86 Fraxinus angustifolia
86.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.34xv6d
Format: SIMPLE_CSV
Download key: 0252193-230224095556074
Created: 2023-05-20T12:21:22.706+00:00
Modified: 2023-05-20T12:22:33.152+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252193-230224095556074.zip
Total records: 30747Conversion 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 30747 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.716111 ymin: -43.595253 xmax: 174.927933 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 30,747 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 ebd49d9b-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# ℹ 30,737 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 30 747 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 86.1: Occurrences de Fraxinus angustifolia dans le monde.
86.1.1 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] 0.9298793378[1] 0.0002276644876[1] 0
Figure 86.2: Occurrence de Fraxinus angustifolia dans la région d’endémisme.
86.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
25391
CC_BY_NC_4_0
2913
CC0_1_0
42
https://creativecommons.org/licenses/by-nc/4.0/legalcode
91
https://creativecommons.org/licenses/by/4.0/legalcode
153
https://creativecommons.org/publicdomain/zero/1.0/legalcode
1 [1] 89.49319716
Figure 86.3: Occurrence de Fraxinus angustifolia 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] 2558786.1.3 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: -9.438815 ymin: 31.845213 xmax: 45.36667 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-101629956… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
2 2 e9 f870ac2b-… 2573f0e6-6b… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 e5f16d86-… 11505ed9-3e… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… "angustifolia"
4 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 2 e9 14d5676a-… q-101119189… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 2 e9 14d5676a-… q-100782797… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 3.e9 14d5676a-… q-101230077… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# 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>, …
86.2 Modélisation de la niche climatique
86.2.1 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 : -9.438815, 45.36667, 31.84521, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fran 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 = fran
24969 presences, 0 true absences and 72890 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.224 Min. :-22.08 Min. :-14.857 Min. : 226.3
1st Qu.:20.980 1st Qu.: -8.70 1st Qu.: 9.431 1st Qu.: 595.9
Median :25.736 Median : -0.98 Median : 12.438 Median : 716.6
Mean :25.803 Mean : -3.32 Mean : 12.218 Mean : 748.0
3rd Qu.:28.896 3rd Qu.: 2.32 3rd Qu.: 15.671 3rd Qu.: 894.8
Max. :45.976 Max. : 12.12 Max. : 26.380 Max. :1367.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.688
1st Qu.: 176.0 1st Qu.: 25.371
Median : 219.0 Median : 32.808
Mean : 220.5 Mean : 37.461
3rd Qu.: 260.0 3rd Qu.: 41.865
Max. :1250.0 Max. :123.648
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 86.5: 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 : 174876, 2 (geometries, attributes)
extent : -10.35417, 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 86.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
86.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fran_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fran_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fran_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fran 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 : fran_PA1
-=-=-=--=-=-=- fran_PA1_RUN1
-=-=-=- Run : fran_PA2
-=-=-=--=-=-=- fran_PA2_RUN1
-=-=-=- Run : fran_PA3
-=-=-=--=-=-=- fran_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=86.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fran_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 97.061
2 fran_PA1_RUN1_GAM PA1 RUN1 GAM ROC 724.5 97.076
3 fran_PA1_RUN1_MARS PA1 RUN1 MARS TSS 544.0 94.563
4 fran_PA1_RUN1_MARS PA1 RUN1 MARS ROC 543.5 94.563
5 fran_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 351.0 95.299
6 fran_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 352.5 95.229
specificity calibration validation evaluation
1 65.185 0.622 0.624 NA
2 65.170 0.760 0.757 NA
3 91.805 0.864 0.875 NA
4 91.805 0.975 0.976 NA
5 91.995 0.873 0.884 NA
6 92.080 0.975 0.976 NA
Figure 86.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
86.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fran_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.511904
2 fran_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.046127
3 fran_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.011522
4 fran_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.506994
5 fran_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.022566
6 fran_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.018126
Figure 86.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 86.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
86.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fran
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fran_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=86.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fran_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fran_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 494.0 96.792 94.389
2 mergedAlgo TSS EMwmean ROC 496.5 96.768 94.435
calibration validation evaluation
1 0.912 NA NA
2 0.993 NA NA
Figure 86.11: 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 fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fran_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 0.314723
2 mergedAlgo TSS EMcv temp_min 1 0.233315
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.027180
4 mergedAlgo TSS EMcv temp_season 1 0.253501
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.151379
6 mergedAlgo TSS EMcv prec_season 1 0.069957Par variable :
Figure 86.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 86.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
86.3 Projections
86.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fran/current
sp.name : fran
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fran/fran.AllModels.models.out )
models.projected :
fran_PA1_RUN1_GAM, fran_PA1_RUN1_MARS, fran_PA1_RUN1_MAXNET, fran_PA1_RUN1_GBM, fran_PA1_RUN1_ANN, fran_PA1_RUN1_RF, fran_PA2_RUN1_GAM, fran_PA2_RUN1_MARS, fran_PA2_RUN1_MAXNET, fran_PA2_RUN1_GBM, fran_PA2_RUN1_ANN, fran_PA2_RUN1_RF, fran_PA3_RUN1_GAM, fran_PA3_RUN1_MARS, fran_PA3_RUN1_MAXNET, fran_PA3_RUN1_GBM, fran_PA3_RUN1_ANN, fran_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 86.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 86.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fran/current
sp.name : fran
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fran/fran.AllModels.ensemble.models.out )
models.projected :
fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fran_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 86.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
86.3.2 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/fran/cont_gre
sp.name : fran
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fran/fran.AllModels.models.out )
models.projected :
fran_PA1_RUN1_GAM, fran_PA1_RUN1_MARS, fran_PA1_RUN1_MAXNET, fran_PA1_RUN1_GBM, fran_PA1_RUN1_ANN, fran_PA1_RUN1_RF, fran_PA2_RUN1_GAM, fran_PA2_RUN1_MARS, fran_PA2_RUN1_MAXNET, fran_PA2_RUN1_GBM, fran_PA2_RUN1_ANN, fran_PA2_RUN1_RF, fran_PA3_RUN1_GAM, fran_PA3_RUN1_MARS, fran_PA3_RUN1_MAXNET, fran_PA3_RUN1_GBM, fran_PA3_RUN1_ANN, fran_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 86.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 86.18: 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/fran/cont_gre
sp.name : fran
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fran/fran.AllModels.ensemble.models.out )
models.projected :
fran_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fran_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 86.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
86.3.3 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 86.20: 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 86.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 86.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 86.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
86.4 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)
86.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 86.24: 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 86.25: 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 86.26: 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 86.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
86.4.2 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 55 131 272 347.1267 567 763 0 2000
2 75 339 491 471.8101 593 765 126 2040
3 104 440 519 505.6197 602 802 126 2060
4 108 457 528 514.9971 609 766 126 2080
5 108 467 542 527.8101 621 817 126 2100
6 89 386 504 491.7086 602 783 245 2040
7 126 457 507 499.5123 590 744 245 2060
8 213 497 584 542.7655 630 757 245 2080
9 232 484 583 527.1856 618 752 245 2100
10 76 324 471 450.0414 566 754 370 2040
11 129 477 535 521.8253 610 747 370 2060
12 224 476 594 528.8087 621 755 370 2080
13 184 252 477 437.0521 549 622 370 2100
14 88 371 497 480.1954 590 754 585 2040
15 183 480 544 518.8679 607 743 585 2060
16 191 263 504 461.0502 581 627 585 2080
17 165 235 386 350.1517 433 600 585 2100
Figure 86.28: 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.