88 Fraxinus sieboldiana
88.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ypjbhu
Format: SIMPLE_CSV
Download key: 0252200-230224095556074
Created: 2023-05-20T12:24:20.715+00:00
Modified: 2023-05-20T12:25:09.456+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252200-230224095556074.zip
Total records: 1655Conversion 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 1655 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -78.698658 ymin: 29.68 xmax: 142.52625 ymax: 59.47153
Geodetic CRS: WGS 84
# A tibble: 1,655 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 8e8 bf2a4bf0-… http://data… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
2 7e8 86185376-… 7d209ab2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
3 7e8 86185376-… 7d18e240-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
4 7e8 86185376-… 7d1538d4-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
5 7e8 86185376-… 7d0c7bc2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
6 7e8 86185376-… 7d08eb24-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
7 7e8 86185376-… 7d077cb2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
8 7e8 86185376-… 7d072c44-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
9 7e8 86185376-… 7d0703d6-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
10 7e8 86185376-… 7cf5d0ac-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
# ℹ 1,645 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 655 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 88.1: Occurrences de Fraxinus sieboldiana dans le monde.
88.1.1 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] 0.1546827795[1] 0.001208459215[1] 0.8441087613
Figure 88.2: Occurrence de Fraxinus sieboldiana dans la région d’endémisme.
88.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
935 314 148 [1] 77.52326414
Figure 88.3: Occurrence de Fraxinus sieboldiana 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] 108388.1.3 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 1083 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 127.66806 ymin: 30.33 xmax: 142.52625 ymax: 42.56977
Geodetic CRS: WGS 84
# A tibble: 1,083 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 7e8 86185376-… 7d209ab2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
2 7e8 86185376-… 7d18e240-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
3 7e8 86185376-… 7d1538d4-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
4 7e8 86185376-… 7d0c7bc2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
5 7e8 86185376-… 7d08eb24-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
6 7e8 86185376-… 7d077cb2-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
7 7e8 86185376-… 7d072c44-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
8 7e8 86185376-… 7d0703d6-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
9 7e8 86185376-… 7cf5d0ac-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
10 7e8 86185376-… 7ceb1004-f8… Plantae Trach… Magn… Lami… Oleac… Frax… Fraxin… NA
# ℹ 1,073 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
88.2 Modélisation de la niche climatique
88.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1083, 0 (geometries, attributes)
extent : 127.6681, 142.5263, 30.33, 42.56977 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= frsi 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 = frsi
1082 presences, 0 true absences and 3247 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 1.268 Min. :-43.208 Min. :-13.25 Min. : 22.69
1st Qu.:22.804 1st Qu.:-21.548 1st Qu.: 15.94 1st Qu.: 758.11
Median :26.768 Median : -8.472 Median : 20.17 Median : 889.14
Mean :25.662 Mean : -9.533 Mean : 19.10 Mean : 945.25
3rd Qu.:29.716 3rd Qu.: -0.212 3rd Qu.: 23.40 3rd Qu.:1285.82
Max. :39.976 Max. : 25.300 Max. : 34.91 Max. :1966.69
prec_wet_quart prec_season
Min. : 11.0 Min. : 9.749
1st Qu.: 204.0 1st Qu.: 50.154
Median : 409.0 Median : 75.837
Mean : 472.8 Mean : 76.679
3rd Qu.: 643.0 3rd Qu.:101.324
Max. :4198.0 Max. :165.213
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 88.5: 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 : 7577, 2 (geometries, attributes)
extent : 68.02083, 146.3958, 3.020833, 56.97917 (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 88.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
88.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for frsi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for frsi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for frsi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= frsi 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 : frsi_PA1
-=-=-=--=-=-=- frsi_PA1_RUN1
-=-=-=- Run : frsi_PA2
-=-=-=--=-=-=- frsi_PA2_RUN1
-=-=-=- Run : frsi_PA3
-=-=-=--=-=-=- frsi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=88.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 frsi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 848.0 99.654
2 frsi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 846.5 99.654
3 frsi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 490.0 99.769
4 frsi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 493.0 99.769
5 frsi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 291.0 99.769
6 frsi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 296.0 99.769
specificity calibration validation evaluation
