32 Liriodendron tulipifera
32.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ngf5x7
Format: SIMPLE_CSV
Download key: 0232045-230224095556074
Created: 2023-05-11T06:45:01.944+00:00
Modified: 2023-05-11T06:46:14.747+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232045-230224095556074.zip
Total records: 20605Conversion 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 18732 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.197525 ymin: -42.828062 xmax: 173.293333 ymax: 59.64923
Geodetic CRS: WGS 84
# A tibble: 18,732 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
# ℹ 18,722 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 18 732 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 32.1: Occurrences de Liriodendron tulipifera dans le monde.
32.1.1 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] 0.06678411275[1] 0.9287849669[1] 0.0033632287
Figure 32.2: Occurrence de Liriodendron tulipifera dans la région d’endémisme.
32.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
4035 12050 1313 [1] 30.73916542
Figure 32.3: Occurrence de Liriodendron tulipifera 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] 534832.1.3 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 5348 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.281384 ymin: 27.265306 xmax: -69.14838 ymax: 47.661241
Geodetic CRS: WGS 84
# A tibble: 5,348 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Liri… Liriod… NA
# ℹ 5,338 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>, …
32.2 Modélisation de la niche climatique
32.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 5348, 0 (geometries, attributes)
extent : -123.2814, -69.14838, 27.26531, 47.66124 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= litu 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 = litu
5348 presences, 0 true absences and 15943 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :10.61 Min. :-30.740 Min. :-13.15 Min. : 41.76
1st Qu.:24.21 1st Qu.:-14.462 1st Qu.: 11.88 1st Qu.: 752.84
Median :28.43 Median : -7.260 Median : 17.28 Median : 887.91
Mean :27.58 Mean : -7.951 Mean : 16.14 Mean : 876.14
3rd Qu.:31.15 3rd Qu.: -1.750 3rd Qu.: 21.68 3rd Qu.:1031.14
Max. :43.01 Max. : 22.446 Max. : 33.21 Max. :1468.17
prec_wet_quart prec_season
Min. : 23.0 Min. : 5.439
1st Qu.: 230.0 1st Qu.: 16.702
Median : 305.0 Median : 29.735
Mean : 319.1 Mean : 37.869
3rd Qu.: 351.0 3rd Qu.: 55.065
Max. :1853.0 Max. :137.729
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 32.5: 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 : 37436, 2 (geometries, attributes)
extent : -129.9792, -52.72917, 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 32.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
32.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for litu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for litu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for litu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= litu 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 : litu_PA1
-=-=-=--=-=-=- litu_PA1_RUN1
-=-=-=- Run : litu_PA2
-=-=-=--=-=-=- litu_PA2_RUN1
-=-=-=- Run : litu_PA3
-=-=-=--=-=-=- litu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=32.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 litu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 535.0 98.761
2 litu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 535.5 98.761
3 litu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 480.0 97.055
4 litu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 433.0 97.779
5 litu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 282.0 98.691
6 litu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 283.5 98.691
specificity calibration validation evaluation
1 71.646 0.704 0.706 NA
2 71.646 0.809 0.804 NA
3 85.928 0.830 0.838 NA
4 85.227 0.958 0.959 NA
5 83.661 0.824 0.836 NA
6 83.707 0.960 0.959 NA
Figure 32.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
32.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 litu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.185524
2 litu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.529608
3 litu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004034
4 litu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.142101
5 litu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.167896
6 litu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.443451
Figure 32.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 32.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
32.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : litu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, litu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=32.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 litu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 litu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 470.0 97.326 87.687
2 mergedAlgo TSS EMwmean ROC 470.5 97.307 87.731
calibration validation evaluation
1 0.850 NA NA
2 0.982 NA NA
Figure 32.11: 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 litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 litu_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 0.147671
2 mergedAlgo TSS EMcv temp_min 1 0.261035
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.040225
4 mergedAlgo TSS EMcv temp_season 1 0.182883
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.171104
6 mergedAlgo TSS EMcv prec_season 1 0.350590Par variable :
Figure 32.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 32.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
32.3 Projections
32.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/litu/current
sp.name : litu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/litu/litu.AllModels.models.out )
models.projected :
litu_PA1_RUN1_GAM, litu_PA1_RUN1_MARS, litu_PA1_RUN1_MAXNET, litu_PA1_RUN1_GBM, litu_PA1_RUN1_ANN, litu_PA1_RUN1_RF, litu_PA2_RUN1_GAM, litu_PA2_RUN1_MARS, litu_PA2_RUN1_MAXNET, litu_PA2_RUN1_GBM, litu_PA2_RUN1_ANN, litu_PA2_RUN1_RF, litu_PA3_RUN1_GAM, litu_PA3_RUN1_MARS, litu_PA3_RUN1_MAXNET, litu_PA3_RUN1_GBM, litu_PA3_RUN1_ANN, litu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 32.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 32.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/litu/current
sp.name : litu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/litu/litu.AllModels.ensemble.models.out )
models.projected :
litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, litu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 32.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
32.3.2 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/litu/cont_gre
sp.name : litu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/litu/litu.AllModels.models.out )
models.projected :
litu_PA1_RUN1_GAM, litu_PA1_RUN1_MARS, litu_PA1_RUN1_MAXNET, litu_PA1_RUN1_GBM, litu_PA1_RUN1_ANN, litu_PA1_RUN1_RF, litu_PA2_RUN1_GAM, litu_PA2_RUN1_MARS, litu_PA2_RUN1_MAXNET, litu_PA2_RUN1_GBM, litu_PA2_RUN1_ANN, litu_PA2_RUN1_RF, litu_PA3_RUN1_GAM, litu_PA3_RUN1_MARS, litu_PA3_RUN1_MAXNET, litu_PA3_RUN1_GBM, litu_PA3_RUN1_ANN, litu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 32.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 32.18: 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/litu/cont_gre
sp.name : litu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/litu/litu.AllModels.ensemble.models.out )
models.projected :
litu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, litu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 32.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
32.3.3 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 32.20: 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 32.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 32.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 32.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
32.4 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)
32.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 32.24: 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 32.25: 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 32.26: 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 32.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
32.4.2 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>
1 134 342 440 432.3696 522 708 0 2000
2 123 480 572 544.9259 690 765 126 2040
3 116 498 645 568.3524 711 764 126 2060
4 115 456 610 540.3957 688 759 126 2080
5 116 495 651 570.4709 713 763 126 2100
6 119 506 622 562.8014 708 767 245 2040
7 116 482 668 572.5849 717 768 245 2060
8 114 389 705 586.4412 725 762 245 2080
9 114 373 699 580.6114 723 746 245 2100
10 128 476 579 548.0195 697 770 370 2040
11 116 509 685 587.3727 722 764 370 2060
12 120 353 712 583.8413 728 749 370 2080
13 114 310 612 516.9002 668 740 370 2100
14 123 441 559 523.7524 671 751 585 2040
15 116 461 706 598.5121 726 768 585 2060
16 116 323 640 536.1091 686 740 585 2080
17 98 285 383 398.0222 497 702 585 2100
Figure 32.28: 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.