36 Fraxinus excelsior
36.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.4myvdb
Format: SIMPLE_CSV
Download key: 0232061-230224095556074
Created: 2023-05-11T06:50:53.601+00:00
Modified: 2023-05-11T06:56:46.777+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232061-230224095556074.zip
Total records: 760879Conversion 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 760879 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.232734 ymin: -46.445265 xmax: 178.25886 ymax: 69.362086
Geodetic CRS: WGS 84
# A tibble: 760,879 × 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… Lami… Oleac… Frax… Fraxin… ""
2 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# ℹ 760,869 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 760 879 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 36.1: Occurrences de Fraxinus excelsior dans le monde.
36.1.1 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] 0.9995728624[1] 0.0001485124442[1] 1.314269417e-06
Figure 36.2: Occurrence de Fraxinus excelsior dans la région d’endémisme.
36.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
495383 124524 140647 [1] 83.62719807
Figure 36.3: Occurrence de Fraxinus excelsior 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] 63603036.1.3 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: -10.041103 ymin: 39.930469 xmax: 45.91052 ymax: 67.924905
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 4 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
2 2 e9 67fabcac-… "18468004" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 1 e9 75956ee6-… "http://flo… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 4 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 2 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 2 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 1 e9 5d784d06-… "2cd4p9h.6c… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 1 e7 857aa892-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 8 e8 271c444f-… "INBO:FLORA… 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>, …
36.2 Modélisation de la niche climatique
36.2.1 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 : -10.041103, 45.91052, 39.930469, 67.924905 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= frex 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 = frex
24977 presences, 0 true absences and 72906 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-21.931999 Min. :-12.64533 Min. : 0.0000 Min. : 3.0000
1st Qu.:20.13200 1st Qu.: -8.835999 1st Qu.: 8.32800 1st Qu.: 618.3582 1st Qu.: 175.0000
Median :23.20400 Median : -3.580000 Median : 12.76867 Median : 727.7647 Median : 215.0000
Mean :24.64762 Mean : -4.323526 Mean : 12.07645 Mean : 755.5150 Mean : 219.7936
3rd Qu.:27.88200 3rd Qu.: 0.768000 3rd Qu.: 16.02467 3rd Qu.: 897.6486 3rd Qu.: 253.0000
Max. :45.90800 Max. : 12.132000 Max. : 26.10400 Max. :1392.6753 Max. :1243.0000
prec_season
Min. : 4.734771
1st Qu.: 21.318624
Median : 30.458149
Mean : 34.604169
3rd Qu.: 39.154810
Max. :123.656342
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 36.5: 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 : 174908, 2 (geometries, attributes)
extent : -10.4375, 46.97916667, 29.02083333, 70.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 36.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
36.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for frex_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for frex_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for frex_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= frex 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 : frex_PA1
-=-=-=--=-=-=- frex_PA1_RUN1
-=-=-=- Run : frex_PA2
-=-=-=--=-=-=- frex_PA2_RUN1
-=-=-=- Run : frex_PA3
-=-=-=--=-=-=- frex_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=36.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 frex_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 95.161 60.935 0.561
2 frex_PA1_RUN1_GAM PA1 RUN1 GAM ROC 650.5 95.346 60.795 0.738
3 frex_PA1_RUN1_MARS PA1 RUN1 MARS TSS 422.0 96.657 84.570 0.812
4 frex_PA1_RUN1_MARS PA1 RUN1 MARS ROC 422.5 96.652 84.590 0.945
5 frex_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 342.0 96.612 84.275 0.809
6 frex_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 346.5 96.422 84.495 0.947
validation evaluation
1 0.552 NA
2 0.731 NA
3 0.808 NA
4 0.942 NA
5 0.805 NA
6 0.945 NA
Figure 36.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
36.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 frex_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.323133
2 frex_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.047027
3 frex_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.031767
4 frex_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.516964
5 frex_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.014576
6 frex_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.091619
Figure 36.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 36.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
36.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : frex
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frex_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=36.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 frex_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 frex_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 581.0 95.816 89.748 0.855 NA NA
2 TSS EMwmean ROC 579.5 95.852 89.721 0.982 NA NA
Figure 36.11: 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 merged.by.algo filtered.by
1 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.358744
2 EMcv temp_min 1 0.205167
3 EMcv temp_wet_quart 1 0.027259
4 EMcv temp_season 1 0.224164
5 EMcv prec_wet_quart 1 0.023516
6 EMcv prec_season 1 0.177313Par variable :
Figure 36.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 36.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
36.3 Projections
36.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/frex/current
sp.name : frex
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/frex/frex.AllModels.models.out )
models.projected :
frex_PA1_RUN1_GAM, frex_PA1_RUN1_MARS, frex_PA1_RUN1_MAXNET, frex_PA1_RUN1_GBM, frex_PA1_RUN1_ANN, frex_PA1_RUN1_RF, frex_PA2_RUN1_GAM, frex_PA2_RUN1_MARS, frex_PA2_RUN1_MAXNET, frex_PA2_RUN1_GBM, frex_PA2_RUN1_ANN, frex_PA2_RUN1_RF, frex_PA3_RUN1_GAM, frex_PA3_RUN1_MARS, frex_PA3_RUN1_MAXNET, frex_PA3_RUN1_GBM, frex_PA3_RUN1_ANN, frex_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 36.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 36.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/frex/current
sp.name : frex
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/frex/frex.AllModels.ensemble.models.out )
models.projected :
frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frex_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 36.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
36.3.2 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/frex/cont_gre
sp.name : frex
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/frex/frex.AllModels.models.out )
models.projected :
frex_PA1_RUN1_GAM, frex_PA1_RUN1_MARS, frex_PA1_RUN1_MAXNET, frex_PA1_RUN1_GBM, frex_PA1_RUN1_ANN, frex_PA1_RUN1_RF, frex_PA2_RUN1_GAM, frex_PA2_RUN1_MARS, frex_PA2_RUN1_MAXNET, frex_PA2_RUN1_GBM, frex_PA2_RUN1_ANN, frex_PA2_RUN1_RF, frex_PA3_RUN1_GAM, frex_PA3_RUN1_MARS, frex_PA3_RUN1_MAXNET, frex_PA3_RUN1_GBM, frex_PA3_RUN1_ANN, frex_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 36.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 36.18: 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/frex/cont_gre
sp.name : frex
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/frex/frex.AllModels.ensemble.models.out )
models.projected :
frex_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frex_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 36.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
36.3.3 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 36.20: 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 36.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 36.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 36.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
36.4 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)
36.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 36.24: 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 36.25: 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 36.26: 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 36.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
36.4.2 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>
1 167 460 804 674.70284 836 861 0 2000
2 44 212 683 530.92849 797 849 126 2040
3 41 168 535 471.78663 759 844 126 2060
4 43 165 518 466.33928 753 842 126 2080
5 44 176 579 485.29428 756 831 126 2100
6 45 203 666 527.70072 802 853 245 2040
7 42 119 382 400.40067 700 831 245 2060
8 41 102 272 345.15214 602 820 245 2080
9 42 74 198 259.10427 406 746 245 2100
10 42 195 592 507.35144 784 846 370 2040
11 40 126 413 413.91663 713 832 370 2060
12 40 60 158 221.70625 332 748 370 2080
13 30 39 55 67.79264 92 388 370 2100
14 44 192 633 506.19315 776 841 585 2040
15 41 93 284 348.12930 619 802 585 2060
16 32 42 69 83.57863 114 466 585 2080
17 22 31 38 39.33237 46 105 585 2100
Figure 36.28: 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.