147 Malus sylvestris
147.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.gukbx4
Format: SIMPLE_CSV
Download key: 0252629-230224095556074
Created: 2023-05-20T17:36:07.077+00:00
Modified: 2023-05-20T17:37:21.693+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252629-230224095556074.zip
Total records: 56693Conversion 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 56693 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.931817 ymin: -42.18 xmax: 135.853889 ymax: 67.9478
Geodetic CRS: WGS 84
# A tibble: 56,693 × 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 56,683 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 56 693 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 147.1: Occurrences de Malus sylvestris dans le monde.
147.1.1 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] 0.9911276524[1] 0.001023053993[1] 0.0001587497575
Figure 147.2: Occurrence de Malus sylvestris dans la région d’endémisme.
147.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
33770
CC_BY_NC_4_0
3241
CC0_1_0
9715
https://creativecommons.org/licenses/by-nc/4.0/legalcode
6898
https://creativecommons.org/licenses/by/4.0/legalcode
2426
https://creativecommons.org/publicdomain/zero/1.0/legalcode
140 [1] 81.95586403
Figure 147.3: Occurrence de Malus sylvestris 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] 46051147.1.3 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: -9.600794 ymin: 38.61 xmax: 46.829213 ymax: 67.9478
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 0d8cc344-… a6c2c0fc-5d… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
3 2 e9 b124e1e0-… urn:uuid:c2… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
4 2 e9 7a3679ef-… o-1008465296 Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
5 1 e9 75956ee6-… http://cbnm… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
6 3.e9 e5f16d86-… 9dc0e66d-ae… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
8 3.e9 25d4f82b-… urn:catalog… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
9 1 e9 75956ee6-… http://pifh… Plantae Trach… Magn… Rosa… Rosac… Malus Malus … ""
10 2 e9 67fabcac-… 3240805 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>, …
147.2 Modélisation de la niche climatique
147.2.1 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 : -9.600794, 46.82921, 38.61, 67.9478 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= masy 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 = masy
24954 presences, 0 true absences and 72913 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.980 Min. :-11.523 Min. : 0.0
1st Qu.:20.04 1st Qu.: -9.036 1st Qu.: 7.973 1st Qu.: 610.5
Median :23.22 Median : -3.440 Median : 12.555 Median : 728.8
Mean :24.62 Mean : -4.315 Mean : 11.917 Mean : 755.3
3rd Qu.:27.93 3rd Qu.: 0.780 3rd Qu.: 15.989 3rd Qu.: 901.3
Max. :45.53 Max. : 12.376 Max. : 25.169 Max. :1380.9
prec_wet_quart prec_season
Min. : 3 Min. : 6.065
1st Qu.: 176 1st Qu.: 21.783
Median : 214 Median : 30.736
Mean : 219 Mean : 34.918
3rd Qu.: 249 3rd Qu.: 39.297
Max. :1264 Max. :123.408
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 147.5: 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 : 174816, 2 (geometries, attributes)
extent : -10.52083, 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 147.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
147.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for masy_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for masy_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for masy_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= masy 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 : masy_PA1
-=-=-=--=-=-=- masy_PA1_RUN1
-=-=-=- Run : masy_PA2
-=-=-=--=-=-=- masy_PA2_RUN1
-=-=-=- Run : masy_PA3
-=-=-=--=-=-=- masy_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=147.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 masy_PA1_RUN1_GAM PA1 RUN1 GAM TSS 556.0 95.191
2 masy_PA1_RUN1_GAM PA1 RUN1 GAM ROC 542.5 95.442
3 masy_PA1_RUN1_MARS PA1 RUN1 MARS TSS 421.0 93.738
4 masy_PA1_RUN1_MARS PA1 RUN1 MARS ROC 369.5 95.281
5 masy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 362.0 93.819
6 masy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 364.5 93.688
specificity calibration validation evaluation
1 54.295 0.495 0.482 NA
2 54.050 0.664 0.658 NA
3 83.685 0.774 0.767 NA
4 82.220 0.934 0.930 NA
5 83.450 0.773 0.762 NA
6 83.620 0.930 0.925 NA
Figure 147.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
147.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 masy_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.473908
2 masy_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.178327
3 masy_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.141784
4 masy_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.455537
