252 Juglans nigra
252.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.y33x4y
Format: SIMPLE_CSV
Download key: 0013696-230828120925497
Created: 2023-09-11T22:45:58.527+00:00
Modified: 2023-09-11T22:46:58.008+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0013696-230828120925497.zip
Total records: 10407Conversion 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 10143 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.589156 ymin: -45.86351 xmax: 176.055433 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 10,143 × 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… Faga… Jugla… Jugl… Juglan… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
# ℹ 10,133 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 10 143 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 252.1: Occurrences de Juglans nigra dans le monde.
252.1.1 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] 0.2167011732[1] 0.7804397121[1] 9.85901607e-05
Figure 252.2: Occurrence de Juglans nigra dans la région d’endémisme.
252.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1572 5578 766 [1] 29.53511875
Figure 252.3: Occurrence de Juglans nigra 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] 2338252.1.3 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 2338 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.353333 ymin: 25.658212 xmax: -70.146369 ymax: 49.237392
Geodetic CRS: WGS 84
# A tibble: 2,338 × 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… Faga… Jugla… Jugl… Juglan… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… NA
# ℹ 2,328 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
252.2 Modélisation de la niche climatique
252.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2338, 0 (geometries, attributes)
extent : -123.353333, -70.146369, 25.658212, 49.237392 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= juni 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 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 = juni
2338 presences, 0 true absences and 6991 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 8.1500 Min. :-30.752001 Min. :-12.62267 Min. : 51.63462 Min. : 24.0000
1st Qu.:24.2200 1st Qu.:-14.816000 1st Qu.: 12.32133 1st Qu.: 768.13293 1st Qu.: 225.0000
Median :28.1360 Median : -8.296000 Median : 17.67867 Median : 906.64551 Median : 297.0000
Mean :27.5295 Mean : -8.423183 Mean : 16.19297 Mean : 889.88902 Mean : 311.8776
3rd Qu.:31.1520 3rd Qu.: -2.580000 3rd Qu.: 21.49600 3rd Qu.:1054.28271 3rd Qu.: 341.0000
Max. :42.2560 Max. : 21.933332 Max. : 33.36733 Max. :1472.41809 Max. :2213.0000
prec_season
Min. : 5.881809
1st Qu.: 18.142126
Median : 33.145779
Mean : 39.502247
3rd Qu.: 56.186169
Max. :134.347672
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 252.5: 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 : 16366, 2 (geometries, attributes)
extent : -129.9375, -52.8125, 13.02083333, 54.97916667 (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 252.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
252.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for juni_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for juni_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for juni_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= juni 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 : juni_PA1
-=-=-=--=-=-=- juni_PA1_RUN1
-=-=-=- Run : juni_PA2
-=-=-=--=-=-=- juni_PA2_RUN1
-=-=-=- Run : juni_PA3
-=-=-=--=-=-=- juni_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=252.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 juni_PA1_RUN1_GAM PA1 RUN1 GAM TSS 515.0 97.861 59.251 0.571
2 juni_PA1_RUN1_GAM PA1 RUN1 GAM ROC 514.5 97.861 59.251 0.733
3 juni_PA1_RUN1_MARS PA1 RUN1 MARS TSS 489.0 93.583 80.160 0.738
4 juni_PA1_RUN1_MARS PA1 RUN1 MARS ROC 495.5 93.476 80.428 0.933
5 juni_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 375.5 94.278 79.465 0.739
6 juni_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 385.5 93.957 80.107 0.931
validation evaluation
1 0.560 NA
2 0.731 NA
3 0.714 NA
4 0.927 NA
5 0.729 NA
6 0.925 NA
Figure 252.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
252.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 juni_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.197668
2 juni_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.698901
3 juni_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.065942
4 juni_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.176733
5 juni_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.057187
6 juni_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.232626
Figure 252.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 252.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
252.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : juni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, juni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=252.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 juni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 juni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 646.0 94.354 94.893 0.892 NA NA
2 TSS EMwmean ROC 648.5 94.311 94.979 0.988 NA NA
Figure 252.11: 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 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.510383
2 EMcv temp_min 1 0.556786
3 EMcv temp_wet_quart 1 0.522044
4 EMcv temp_season 1 0.527005
5 EMcv prec_wet_quart 1 0.482913
6 EMcv prec_season 1 0.520107Par variable :
Figure 252.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 252.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
252.3 Projections
252.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/juni/current
sp.name : juni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/juni/juni.AllModels.models.out )
models.projected :
juni_PA1_RUN1_GAM, juni_PA1_RUN1_MARS, juni_PA1_RUN1_MAXNET, juni_PA1_RUN1_GBM, juni_PA1_RUN1_ANN, juni_PA1_RUN1_RF, juni_PA2_RUN1_GAM, juni_PA2_RUN1_MARS, juni_PA2_RUN1_MAXNET, juni_PA2_RUN1_GBM, juni_PA2_RUN1_ANN, juni_PA2_RUN1_RF, juni_PA3_RUN1_GAM, juni_PA3_RUN1_MARS, juni_PA3_RUN1_MAXNET, juni_PA3_RUN1_GBM, juni_PA3_RUN1_ANN, juni_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 252.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 252.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/juni/current
sp.name : juni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/juni/juni.AllModels.ensemble.models.out )
models.projected :
juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, juni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 252.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
252.3.2 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/juni/cont_gre
sp.name : juni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/juni/juni.AllModels.models.out )
models.projected :
juni_PA1_RUN1_GAM, juni_PA1_RUN1_MARS, juni_PA1_RUN1_MAXNET, juni_PA1_RUN1_GBM, juni_PA1_RUN1_ANN, juni_PA1_RUN1_RF, juni_PA2_RUN1_GAM, juni_PA2_RUN1_MARS, juni_PA2_RUN1_MAXNET, juni_PA2_RUN1_GBM, juni_PA2_RUN1_ANN, juni_PA2_RUN1_RF, juni_PA3_RUN1_GAM, juni_PA3_RUN1_MARS, juni_PA3_RUN1_MAXNET, juni_PA3_RUN1_GBM, juni_PA3_RUN1_ANN, juni_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 252.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 252.18: 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/juni/cont_gre
sp.name : juni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/juni/juni.AllModels.ensemble.models.out )
models.projected :
juni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, juni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 252.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
252.3.3 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 252.20: 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 252.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 252.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 252.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
252.4 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)
252.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 252.24: 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 252.25: 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 252.26: 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 252.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
252.4.2 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 44 117 153 266.9855030 443 546 0 2000
2 68 393 429 385.1516124 454 570 126 2040
3 77 410 435 418.8349963 461 566 126 2060
4 51 401 448 432.6439369 485 620 126 2080
5 81 414 446 430.9672320 478 582 126 2100
6 67 407 443 406.8112563 469 576 245 2040
7 85 422 450 448.5798443 481 602 245 2060
8 114 415 451 449.2485756 484 580 245 2080
9 131 375 423 423.1707640 471 590 245 2100
10 68 393 427 387.3049447 453 567 370 2040
11 92 411 440 440.4236616 475 579 370 2060
12 173 351 404 409.8095596 468 574 370 2080
13 254 420 446 445.3332815 475 590 370 2100
14 60 390 433 400.3650331 469 618 585 2040
15 113 420 455 452.6327753 484 590 585 2060
16 257 436 458 455.9414162 478 596 585 2080
17 260 392 417 418.0220583 440 582 585 2100
Figure 252.28: 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.