250 Hippophae rhamnoides
250.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ms3ppj
Format: SIMPLE_CSV
Download key: 0013629-230828120925497
Created: 2023-09-11T20:19:49.502+00:00
Modified: 2023-09-11T20:21:15.264+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0013629-230828120925497.zip
Total records: 47777Conversion 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 47777 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -139.430918 ymin: 27.428684 xmax: 159.643496 ymax: 74.473
Geodetic CRS: WGS 84
# A tibble: 47,777 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
2 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
3 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
4 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
5 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
6 9.e7 8642bfd0-… "" Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
7 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
8 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
9 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
10 9 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
# ℹ 47,767 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 47 777 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 250.1: Occurrences de Hippophae rhamnoides dans le monde.
250.1.1 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] 0.9791112879[1] 0.002323293635[1] 0.01243276053
Figure 250.2: Occurrence de Hippophae rhamnoides dans la région d’endémisme.
250.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
28879
CC_BY_NC_4_0
9138
CC0_1_0
5168
https://creativecommons.org/licenses/by-nc/4.0/legalcode
2095
https://creativecommons.org/licenses/by/4.0/legalcode
1446
https://creativecommons.org/publicdomain/zero/1.0/legalcode
53 [1] 75.98708822
Figure 250.3: Occurrence de Hippophae rhamnoides 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] 35546250.1.3 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 25000 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.992193 ymin: 38.824342 xmax: 46.8002 ymax: 69.718153
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 4 e9 306388d8-… 1db0cca1-0f… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… "fluviatilis"
2 1.e9 f2e389da-… http://tun.… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
3 2 e9 0d8cc344-… 09876716-66… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… "fluviatilis"
4 2 e9 4ebe5835-… 601c50a4-f3… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… "fluviatilis"
5 2 e9 67fabcac-… 5894085 Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
6 1.e9 740df67d-… 72AD1ED7-30… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
7 2 e9 7a3679ef-… o-1004948772 Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
8 1.e9 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
9 1 e9 740df67d-… 7C45A674-AA… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
10 1 e9 740df67d-… 3FCFE143-D6… Plantae Trach… Magn… Rosa… Elaea… Hipp… Hippop… ""
# ℹ 24,990 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>, …
250.2 Modélisation de la niche climatique
250.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -8.992193, 46.8002, 38.824342, 69.718153 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= hirh 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 = hirh
24418 presences, 0 true absences and 72940 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-22.10400 Min. :-12.086667 Min. : 0.0000 Min. : 3.0000
1st Qu.:19.70000 1st Qu.: -9.00400 1st Qu.: 8.879167 1st Qu.: 599.5956 1st Qu.: 177.0000
Median :22.23200 Median : -3.19200 Median : 12.035333 Median : 724.1393 Median : 219.0000
Mean :24.25159 Mean : -4.25911 Mean : 11.931738 Mean : 748.0005 Mean : 223.1413
3rd Qu.:27.97200 3rd Qu.: 0.94800 3rd Qu.: 15.867333 3rd Qu.: 898.1325 3rd Qu.: 267.0000
Max. :46.04800 Max. : 11.90000 Max. : 24.598667 Max. :1393.8783 Max. :1261.0000
prec_season
Min. : 4.719104
1st Qu.: 23.931192
Median : 30.889183
Mean : 35.785099
3rd Qu.: 39.109198
Max. :123.602058
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 250.5: 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 : 172672, 2 (geometries, attributes)
extent : -10.47916667, 46.97916667, 29.02083333, 70.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 250.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
250.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for hirh_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for hirh_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for hirh_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= hirh 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 : hirh_PA1
-=-=-=--=-=-=- hirh_PA1_RUN1
-=-=-=- Run : hirh_PA2
-=-=-=--=-=-=- hirh_PA2_RUN1
-=-=-=- Run : hirh_PA3
-=-=-=--=-=-=- hirh_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=250.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 hirh_PA1_RUN1_GAM PA1 RUN1 GAM TSS 475.0 94.650 70.945 0.656
2 hirh_PA1_RUN1_GAM PA1 RUN1 GAM ROC 481.5 94.568 71.135 0.842
3 hirh_PA1_RUN1_MARS PA1 RUN1 MARS TSS 508.0 91.246 86.070 0.773
4 hirh_PA1_RUN1_MARS PA1 RUN1 MARS ROC 509.5 91.195 86.135 0.954
5 hirh_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 371.0 93.406 84.830 0.783
6 hirh_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 372.5 93.360 84.980 0.954
