141 Juglans regia
141.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.g5z84c
Format: SIMPLE_CSV
Download key: 0252607-230224095556074
Created: 2023-05-20T17:19:16.579+00:00
Modified: 2023-05-20T17:25:09.633+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252607-230224095556074.zip
Total records: 111042Conversion 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 111042 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -126.150417 ymin: -46.465976 xmax: 176.837443 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 111,042 × 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… Faga… Jugla… Jugl… Juglan… ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
4 2 e9 835613da-… C6746D00-E3… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
5 3.e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
8 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
9 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
10 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
# ℹ 111,032 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 111 042 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 141.1: Occurrences de Juglans regia dans le monde.
141.1.1 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] 0.9910214153[1] 0.003350083752[1] 0.003728319014
Figure 141.2: Occurrence de Juglans regia dans la région d’endémisme.
141.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
93515 11464 5066 [1] 89.58244355
Figure 141.3: Occurrence de Juglans regia 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] 98581141.1.3 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: -9.460087 ymin: 31.313287 xmax: 46.2219 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 a7fafdb9-… "285c1e18-2… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
2 3.e9 6ac3f774-… "" Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
3 3.e9 e5f16d86-… "dd725b4c-d… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
4 1.e7 857aa892-… "" Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
5 3.e9 14d5676a-… "q-10033878… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
6 3.e9 14d5676a-… "q-10103075… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
7 3.e9 f145c27d-… "34-233-407… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
8 2 e9 14d5676a-… "q-10104946… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
9 3 e9 c1492854-… "5D475C6D-C… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
10 3.e9 e98a2a6c-… "504eacbb-0… Plantae Trach… Magn… Faga… Jugla… Jugl… Juglan… ""
# 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>, …
141.2 Modélisation de la niche climatique
141.2.1 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 : -9.460087, 46.2219, 31.31329, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= jure 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 = jure
24999 presences, 0 true absences and 72901 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.80 Min. :-22.080 Min. :-11.683 Min. : 199.4
1st Qu.:20.79 1st Qu.: -8.751 1st Qu.: 8.759 1st Qu.: 610.2
Median :24.01 Median : -2.648 Median : 13.071 Median : 721.9
Mean :25.12 Mean : -4.008 Mean : 12.360 Mean : 754.4
3rd Qu.:28.22 3rd Qu.: 1.000 3rd Qu.: 16.297 3rd Qu.: 897.0
Max. :45.80 Max. : 12.300 Max. : 26.104 Max. :1395.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.719
1st Qu.: 174.0 1st Qu.: 20.613
Median : 216.0 Median : 30.628
Mean : 218.6 Mean : 34.408
3rd Qu.: 254.0 3rd Qu.: 39.460
Max. :1255.0 Max. :122.635
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 141.5: 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 : 174996, 2 (geometries, attributes)
extent : -10.60417, 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 141.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
141.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for jure_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for jure_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for jure_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= jure 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 : jure_PA1
-=-=-=--=-=-=- jure_PA1_RUN1
-=-=-=- Run : jure_PA2
-=-=-=--=-=-=- jure_PA2_RUN1
-=-=-=- Run : jure_PA3
-=-=-=--=-=-=- jure_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=141.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 jure_PA1_RUN1_GAM PA1 RUN1 GAM TSS 566.0 96.220
2 jure_PA1_RUN1_GAM PA1 RUN1 GAM ROC 583.5 95.940
3 jure_PA1_RUN1_MARS PA1 RUN1 MARS TSS 470.0 94.110
4 jure_PA1_RUN1_MARS PA1 RUN1 MARS ROC 471.5 94.075
5 jure_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 349.0 94.110
6 jure_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 353.5 93.900
specificity calibration validation evaluation
1 57.875 0.541 0.533 NA
2 58.175 0.683 0.684 NA
3 87.190 0.813 0.806 NA
4 87.230 0.958 0.959 NA
5 87.190 0.813 0.808 NA
6 87.455 0.957 0.958 NA
Figure 141.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
141.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 jure_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.536236
