140 Hibiscus syriacus
140.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2mdhrb
Format: SIMPLE_CSV
Download key: 0252604-230224095556074
Created: 2023-05-20T17:17:40.726+00:00
Modified: 2023-05-20T17:18:52.533+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252604-230224095556074.zip
Total records: 35860Conversion 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 35860 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -149.864 ymin: -39.088535 xmax: 176.043899 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 35,860 × 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… Magn… Malv… Malva… Hibi… Hibisc… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
# ℹ 35,850 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 35 860 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 140.1: Occurrences de Hibiscus syriacus dans le monde.
140.1.1 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] 0.8181260457[1] 0.1679029559[1] 0.01299498048
Figure 140.2: Occurrence de Hibiscus syriacus dans la région d’endémisme.
140.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
28671
CC_BY_NC_4_0
530
CC0_1_0
54
https://creativecommons.org/licenses/by-nc/4.0/legalcode
5
https://creativecommons.org/licenses/by/4.0/legalcode
2
https://creativecommons.org/publicdomain/zero/1.0/legalcode
76 [1] 98.17642648
Figure 140.3: Occurrence de Hibiscus syriacus 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] 28803140.1.3 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 relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.287368 ymin: 36.818313 xmax: 38.6997 ymax: 63.434
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 3.e9 14d5676a-… q-102210812… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
2 3.e9 14d5676a-… q-101026949… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
3 3.e9 14d5676a-… q-100924717… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
4 2 e9 7a3679ef-… o-1008332481 Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
5 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
7 3.e9 14d5676a-… q-100575930… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
8 3.e9 14d5676a-… q-100207472… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
9 3.e9 14d5676a-… q-100954763… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
10 3.e9 14d5676a-… q-102453431… Plantae Trach… Magn… Malv… Malva… Hibi… Hibisc… ""
# 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>, …
140.2 Modélisation de la niche climatique
140.2.1 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 : -9.287368, 38.6997, 36.81831, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= hisy 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 = hisy
24997 presences, 0 true absences and 72845 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-13.553 Min. : 0.0
1st Qu.:20.86 1st Qu.: -8.728 1st Qu.: 8.685 1st Qu.: 587.9
Median :24.47 Median : -1.620 Median : 12.743 Median : 726.6
Mean :25.29 Mean : -3.614 Mean : 12.283 Mean : 747.4
3rd Qu.:28.48 3rd Qu.: 1.704 3rd Qu.: 16.188 3rd Qu.: 895.6
Max. :45.62 Max. : 11.700 Max. : 26.027 Max. :1394.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.719
1st Qu.: 175.0 1st Qu.: 21.167
Median : 217.0 Median : 30.874
Mean : 219.4 Mean : 34.724
3rd Qu.: 257.0 3rd Qu.: 39.756
Max. :1264.0 Max. :122.589
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 140.5: 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 : 174988, 2 (geometries, attributes)
extent : -10.4375, 46.97917, 29.02083, 70.97917 (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 140.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
140.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for hisy_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for hisy_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for hisy_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= hisy 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 : hisy_PA1
-=-=-=--=-=-=- hisy_PA1_RUN1
-=-=-=- Run : hisy_PA2
-=-=-=--=-=-=- hisy_PA2_RUN1
-=-=-=- Run : hisy_PA3
-=-=-=--=-=-=- hisy_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=140.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 hisy_PA1_RUN1_GAM PA1 RUN1 GAM TSS 687.0 96.900
2 hisy_PA1_RUN1_GAM PA1 RUN1 GAM ROC 693.5 96.810
3 hisy_PA1_RUN1_MARS PA1 RUN1 MARS TSS 504.0 96.490
4 hisy_PA1_RUN1_MARS PA1 RUN1 MARS ROC 511.5 96.425
5 hisy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 377.0 95.135
6 hisy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 380.5 95.010
specificity calibration validation evaluation
1 66.825 0.637 0.637 NA
2 66.955 0.764 0.769 NA
3 90.590 0.871 0.873 NA
4 90.670 0.970 0.971 NA
5 91.680 0.868 0.869 NA
6 91.865 0.968 0.969 NA
Figure 140.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
140.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 hisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.420141
