102 Ilex aquifolium
102.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.nfv26p
Format: SIMPLE_CSV
Download key: 0252321-230224095556074
Created: 2023-05-20T13:44:09.513+00:00
Modified: 2023-05-20T13:48:48.617+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252321-230224095556074.zip
Total records: 326789Conversion 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 326789 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.582528 ymin: -46.907739 xmax: 176.034282 ymax: 68.25117
Geodetic CRS: WGS 84
# A tibble: 326,789 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2 e9 835613da-… 140F6FA2-26… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
2 3.e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
3 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
4 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
5 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
8 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
9 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
10 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
# ℹ 326,779 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 326 789 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 102.1: Occurrences de Ilex aquifolium dans le monde.
102.1.1 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] 0.9856512918[1] 0.009679028364[1] 1.530039261e-05
Figure 102.2: Occurrence de Ilex aquifolium dans la région d’endémisme.
102.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
212840 88116 21144 [1] 72.64327848
Figure 102.3: Occurrence de Ilex aquifolium 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] 233984102.1.3 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: -10.178309 ymin: 33.937588 xmax: 35.591317 ymax: 68.25117
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 2 e9 14d5676a-… q-101385898… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
2 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
3 2 e9 da216795-… 82e3ca1e-1c… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
4 3.e9 7a3679ef-… o-1009213065 Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
5 3.e9 f11a63fa-… bf4d226e-e4… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
6 3.e9 25d4f82b-… urn:catalog… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
7 3.e9 f11a63fa-… 9ed8ab4b-62… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
8 2 e9 a814f323-… SR000118000… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
9 3.e9 14d5676a-… q-102814683… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
10 1 e9 75956ee6-… http://cbnp… Plantae Trach… Magn… Aqui… Aquif… Ilex Ilex a… ""
# 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>, …
102.2 Modélisation de la niche climatique
102.2.1 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 : -10.17831, 35.59132, 33.93759, 68.25117 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ilaq 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 = ilaq
24983 presences, 0 true absences and 72846 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.224 Min. :-22.048 Min. :-11.711 Min. : 202.8
1st Qu.:20.460 1st Qu.: -8.752 1st Qu.: 8.016 1st Qu.: 578.0
Median :23.632 Median : -2.020 Median : 12.051 Median : 716.6
Mean :24.837 Mean : -3.807 Mean : 11.791 Mean : 741.6
3rd Qu.:27.940 3rd Qu.: 1.432 3rd Qu.: 15.897 3rd Qu.: 896.8
Max. :45.856 Max. : 11.932 Max. : 26.185 Max. :1387.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 178.0 1st Qu.: 20.751
Median : 219.0 Median : 30.413
Mean : 222.6 Mean : 34.488
3rd Qu.: 256.0 3rd Qu.: 39.230
Max. :1261.0 Max. :123.656
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 102.5: 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 : 174932, 2 (geometries, attributes)
extent : -10.52083, 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 102.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
102.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ilaq_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ilaq_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ilaq_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ilaq 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 : ilaq_PA1
-=-=-=--=-=-=- ilaq_PA1_RUN1
-=-=-=- Run : ilaq_PA2
-=-=-=--=-=-=- ilaq_PA2_RUN1
-=-=-=- Run : ilaq_PA3
-=-=-=--=-=-=- ilaq_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=102.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM TSS 707.0 95.992
2 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM ROC 674.5 96.392
3 ilaq_PA1_RUN1_MARS PA1 RUN1 MARS TSS 512.0 96.392
4 ilaq_PA1_RUN1_MARS PA1 RUN1 MARS ROC 498.5 96.563
5 ilaq_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 329.0 97.123
6 ilaq_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 333.5 96.953
specificity calibration validation evaluation
1 75.565 0.716 0.723 NA
2 75.185 0.833 0.838 NA
3 89.560 0.860 0.865 NA
4 89.405 0.969 0.970 NA
5 88.780 0.859 0.868 NA
6 88.960 0.965 0.967 NA
Figure 102.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