1 75.289 0.749 0.742 NA
2 75.289 0.799 0.790 NA
3 96.536 0.963 0.963 NA
4 96.536 0.992 0.995 NA
5 95.035 0.948 0.949 NA
6 95.150 0.992 0.991 NA
Figure 88.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
88.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 frsi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.247822
2 frsi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.186797
3 frsi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.024639
4 frsi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.742843
5 frsi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.281717
6 frsi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.293232
Figure 88.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 88.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
88.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : frsi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frsi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=88.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 frsi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 frsi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 598 99.723 98.275
2 mergedAlgo TSS EMwmean ROC 599 99.723 98.306
calibration validation evaluation
1 0.980 NA NA
2 0.999 NA NA
Figure 88.11: 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 frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 frsi_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 0.248642
2 mergedAlgo TSS EMcv temp_min 1 0.394920
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.147415
4 mergedAlgo TSS EMcv temp_season 1 0.350634
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.328803
6 mergedAlgo TSS EMcv prec_season 1 0.324777Par variable :
Figure 88.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 88.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
88.3 Projections
88.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/frsi/current
sp.name : frsi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/frsi/frsi.AllModels.models.out )
models.projected :
frsi_PA1_RUN1_GAM, frsi_PA1_RUN1_MARS, frsi_PA1_RUN1_MAXNET, frsi_PA1_RUN1_GBM, frsi_PA1_RUN1_ANN, frsi_PA1_RUN1_RF, frsi_PA2_RUN1_GAM, frsi_PA2_RUN1_MARS, frsi_PA2_RUN1_MAXNET, frsi_PA2_RUN1_GBM, frsi_PA2_RUN1_RF, frsi_PA3_RUN1_GAM, frsi_PA3_RUN1_MARS, frsi_PA3_RUN1_MAXNET, frsi_PA3_RUN1_GBM, frsi_PA3_RUN1_ANN, frsi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 88.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 88.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/frsi/current
sp.name : frsi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/frsi/frsi.AllModels.ensemble.models.out )
models.projected :
frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frsi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 88.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
88.3.2 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/frsi/cont_gre
sp.name : frsi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/frsi/frsi.AllModels.models.out )
models.projected :
frsi_PA1_RUN1_GAM, frsi_PA1_RUN1_MARS, frsi_PA1_RUN1_MAXNET, frsi_PA1_RUN1_GBM, frsi_PA1_RUN1_ANN, frsi_PA1_RUN1_RF, frsi_PA2_RUN1_GAM, frsi_PA2_RUN1_MARS, frsi_PA2_RUN1_MAXNET, frsi_PA2_RUN1_GBM, frsi_PA2_RUN1_RF, frsi_PA3_RUN1_GAM, frsi_PA3_RUN1_MARS, frsi_PA3_RUN1_MAXNET, frsi_PA3_RUN1_GBM, frsi_PA3_RUN1_ANN, frsi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 88.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 88.18: 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/frsi/cont_gre
sp.name : frsi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/frsi/frsi.AllModels.ensemble.models.out )
models.projected :
frsi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, frsi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 88.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
88.3.3 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 88.20: 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 88.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 88.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 88.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
88.4 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)
88.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 88.24: 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 88.25: 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 88.26: 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 88.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
88.4.2 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>
1 114 188 244 263.3533 320 611 0 2000
2 117 207 258 265.4402 293 606 126 2040
3 122 208 240 250.5093 267 595 126 2060
4 126 227 253 274.7126 297 618 126 2080
5 125 216 242 260.8827 276 607 126 2100
6 119 214 256 268.0720 293 606 245 2040
7 128 233 254 274.8724 292 608 245 2060
8 135 229 242 262.6342 273 592 245 2080
9 136 220 229 244.7384 246 574 245 2100
10 118 213 263 270.8806 299 610 370 2040
11 128 223 240 255.6530 265 597 370 2060
12 134 215 223 228.9322 234 506 370 2080
13 106 150 195 188.2295 208 458 370 2100
14 119 214 256 270.7111 296 619 585 2040
15 135 223 236 257.0924 267 601 585 2060
16 114 187 211 215.2017 225 522 585 2080
17 101 116 157 160.8792 203 310 585 2100
Figure 88.28: 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.