139 Gymnocladus dioicus
139.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xt2pgs
Format: SIMPLE_CSV
Download key: 0252603-230224095556074
Created: 2023-05-20T17:16:07.043+00:00
Modified: 2023-05-20T17:16:58.073+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252603-230224095556074.zip
Total records: 5136Conversion 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 1193 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.808056 ymin: 33.328868 xmax: 49.37102 ymax: 56.684342
Geodetic CRS: WGS 84
# A tibble: 1,193 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
# ℹ 1,183 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 1 193 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 139.1: Occurrences de Gymnocladus dioicus dans le monde.
139.1.1 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] 0.03688181056[1] 0.9622799665[1] 0
Figure 139.2: Occurrence de Gymnocladus dioicus dans la région d’endémisme.
139.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
345 611 192 [1] 46.77700348
Figure 139.3: Occurrence de Gymnocladus dioicus 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] 537139.1.3 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 537 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -116.198 ymin: 33.328868 xmax: -73.530864 ymax: 45.561958
Geodetic CRS: WGS 84
# A tibble: 537 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Gymn… Gymnoc… NA
# ℹ 527 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>, …
139.2 Modélisation de la niche climatique
139.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 537, 0 (geometries, attributes)
extent : -116.198, -73.53086, 33.32887, 45.56196 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= gydi 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 = gydi
536 presences, 0 true absences and 1610 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :14.28 Min. :-30.628 Min. :-10.23 Min. : 80.33
1st Qu.:24.48 1st Qu.:-14.491 1st Qu.: 13.20 1st Qu.: 787.39
Median :28.66 Median : -6.884 Median : 17.28 Median : 912.44
Mean :27.80 Mean : -8.294 Mean : 16.42 Mean : 901.04
3rd Qu.:31.35 3rd Qu.: -3.604 3rd Qu.: 22.08 3rd Qu.:1055.80
Max. :42.10 Max. : 21.420 Max. : 33.06 Max. :1450.42
prec_wet_quart prec_season
Min. : 26.0 Min. : 6.145
1st Qu.: 228.0 1st Qu.: 17.983
Median : 306.5 Median : 32.521
Mean : 316.1 Mean : 39.089
3rd Qu.: 356.0 3rd Qu.: 55.224
Max. :1760.0 Max. :133.646
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 139.5: 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 : 3755, 2 (geometries, attributes)
extent : -129.5625, -52.77083, 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 139.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
139.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for gydi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for gydi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for gydi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= gydi 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 : gydi_PA1
-=-=-=--=-=-=- gydi_PA1_RUN1
-=-=-=- Run : gydi_PA2
-=-=-=--=-=-=- gydi_PA2_RUN1
-=-=-=- Run : gydi_PA3
-=-=-=--=-=-=- gydi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=139.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 gydi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 490.0 99.301
2 gydi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 493.5 99.301
3 gydi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 423.0 96.270
4 gydi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 424.5 96.270
5 gydi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 381.0 94.639
6 gydi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 381.5 94.639
specificity calibration validation evaluation
1 73.953 0.733 0.607 NA
2 73.953 0.860 0.786 NA
3 88.372 0.846 0.813 NA
4 88.372 0.979 0.968 NA
5 90.000 0.849 0.813 NA
6 90.233 0.974 0.962 NA
Figure 139.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
139.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 gydi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.040324
2 gydi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.852895
3 gydi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.029418
4 gydi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.288789
5 gydi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.030560
6 gydi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.311057
Figure 139.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 139.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
139.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : gydi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gydi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=139.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 gydi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gydi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 588 94.03 94.037
2 mergedAlgo TSS EMwmean ROC 594 94.03 94.224
calibration validation evaluation
1 0.881 NA NA
2 0.988 NA NA
Figure 139.11: 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 gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 gydi_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 0.381178
2 mergedAlgo TSS EMcv temp_min 1 0.257806
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.049126
4 mergedAlgo TSS EMcv temp_season 1 0.160657
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.040636
6 mergedAlgo TSS EMcv prec_season 1 0.158409Par variable :
Figure 139.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 139.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
139.3 Projections
139.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gydi/current
sp.name : gydi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gydi/gydi.AllModels.models.out )
models.projected :
gydi_PA1_RUN1_GAM, gydi_PA1_RUN1_MARS, gydi_PA1_RUN1_MAXNET, gydi_PA1_RUN1_GBM, gydi_PA1_RUN1_RF, gydi_PA2_RUN1_GAM, gydi_PA2_RUN1_MARS, gydi_PA2_RUN1_MAXNET, gydi_PA2_RUN1_GBM, gydi_PA2_RUN1_RF, gydi_PA3_RUN1_GAM, gydi_PA3_RUN1_MARS, gydi_PA3_RUN1_MAXNET, gydi_PA3_RUN1_GBM, gydi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 139.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 139.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/gydi/current
sp.name : gydi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gydi/gydi.AllModels.ensemble.models.out )
models.projected :
gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gydi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 139.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
139.3.2 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/gydi/cont_gre
sp.name : gydi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gydi/gydi.AllModels.models.out )
models.projected :
gydi_PA1_RUN1_GAM, gydi_PA1_RUN1_MARS, gydi_PA1_RUN1_MAXNET, gydi_PA1_RUN1_GBM, gydi_PA1_RUN1_RF, gydi_PA2_RUN1_GAM, gydi_PA2_RUN1_MARS, gydi_PA2_RUN1_MAXNET, gydi_PA2_RUN1_GBM, gydi_PA2_RUN1_RF, gydi_PA3_RUN1_GAM, gydi_PA3_RUN1_MARS, gydi_PA3_RUN1_MAXNET, gydi_PA3_RUN1_GBM, gydi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 139.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 139.18: 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/gydi/cont_gre
sp.name : gydi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/gydi/gydi.AllModels.ensemble.models.out )
models.projected :
gydi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, gydi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 139.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
139.3.3 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 139.20: 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 139.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 139.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 139.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
139.4 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)
139.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 139.24: 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 139.25: 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 139.26: 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 139.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
139.4.2 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 40 55 63 100.6202 180 226 0 2000
2 45 69 146 138.4916 199 283 126 2040
3 31 78 172 150.2678 200 268 126 2060
4 23 74 126 128.4000 176 268 126 2080
5 27 77 166 144.8683 192 249 126 2100
6 47 74 171 144.4817 199 274 245 2040
7 25 114 187 167.8706 216 289 245 2060
8 39 168 188 182.6888 213 259 245 2080
9 30 156 179 174.8835 209 258 245 2100
10 43 70 156 142.7478 205 295 370 2040
11 28 122 180 164.4284 208 265 370 2060
12 48 174 187 191.0116 214 261 370 2080
13 59 101 118 129.6335 152 266 370 2100
14 22 64 118 118.9071 169 276 585 2040
15 34 161 186 178.1485 214 269 585 2060
16 48 109 133 140.8039 166 279 585 2080
17 68 91 101 103.6588 113 194 585 2100
Figure 139.28: 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.