68 Magnolia grandiflora
68.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.rspsux
Format: SIMPLE_CSV
Download key: 0252127-230224095556074
Created: 2023-05-20T11:46:32.851+00:00
Modified: 2023-05-20T11:48:09.553+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252127-230224095556074.zip
Total records: 4559Conversion 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 4499 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -155.07332 ymin: -43.563601 xmax: 174.650804 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 4,499 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
# ℹ 4,489 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 4 499 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 68.1: Occurrences de Magnolia grandiflora dans le monde.
68.1.1 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] 0.05601244721[1] 0.8981995999[1] 0.01022449433
Figure 68.2: Occurrence de Magnolia grandiflora dans la région d’endémisme.
68.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
796 2941 304 [1] 27.2209849
Figure 68.3: Occurrence de Magnolia grandiflora 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] 110068.1.3 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 1100 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.13 ymin: 16.0364 xmax: -61.66857 ymax: 49.24
Geodetic CRS: WGS 84
# A tibble: 1,100 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Magn… Magno… Magn… Magnol… NA
# ℹ 1,090 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>, …
68.2 Modélisation de la niche climatique
68.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1100, 0 (geometries, attributes)
extent : -123.13, -61.66857, 16.0364, 49.24 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= magr 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 = magr
1099 presences, 0 true absences and 3296 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :11.06 Min. :-30.628 Min. :-13.01 Min. : 63.34
1st Qu.:24.19 1st Qu.:-14.220 1st Qu.: 12.10 1st Qu.: 671.76
Median :29.64 Median : -4.800 Median : 17.56 Median : 826.58
Mean :28.16 Mean : -6.279 Mean : 16.91 Mean : 832.38
3rd Qu.:32.17 3rd Qu.: 1.844 3rd Qu.: 23.22 3rd Qu.:1019.15
Max. :44.25 Max. : 22.380 Max. : 33.10 Max. :1456.54
prec_wet_quart prec_season
Min. : 27.0 Min. : 5.718
1st Qu.: 231.0 1st Qu.: 18.996
Median : 314.0 Median : 34.328
Mean : 338.2 Mean : 40.530
3rd Qu.: 402.0 3rd Qu.: 56.961
Max. :1674.0 Max. :137.186
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 68.5: 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 : 7696, 2 (geometries, attributes)
extent : -129.8542, -52.64583, 13.0625, 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 68.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
68.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for magr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for magr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for magr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= magr 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 : magr_PA1
-=-=-=--=-=-=- magr_PA1_RUN1
-=-=-=- Run : magr_PA2
-=-=-=--=-=-=- magr_PA2_RUN1
-=-=-=- Run : magr_PA3
-=-=-=--=-=-=- magr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=68.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 magr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 687.0 100.000
2 magr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 684.5 100.000
3 magr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 439.0 97.156
4 magr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 427.5 97.270
5 magr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 397.0 96.473
6 magr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 402.0 96.359
specificity calibration validation evaluation
1 70.114 0.701 0.750 NA
2 70.114 0.852 0.878 NA
3 87.955 0.851 0.868 NA
4 87.841 0.968 0.971 NA
5 88.409 0.849 0.882 NA
6 88.750 0.961 0.971 NA
Figure 68.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
68.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 magr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.246460
2 magr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.144545
3 magr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.126512
4 magr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.197338
5 magr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.093596
6 magr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.256451
Figure 68.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 68.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
68.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : magr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, magr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=68.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 magr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 magr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 410.0 98.544 89.017
2 mergedAlgo TSS EMwmean ROC 414.5 98.544 89.108
calibration validation evaluation
1 0.876 NA NA
2 0.984 NA NA
Figure 68.11: 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 magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 magr_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 0.048187
2 mergedAlgo TSS EMcv temp_min 1 0.555078
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.048782
4 mergedAlgo TSS EMcv temp_season 1 0.133657
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.232456
6 mergedAlgo TSS EMcv prec_season 1 0.097952Par variable :
Figure 68.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 68.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
68.3 Projections
68.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/magr/current
sp.name : magr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/magr/magr.AllModels.models.out )
models.projected :
magr_PA1_RUN1_GAM, magr_PA1_RUN1_MARS, magr_PA1_RUN1_MAXNET, magr_PA1_RUN1_GBM, magr_PA1_RUN1_ANN, magr_PA1_RUN1_RF, magr_PA2_RUN1_GAM, magr_PA2_RUN1_MARS, magr_PA2_RUN1_MAXNET, magr_PA2_RUN1_GBM, magr_PA2_RUN1_ANN, magr_PA2_RUN1_RF, magr_PA3_RUN1_GAM, magr_PA3_RUN1_MARS, magr_PA3_RUN1_MAXNET, magr_PA3_RUN1_GBM, magr_PA3_RUN1_ANN, magr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 68.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 68.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/magr/current
sp.name : magr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/magr/magr.AllModels.ensemble.models.out )
models.projected :
magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, magr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 68.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
68.3.2 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/magr/cont_gre
sp.name : magr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/magr/magr.AllModels.models.out )
models.projected :
magr_PA1_RUN1_GAM, magr_PA1_RUN1_MARS, magr_PA1_RUN1_MAXNET, magr_PA1_RUN1_GBM, magr_PA1_RUN1_ANN, magr_PA1_RUN1_RF, magr_PA2_RUN1_GAM, magr_PA2_RUN1_MARS, magr_PA2_RUN1_MAXNET, magr_PA2_RUN1_GBM, magr_PA2_RUN1_ANN, magr_PA2_RUN1_RF, magr_PA3_RUN1_GAM, magr_PA3_RUN1_MARS, magr_PA3_RUN1_MAXNET, magr_PA3_RUN1_GBM, magr_PA3_RUN1_ANN, magr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 68.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 68.18: 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/magr/cont_gre
sp.name : magr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/magr/magr.AllModels.ensemble.models.out )
models.projected :
magr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, magr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 68.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
68.3.3 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 68.20: 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 68.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 68.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 68.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
68.4 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)
68.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 68.24: 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 68.25: 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 68.26: 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 68.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
68.4.2 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>
1 221 369 437 438.4556 486 654 0 2000
2 299 484 524 529.5851 577 746 126 2040
3 293 488 551 543.8739 606 773 126 2060
4 316 479 533 533.1080 590 746 126 2080
5 324 511 579 576.0657 636 785 126 2100
6 350 509 549 556.3416 600 762 245 2040
7 324 494 555 558.3023 621 762 245 2060
8 303 534 601 595.0859 674 795 245 2080
9 277 537 607 594.4864 686 786 245 2100
10 292 477 524 526.0760 575 746 370 2040
11 312 517 585 581.3732 646 790 370 2060
12 228 486 582 572.0436 699 800 370 2080
13 230 474 610 578.9461 729 768 370 2100
14 293 461 500 502.5010 557 703 585 2040
15 364 555 613 614.1381 682 793 585 2060
16 259 519 688 610.6622 721 762 585 2080
17 197 401 509 514.8810 674 768 585 2100
Figure 68.28: 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.