validation evaluation
1 0.656 NA
2 0.840 NA
3 0.771 NA
4 0.954 NA
5 0.778 NA
6 0.954 NA
Figure 250.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
250.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 hirh_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.287107
2 hirh_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.024882
3 hirh_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.088988
4 hirh_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.476418
5 hirh_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.031039
6 hirh_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.384813
Figure 250.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 250.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
250.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : hirh
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hirh_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=250.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 hirh_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 hirh_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 554.0 97.309 96.971 0.943 NA NA
2 TSS EMwmean ROC 567.5 97.129 97.189 0.996 NA NA
Figure 250.11: 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 merged.by.algo filtered.by
1 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.769044
2 EMcv temp_min 1 0.514507
3 EMcv temp_wet_quart 1 0.285531
4 EMcv temp_season 1 0.383377
5 EMcv prec_wet_quart 1 0.276798
6 EMcv prec_season 1 0.288734Par variable :
Figure 250.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 250.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
250.3 Projections
250.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/hirh/current
sp.name : hirh
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/hirh/hirh.AllModels.models.out )
models.projected :
hirh_PA1_RUN1_GAM, hirh_PA1_RUN1_MARS, hirh_PA1_RUN1_MAXNET, hirh_PA1_RUN1_GBM, hirh_PA1_RUN1_ANN, hirh_PA1_RUN1_RF, hirh_PA2_RUN1_GAM, hirh_PA2_RUN1_MARS, hirh_PA2_RUN1_MAXNET, hirh_PA2_RUN1_GBM, hirh_PA2_RUN1_ANN, hirh_PA2_RUN1_RF, hirh_PA3_RUN1_GAM, hirh_PA3_RUN1_MARS, hirh_PA3_RUN1_MAXNET, hirh_PA3_RUN1_GBM, hirh_PA3_RUN1_ANN, hirh_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 250.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 250.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/hirh/current
sp.name : hirh
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/hirh/hirh.AllModels.ensemble.models.out )
models.projected :
hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hirh_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 250.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
250.3.2 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/hirh/cont_gre
sp.name : hirh
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/hirh/hirh.AllModels.models.out )
models.projected :
hirh_PA1_RUN1_GAM, hirh_PA1_RUN1_MARS, hirh_PA1_RUN1_MAXNET, hirh_PA1_RUN1_GBM, hirh_PA1_RUN1_ANN, hirh_PA1_RUN1_RF, hirh_PA2_RUN1_GAM, hirh_PA2_RUN1_MARS, hirh_PA2_RUN1_MAXNET, hirh_PA2_RUN1_GBM, hirh_PA2_RUN1_ANN, hirh_PA2_RUN1_RF, hirh_PA3_RUN1_GAM, hirh_PA3_RUN1_MARS, hirh_PA3_RUN1_MAXNET, hirh_PA3_RUN1_GBM, hirh_PA3_RUN1_ANN, hirh_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 250.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 250.18: 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/hirh/cont_gre
sp.name : hirh
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/hirh/hirh.AllModels.ensemble.models.out )
models.projected :
hirh_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hirh_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 250.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
250.3.3 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 250.20: 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 250.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 250.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 250.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
250.4 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)
250.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 250.24: 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 250.25: 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 250.26: 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 250.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
250.4.2 Évolution temporelle
# A tibble: 17 × 8
min q1 median mean q3 max ssp year
<table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <table[1d]> <fct> <dbl>
1 301 594 643 656.3087502 724 928 0 2000
2 169 318 460 453.4202865 584 856 126 2040
3 113 246 372 365.5623860 478 690 126 2060
4 129 276 382 385.9435912 492 777 126 2080
5 124 237 377 362.1716331 474 680 126 2100
6 167 303 438 441.8316063 576 830 245 2040
7 107 211 312 318.3857970 418 655 245 2060
8 115 160 206 267.4328253 376 592 245 2080
9 108 153 176 205.1978693 259 485 245 2100
10 146 254 432 429.3604662 563 851 370 2040
11 113 176 304 302.6407620 410 606 370 2060
12 90 145 170 188.9513578 211 517 370 2080
13 70 88 115 115.2725673 135 212 370 2100
14 167 298 430 428.7693941 543 827 585 2040
15 107 150 183 244.7512903 347 569 585 2060
16 73 109 130 124.5120356 139 226 585 2080
17 71 75 99 101.6805269 126 189 585 2100
Figure 250.28: 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.