138 Ginkgo biloba
138.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xr66ut
Format: SIMPLE_CSV
Download key: 0252565-230224095556074
Created: 2023-05-20T16:37:19.828+00:00
Modified: 2023-05-20T16:38:32.074+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252565-230224095556074.zip
Total records: 51940Conversion 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 2180 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.669 ymin: -39.911376 xmax: 176.242722 ymax: 79
Geodetic CRS: WGS 84
# A tibble: 2,180 × 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… Gink… Gink… Ginkg… Gink… Ginkgo… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
# ℹ 2,170 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 2 180 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 138.1: Occurrences de Ginkgo biloba dans le monde.
138.1.1 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] 0.6032110092[1] 0.1862385321[1] 0.1963302752
Figure 138.2: Occurrence de Ginkgo biloba dans la région d’endémisme.
138.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
773
CC_BY_NC_4_0
242
CC0_1_0
35
https://creativecommons.org/licenses/by-nc/4.0/legalcode
113
https://creativecommons.org/licenses/by/4.0/legalcode
147
https://creativecommons.org/publicdomain/zero/1.0/legalcode
5 [1] 73.00380228
Figure 138.3: Occurrence de Ginkgo biloba 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] 960138.1.3 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 960 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.512842 ymin: 37.87 xmax: 39.742677 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 960 × 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… Gink… Gink… Ginkg… Gink… Ginkgo… ""
2 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
3 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
4 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
5 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
6 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
7 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
8 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
9 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
10 9e8 6ac3f774-… "" Plantae Trach… Gink… Gink… Ginkg… Gink… Ginkgo… ""
# ℹ 950 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>, …
138.2 Modélisation de la niche climatique
138.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 960, 0 (geometries, attributes)
extent : -9.512842, 39.74268, 37.87, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= gibi 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 = gibi
960 presences, 0 true absences and 2877 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 6.852 Min. :-21.816 Min. :-9.363 Min. : 311.7
1st Qu.:20.720 1st Qu.: -8.388 1st Qu.: 9.187 1st Qu.: 625.8
Median :23.352 Median : -2.344 Median :13.909 Median : 718.6
Mean :24.896 Mean : -3.951 Mean :12.778 Mean : 751.9
3rd Qu.:28.016 3rd Qu.: 1.144 3rd Qu.:16.747 3rd Qu.: 892.5
Max. :44.696 Max. : 10.000 Max. :23.269 Max. :1302.6
prec_wet_quart prec_season
Min. : 5.0 Min. : 8.046
1st Qu.: 178.0 1st Qu.: 20.233
Median : 213.0 Median : 30.211
Mean : 215.9 Mean : 34.399
3rd Qu.: 249.0 3rd Qu.: 39.343
Max. :1152.0 Max. :120.602
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 138.5: 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 : 6720, 2 (geometries, attributes)
extent : -9.645833, 46.97917, 29.02083, 70.9375 (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 138.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
138.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for gibi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for gibi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for gibi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= gibi 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 : gibi_PA1
-=-=-=--=-=-=- gibi_PA1_RUN1
-=-=-=- Run : gibi_PA2
-=-=-=--=-=-=- gibi_PA2_RUN1
-=-=-=- Run : gibi_PA3
-=-=-=--=-=-=- gibi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=138.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 gibi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 606.0 94.401
2 gibi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 598.0 94.661
3 gibi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 466.0 92.708
4 gibi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 620.5 88.021
5 gibi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 366.0 96.094
6 gibi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 368.5 96.094
specificity calibration validation evaluation
1 60.807 0.553 0.547 NA
2 60.677 0.718 0.701 NA
3 84.115 0.771 0.833 NA
4 89.193 0.953 0.955 NA
5 84.115 0.802 0.839 NA
6 84.505 0.952 0.954 NA
Figure 138.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
138.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 gibi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.283429
2 gibi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.346223
