146 Maclura pomifera
146.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.yuxjbt
Format: SIMPLE_CSV
Download key: 0252626-230224095556074
Created: 2023-05-20T17:35:01.732+00:00
Modified: 2023-05-20T17:35:46.215+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252626-230224095556074.zip
Total records: 8452Conversion 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 8452 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -156.329132 ymin: -42.783333 xmax: 176.248644 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 8,452 × 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… Rosa… Morac… Macl… Maclur… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
# ℹ 8,442 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 8 452 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 146.1: Occurrences de Maclura pomifera dans le monde.
146.1.1 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] 0.1913156649[1] 0.7709417889[1] 0.00070989115
Figure 146.2: Occurrence de Maclura pomifera dans la région d’endémisme.
146.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1589 4570 357 [1] 29.86494782
Figure 146.3: Occurrence de Maclura pomifera 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] 1946146.1.3 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 1946 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.704899 ymin: 23.755556 xmax: -70.782342 ymax: 46.343333
Geodetic CRS: WGS 84
# A tibble: 1,946 × 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… Rosa… Morac… Macl… Maclur… NA
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Morac… Macl… Maclur… NA
# ℹ 1,936 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>, …
146.2 Modélisation de la niche climatique
146.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1946, 0 (geometries, attributes)
extent : -122.7049, -70.78234, 23.75556, 46.34333 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= mapo 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 = mapo
1946 presences, 0 true absences and 5823 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.792 Min. :-10.66 Min. : 0.0
1st Qu.:24.20 1st Qu.:-14.320 1st Qu.: 12.57 1st Qu.: 756.2
Median :29.06 Median : -7.096 Median : 17.57 Median : 888.5
Mean :28.11 Mean : -7.669 Mean : 16.40 Mean : 877.7
3rd Qu.:32.04 3rd Qu.: -0.536 3rd Qu.: 22.03 3rd Qu.:1036.4
Max. :42.47 Max. : 22.800 Max. : 33.12 Max. :1472.5
prec_wet_quart prec_season
Min. : 24 Min. : 5.748
1st Qu.: 227 1st Qu.: 19.910
Median : 301 Median : 33.113
Mean : 315 Mean : 40.160
3rd Qu.: 350 3rd Qu.: 56.206
Max. :1982 Max. :138.056
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 146.5: 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 : 13622, 2 (geometries, attributes)
extent : -129.9792, -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 146.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
146.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for mapo_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for mapo_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for mapo_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= mapo 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 : mapo_PA1
-=-=-=--=-=-=- mapo_PA1_RUN1
-=-=-=- Run : mapo_PA2
-=-=-=--=-=-=- mapo_PA2_RUN1
-=-=-=- Run : mapo_PA3
-=-=-=--=-=-=- mapo_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=146.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 mapo_PA1_RUN1_GAM PA1 RUN1 GAM TSS 596.0 98.780
2 mapo_PA1_RUN1_GAM PA1 RUN1 GAM ROC 596.5 98.780
3 mapo_PA1_RUN1_MARS PA1 RUN1 MARS TSS 416.0 96.917
4 mapo_PA1_RUN1_MARS PA1 RUN1 MARS ROC 463.5 96.146
5 mapo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 359.0 94.733
6 mapo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 359.5 94.733
specificity calibration validation evaluation
1 62.942 0.618 0.612 NA
2 63.006 0.767 0.757 NA
3 81.439 0.784 0.781 NA
4 82.338 0.945 0.953 NA
5 82.338 0.771 0.784 NA
6 82.402 0.946 0.954 NA
Figure 146.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
146.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 mapo_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.268773
2 mapo_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.280018
3 mapo_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.138925
4 mapo_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.227727
5 mapo_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.169308
6 mapo_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.134315
Figure 146.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 146.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
146.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : mapo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mapo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=146.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 mapo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mapo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 92.395 92.324
2 mergedAlgo TSS EMwmean ROC 630.5 92.240 92.547
calibration validation evaluation
1 0.848 NA NA
2 0.984 NA NA
Figure 146.11: 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 mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 mapo_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 0.247932
2 mergedAlgo TSS EMcv temp_min 1 0.448223
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.162334
4 mergedAlgo TSS EMcv temp_season 1 0.102812
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.106283
6 mergedAlgo TSS EMcv prec_season 1 0.102133Par variable :
Figure 146.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 146.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
146.3 Projections
146.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mapo/current
sp.name : mapo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mapo/mapo.AllModels.models.out )
models.projected :
mapo_PA1_RUN1_GAM, mapo_PA1_RUN1_MARS, mapo_PA1_RUN1_MAXNET, mapo_PA1_RUN1_GBM, mapo_PA1_RUN1_ANN, mapo_PA1_RUN1_RF, mapo_PA2_RUN1_GAM, mapo_PA2_RUN1_MARS, mapo_PA2_RUN1_MAXNET, mapo_PA2_RUN1_GBM, mapo_PA2_RUN1_ANN, mapo_PA2_RUN1_RF, mapo_PA3_RUN1_GAM, mapo_PA3_RUN1_MARS, mapo_PA3_RUN1_MAXNET, mapo_PA3_RUN1_GBM, mapo_PA3_RUN1_ANN, mapo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 146.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 146.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mapo/current
sp.name : mapo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mapo/mapo.AllModels.ensemble.models.out )
models.projected :
mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mapo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 146.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
146.3.2 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/mapo/cont_gre
sp.name : mapo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mapo/mapo.AllModels.models.out )
models.projected :
mapo_PA1_RUN1_GAM, mapo_PA1_RUN1_MARS, mapo_PA1_RUN1_MAXNET, mapo_PA1_RUN1_GBM, mapo_PA1_RUN1_ANN, mapo_PA1_RUN1_RF, mapo_PA2_RUN1_GAM, mapo_PA2_RUN1_MARS, mapo_PA2_RUN1_MAXNET, mapo_PA2_RUN1_GBM, mapo_PA2_RUN1_ANN, mapo_PA2_RUN1_RF, mapo_PA3_RUN1_GAM, mapo_PA3_RUN1_MARS, mapo_PA3_RUN1_MAXNET, mapo_PA3_RUN1_GBM, mapo_PA3_RUN1_ANN, mapo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 146.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 146.18: 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/mapo/cont_gre
sp.name : mapo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mapo/mapo.AllModels.ensemble.models.out )
models.projected :
mapo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mapo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 146.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
146.3.3 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 146.20: 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 146.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 146.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 146.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
146.4 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)
146.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 146.24: 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 146.25: 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 146.26: 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 146.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
146.4.2 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 47 84 110 223.1194 417 609 0 2000
2 59 162 320 346.9844 551 656 126 2040
3 62 233 404 393.6632 564 655 126 2060
4 64 236 409 400.4831 576 683 126 2080
5 63 229 394 386.0209 557 661 126 2100
6 62 184 340 360.5743 553 656 245 2040
7 72 293 496 436.4569 583 669 245 2060
8 92 397 532 489.4715 591 685 245 2080
9 115 467 555 519.5005 596 682 245 2100
10 58 171 328 354.1516 554 648 370 2040
11 73 301 490 437.5916 578 665 370 2060
12 159 486 550 529.5334 585 664 370 2080
13 341 561 613 601.3762 643 729 370 2100
14 58 181 333 363.4001 568 677 585 2040
15 82 356 527 477.6893 595 690 585 2060
16 299 575 619 606.7885 642 740 585 2080
17 460 581 633 621.4060 676 765 585 2100
Figure 146.28: 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.