51 Fraxinus ornus
51.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.u4dqhn
Format: SIMPLE_CSV
Download key: 0232291-230224095556074
Created: 2023-05-11T09:05:26.596+00:00
Modified: 2023-05-11T09:06:38.886+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232291-230224095556074.zip
Total records: 15204Conversion 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 15204 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.360785 ymin: -43.6593 xmax: 175.304763 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 15,204 × 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 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
3 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
4 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
5 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
6 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
7 3.e9 5f06e39d-… "USFS - New… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
8 9 e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
9 9 e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
10 9 e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… ""
# ℹ 15,194 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 15 204 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 51.1: Occurrences de Fraxinus ornus dans le monde.
51.1.1 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] 0.9955932649[1] 0.0015127598[1] 0
Figure 51.2: Occurrence de Fraxinus ornus dans la région d’endémisme.
51.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
11547
CC_BY_NC_4_0
3207
CC0_1_0
296
https://creativecommons.org/licenses/by-nc/4.0/legalcode
56
https://creativecommons.org/licenses/by/4.0/legalcode
31 [1] 78.44354892
Figure 51.3: Occurrence de Fraxinus ornus 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] 1187451.1.3 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 11874 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.43417 ymin: 34.60166 xmax: 36.195 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 11,874 × 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 6ac3f774-… "" 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 11,864 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>, …
51.2 Modélisation de la niche climatique
51.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 11874, 0 (geometries, attributes)
extent : -9.43417, 36.195, 34.60166, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= fror 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 = fror
11856 presences, 0 true absences and 35141 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.912 Min. :-10.854 Min. : 0.0
1st Qu.:20.83 1st Qu.: -8.656 1st Qu.: 9.495 1st Qu.: 608.7
Median :25.14 Median : -1.924 Median : 12.596 Median : 731.3
Mean :25.51 Mean : -3.522 Mean : 12.339 Mean : 754.6
3rd Qu.:28.56 3rd Qu.: 2.120 3rd Qu.: 15.942 3rd Qu.: 894.3
Max. :44.86 Max. : 11.300 Max. : 24.501 Max. :1379.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.65
1st Qu.: 179.0 1st Qu.: 25.43
Median : 224.0 Median : 33.10
Mean : 231.1 Mean : 37.63
3rd Qu.: 288.0 3rd Qu.: 44.33
Max. :1227.0 Max. :122.95
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 51.5: 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 : 83046, 2 (geometries, attributes)
extent : -10.39583, 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 51.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
51.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for fror_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for fror_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for fror_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= fror 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 : fror_PA1
-=-=-=--=-=-=- fror_PA1_RUN1
-=-=-=- Run : fror_PA2
-=-=-=--=-=-=- fror_PA2_RUN1
-=-=-=- Run : fror_PA3
-=-=-=--=-=-=- fror_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=51.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 fror_PA1_RUN1_GAM PA1 RUN1 GAM TSS 576.0 94.844
2 fror_PA1_RUN1_GAM PA1 RUN1 GAM ROC 493.5 96.405
3 fror_PA1_RUN1_MARS PA1 RUN1 MARS TSS 543.0 91.154
4 fror_PA1_RUN1_MARS PA1 RUN1 MARS ROC 542.5 91.154
5 fror_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 419.0 88.550
6 fror_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 397.5 90.163
specificity calibration validation evaluation
1 62.038 0.569 0.550 NA
2 60.533 0.746 0.733 NA
3 89.430 0.806 0.803 NA
4 89.430 0.965 0.962 NA
5 91.694 0.802 0.797 NA
6 90.125 0.966 0.964 NA
Figure 51.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
51.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 fror_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.266426
2 fror_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.319357
3 fror_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006373
4 fror_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.280364
5 fror_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.022584
6 fror_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.011264
Figure 51.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 51.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
51.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : fror
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fror_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=51.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 fror_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fror_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 500.0 95.597 92.564
2 mergedAlgo TSS EMwmean ROC 498.5 95.631 92.547
calibration validation evaluation
1 0.882 NA NA
2 0.989 NA NA
Figure 51.11: 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 fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 fror_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 0.247425
2 mergedAlgo TSS EMcv temp_min 1 0.339218
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.043474
4 mergedAlgo TSS EMcv temp_season 1 0.135770
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.125744
6 mergedAlgo TSS EMcv prec_season 1 0.112466Par variable :
Figure 51.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 51.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
51.3 Projections
51.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fror/current
sp.name : fror
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fror/fror.AllModels.models.out )
models.projected :
fror_PA1_RUN1_GAM, fror_PA1_RUN1_MARS, fror_PA1_RUN1_MAXNET, fror_PA1_RUN1_GBM, fror_PA1_RUN1_ANN, fror_PA1_RUN1_RF, fror_PA2_RUN1_GAM, fror_PA2_RUN1_MARS, fror_PA2_RUN1_MAXNET, fror_PA2_RUN1_GBM, fror_PA2_RUN1_ANN, fror_PA2_RUN1_RF, fror_PA3_RUN1_GAM, fror_PA3_RUN1_MARS, fror_PA3_RUN1_MAXNET, fror_PA3_RUN1_GBM, fror_PA3_RUN1_ANN, fror_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 51.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 51.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/fror/current
sp.name : fror
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fror/fror.AllModels.ensemble.models.out )
models.projected :
fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fror_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 51.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
51.3.2 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/fror/cont_gre
sp.name : fror
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fror/fror.AllModels.models.out )
models.projected :
fror_PA1_RUN1_GAM, fror_PA1_RUN1_MARS, fror_PA1_RUN1_MAXNET, fror_PA1_RUN1_GBM, fror_PA1_RUN1_ANN, fror_PA1_RUN1_RF, fror_PA2_RUN1_GAM, fror_PA2_RUN1_MARS, fror_PA2_RUN1_MAXNET, fror_PA2_RUN1_GBM, fror_PA2_RUN1_ANN, fror_PA2_RUN1_RF, fror_PA3_RUN1_GAM, fror_PA3_RUN1_MARS, fror_PA3_RUN1_MAXNET, fror_PA3_RUN1_GBM, fror_PA3_RUN1_ANN, fror_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 51.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 51.18: 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/fror/cont_gre
sp.name : fror
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/fror/fror.AllModels.ensemble.models.out )
models.projected :
fror_EMcvByTSS_mergedData_mergedRun_mergedAlgo, fror_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 51.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
51.3.3 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 51.20: 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 51.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 51.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 51.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
51.4 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)
51.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 51.24: 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 51.25: 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 51.26: 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 51.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
51.4.2 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>
1 219 571 650 673.1173 825 917 0 2000
2 247 646 840 745.5693 880 919 126 2040
3 227 616 842 733.1213 874 922 126 2060
4 239 617 863 748.0407 890 924 126 2080
5 226 627 846 737.5476 875 921 126 2100
6 251 686 852 755.7329 880 921 245 2040
7 224 585 855 731.9245 885 923 245 2060
8 243 569 854 722.5795 885 924 245 2080
9 220 519 824 690.0017 879 927 245 2100
10 245 638 838 743.1645 881 920 370 2040
11 227 592 847 727.8610 874 923 370 2060
12 202 370 802 661.6574 858 926 370 2080
13 261 289 611 571.7841 781 885 370 2100
14 246 646 852 753.7374 890 923 585 2040
15 230 591 857 731.1384 884 925 585 2060
16 192 312 672 613.8472 832 901 585 2080
17 178 271 411 423.7361 582 840 585 2100
Figure 51.28: 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.