253 Laurus nobilis
253.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.t5wn7p
Format: SIMPLE_CSV
Download key: 0013756-230828120925497
Created: 2023-09-11T23:36:09.664+00:00
Modified: 2023-09-11T23:37:15.732+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0013756-230828120925497.zip
Total records: 30168Conversion 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 30168 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.07726 ymin: -46.880432 xmax: 175.700202 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 30,168 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
2 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
3 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
4 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
5 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
6 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
7 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
8 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
9 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
10 9e8 ebd49d9b-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
# ℹ 30,158 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 30 168 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 253.1: Occurrences de Laurus nobilis dans le monde.
253.1.1 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] 0.982630602[1] 0.001789976134[1] 0.0008618403606
Figure 253.2: Occurrence de Laurus nobilis dans la région d’endémisme.
253.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
26342
CC_BY_NC_4_0
2385
CC0_1_0
122
https://creativecommons.org/licenses/by-nc/4.0/legalcode
706
https://creativecommons.org/licenses/by/4.0/legalcode
65
https://creativecommons.org/publicdomain/zero/1.0/legalcode
24 [1] 89.57293213
Figure 253.3: Occurrence de Laurus nobilis 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] 26553253.1.3 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: -9.538206 ymin: 30.03 xmax: 43.16347 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-10038232… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
2 2 e9 14d5676a-… "q-10138395… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
3 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
4 1.e9 fb8ae15d-… "https://gz… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
5 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
6 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
7 2 e9 14d5676a-… "q-10233318… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
8 2 e9 7a3679ef-… "o-10034116… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
9 2 e9 14d5676a-… "q-10208378… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
10 3.e9 14d5676a-… "q-10229187… Plantae Trach… Magn… Laur… Laura… Laur… Laurus… ""
# 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>, …
253.2 Modélisation de la niche climatique
253.2.1 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 : -9.538206, 43.16347, 30.03, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= lano 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 = lano
24888 presences, 0 true absences and 72824 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-22.035999 Min. :-11.038000 Min. : 0.0000 Min. : 3.0000
1st Qu.:20.86475 1st Qu.: -8.700000 1st Qu.: 9.257017 1st Qu.: 587.9236 1st Qu.: 175.0000
Median :25.09600 Median : -1.132000 Median : 12.577333 Median : 723.6698 Median : 219.0000
Mean :25.67577 Mean : -3.219232 Mean : 12.291188 Mean : 743.7041 Mean : 225.2438
3rd Qu.:29.17200 3rd Qu.: 2.564000 3rd Qu.: 15.916834 3rd Qu.: 895.2829 3rd Qu.: 270.0000
Max. :45.74400 Max. : 12.132000 Max. : 26.184668 Max. :1394.1293 Max. :1261.0000
prec_season
Min. : 4.77903
1st Qu.: 24.90751
Median : 32.62218
Mean : 37.70251
3rd Qu.: 42.76193
Max. :124.08952
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 253.5: 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 : 174552, 2 (geometries, attributes)
extent : -10.5625, 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 253.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
253.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for lano_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for lano_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for lano_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= lano 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 : lano_PA1
-=-=-=--=-=-=- lano_PA1_RUN1
-=-=-=- Run : lano_PA2
-=-=-=--=-=-=- lano_PA2_RUN1
-=-=-=- Run : lano_PA3
-=-=-=--=-=-=- lano_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=253.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 lano_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 97.815 65.990 0.638
2 lano_PA1_RUN1_GAM PA1 RUN1 GAM ROC 612.5 97.845 65.965 0.783
3 lano_PA1_RUN1_MARS PA1 RUN1 MARS TSS 554.0 93.737 90.690 0.844
4 lano_PA1_RUN1_MARS PA1 RUN1 MARS ROC 554.5 93.732 90.710 0.970
5 lano_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 367.0 95.284 89.845 0.851
6 lano_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 372.5 94.897 90.285 0.971
validation evaluation
1 0.632 NA
