23 Malus domestica
23.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.98hs34
Format: SIMPLE_CSV
Download key: 0232001-230224095556074
Created: 2023-05-11T06:24:13.831+00:00
Modified: 2023-05-11T06:25:49.589+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232001-230224095556074.zip
Total records: 68811Conversion 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 68811 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.559195 ymin: -46.559697 xmax: 178.019493 ymax: 78.0653908
Geodetic CRS: WGS 84
# A tibble: 68,811 × 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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
# ℹ 68,801 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 68 811 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 23.1: Occurrences de Malus domestica dans le monde.
23.1.1 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] 0.9384255424[1] 0.02656552005[1] 0.00213628635
Figure 23.2: Occurrence de Malus domestica dans la région d’endémisme.
23.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
28710
CC_BY_NC_4_0
3709
CC0_1_0
16666
https://creativecommons.org/licenses/by-nc/4.0/legalcode
12195
https://creativecommons.org/licenses/by/4.0/legalcode
2854
https://creativecommons.org/publicdomain/zero/1.0/legalcode
440 [1] 75.37089231
Figure 23.3: Occurrence de Malus domestica 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] 4867023.1.3 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: -9.813573 ymin: 36.645754 xmax: 46.96014 ymax: 69.7651
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 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
2 2 e9 b124e1e0-… urn:uuid:83… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
3 2 e9 67fabcac-… 9384486 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
4 2 e9 67fabcac-… 15195582 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
5 1 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
6 3.e9 67fabcac-… 24453841 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
7 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
8 2 e9 7a3679ef-… o-1006220281 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
9 1 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
10 2 e9 7a3679ef-… o-1001961482 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
# 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>, …
23.2 Modélisation de la niche climatique
23.2.1 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 : -9.813573, 46.96014, 36.64575, 69.7651 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= mado 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 = mado
24921 presences, 0 true absences and 72876 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.980 Min. :-12.078 Min. : 0.0
1st Qu.:19.96 1st Qu.: -9.056 1st Qu.: 8.785 1st Qu.: 645.7
Median :22.82 Median : -4.016 Median : 13.443 Median : 739.5
Mean :24.45 Mean : -4.672 Mean : 12.344 Mean : 765.2
3rd Qu.:27.90 3rd Qu.: 0.544 3rd Qu.: 16.072 3rd Qu.: 898.5
Max. :45.97 Max. : 12.036 Max. : 26.380 Max. :1392.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 177.0 1st Qu.: 22.53
Median : 213.0 Median : 30.52
Mean : 214.9 Mean : 35.32
3rd Qu.: 244.0 3rd Qu.: 39.06
Max. :1239.0 Max. :123.70
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 23.5: 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 : 174684, 2 (geometries, attributes)
extent : -10.5625, 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 23.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
23.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for mado_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for mado_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for mado_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= mado 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 : mado_PA1
-=-=-=--=-=-=- mado_PA1_RUN1
-=-=-=- Run : mado_PA2
-=-=-=--=-=-=- mado_PA2_RUN1
-=-=-=- Run : mado_PA3
-=-=-=--=-=-=- mado_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=23.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 mado_PA1_RUN1_GAM PA1 RUN1 GAM TSS 626.0 93.560
2 mado_PA1_RUN1_GAM PA1 RUN1 GAM ROC 623.5 93.660
3 mado_PA1_RUN1_MARS PA1 RUN1 MARS TSS 459.0 93.269
4 mado_PA1_RUN1_MARS PA1 RUN1 MARS ROC 458.5 93.269
5 mado_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 386.0 93.209
6 mado_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 386.5 93.168
specificity calibration validation evaluation
1 59.920 0.535 0.525 NA
2 59.840 0.766 0.770 NA
3 83.435 0.767 0.757 NA
4 83.435 0.937 0.935 NA
5 84.465 0.777 0.768 NA
6 84.535 0.936 0.933 NA
Figure 23.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
23.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 mado_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.380298
2 mado_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.032763
3 mado_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.056561
