82 Fraxinus americana
82.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.wpzt2t
Format: SIMPLE_CSV
Download key: 0252179-230224095556074
Created: 2023-05-20T12:15:57.920+00:00
Modified: 2023-05-20T12:16:51.816+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252179-230224095556074.zip
Total records: 6193Conversion 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 4803 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.58333 ymin: -31.897828 xmax: 125.83334 ymax: 56.688861
Geodetic CRS: WGS 84
# A tibble: 4,803 × 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… Lami… Oleac… Frax… Fraxin… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# ℹ 4,793 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 <lgl>,
# 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 4 803 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 82.1: Occurrences de Fraxinus americana dans le monde.
82.1.1 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] 0.02831563606[1] 0.9693941287[1] 0.0002082032063
Figure 82.2: Occurrence de Fraxinus americana dans la région d’endémisme.
82.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
603 2751 1302 [1] 40.91494845
Figure 82.3: Occurrence de Fraxinus americana 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] 190582.1.3 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 1905 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.58333 ymin: 25.681165 xmax: -59.99545 ymax: 47.768867
Geodetic CRS: WGS 84
# A tibble: 1,905 × 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… Lami… Oleac… Frax… Fraxin… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# ℹ 1,895 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
82.2 Modélisation de la niche climatique
82.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1905, 0 (geometries, attributes)
extent : -122.5833, -59.99545, 25.68117, 47.76887 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fram 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 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 = fram
1905 presences, 0 true absences and 5700 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.752 Min. :-11.96 Min. : 0.0
1st Qu.:23.63 1st Qu.:-15.204 1st Qu.: 11.68 1st Qu.: 764.6
Median :27.26 Median : -9.232 Median : 17.22 Median : 909.9
Mean :27.12 Mean : -8.821 Mean : 15.73 Mean : 890.3
3rd Qu.:31.04 3rd Qu.: -2.536 3rd Qu.: 20.64 3rd Qu.:1048.9
Max. :44.38 Max. : 22.446 Max. : 33.02 Max. :1468.0
prec_wet_quart prec_season
Min. : 24 Min. : 5.531
1st Qu.: 229 1st Qu.: 17.620
Median : 305 Median : 29.906
Mean : 315 Mean : 37.984
3rd Qu.: 345 3rd Qu.: 54.481
Max. :1785 Max. :136.100
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 82.5: 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 : 13335, 2 (geometries, attributes)
extent : -129.9375, -53.02083, 13.0625, 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 82.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
82.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fram_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fram_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fram_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fram 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 : fram_PA1
-=-=-=--=-=-=- fram_PA1_RUN1
-=-=-=- Run : fram_PA2
-=-=-=--=-=-=- fram_PA2_RUN1
-=-=-=- Run : fram_PA3
-=-=-=--=-=-=- fram_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=82.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fram_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 94.554
2 fram_PA1_RUN1_GAM PA1 RUN1 GAM ROC 670.5 94.357
3 fram_PA1_RUN1_MARS PA1 RUN1 MARS TSS 472.5 93.635
4 fram_PA1_RUN1_MARS PA1 RUN1 MARS ROC 564.5 90.289
5 fram_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 322.0 97.507
6 fram_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 321.5 97.507
specificity calibration validation evaluation
1 68.241 0.629 0.593 NA
2 68.701 0.783 0.768 NA
3 79.987 0.738 0.711 NA
4 83.661 0.943 0.932 NA
5 78.018 0.755 0.743 NA
6 78.018 0.944 0.936 NA
Figure 82.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
82.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fram_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.128836
2 fram_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.333723
3 fram_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.113582
4 fram_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.086240
5 fram_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.159829
6 fram_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.470467
Figure 82.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 82.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
82.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fram
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed: fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: fram_EMcvByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=82.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 596 95.381 92.474
2 mergedAlgo TSS EMwmean ROC 591 95.538 92.386
calibration validation evaluation
1 0.879 NA NA
2 0.985 NA NA
Figure 82.11: 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 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo expl.var rand var.imp
1 mergedAlgo TSS EMwmean temp_max_august 1 0.091224
2 mergedAlgo TSS EMwmean temp_min 1 0.081657
3 mergedAlgo TSS EMwmean temp_wet_quart 1 0.029152
4 mergedAlgo TSS EMwmean temp_season 1 0.082910
5 mergedAlgo TSS EMwmean prec_wet_quart 1 0.154701
6 mergedAlgo TSS EMwmean prec_season 1 0.374912Par variable :
Figure 82.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 82.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
82.3 Projections
82.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fram/current
sp.name : fram
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fram/fram.AllModels.models.out )
models.projected :
fram_PA1_RUN1_GAM, fram_PA1_RUN1_MARS, fram_PA1_RUN1_MAXNET, fram_PA1_RUN1_GBM, fram_PA1_RUN1_ANN, fram_PA1_RUN1_RF, fram_PA2_RUN1_GAM, fram_PA2_RUN1_MARS, fram_PA2_RUN1_MAXNET, fram_PA2_RUN1_GBM, fram_PA2_RUN1_ANN, fram_PA2_RUN1_RF, fram_PA3_RUN1_GAM, fram_PA3_RUN1_MARS, fram_PA3_RUN1_MAXNET, fram_PA3_RUN1_GBM, fram_PA3_RUN1_ANN, fram_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 82.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 82.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fram/current
sp.name : fram
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fram/fram.AllModels.ensemble.models.out )
models.projected : fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 82.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
82.3.2 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/fram/cont_gre
sp.name : fram
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fram/fram.AllModels.models.out )
models.projected :
fram_PA1_RUN1_GAM, fram_PA1_RUN1_MARS, fram_PA1_RUN1_MAXNET, fram_PA1_RUN1_GBM, fram_PA1_RUN1_ANN, fram_PA1_RUN1_RF, fram_PA2_RUN1_GAM, fram_PA2_RUN1_MARS, fram_PA2_RUN1_MAXNET, fram_PA2_RUN1_GBM, fram_PA2_RUN1_ANN, fram_PA2_RUN1_RF, fram_PA3_RUN1_GAM, fram_PA3_RUN1_MARS, fram_PA3_RUN1_MAXNET, fram_PA3_RUN1_GBM, fram_PA3_RUN1_ANN, fram_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 82.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 82.18: 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/fram/cont_gre
sp.name : fram
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fram/fram.AllModels.ensemble.models.out )
models.projected : fram_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 82.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
82.3.3 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 82.20: 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 82.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 82.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 82.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
82.4 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)
82.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 82.24: 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 82.25: 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 82.26: 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 82.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
82.4.2 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>
1 160 402 482 440.6369 516 666 0 2000
2 192 456 504 498.5524 544 674 126 2040
3 174 398 474 442.5553 510 644 126 2060
4 228 422 482 458.4529 506 652 126 2080
5 218 388 462 434.1149 496 636 126 2100
6 216 458 502 497.2650 548 670 245 2040
7 236 406 478 452.8825 512 686 245 2060
8 158 312 408 399.5024 488 688 245 2080
9 118 248 372 356.5734 442 678 245 2100
10 200 466 522 507.6500 554 702 370 2040
11 176 350 432 419.7962 500 662 370 2060
12 96 178 316 308.5840 424 608 370 2080
13 168 246 296 307.3617 346 690 370 2100
14 188 452 484 483.2646 522 652 585 2040
15 180 326 408 401.6599 492 708 585 2060
16 150 254 308 324.1431 382 748 585 2080
17 182 244 320 318.8228 380 530 585 2100
Figure 82.28: 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.