2 jure_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.016517
3 jure_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006002
4 jure_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.613686
5 jure_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.021957
6 jure_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.038444
Figure 141.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 141.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
141.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : jure
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo, jure_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=141.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 jure_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 jure_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 496.0 95.304 90.745
2 mergedAlgo TSS EMwmean ROC 493.5 95.352 90.705
calibration validation evaluation
1 0.860 NA NA
2 0.984 NA NA
Figure 141.11: 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 jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 jure_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 0.116520
2 mergedAlgo TSS EMcv temp_min 1 0.122736
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036650
4 mergedAlgo TSS EMcv temp_season 1 0.315515
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.103348
6 mergedAlgo TSS EMcv prec_season 1 0.110827Par variable :
Figure 141.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 141.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
141.3 Projections
141.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/jure/current
sp.name : jure
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/jure/jure.AllModels.models.out )
models.projected :
jure_PA1_RUN1_GAM, jure_PA1_RUN1_MARS, jure_PA1_RUN1_MAXNET, jure_PA1_RUN1_GBM, jure_PA1_RUN1_RF, jure_PA2_RUN1_GAM, jure_PA2_RUN1_MARS, jure_PA2_RUN1_MAXNET, jure_PA2_RUN1_GBM, jure_PA2_RUN1_RF, jure_PA3_RUN1_GAM, jure_PA3_RUN1_MARS, jure_PA3_RUN1_MAXNET, jure_PA3_RUN1_GBM, jure_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 141.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 141.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/jure/current
sp.name : jure
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/jure/jure.AllModels.ensemble.models.out )
models.projected :
jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo, jure_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 141.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
141.3.2 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/jure/cont_gre
sp.name : jure
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/jure/jure.AllModels.models.out )
models.projected :
jure_PA1_RUN1_GAM, jure_PA1_RUN1_MARS, jure_PA1_RUN1_MAXNET, jure_PA1_RUN1_GBM, jure_PA1_RUN1_RF, jure_PA2_RUN1_GAM, jure_PA2_RUN1_MARS, jure_PA2_RUN1_MAXNET, jure_PA2_RUN1_GBM, jure_PA2_RUN1_RF, jure_PA3_RUN1_GAM, jure_PA3_RUN1_MARS, jure_PA3_RUN1_MAXNET, jure_PA3_RUN1_GBM, jure_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 141.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 141.18: 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/jure/cont_gre
sp.name : jure
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/jure/jure.AllModels.ensemble.models.out )
models.projected :
jure_EMcvByTSS_mergedData_mergedRun_mergedAlgo, jure_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 141.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
141.3.3 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 141.20: 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 141.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 141.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 141.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
141.4 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)
141.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 141.24: 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 141.25: 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 141.26: 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 141.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
141.4.2 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>
1 357 696 744 738.7678 809 862 0 2000
2 390 692 773 735.3679 809 858 126 2040
3 325 668 745 706.2469 786 847 126 2060
4 340 680 754 715.6922 791 849 126 2080
5 402 687 751 716.1241 782 845 126 2100
6 391 690 776 735.6907 814 856 245 2040
7 318 643 710 680.3928 772 846 245 2060
8 329 649 715 680.4894 767 838 245 2080
9 330 593 691 641.3465 730 801 245 2100
10 326 670 758 718.3247 803 859 370 2040
11 322 661 716 688.5528 770 838 370 2060
12 293 537 676 615.9205 717 790 370 2080
13 194 354 489 457.5035 538 659 370 2100
14 391 686 764 725.1295 796 852 585 2040
15 325 623 703 666.4481 757 833 585 2060
16 259 385 546 506.4076 586 713 585 2080
17 154 284 334 338.8794 399 530 585 2100
Figure 141.28: 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.