2 0.778 NA
3 0.845 NA
4 0.971 NA
5 0.847 NA
6 0.972 NA
Figure 253.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
253.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 lano_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.384925
2 lano_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.206208
3 lano_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.007636
4 lano_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.361130
5 lano_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.011390
6 lano_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.005753
Figure 253.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 253.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
253.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : lano
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo, lano_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=253.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 lano_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 lano_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 504.0 96.910 93.082 0.900 NA NA
2 TSS EMwmean ROC 508.5 96.818 93.179 0.989 NA NA
Figure 253.11: 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 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.104411
2 EMcv temp_min 1 0.629620
3 EMcv temp_wet_quart 1 0.023282
4 EMcv temp_season 1 0.067619
5 EMcv prec_wet_quart 1 0.128737
6 EMcv prec_season 1 0.070513Par variable :
Figure 253.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 253.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
253.3 Projections
253.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/lano/current
sp.name : lano
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/lano/lano.AllModels.models.out )
models.projected :
lano_PA1_RUN1_GAM, lano_PA1_RUN1_MARS, lano_PA1_RUN1_MAXNET, lano_PA1_RUN1_GBM, lano_PA1_RUN1_ANN, lano_PA1_RUN1_RF, lano_PA2_RUN1_GAM, lano_PA2_RUN1_MARS, lano_PA2_RUN1_MAXNET, lano_PA2_RUN1_GBM, lano_PA2_RUN1_ANN, lano_PA2_RUN1_RF, lano_PA3_RUN1_GAM, lano_PA3_RUN1_MARS, lano_PA3_RUN1_MAXNET, lano_PA3_RUN1_GBM, lano_PA3_RUN1_ANN, lano_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 253.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 253.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/lano/current
sp.name : lano
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/lano/lano.AllModels.ensemble.models.out )
models.projected :
lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo, lano_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 253.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
253.3.2 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/lano/cont_gre
sp.name : lano
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/lano/lano.AllModels.models.out )
models.projected :
lano_PA1_RUN1_GAM, lano_PA1_RUN1_MARS, lano_PA1_RUN1_MAXNET, lano_PA1_RUN1_GBM, lano_PA1_RUN1_ANN, lano_PA1_RUN1_RF, lano_PA2_RUN1_GAM, lano_PA2_RUN1_MARS, lano_PA2_RUN1_MAXNET, lano_PA2_RUN1_GBM, lano_PA2_RUN1_ANN, lano_PA2_RUN1_RF, lano_PA3_RUN1_GAM, lano_PA3_RUN1_MARS, lano_PA3_RUN1_MAXNET, lano_PA3_RUN1_GBM, lano_PA3_RUN1_ANN, lano_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 253.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 253.18: 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/lano/cont_gre
sp.name : lano
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/lano/lano.AllModels.ensemble.models.out )
models.projected :
lano_EMcvByTSS_mergedData_mergedRun_mergedAlgo, lano_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 253.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
253.3.3 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 253.20: 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 253.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 253.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 253.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
253.4 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)
253.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 253.24: 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 253.25: 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 253.26: 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 253.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
253.4.2 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 31 216 449 439.6216 677 824 0 2000
2 103 544 703 651.4673 778 822 126 2040
3 147 558 718 666.0155 776 825 126 2060
4 155 573 740 682.1279 787 822 126 2080
5 178 579 724 672.8319 772 824 126 2100
6 141 590 731 684.8646 783 819 245 2040
7 202 551 739 673.7344 785 817 245 2060
8 275 574 764 695.1132 788 819 245 2080
9 275 545 750 677.4027 778 825 245 2100
10 90 531 695 641.3563 772 824 370 2040
11 245 568 739 678.7040 777 821 370 2060
12 258 536 754 674.2289 779 819 370 2080
13 233 490 637 608.5488 746 797 370 2100
14 108 550 710 659.5590 781 823 585 2040
15 287 571 755 690.6638 781 816 585 2060
16 241 505 676 635.4479 771 801 585 2080
17 179 420 504 494.4162 549 797 585 2100
Figure 253.28: 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.