26 Gleditsia triacanthos
26.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.krjbtd
Format: SIMPLE_CSV
Download key: 0232011-230224095556074
Created: 2023-05-11T06:28:20.606+00:00
Modified: 2023-05-11T06:29:59.029+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232011-230224095556074.zip
Total records: 98046Conversion 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 15288 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.145567 ymin: -43.661765 xmax: 178.027093 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 15,288 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit… ""
# ℹ 15,278 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 15 288 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 26.1: Occurrences de Gleditsia triacanthos dans le monde.
26.1.1 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] 0.27433281[1] 0.4525117739[1] 0.0009157509158
Figure 26.2: Occurrence de Gleditsia triacanthos dans la région d’endémisme.
26.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1103 5181 634 [1] 25.10841284
Figure 26.3: Occurrence de Gleditsia triacanthos 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] 173726.1.3 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 1737 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -119.99 ymin: 18.460278 xmax: -70.014251 ymax: 47.768867
Geodetic CRS: WGS 84
# A tibble: 1,737 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
2 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
3 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
4 1.54e-314 5f06e39d-81cf-4606-8891-6db72… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
5 1.54e-314 5f06e39d-81cf-4606-8891-6db72… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
6 1.54e-314 5f06e39d-81cf-4606-8891-6db72… USFS - New … Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
7 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
8 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
9 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
10 1.51e-314 c4e1739b-e225-4773-b2ca-b9dd9… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gled… Gledit…
# ℹ 1,727 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …
26.2 Modélisation de la niche climatique
26.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1737, 0 (geometries, attributes)
extent : -119.99, -70.01425, 18.46028, 47.76887 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= gltr 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 = gltr
1736 presences, 0 true absences and 5206 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.752 Min. :-12.07 Min. : 0.0
1st Qu.:24.07 1st Qu.:-14.641 1st Qu.: 12.54 1st Qu.: 759.1
Median :28.42 Median : -8.069 Median : 17.94 Median : 896.7
Mean :27.80 Mean : -8.068 Mean : 16.44 Mean : 882.9
3rd Qu.:31.77 3rd Qu.: -1.084 3rd Qu.: 22.03 3rd Qu.:1045.8
Max. :42.18 Max. : 22.443 Max. : 33.13 Max. :1468.0
prec_wet_quart prec_season
Min. : 25.0 Min. : 5.718
1st Qu.: 223.0 1st Qu.: 19.659
Median : 299.0 Median : 33.141
Mean : 313.0 Mean : 39.918
3rd Qu.: 342.8 3rd Qu.: 55.857
Max. :1848.0 Max. :132.000
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 26.5: 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 : 12155, 2 (geometries, attributes)
extent : -129.8542, -53.14583, 13.0625, 54.97917 (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 26.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
26.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for gltr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for gltr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for gltr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= gltr 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 : gltr_PA1
-=-=-=--=-=-=- gltr_PA1_RUN1
-=-=-=- Run : gltr_PA2
-=-=-=--=-=-=- gltr_PA2_RUN1
-=-=-=- Run : gltr_PA3
-=-=-=--=-=-=- gltr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=26.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 gltr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 566.0 94.240
2 gltr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 563.5 94.312
3 gltr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 523.0 87.185
4 gltr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 524.5 87.185
5 gltr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 348.0 92.657
6 gltr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 347.0 92.657
specificity calibration validation evaluation
1 56.763 0.510 0.553 NA
2 56.763 0.730 0.750 NA
3 80.719 0.679 0.677 NA
4 80.863 0.917 0.919 NA
5 75.612 0.682 0.692 NA
6 75.612 0.915 0.922 NA
Figure 26.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
26.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 gltr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.158143
2 gltr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.592618
3 gltr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.041355
4 gltr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.052894
5 gltr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.095625
6 gltr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.086153
Figure 26.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 26.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
26.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : gltr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed: none
models failed:
gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gltr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=26.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 gltr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gltr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 589 94.7 92.028
2 mergedAlgo TSS EMwmean ROC 591 94.7 92.067
calibration validation evaluation
1 0.867 NA NA
2 0.985 NA NA
Figure 26.11: 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 gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 gltr_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 0.414518
2 mergedAlgo TSS EMcv temp_min 1 0.590642
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.395909
4 mergedAlgo TSS EMcv temp_season 1 0.259429
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.119704
6 mergedAlgo TSS EMcv prec_season 1 0.160553Par variable :
Figure 26.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 26.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
26.3 Projections
26.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gltr/current
sp.name : gltr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gltr/gltr.AllModels.models.out )
models.projected :
gltr_PA1_RUN1_GAM, gltr_PA1_RUN1_MARS, gltr_PA1_RUN1_MAXNET, gltr_PA1_RUN1_GBM, gltr_PA1_RUN1_ANN, gltr_PA1_RUN1_RF, gltr_PA2_RUN1_GAM, gltr_PA2_RUN1_MARS, gltr_PA2_RUN1_MAXNET, gltr_PA2_RUN1_GBM, gltr_PA2_RUN1_ANN, gltr_PA2_RUN1_RF, gltr_PA3_RUN1_GAM, gltr_PA3_RUN1_MARS, gltr_PA3_RUN1_MAXNET, gltr_PA3_RUN1_GBM, gltr_PA3_RUN1_ANN, gltr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 26.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 26.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gltr/current
sp.name : gltr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gltr/gltr.AllModels.ensemble.models.out )
models.projected :
gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gltr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 26.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
26.3.2 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/gltr/cont_gre
sp.name : gltr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gltr/gltr.AllModels.models.out )
models.projected :
gltr_PA1_RUN1_GAM, gltr_PA1_RUN1_MARS, gltr_PA1_RUN1_MAXNET, gltr_PA1_RUN1_GBM, gltr_PA1_RUN1_ANN, gltr_PA1_RUN1_RF, gltr_PA2_RUN1_GAM, gltr_PA2_RUN1_MARS, gltr_PA2_RUN1_MAXNET, gltr_PA2_RUN1_GBM, gltr_PA2_RUN1_ANN, gltr_PA2_RUN1_RF, gltr_PA3_RUN1_GAM, gltr_PA3_RUN1_MARS, gltr_PA3_RUN1_MAXNET, gltr_PA3_RUN1_GBM, gltr_PA3_RUN1_ANN, gltr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 26.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 26.18: 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/gltr/cont_gre
sp.name : gltr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gltr/gltr.AllModels.ensemble.models.out )
models.projected :
gltr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gltr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 26.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
26.3.3 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 26.20: 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 26.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 26.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 26.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
26.4 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)
26.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 26.24: 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 26.25: 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 26.26: 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 26.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
26.4.2 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>
1 103 130 147 254.5118 456 558 0 2000
2 106 198 369 343.8213 505 593 126 2040
3 103 220 446 376.8885 506 590 126 2060
4 99 212 432 377.9947 512 602 126 2080
5 103 219 440 378.3844 512 587 126 2100
6 116 209 415 359.0624 512 592 245 2040
7 108 262 473 410.6262 518 602 245 2060
8 124 418 495 455.6918 521 590 245 2080
9 128 448 497 478.4237 527 591 245 2100
10 102 202 384 349.7008 510 599 370 2040
11 107 280 479 416.3231 520 596 370 2060
12 147 456 488 484.9079 520 595 370 2080
13 347 482 514 514.7874 547 622 370 2100
14 94 189 381 344.9448 501 588 585 2040
15 122 397 492 443.3383 525 599 585 2060
16 190 489 525 519.9581 559 618 585 2080
17 401 515 529 544.2586 578 677 585 2100
Figure 26.28: 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.