97 Fagus sylvatica
97.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.f432k3
Format: SIMPLE_CSV
Download key: 0252274-230224095556074
Created: 2023-05-20T13:15:29.308+00:00
Modified: 2023-05-20T13:20:16.043+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252274-230224095556074.zip
Total records: 679519Conversion 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 679438 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.636334 ymin: -46.427412 xmax: 175.710107 ymax: 68.196336
Geodetic CRS: WGS 84
# A tibble: 679,438 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
# ℹ 679,428 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 679 438 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 97.1: Occurrences de Fagus sylvatica dans le monde.
97.1.1 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] 0.9994318834[1] 0.0005151316235[1] 0
Figure 97.2: Occurrence de Fagus sylvatica dans la région d’endémisme.
97.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
485199 76625 117228 [1] 88.71588626
Figure 97.3: Occurrence de Fagus sylvatica 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] 60242797.1.3 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 25000 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.880574 ymin: 37.706295 xmax: 41.771946 ymax: 64.9351
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … "sylvatica"
2 2 e9 fe4baa57-… "15e2eb5b-2… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
3 2 e9 14d5676a-… "q-10092328… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
4 3.e9 e5f16d86-… "f7b3165e-a… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
5 2 e9 67fabcac-… "3961529" Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
6 2 e9 14d5676a-… "q-10006575… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
7 2 e9 fe4baa57-… "d9d1a916-9… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
8 2 e9 67fabcac-… "13534359" Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
9 3.e9 c7d7f268-… "DSS0043900… Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
10 2 e9 67fabcac-… "20969446" Plantae Trach… Magn… Faga… Fagac… Fagus Fagus … ""
# ℹ 24,990 more rows
# ℹ 40 more variables: taxonRank <chr>, scientificName <chr>, verbatimScientificName <chr>,
# verbatimScientificNameAuthorship <chr>, countryCode <chr>, locality <chr>, stateProvince <chr>,
# occurrenceStatus <chr>, individualCount <int>, publishingOrgKey <chr>, decimalLatitude <dbl>,
# decimalLongitude <dbl>, coordinateUncertaintyInMeters <dbl>, coordinatePrecision <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
97.2 Modélisation de la niche climatique
97.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -9.880574, 41.77195, 37.70629, 64.9351 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fasy 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 = fasy
24993 presences, 0 true absences and 72897 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.224 Min. :-21.992 Min. :-14.857 Min. : 0.0
1st Qu.:20.112 1st Qu.: -8.744 1st Qu.: 8.119 1st Qu.: 613.9
Median :23.028 Median : -3.332 Median : 12.308 Median : 718.8
Mean :24.571 Mean : -4.270 Mean : 11.785 Mean : 752.4
3rd Qu.:27.900 3rd Qu.: 0.792 3rd Qu.: 15.953 3rd Qu.: 895.8
Max. :45.744 Max. : 12.148 Max. : 26.185 Max. :1374.0
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.116
1st Qu.: 178.0 1st Qu.: 21.394
Median : 218.0 Median : 30.336
Mean : 224.3 Mean : 34.771
3rd Qu.: 257.0 3rd Qu.: 39.226
Max. :1264.0 Max. :123.521
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 97.5: 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 : 174972, 2 (geometries, attributes)
extent : -10.5625, 46.97917, 29.02083, 70.97917 (xmin, xmax, ymin, ymax)
coord. ref. :
names : resp dataset
type : <num> <chr>
values : 10 Initial dataset
10 Initial dataset
10 Initial dataset
$data.label
9 10
"**Presences**" "Presences (calibration)"
11 12
"Presences (validation)" "Presences (evaluation)"
19 20
"**True Absences**" "True Absences (calibration)"
21 22
"True Absences (validation)" "True Absences (evaluation)"
29 30
"**Pseudo-Absences**" "Pseudo-Absences (calibration)"
31 1
"Pseudo-Absences (validation)" "Background"
$data.plot
Figure 97.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
97.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fasy_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fasy_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fasy_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fasy 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 : fasy_PA1
-=-=-=--=-=-=- fasy_PA1_RUN1
-=-=-=- Run : fasy_PA2
-=-=-=--=-=-=- fasy_PA2_RUN1
-=-=-=- Run : fasy_PA3
-=-=-=--=-=-=- fasy_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=97.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fasy_PA1_RUN1_GAM PA1 RUN1 GAM TSS 646.0 95.674
2 fasy_PA1_RUN1_GAM PA1 RUN1 GAM ROC 641.5 95.794
3 fasy_PA1_RUN1_MARS PA1 RUN1 MARS TSS 492.0 96.539
4 fasy_PA1_RUN1_MARS PA1 RUN1 MARS ROC 496.5 96.494
5 fasy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 350.0 96.169
6 fasy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 348.5 96.224
specificity calibration validation evaluation
1 61.135 0.568 0.569 NA
2 61.045 0.733 0.731 NA
