja.AllModels.ensemble.models.out )
models.projected :
faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo, faja_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 205.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
205.3.2 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/faja/cont_gre
sp.name : faja
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/faja/faja.AllModels.models.out )
models.projected :
faja_PA1_RUN1_GAM, faja_PA1_RUN1_MARS, faja_PA1_RUN1_MAXNET, faja_PA1_RUN1_GBM, faja_PA1_RUN1_ANN, faja_PA1_RUN1_RF, faja_PA2_RUN1_GAM, faja_PA2_RUN1_MARS, faja_PA2_RUN1_MAXNET, faja_PA2_RUN1_GBM, faja_PA2_RUN1_ANN, faja_PA2_RUN1_RF, faja_PA3_RUN1_GAM, faja_PA3_RUN1_MARS, faja_PA3_RUN1_MAXNET, faja_PA3_RUN1_GBM, faja_PA3_RUN1_ANN, faja_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 205.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 205.18: 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/faja/cont_gre
sp.name : faja
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/faja/faja.AllModels.ensemble.models.out )
models.projected :
faja_EMcvByTSS_mergedData_mergedRun_mergedAlgo, faja_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 205.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
205.3.3 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 205.20: 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 205.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 205.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 205.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
205.4 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)
205.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 205.24: 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 205.25: 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 205.26: 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 205.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
205.4.2 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 74 96 153 154.4807 192 416 0 2000
2 77 154 183 180.5087 207 380 126 2040
3 72 151 174 167.8250 192 354 126 2060
4 75 178 197 203.2416 227 380 126 2080
5 75 165 180 185.7613 210 370 126 2100
6 89 172 194 199.1059 221 388 245 2040
7 82 171 191 187.6805 207 381 245 2060
8 88 171 186 198.9845 213 369 245 2080
9 75 165 171 177.3653 197 291 245 2100
10 79 153 175 175.0707 205 379 370 2040
11 76 164 176 176.2672 194 368 370 2060
12 69 160 167 167.8386 174 275 370 2080
13 84 160 170 174.8316 179 238 370 2100
14 75 161 191 189.7959 218 379 585 2040
15 74 170 178 194.6671 213 366 585 2060
16 67 164 177 179.6644 190 271 585 2080
17 99 156 157 169.0470 172 221 585 2100
Figure 205.28: 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.