149 Mespilus germanica
149.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.44rhxk
Format: SIMPLE_CSV
Download key: 0252634-230224095556074
Created: 2023-05-20T17:38:45.083+00:00
Modified: 2023-05-20T17:39:44.250+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252634-230224095556074.zip
Total records: 26816Conversion 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 26816 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.611628 ymin: -37.8167 xmax: 144.9667 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 26,816 × 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 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
# ℹ 26,806 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 26 816 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 149.1: Occurrences de Mespilus germanica dans le monde.
149.1.1 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] 0.9983218974[1] 0.0005966587112[1] 0
Figure 149.2: Occurrence de Mespilus germanica dans la région d’endémisme.
149.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
17626
CC_BY_NC_4_0
8012
CC0_1_0
1034
https://creativecommons.org/licenses/by-nc/4.0/legalcode
69
https://creativecommons.org/licenses/by/4.0/legalcode
22
https://creativecommons.org/publicdomain/zero/1.0/legalcode
8 [1] 69.81435135
Figure 149.3: Occurrence de Mespilus germanica 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] 18690149.1.3 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 18690 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.004078 ymin: 36.14 xmax: 46.767161 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 18,690 × 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 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Mesp… Mespil… ""
# ℹ 18,680 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
149.2 Modélisation de la niche climatique
149.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 18690, 0 (geometries, attributes)
extent : -8.004078, 46.76716, 36.14, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= mege 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 = mege
18668 presences, 0 true absences and 54902 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.076 Min. :-12.087 Min. : 0.0
1st Qu.:20.86 1st Qu.: -8.688 1st Qu.: 7.887 1st Qu.: 579.6
Median :24.14 Median : -1.396 Median : 12.337 Median : 716.3
Mean :25.07 Mean : -3.673 Mean : 11.937 Mean : 741.8
3rd Qu.:27.89 3rd Qu.: 1.428 3rd Qu.: 16.009 3rd Qu.: 896.2
Max. :45.38 Max. : 12.300 Max. : 25.766 Max. :1394.1
prec_wet_quart prec_season
Min. : 5.0 Min. : 4.63
1st Qu.: 175.0 1st Qu.: 19.20
Median : 214.0 Median : 30.13
Mean : 216.3 Mean : 33.76
3rd Qu.: 247.0 3rd Qu.: 39.06
Max. :1216.0 Max. :124.09
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 149.5: 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 : 130742, 2 (geometries, attributes)
extent : -10.4375, 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 149.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
149.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for mege_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for mege_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for mege_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= mege 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 : mege_PA1
-=-=-=--=-=-=- mege_PA1_RUN1
-=-=-=- Run : mege_PA2
-=-=-=--=-=-=- mege_PA2_RUN1
-=-=-=- Run : mege_PA3
-=-=-=--=-=-=- mege_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=149.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 mege_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 96.049
2 mege_PA1_RUN1_GAM PA1 RUN1 GAM ROC 720.5 96.223
3 mege_PA1_RUN1_MARS PA1 RUN1 MARS TSS 514.0 96.397
4 mege_PA1_RUN1_MARS PA1 RUN1 MARS ROC 516.5 96.377
5 mege_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 368.0 95.748
6 mege_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 369.5 95.728
specificity calibration validation evaluation
1 67.442 0.635 0.642 NA
2 67.335 0.755 0.760 NA
3 91.847 0.882 0.887 NA
4 91.894 0.976 0.979 NA
5 92.703 0.885 0.885 NA
6 92.770 0.976 0.978 NA
Figure 149.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
149.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 mege_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.423669
2 mege_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.053935
3 mege_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.016288
4 mege_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.489937
5 mege_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.081045
6 mege_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.039058
Figure 149.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 149.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
149.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : mege
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mege_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=149.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 mege_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mege_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 566.0 96.706 94.946
2 mergedAlgo TSS EMwmean ROC 556.5 96.834 94.833
calibration validation evaluation
1 0.917 NA NA
2 0.993 NA NA
Figure 149.11: 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 mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 mege_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 0.154254
2 mergedAlgo TSS EMcv temp_min 1 0.172506
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.026843
4 mergedAlgo TSS EMcv temp_season 1 0.161604
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.089230
6 mergedAlgo TSS EMcv prec_season 1 0.198353Par variable :
Figure 149.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 149.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
149.3 Projections
149.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mege/current
sp.name : mege
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mege/mege.AllModels.models.out )
models.projected :
mege_PA1_RUN1_GAM, mege_PA1_RUN1_MARS, mege_PA1_RUN1_MAXNET, mege_PA1_RUN1_GBM, mege_PA1_RUN1_RF, mege_PA2_RUN1_GAM, mege_PA2_RUN1_MARS, mege_PA2_RUN1_MAXNET, mege_PA2_RUN1_GBM, mege_PA2_RUN1_RF, mege_PA3_RUN1_GAM, mege_PA3_RUN1_MARS, mege_PA3_RUN1_MAXNET, mege_PA3_RUN1_GBM, mege_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 149.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 149.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/mege/current
sp.name : mege
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mege/mege.AllModels.ensemble.models.out )
models.projected :
mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mege_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 149.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
149.3.2 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/mege/cont_gre
sp.name : mege
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mege/mege.AllModels.models.out )
models.projected :
mege_PA1_RUN1_GAM, mege_PA1_RUN1_MARS, mege_PA1_RUN1_MAXNET, mege_PA1_RUN1_GBM, mege_PA1_RUN1_RF, mege_PA2_RUN1_GAM, mege_PA2_RUN1_MARS, mege_PA2_RUN1_MAXNET, mege_PA2_RUN1_GBM, mege_PA2_RUN1_RF, mege_PA3_RUN1_GAM, mege_PA3_RUN1_MARS, mege_PA3_RUN1_MAXNET, mege_PA3_RUN1_GBM, mege_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 149.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 149.18: 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/mege/cont_gre
sp.name : mege
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/mege/mege.AllModels.ensemble.models.out )
models.projected :
mege_EMcvByTSS_mergedData_mergedRun_mergedAlgo, mege_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 149.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
149.3.3 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 149.20: 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 149.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 149.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 149.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
149.4 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)
149.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 149.24: 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 149.25: 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 149.26: 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 149.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
149.4.2 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>
1 117 464 557 569.8914 703 835 0 2000
2 273 479 667 621.7097 741 823 126 2040
3 296 465 624 600.6820 725 814 126 2060
4 290 446 618 590.4571 713 810 126 2080
5 304 486 670 615.2427 729 808 126 2100
6 327 486 692 631.7466 754 819 245 2040
7 291 434 560 560.6072 691 784 245 2060
8 361 441 513 554.2440 689 790 245 2080
9 309 435 472 514.9792 603 734 245 2100
10 265 469 625 605.4282 730 826 370 2040
11 308 450 582 580.7288 708 792 370 2060
12 355 437 464 505.5670 561 732 370 2080
13 181 365 392 384.3783 416 560 370 2100
14 285 448 633 596.4904 715 809 585 2040
15 340 434 532 550.3782 683 761 585 2060
16 185 370 396 393.5812 422 606 585 2080
17 153 264 299 304.3503 347 431 585 2100
Figure 149.28: 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.