4 mado_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.506875
5 mado_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.045962
6 mado_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.119171
Figure 23.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 23.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
23.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : mado
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mado_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=23.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 mado_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mado_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 585.0 97.424 95.953
2 mergedAlgo TSS EMwmean ROC 588.5 97.392 96.014
calibration validation evaluation
1 0.934 NA NA
2 0.996 NA NA
Figure 23.11: 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 mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 mado_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 0.653069
2 mergedAlgo TSS EMcv temp_min 1 0.589316
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.439552
4 mergedAlgo TSS EMcv temp_season 1 0.520836
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.404126
6 mergedAlgo TSS EMcv prec_season 1 0.510779Par variable :
Figure 23.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 23.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
23.3 Projections
23.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mado/current
sp.name : mado
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mado/mado.AllModels.models.out )
models.projected :
mado_PA1_RUN1_GAM, mado_PA1_RUN1_MARS, mado_PA1_RUN1_MAXNET, mado_PA1_RUN1_GBM, mado_PA1_RUN1_ANN, mado_PA1_RUN1_RF, mado_PA2_RUN1_GAM, mado_PA2_RUN1_MARS, mado_PA2_RUN1_MAXNET, mado_PA2_RUN1_GBM, mado_PA2_RUN1_ANN, mado_PA2_RUN1_RF, mado_PA3_RUN1_GAM, mado_PA3_RUN1_MARS, mado_PA3_RUN1_MAXNET, mado_PA3_RUN1_GBM, mado_PA3_RUN1_ANN, mado_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 23.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 23.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mado/current
sp.name : mado
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mado/mado.AllModels.ensemble.models.out )
models.projected :
mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mado_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 23.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
23.3.2 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/mado/cont_gre
sp.name : mado
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mado/mado.AllModels.models.out )
models.projected :
mado_PA1_RUN1_GAM, mado_PA1_RUN1_MARS, mado_PA1_RUN1_MAXNET, mado_PA1_RUN1_GBM, mado_PA1_RUN1_ANN, mado_PA1_RUN1_RF, mado_PA2_RUN1_GAM, mado_PA2_RUN1_MARS, mado_PA2_RUN1_MAXNET, mado_PA2_RUN1_GBM, mado_PA2_RUN1_ANN, mado_PA2_RUN1_RF, mado_PA3_RUN1_GAM, mado_PA3_RUN1_MARS, mado_PA3_RUN1_MAXNET, mado_PA3_RUN1_GBM, mado_PA3_RUN1_ANN, mado_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 23.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 23.18: 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/mado/cont_gre
sp.name : mado
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mado/mado.AllModels.ensemble.models.out )
models.projected :
mado_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mado_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 23.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
23.3.3 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 23.20: 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 23.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 23.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 23.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
23.4 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)
23.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 23.24: 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 23.25: 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 23.26: 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 23.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
23.4.2 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>
1 132 493 581 564.6673 672 920 0 2000
2 52 293 354 356.0069 417 704 126 2040
3 55 258 300 305.5323 356 601 126 2060
4 33 222 274 277.1846 339 588 126 2080
5 87 264 306 307.6926 350 587 126 2100
6 73 292 345 350.1643 406 649 245 2040
7 54 208 267 256.1265 303 498 245 2060
8 70 216 277 274.2513 333 513 245 2080
9 49 192 254 261.3471 352 452 245 2100
10 73 300 341 343.0714 392 683 370 2040
11 100 227 286 277.5689 324 537 370 2060
12 79 214 290 281.9903 352 462 370 2080
13 41 160 300 255.3010 335 400 370 2100
14 40 242 308 307.3860 368 588 585 2040
15 59 207 262 264.1421 318 445 585 2060
16 31 144 290 248.9395 341 395 585 2080
17 91 297 350 324.4123 387 496 585 2100
Figure 23.28: 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.