102.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.196747
2 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.111336
3 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.005362
4 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.665724
5 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.042445
6 ilaq_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.003286
Figure 102.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 102.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
102.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ilaq
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ilaq_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=102.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ilaq_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ilaq_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 574.0 96.422 92.646
2 mergedAlgo TSS EMwmean ROC 559.5 96.734 92.340
calibration validation evaluation
1 0.891 NA NA
2 0.989 NA NA
Figure 102.11: 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 ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ilaq_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 0.138749
2 mergedAlgo TSS EMcv temp_min 1 0.184998
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.025605
4 mergedAlgo TSS EMcv temp_season 1 0.343835
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.085590
6 mergedAlgo TSS EMcv prec_season 1 0.165427Par variable :
Figure 102.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 102.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
102.3 Projections
102.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ilaq/current
sp.name : ilaq
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ilaq/ilaq.AllModels.models.out )
models.projected :
ilaq_PA1_RUN1_GAM, ilaq_PA1_RUN1_MARS, ilaq_PA1_RUN1_MAXNET, ilaq_PA1_RUN1_GBM, ilaq_PA1_RUN1_RF, ilaq_PA2_RUN1_GAM, ilaq_PA2_RUN1_MARS, ilaq_PA2_RUN1_MAXNET, ilaq_PA2_RUN1_GBM, ilaq_PA2_RUN1_RF, ilaq_PA3_RUN1_GAM, ilaq_PA3_RUN1_MARS, ilaq_PA3_RUN1_MAXNET, ilaq_PA3_RUN1_GBM, ilaq_PA3_RUN1_ANN, ilaq_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 102.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 102.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ilaq/current
sp.name : ilaq
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ilaq/ilaq.AllModels.ensemble.models.out )
models.projected :
ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ilaq_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 102.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
102.3.2 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/ilaq/cont_gre
sp.name : ilaq
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ilaq/ilaq.AllModels.models.out )
models.projected :
ilaq_PA1_RUN1_GAM, ilaq_PA1_RUN1_MARS, ilaq_PA1_RUN1_MAXNET, ilaq_PA1_RUN1_GBM, ilaq_PA1_RUN1_RF, ilaq_PA2_RUN1_GAM, ilaq_PA2_RUN1_MARS, ilaq_PA2_RUN1_MAXNET, ilaq_PA2_RUN1_GBM, ilaq_PA2_RUN1_RF, ilaq_PA3_RUN1_GAM, ilaq_PA3_RUN1_MARS, ilaq_PA3_RUN1_MAXNET, ilaq_PA3_RUN1_GBM, ilaq_PA3_RUN1_ANN, ilaq_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 102.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 102.18: 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/ilaq/cont_gre
sp.name : ilaq
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ilaq/ilaq.AllModels.ensemble.models.out )
models.projected :
ilaq_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ilaq_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 102.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
102.3.3 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 102.20: 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 102.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 102.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 102.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
102.4 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)
102.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 102.24: 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 102.25: 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 102.26: 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 102.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
102.4.2 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>
1 378 598 727 696.4614 798 847 0 2000
2 229 454 630 602.0838 775 840 126 2040
3 216 393 559 546.3311 719 836 126 2060
4 236 402 549 553.7035 734 833 126 2080
5 259 447 597 583.0027 747 820 126 2100
6 254 458 624 606.6918 793 850 245 2040
7 232 352 484 494.6808 637 820 245 2060
8 215 335 470 480.4752 623 809 245 2080
9 202 295 403 410.3413 516 747 245 2100
10 237 430 599 575.9871 738 836 370 2040
11 220 368 507 510.7150 660 818 370 2060
12 191 255 362 382.0737 505 739 370 2080
13 184 209 247 253.0468 293 435 370 2100
14 241 421 588 574.0770 750 837 585 2040
15 222 329 458 469.9428 604 787 585 2060
16 191 235 278 280.6250 328 462 585 2080
17 161 197 210 215.9096 241 322 585 2100
Figure 102.28: 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.