3 87.665 0.842 0.841 NA
4 87.755 0.962 0.959 NA
5 87.750 0.839 0.837 NA
6 87.745 0.962 0.960 NA
Figure 97.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
97.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fasy_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.299213
2 fasy_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.221602
3 fasy_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010291
4 fasy_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.450982
5 fasy_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.018821
6 fasy_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.026603
Figure 97.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 97.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
97.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fasy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fasy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=97.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fasy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fasy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 618.0 94.378 93.089
2 mergedAlgo TSS EMwmean ROC 618.5 94.358 93.109
calibration validation evaluation
1 0.875 NA NA
2 0.987 NA NA
Figure 97.11: 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 fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fasy_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 0.196673
2 mergedAlgo TSS EMcv temp_min 1 0.119387
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.017667
4 mergedAlgo TSS EMcv temp_season 1 0.363192
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.040345
6 mergedAlgo TSS EMcv prec_season 1 0.100143Par variable :
Figure 97.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 97.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
97.3 Projections
97.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fasy/current
sp.name : fasy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fasy/fasy.AllModels.models.out )
models.projected :
fasy_PA1_RUN1_GAM, fasy_PA1_RUN1_MARS, fasy_PA1_RUN1_MAXNET, fasy_PA1_RUN1_GBM, fasy_PA1_RUN1_RF, fasy_PA2_RUN1_GAM, fasy_PA2_RUN1_MARS, fasy_PA2_RUN1_MAXNET, fasy_PA2_RUN1_GBM, fasy_PA2_RUN1_RF, fasy_PA3_RUN1_GAM, fasy_PA3_RUN1_MARS, fasy_PA3_RUN1_MAXNET, fasy_PA3_RUN1_GBM, fasy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 97.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 97.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fasy/current
sp.name : fasy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fasy/fasy.AllModels.ensemble.models.out )
models.projected :
fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fasy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 97.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
97.3.2 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/fasy/cont_gre
sp.name : fasy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fasy/fasy.AllModels.models.out )
models.projected :
fasy_PA1_RUN1_GAM, fasy_PA1_RUN1_MARS, fasy_PA1_RUN1_MAXNET, fasy_PA1_RUN1_GBM, fasy_PA1_RUN1_RF, fasy_PA2_RUN1_GAM, fasy_PA2_RUN1_MARS, fasy_PA2_RUN1_MAXNET, fasy_PA2_RUN1_GBM, fasy_PA2_RUN1_RF, fasy_PA3_RUN1_GAM, fasy_PA3_RUN1_MARS, fasy_PA3_RUN1_MAXNET, fasy_PA3_RUN1_GBM, fasy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 97.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 97.18: 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/fasy/cont_gre
sp.name : fasy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fasy/fasy.AllModels.ensemble.models.out )
models.projected :
fasy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fasy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 97.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
97.3.3 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 97.20: 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 97.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 97.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 97.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
97.4 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)
97.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 97.24: 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 97.25: 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 97.26: 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 97.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
97.4.2 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>
1 214 433 780 660.82821 836 862 0 2000
2 121 260 559 514.18948 750 835 126 2040
3 95 207 436 448.01697 676 824 126 2060
4 101 210 442 453.57255 690 825 126 2080
5 95 202 449 454.48248 698 826 126 2100
6 112 232 523 495.58137 746 840 245 2040
7 106 204 359 397.41438 581 808 245 2060
8 96 185 293 339.89735 460 810 245 2080
9 80 182 248 273.10025 329 770 245 2100
10 134 257 501 486.42666 696 839 370 2040
11 94 197 349 397.07900 584 814 370 2060
12 80 177 225 241.39756 291 739 370 2080
13 64 124 142 144.87816 162 344 370 2100
14 108 233 524 491.63612 732 829 585 2040
15 95 184 303 346.80772 480 794 585 2060
16 68 142 162 168.06656 193 408 585 2080
17 56 72 98 94.18074 116 182 585 2100
Figure 97.28: 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.