14 Liquidambar styraciflua
14.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ez9t69
Format: SIMPLE_CSV
Download key: 0230498-230224095556074
Created: 2023-05-10T16:29:29.625+00:00
Modified: 2023-05-10T16:30:36.532+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230498-230224095556074.zip
Total records: 42606Conversion 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 17502 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.794173 ymin: -41.285833 xmax: 175.3 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 17,502 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
# ℹ 17,492 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 17 502 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 14.1: Occurrences de Liquidambar styraciflua dans le monde.
14.1.1 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] 0.04553765284[1] 0.8937835676[1] 0.0003999542909
Figure 14.2: Occurrence de Liquidambar styraciflua dans la région d’endémisme.
14.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
2822 11609 1212 [1] 25.78789235
Figure 14.3: Occurrence de Liquidambar styraciflua 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] 403414.1.3 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 4034 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.281386 ymin: 16.717 xmax: -71.123 ymax: 49.494733
Geodetic CRS: WGS 84
# A tibble: 4,034 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Saxi… Altin… Liqu… Liquid… ""
# ℹ 4,024 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>, …
14.2 Modélisation de la niche climatique
14.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 4034, 0 (geometries, attributes)
extent : -123.2814, -71.123, 16.717, 49.49473 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= list 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 = list
4032 presences, 0 true absences and 12055 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.668 Min. :-12.62 Min. : 0.0
1st Qu.:23.93 1st Qu.:-14.348 1st Qu.: 11.76 1st Qu.: 707.3
Median :28.76 Median : -5.792 Median : 17.36 Median : 857.2
Mean :27.77 Mean : -6.923 Mean : 16.40 Mean : 842.9
3rd Qu.:31.51 3rd Qu.: 0.512 3rd Qu.: 22.25 3rd Qu.:1028.0
Max. :43.96 Max. : 23.000 Max. : 33.54 Max. :1468.2
prec_wet_quart prec_season
Min. : 23.0 Min. : 5.42
1st Qu.: 226.0 1st Qu.: 18.19
Median : 312.0 Median : 33.73
Mean : 338.1 Mean : 40.25
3rd Qu.: 377.0 3rd Qu.: 58.83
Max. :1855.0 Max. :134.19
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 14.5: 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 : 28230, 2 (geometries, attributes)
extent : -129.8958, -52.6875, 13.02083, 54.97917 (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 14.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
14.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for list_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for list_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for list_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= list 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 : list_PA1
-=-=-=--=-=-=- list_PA1_RUN1
-=-=-=- Run : list_PA2
-=-=-=--=-=-=- list_PA2_RUN1
-=-=-=- Run : list_PA3
-=-=-=--=-=-=- list_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=14.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 list_PA1_RUN1_GAM PA1 RUN1 GAM TSS 687.0 97.830
2 list_PA1_RUN1_GAM PA1 RUN1 GAM ROC 690.5 97.830
3 list_PA1_RUN1_MARS PA1 RUN1 MARS TSS 341.0 95.536
4 list_PA1_RUN1_MARS PA1 RUN1 MARS ROC 340.5 95.536
5 list_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 427.0 92.839
6 list_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 426.5 92.839
specificity calibration validation evaluation
1 71.707 0.695 0.714 NA
2 71.800 0.835 0.842 NA
3 84.072 0.796 0.821 NA
4 84.072 0.954 0.962 NA
5 88.038 0.808 0.840 NA
6 88.038 0.955 0.963 NA
Figure 14.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
14.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 list_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.200927
2 list_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.582752
3 list_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.000722
4 list_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.201566
5 list_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.087164
6 list_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.288329
Figure 14.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 14.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
14.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : list
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
list_EMcvByTSS_mergedData_mergedRun_mergedAlgo, list_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=14.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 list_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 list_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 453.0 96.701 87.881
2 mergedAlgo TSS EMwmean ROC 452.5 96.701 87.881
calibration validation evaluation
1 0.846 NA NA
2 0.983 NA NA
Figure 14.11: 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 list_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 list_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 list_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 list_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 list_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 list_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 0.070492
2 mergedAlgo TSS EMcv temp_min 1 0.468873
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.051755
4 mergedAlgo TSS EMcv temp_season 1 0.097064
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.292623
6 mergedAlgo TSS EMcv prec_season 1 0.130488Par variable :
Figure 14.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 14.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
14.3 Projections
14.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/list/current
sp.name : list
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/list/list.AllModels.models.out )
models.projected :
list_PA1_RUN1_GAM, list_PA1_RUN1_MARS, list_PA1_RUN1_MAXNET, list_PA1_RUN1_GBM, list_PA1_RUN1_ANN, list_PA1_RUN1_RF, list_PA2_RUN1_GAM, list_PA2_RUN1_MARS, list_PA2_RUN1_MAXNET, list_PA2_RUN1_GBM, list_PA2_RUN1_ANN, list_PA2_RUN1_RF, list_PA3_RUN1_GAM, list_PA3_RUN1_MARS, list_PA3_RUN1_MAXNET, list_PA3_RUN1_GBM, list_PA3_RUN1_ANN, list_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 14.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 14.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/list/current
sp.name : list
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/list/list.AllModels.ensemble.models.out )
models.projected :
list_EMcvByTSS_mergedData_mergedRun_mergedAlgo, list_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 14.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
14.3.2 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/list/cont_gre
sp.name : list
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/list/list.AllModels.models.out )
models.projected :
list_PA1_RUN1_GAM, list_PA1_RUN1_MARS, list_PA1_RUN1_MAXNET, list_PA1_RUN1_GBM, list_PA1_RUN1_ANN, list_PA1_RUN1_RF, list_PA2_RUN1_GAM, list_PA2_RUN1_MARS, list_PA2_RUN1_MAXNET, list_PA2_RUN1_GBM, list_PA2_RUN1_ANN, list_PA2_RUN1_RF, list_PA3_RUN1_GAM, list_PA3_RUN1_MARS, list_PA3_RUN1_MAXNET, list_PA3_RUN1_GBM, list_PA3_RUN1_ANN, list_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 14.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 14.18: 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/list/cont_gre
sp.name : list
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/list/list.AllModels.ensemble.models.out )
models.projected :
list_EMcvByTSS_mergedData_mergedRun_mergedAlgo, list_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 14.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
14.3.3 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 14.20: 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 14.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 14.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 14.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
14.4 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)
14.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 14.24: 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 14.25: 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 14.26: 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 14.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
14.4.2 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>
1 163 365 438 437.8876 502 642 0 2000
2 238 497 552 545.5128 612 715 126 2040
3 240 520 587 567.2614 642 732 126 2060
4 281 518 582 571.6066 647 728 126 2080
5 291 533 606 588.4025 669 744 126 2100
6 272 522 573 568.9512 635 726 245 2040
7 310 536 613 589.3509 672 739 245 2060
8 298 559 658 608.8828 701 756 245 2080
9 201 505 670 598.0005 714 754 245 2100
10 236 496 553 546.3026 615 719 370 2040
11 297 551 628 596.0117 679 749 370 2060
12 149 423 639 553.0435 716 755 370 2080
13 166 374 617 543.7608 715 767 370 2100
14 223 497 554 550.2619 617 718 585 2040
15 312 587 664 624.3525 711 762 585 2060
16 206 424 675 583.6816 723 770 585 2080
17 121 258 445 426.0373 594 744 585 2100
Figure 14.28: 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.