136 Ficus carica
136.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.8m6cv8
Format: SIMPLE_CSV
Download key: 0252560-230224095556074
Created: 2023-05-20T16:34:41.423+00:00
Modified: 2023-05-20T16:35:50.987+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252560-230224095556074.zip
Total records: 44533Conversion 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 44533 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.523 ymin: -46.023155 xmax: 176.969732 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 44,533 × 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 5f06e39d-… "USFS - New… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
2 9 e8 ebd49d9b-… "" Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
3 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
4 9 e8 23243164-… "UdeA:HUA:1… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
5 9 e8 23243164-… "UdeA:HUA:1… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
6 9 e8 23243164-… "UdeA:HUA:1… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
7 9 e8 23243164-… "UdeA:HUA:1… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
8 9 e8 50c9509d-… "http://www… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
9 9 e8 50c9509d-… "http://www… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
10 9 e8 50c9509d-… "http://www… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
# ℹ 44,523 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 44 533 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 136.1: Occurrences de Ficus carica dans le monde.
136.1.1 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] 0.8813688725[1] 0.05710372084[1] 0.003570386006
Figure 136.2: Occurrence de Ficus carica dans la région d’endémisme.
136.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
28596
CC_BY_NC_4_0
9366
CC0_1_0
556
https://creativecommons.org/licenses/by-nc/4.0/legalcode
530
https://creativecommons.org/licenses/by/4.0/legalcode
151
https://creativecommons.org/publicdomain/zero/1.0/legalcode
51 [1] 74.78726115
Figure 136.3: Occurrence de Ficus carica 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] 29354136.1.3 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: -9.829539 ymin: 29.692986 xmax: 46.62194 ymax: 63.434
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 14d5676a-… q-102082857… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
2 2 e9 14d5676a-… q-101003267… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
3 3 e9 4f6de508-… f723ad56-4f… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
4 2 e9 7a8a2ad3-… 96434cc9-e9… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
5 2 e9 a3e74d8a-… 598f0291-7e… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
6 2 e9 014f3d14-… 20d490c8-bb… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
7 2 e9 14d5676a-… q-101817533… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
8 2 e9 7a3679ef-… o-1005048741 Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
9 2 e9 14d5676a-… q-101887900… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
10 3.e9 14d5676a-… q-101816659… Plantae Trach… Magn… Rosa… Morac… Ficus Ficus … ""
# 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>, …
136.2 Modélisation de la niche climatique
136.2.1 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 : -9.829539, 46.62194, 29.69299, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fica 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 = fica
24872 presences, 0 true absences and 72846 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.272 Min. :-22.180 Min. :-11.199 Min. : 199.4
1st Qu.:20.831 1st Qu.: -8.752 1st Qu.: 9.533 1st Qu.: 599.3
Median :25.372 Median : -1.588 Median : 12.802 Median : 726.9
Mean :25.737 Mean : -3.359 Mean : 12.435 Mean : 750.2
3rd Qu.:29.292 3rd Qu.: 2.396 3rd Qu.: 15.981 3rd Qu.: 896.3
Max. :45.924 Max. : 12.032 Max. : 25.847 Max. :1387.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.209
1st Qu.: 176.0 1st Qu.: 25.468
Median : 220.0 Median : 33.015
Mean : 224.3 Mean : 38.263
3rd Qu.: 268.0 3rd Qu.: 43.843
Max. :1260.0 Max. :123.408
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 136.5: 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 : 174488, 2 (geometries, attributes)
extent : -10.47917, 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 136.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
136.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fica_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fica_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fica_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fica 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 : fica_PA1
-=-=-=--=-=-=- fica_PA1_RUN1
-=-=-=- Run : fica_PA2
-=-=-=--=-=-=- fica_PA2_RUN1
-=-=-=- Run : fica_PA3
-=-=-=--=-=-=- fica_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=136.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fica_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 94.602
2 fica_PA1_RUN1_GAM PA1 RUN1 GAM ROC 614.5 94.638
3 fica_PA1_RUN1_MARS PA1 RUN1 MARS TSS 541.0 90.486
4 fica_PA1_RUN1_MARS PA1 RUN1 MARS ROC 543.5 90.426
5 fica_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 366.0 93.467
6 fica_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 373.5 92.788
specificity calibration validation evaluation
1 63.070 0.577 0.575 NA