2 hisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.318987
3 hisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010093
4 hisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.374557
5 hisy_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.072609
6 hisy_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.087652
Figure 140.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 140.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
140.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : hisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=140.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 hisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 hisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 507.0 97.220 93.195
2 mergedAlgo TSS EMwmean ROC 507.5 97.216 93.203
calibration validation evaluation
1 0.904 NA NA
2 0.990 NA NA
Figure 140.11: 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 hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 hisy_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 0.168383
2 mergedAlgo TSS EMcv temp_min 1 0.468344
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.026399
4 mergedAlgo TSS EMcv temp_season 1 0.073662
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.114563
6 mergedAlgo TSS EMcv prec_season 1 0.190252Par variable :
Figure 140.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 140.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
140.3 Projections
140.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/hisy/current
sp.name : hisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/hisy/hisy.AllModels.models.out )
models.projected :
hisy_PA1_RUN1_GAM, hisy_PA1_RUN1_MARS, hisy_PA1_RUN1_MAXNET, hisy_PA1_RUN1_GBM, hisy_PA1_RUN1_RF, hisy_PA2_RUN1_GAM, hisy_PA2_RUN1_MARS, hisy_PA2_RUN1_MAXNET, hisy_PA2_RUN1_GBM, hisy_PA2_RUN1_RF, hisy_PA3_RUN1_GAM, hisy_PA3_RUN1_MARS, hisy_PA3_RUN1_MAXNET, hisy_PA3_RUN1_GBM, hisy_PA3_RUN1_ANN, hisy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 140.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 140.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/hisy/current
sp.name : hisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/hisy/hisy.AllModels.ensemble.models.out )
models.projected :
hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 140.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
140.3.2 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/hisy/cont_gre
sp.name : hisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/hisy/hisy.AllModels.models.out )
models.projected :
hisy_PA1_RUN1_GAM, hisy_PA1_RUN1_MARS, hisy_PA1_RUN1_MAXNET, hisy_PA1_RUN1_GBM, hisy_PA1_RUN1_RF, hisy_PA2_RUN1_GAM, hisy_PA2_RUN1_MARS, hisy_PA2_RUN1_MAXNET, hisy_PA2_RUN1_GBM, hisy_PA2_RUN1_RF, hisy_PA3_RUN1_GAM, hisy_PA3_RUN1_MARS, hisy_PA3_RUN1_MAXNET, hisy_PA3_RUN1_GBM, hisy_PA3_RUN1_ANN, hisy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 140.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 140.18: 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/hisy/cont_gre
sp.name : hisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/hisy/hisy.AllModels.ensemble.models.out )
models.projected :
hisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, hisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 140.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
140.3.3 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 140.20: 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 140.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 140.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 140.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
140.4 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)
140.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 140.24: 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 140.25: 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 140.26: 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 140.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
140.4.2 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 83 528 645 620.7617 757 857 0 2000
2 315 664 766 740.1132 823 862 126 2040
3 365 662 766 739.8342 818 865 126 2060
4 371 662 785 743.9305 824 858 126 2080
5 373 666 766 740.7013 813 855 126 2100
6 378 683 793 752.5217 824 865 245 2040
7 364 660 784 740.5285 825 853 245 2060
8 378 662 806 749.2920 825 852 245 2080
9 373 653 755 729.6648 813 847 245 2100
10 305 654 760 734.5377 823 862 370 2040
11 374 666 780 742.8982 818 853 370 2060
12 364 651 759 728.3988 815 845 370 2080
13 287 612 670 668.6866 735 840 370 2100
14 347 657 766 735.5255 819 859 585 2040
15 384 668 799 749.4676 821 853 585 2060
16 279 623 688 693.5175 790 850 585 2080
17 267 555 621 595.0904 658 811 585 2100
Figure 140.28: 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.