3 gibi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.014706
4 gibi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.258028
5 gibi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.022896
6 gibi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.072372
Figure 138.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 138.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
138.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : gibi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gibi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=138.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 gibi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gibi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 549.0 95.104 91.137
2 mergedAlgo TSS EMwmean ROC 586.5 93.646 92.631
calibration validation evaluation
1 0.862 NA NA
2 0.983 NA NA
Figure 138.11: 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 gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 gibi_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 0.127988
2 mergedAlgo TSS EMcv temp_min 1 0.243791
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036436
4 mergedAlgo TSS EMcv temp_season 1 0.426878
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.111260
6 mergedAlgo TSS EMcv prec_season 1 0.159831Par variable :
Figure 138.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 138.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
138.3 Projections
138.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gibi/current
sp.name : gibi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gibi/gibi.AllModels.models.out )
models.projected :
gibi_PA1_RUN1_GAM, gibi_PA1_RUN1_MARS, gibi_PA1_RUN1_MAXNET, gibi_PA1_RUN1_GBM, gibi_PA1_RUN1_ANN, gibi_PA1_RUN1_RF, gibi_PA2_RUN1_GAM, gibi_PA2_RUN1_MARS, gibi_PA2_RUN1_MAXNET, gibi_PA2_RUN1_GBM, gibi_PA2_RUN1_RF, gibi_PA3_RUN1_GAM, gibi_PA3_RUN1_MARS, gibi_PA3_RUN1_MAXNET, gibi_PA3_RUN1_GBM, gibi_PA3_RUN1_ANN, gibi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 138.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 138.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gibi/current
sp.name : gibi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gibi/gibi.AllModels.ensemble.models.out )
models.projected :
gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gibi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 138.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
138.3.2 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/gibi/cont_gre
sp.name : gibi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gibi/gibi.AllModels.models.out )
models.projected :
gibi_PA1_RUN1_GAM, gibi_PA1_RUN1_MARS, gibi_PA1_RUN1_MAXNET, gibi_PA1_RUN1_GBM, gibi_PA1_RUN1_ANN, gibi_PA1_RUN1_RF, gibi_PA2_RUN1_GAM, gibi_PA2_RUN1_MARS, gibi_PA2_RUN1_MAXNET, gibi_PA2_RUN1_GBM, gibi_PA2_RUN1_RF, gibi_PA3_RUN1_GAM, gibi_PA3_RUN1_MARS, gibi_PA3_RUN1_MAXNET, gibi_PA3_RUN1_GBM, gibi_PA3_RUN1_ANN, gibi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 138.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 138.18: 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/gibi/cont_gre
sp.name : gibi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gibi/gibi.AllModels.ensemble.models.out )
models.projected :
gibi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gibi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 138.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
138.3.3 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 138.20: 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 138.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 138.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 138.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
138.4 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)
138.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 138.24: 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 138.25: 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 138.26: 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 138.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
138.4.2 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>
1 146 441 640 598.9363 747 819 0 2000
2 189 429 654 593.3709 745 814 126 2040
3 196 400 619 566.5797 718 808 126 2060
4 200 396 615 563.7370 718 801 126 2080
5 193 409 619 570.3805 719 808 126 2100
6 203 434 665 597.6499 746 812 245 2040
7 183 368 570 528.3753 674 798 245 2060
8 206 372 563 533.0656 680 790 245 2080
9 212 346 494 483.6461 615 763 245 2100
10 178 405 624 570.8762 726 807 370 2040
11 203 382 589 546.3646 691 802 370 2060
12 215 339 471 469.2036 593 774 370 2080
13 129 223 269 271.2041 315 559 370 2100
14 192 412 636 577.0032 733 810 585 2040
15 197 364 566 526.1662 670 779 585 2060
16 160 235 302 307.1478 373 613 585 2080
17 85 177 211 201.6903 228 315 585 2100
Figure 138.28: 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.