2 63.070 0.748 0.743 NA
3 87.590 0.781 0.779 NA
4 87.685 0.956 0.952 NA
5 85.115 0.786 0.776 NA
6 85.840 0.957 0.955 NA
Figure 136.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
136.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fica_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.312984
2 fica_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.337286
3 fica_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.005110
4 fica_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.289754
5 fica_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.017498
6 fica_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.008217
Figure 136.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 136.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
136.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fica
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fica_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=136.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fica_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fica_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 636.0 96.454 96.365
2 mergedAlgo TSS EMwmean ROC 653.5 96.116 96.733
calibration validation evaluation
1 0.928 NA NA
2 0.996 NA NA
Figure 136.11: 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 fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fica_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 0.558281
2 mergedAlgo TSS EMcv temp_min 1 0.532138
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.381322
4 mergedAlgo TSS EMcv temp_season 1 0.497145
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.471679
6 mergedAlgo TSS EMcv prec_season 1 0.384897Par variable :
Figure 136.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 136.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
136.3 Projections
136.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fica/current
sp.name : fica
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fica/fica.AllModels.models.out )
models.projected :
fica_PA1_RUN1_GAM, fica_PA1_RUN1_MARS, fica_PA1_RUN1_MAXNET, fica_PA1_RUN1_GBM, fica_PA1_RUN1_ANN, fica_PA1_RUN1_RF, fica_PA2_RUN1_GAM, fica_PA2_RUN1_MARS, fica_PA2_RUN1_MAXNET, fica_PA2_RUN1_GBM, fica_PA2_RUN1_ANN, fica_PA2_RUN1_RF, fica_PA3_RUN1_GAM, fica_PA3_RUN1_MARS, fica_PA3_RUN1_MAXNET, fica_PA3_RUN1_GBM, fica_PA3_RUN1_ANN, fica_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 136.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 136.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fica/current
sp.name : fica
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fica/fica.AllModels.ensemble.models.out )
models.projected :
fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fica_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 136.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
136.3.2 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/fica/cont_gre
sp.name : fica
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fica/fica.AllModels.models.out )
models.projected :
fica_PA1_RUN1_GAM, fica_PA1_RUN1_MARS, fica_PA1_RUN1_MAXNET, fica_PA1_RUN1_GBM, fica_PA1_RUN1_ANN, fica_PA1_RUN1_RF, fica_PA2_RUN1_GAM, fica_PA2_RUN1_MARS, fica_PA2_RUN1_MAXNET, fica_PA2_RUN1_GBM, fica_PA2_RUN1_ANN, fica_PA2_RUN1_RF, fica_PA3_RUN1_GAM, fica_PA3_RUN1_MARS, fica_PA3_RUN1_MAXNET, fica_PA3_RUN1_GBM, fica_PA3_RUN1_ANN, fica_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 136.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 136.18: 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/fica/cont_gre
sp.name : fica
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fica/fica.AllModels.ensemble.models.out )
models.projected :
fica_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fica_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 136.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
136.3.3 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 136.20: 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 136.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 136.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 136.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
136.4 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)
136.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 136.24: 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 136.25: 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 136.26: 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 136.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
136.4.2 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 55 451 592 606.9891 772 995 0 2000
2 224 511 666 648.9245 773 958 126 2040
3 310 503 618 609.6703 703 943 126 2060
4 290 516 669 644.7967 751 921 126 2080
5 323 503 619 608.5317 699 915 126 2100
6 205 547 679 661.6105 769 945 245 2040
7 286 503 669 639.0463 750 920 245 2060
8 350 467 674 629.5578 731 876 245 2080
9 327 433 597 582.8704 701 884 245 2100
10 229 499 658 644.5605 771 969 370 2040
11 347 487 634 610.6911 703 880 370 2060
12 354 417 598 575.8230 684 876 370 2080
13 271 415 455 493.1993 565 754 370 2100
14 256 511 661 642.2780 760 932 585 2040
15 339 473 653 616.8431 719 874 585 2060
16 278 420 495 532.0340 665 798 585 2080
17 250 406 443 443.6888 476 736 585 2100
Figure 136.28: 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.