5 masy_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.127551
6 masy_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.041811
Figure 147.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 147.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
147.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : masy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, masy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=147.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 masy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 masy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 687.0 95.977 95.362
2 mergedAlgo TSS EMwmean ROC 686.5 95.977 95.362
calibration validation evaluation
1 0.913 NA NA
2 0.993 NA NA
Figure 147.11: 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 masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 masy_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 0.574628
2 mergedAlgo TSS EMcv temp_min 1 0.571556
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.263523
4 mergedAlgo TSS EMcv temp_season 1 0.277757
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.227177
6 mergedAlgo TSS EMcv prec_season 1 0.307634Par variable :
Figure 147.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 147.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
147.3 Projections
147.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/masy/current
sp.name : masy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/masy/masy.AllModels.models.out )
models.projected :
masy_PA1_RUN1_GAM, masy_PA1_RUN1_MARS, masy_PA1_RUN1_MAXNET, masy_PA1_RUN1_GBM, masy_PA1_RUN1_RF, masy_PA2_RUN1_GAM, masy_PA2_RUN1_MARS, masy_PA2_RUN1_MAXNET, masy_PA2_RUN1_GBM, masy_PA2_RUN1_RF, masy_PA3_RUN1_GAM, masy_PA3_RUN1_MARS, masy_PA3_RUN1_MAXNET, masy_PA3_RUN1_GBM, masy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 147.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 147.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/masy/current
sp.name : masy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/masy/masy.AllModels.ensemble.models.out )
models.projected :
masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, masy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 147.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
147.3.2 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/masy/cont_gre
sp.name : masy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/masy/masy.AllModels.models.out )
models.projected :
masy_PA1_RUN1_GAM, masy_PA1_RUN1_MARS, masy_PA1_RUN1_MAXNET, masy_PA1_RUN1_GBM, masy_PA1_RUN1_RF, masy_PA2_RUN1_GAM, masy_PA2_RUN1_MARS, masy_PA2_RUN1_MAXNET, masy_PA2_RUN1_GBM, masy_PA2_RUN1_RF, masy_PA3_RUN1_GAM, masy_PA3_RUN1_MARS, masy_PA3_RUN1_MAXNET, masy_PA3_RUN1_GBM, masy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 147.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 147.18: 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/masy/cont_gre
sp.name : masy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/masy/masy.AllModels.ensemble.models.out )
models.projected :
masy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, masy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 147.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
147.3.3 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 147.20: 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 147.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 147.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 147.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
147.4 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)
147.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 147.24: 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 147.25: 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 147.26: 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 147.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
147.4.2 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>
1 293 478 745 671.3114 826 933 0 2000
2 156 334 455 496.4851 700 883 126 2040
3 160 296 383 438.5193 588 850 126 2060
4 168 293 366 430.7746 598 816 126 2080
5 194 314 418 455.1392 615 803 126 2100
6 163 322 449 492.7198 697 883 245 2040
7 172 288 322 369.6291 438 755 245 2060
8 193 295 323 366.8343 421 735 245 2080
9 135 270 303 309.9577 338 609 245 2100
10 156 322 415 466.0163 608 899 370 2040
11 188 297 340 394.1779 474 765 370 2060
12 164 260 284 293.7778 319 634 370 2080
13 109 201 236 224.4460 250 324 370 2100
14 153 309 399 456.2077 640 819 585 2040
15 177 299 321 353.1527 396 682 585 2060
16 112 196 243 228.7680 258 342 585 2080
17 156 197 228 239.6894 286 361 585 2100
Figure 147.28: 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.