143 Ligustrum vulgare
143.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.5yppxv
Format: SIMPLE_CSV
Download key: 0252611-230224095556074
Created: 2023-05-20T17:26:46.904+00:00
Modified: 2023-05-20T17:31:28.805+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252611-230224095556074.zip
Total records: 292428Conversion 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 292428 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.986398 ymin: -46.561505 xmax: 175.808749 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 292,428 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2e9 835613da-… 2E270103-C4… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
2 2e9 835613da-… CCEFC6E1-1F… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
3 2e9 835613da-… 123F98EC-D5… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
4 2e9 835613da-… 50571D60-17… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
5 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
6 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
# ℹ 292,418 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 292 428 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 143.1: Occurrences de Ligustrum vulgare dans le monde.
143.1.1 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] 0.9960468902[1] 0.002554474948[1] 8.549112944e-05
Figure 143.2: Occurrence de Ligustrum vulgare dans la région d’endémisme.
143.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
260188 24486 6598 [1] 91.5934247
Figure 143.3: Occurrence de Ligustrum vulgare 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] 266786143.1.3 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: -8.98238 ymin: 34.834681 xmax: 46.77278 ymax: 60.57585
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 4 e9 5b26af6e-… "e3723538-1… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
2 2 e9 dd238f50-… "c1270fd8-b… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
3 1.e7 857aa892-… "" Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
4 2 e9 dd238f50-… "2c1c10fe-d… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
5 2 e9 dd238f50-… "1e1dadd5-a… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
6 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
7 3.e9 bd8ee748-… "da581afd-8… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
8 2 e9 6ac3f774-… "" Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
9 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
10 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Lami… Oleac… Ligu… Ligust… ""
# 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>, …
143.2 Modélisation de la niche climatique
143.2.1 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 : -8.98238, 46.77278, 34.83468, 60.57585 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= livu 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 = livu
24959 presences, 0 true absences and 72839 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.048 Min. :-11.243 Min. : 0.0
1st Qu.:20.70 1st Qu.: -8.740 1st Qu.: 8.584 1st Qu.: 609.4
Median :24.06 Median : -2.628 Median : 12.660 Median : 719.0
Mean :25.05 Mean : -3.998 Mean : 12.164 Mean : 752.2
3rd Qu.:28.04 3rd Qu.: 0.968 3rd Qu.: 16.141 3rd Qu.: 895.8
Max. :45.74 Max. : 11.550 Max. : 26.185 Max. :1392.7
prec_wet_quart prec_season
Min. : 3 Min. : 6.042
1st Qu.: 174 1st Qu.: 20.389
Median : 216 Median : 30.511
Mean : 220 Mean : 34.226
3rd Qu.: 258 3rd Qu.: 39.300
Max. :1239 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 143.5: 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 : 174836, 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 143.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
143.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for livu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for livu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for livu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= livu 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 : livu_PA1
-=-=-=--=-=-=- livu_PA1_RUN1
-=-=-=- Run : livu_PA2
-=-=-=--=-=-=- livu_PA2_RUN1
-=-=-=- Run : livu_PA3
-=-=-=--=-=-=- livu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=143.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 livu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 758.0 90.745
2 livu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 764.5 90.484
3 livu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 511.0 95.688
4 livu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 515.5 95.613
5 livu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 373.0 95.442
6 livu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 374.5 95.387
specificity calibration validation evaluation
1 72.580 0.634 0.634 NA
2 72.895 0.814 0.813 NA
3 87.920 0.836 0.834 NA
4 88.020 0.962 0.961 NA
5 88.480 0.839 0.837 NA
6 88.590 0.963 0.961 NA
Figure 143.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
143.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 livu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.295696
2 livu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.096102
3 livu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.015670
4 livu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.469846
5 livu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.018896
6 livu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.017322
Figure 143.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 143.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
143.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : livu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, livu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=143.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 livu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 livu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 603.0 94.387 93.462
2 mergedAlgo TSS EMwmean ROC 605.5 94.315 93.569
calibration validation evaluation
1 0.879 NA NA
2 0.987 NA NA
Figure 143.11: 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 livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 livu_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 0.122968
2 mergedAlgo TSS EMcv temp_min 1 0.101124
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.035997
4 mergedAlgo TSS EMcv temp_season 1 0.289833
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.063602
6 mergedAlgo TSS EMcv prec_season 1 0.170666Par variable :
Figure 143.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 143.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
143.3 Projections
143.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/livu/current
sp.name : livu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/livu/livu.AllModels.models.out )
models.projected :
livu_PA1_RUN1_GAM, livu_PA1_RUN1_MARS, livu_PA1_RUN1_MAXNET, livu_PA1_RUN1_GBM, livu_PA1_RUN1_ANN, livu_PA1_RUN1_RF, livu_PA2_RUN1_GAM, livu_PA2_RUN1_MARS, livu_PA2_RUN1_MAXNET, livu_PA2_RUN1_GBM, livu_PA2_RUN1_RF, livu_PA3_RUN1_GAM, livu_PA3_RUN1_MARS, livu_PA3_RUN1_MAXNET, livu_PA3_RUN1_GBM, livu_PA3_RUN1_ANN, livu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 143.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 143.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/livu/current
sp.name : livu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/livu/livu.AllModels.ensemble.models.out )
models.projected :
livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, livu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 143.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
143.3.2 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/livu/cont_gre
sp.name : livu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/livu/livu.AllModels.models.out )
models.projected :
livu_PA1_RUN1_GAM, livu_PA1_RUN1_MARS, livu_PA1_RUN1_MAXNET, livu_PA1_RUN1_GBM, livu_PA1_RUN1_ANN, livu_PA1_RUN1_RF, livu_PA2_RUN1_GAM, livu_PA2_RUN1_MARS, livu_PA2_RUN1_MAXNET, livu_PA2_RUN1_GBM, livu_PA2_RUN1_RF, livu_PA3_RUN1_GAM, livu_PA3_RUN1_MARS, livu_PA3_RUN1_MAXNET, livu_PA3_RUN1_GBM, livu_PA3_RUN1_ANN, livu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 143.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 143.18: 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/livu/cont_gre
sp.name : livu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/livu/livu.AllModels.ensemble.models.out )
models.projected :
livu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, livu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 143.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
143.3.3 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 143.20: 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 143.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 143.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 143.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
143.4 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)
143.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 143.24: 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 143.25: 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 143.26: 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 143.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
143.4.2 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>
1 348 686 762 741.0400 813 865 0 2000
2 262 586 749 682.9672 804 867 126 2040
3 235 534 676 641.0924 781 862 126 2060
4 258 549 694 653.5812 782 862 126 2080
5 300 566 709 660.9800 772 854 126 2100
6 252 581 745 682.0934 814 867 245 2040
7 220 482 612 603.6856 756 854 245 2060
8 213 480 623 593.4350 728 839 245 2080
9 197 418 568 534.8023 675 777 245 2100
10 209 554 703 658.4185 799 865 370 2040
11 223 507 633 615.7391 753 853 370 2060
12 186 375 529 502.8409 643 774 370 2080
13 128 192 261 267.1004 333 534 370 2100
14 248 571 735 670.2040 795 862 585 2040
15 203 454 609 574.5034 720 819 585 2060
16 139 222 315 318.1373 412 614 585 2080
17 80 122 157 157.1370 190 321 585 2100
Figure 143.28: 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.