150 Morus alba
150.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6rfrvt
Format: SIMPLE_CSV
Download key: 0252638-230224095556074
Created: 2023-05-20T17:40:17.455+00:00
Modified: 2023-05-20T17:41:08.597+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252638-230224095556074.zip
Total records: 11209Conversion 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 11078 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -158.047617 ymin: -38.184559 xmax: 174.8 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 11,078 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
# ℹ 11,068 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 11 078 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 150.1: Occurrences de Morus alba dans le monde.
150.1.1 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] 0.3381476801[1] 0.4650658964[1] 0.09613648673
Figure 150.2: Occurrence de Morus alba dans la région d’endémisme.
150.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
822 3628 702 [1] 29.58074534
Figure 150.3: Occurrence de Morus alba 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] 1524150.1.3 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 1524 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.58136 ymin: 13.25305 xmax: -70.990225 ymax: 50.562528
Geodetic CRS: WGS 84
# A tibble: 1,524 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
# ℹ 1,514 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>, …
150.2 Modélisation de la niche climatique
150.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1524, 0 (geometries, attributes)
extent : -122.5814, -70.99022, 13.25305, 50.56253 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= moal 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 = moal
1522 presences, 0 true absences and 4561 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 8.85 Min. :-30.708 Min. :-11.27 Min. : 55.98
1st Qu.:24.17 1st Qu.:-14.752 1st Qu.: 12.30 1st Qu.: 756.54
Median :28.36 Median : -7.864 Median : 17.78 Median : 899.37
Mean :27.75 Mean : -8.078 Mean : 16.46 Mean : 885.53
3rd Qu.:31.49 3rd Qu.: -1.574 3rd Qu.: 22.02 3rd Qu.:1055.73
Max. :42.93 Max. : 22.443 Max. : 33.30 Max. :1456.98
prec_wet_quart prec_season
Min. : 25.0 Min. : 5.752
1st Qu.: 219.0 1st Qu.: 19.262
Median : 295.0 Median : 34.875
Mean : 308.4 Mean : 40.317
3rd Qu.: 341.0 3rd Qu.: 56.256
Max. :1966.0 Max. :128.242
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 150.5: 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 : 10660, 2 (geometries, attributes)
extent : -129.8958, -53.10417, 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 150.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
150.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for moal_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for moal_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for moal_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= moal 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 : moal_PA1
-=-=-=--=-=-=- moal_PA1_RUN1
-=-=-=- Run : moal_PA2
-=-=-=--=-=-=- moal_PA2_RUN1
-=-=-=- Run : moal_PA3
-=-=-=--=-=-=- moal_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=150.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 moal_PA1_RUN1_GAM PA1 RUN1 GAM TSS 545.0 96.962
2 moal_PA1_RUN1_GAM PA1 RUN1 GAM ROC 547.5 96.962
3 moal_PA1_RUN1_MARS PA1 RUN1 MARS TSS 435.0 90.640
4 moal_PA1_RUN1_MARS PA1 RUN1 MARS ROC 432.5 91.215
5 moal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 427.0 87.192
6 moal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 426.5 87.192
specificity calibration validation evaluation
1 57.178 0.541 0.498 NA
2 57.178 0.741 0.731 NA
3 77.194 0.678 0.649 NA
4 76.866 0.917 0.917 NA
5 79.491 0.667 0.662 NA
6 79.491 0.917 0.918 NA
Figure 150.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
150.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 moal_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.226922
2 moal_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.785497
3 moal_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.009909
4 moal_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.266340
5 moal_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.021198
6 moal_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.052139
Figure 150.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 150.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
150.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : moal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=150.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 moal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 556.0 95.664 92.019
2 mergedAlgo TSS EMwmean ROC 558.5 95.598 92.173
calibration validation evaluation
1 0.877 NA NA
2 0.986 NA NA
Figure 150.11: 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 moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 moal_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 0.532336
2 mergedAlgo TSS EMcv temp_min 1 0.564607
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.475567
4 mergedAlgo TSS EMcv temp_season 1 0.437048
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.363271
6 mergedAlgo TSS EMcv prec_season 1 0.470526Par variable :
Figure 150.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 150.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
150.3 Projections
150.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moal/current
sp.name : moal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moal/moal.AllModels.models.out )
models.projected :
moal_PA1_RUN1_GAM, moal_PA1_RUN1_MARS, moal_PA1_RUN1_MAXNET, moal_PA1_RUN1_GBM, moal_PA1_RUN1_ANN, moal_PA1_RUN1_RF, moal_PA2_RUN1_GAM, moal_PA2_RUN1_MARS, moal_PA2_RUN1_MAXNET, moal_PA2_RUN1_GBM, moal_PA2_RUN1_ANN, moal_PA2_RUN1_RF, moal_PA3_RUN1_GAM, moal_PA3_RUN1_MARS, moal_PA3_RUN1_MAXNET, moal_PA3_RUN1_GBM, moal_PA3_RUN1_ANN, moal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 150.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 150.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moal/current
sp.name : moal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moal/moal.AllModels.ensemble.models.out )
models.projected :
moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 150.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
150.3.2 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/moal/cont_gre
sp.name : moal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moal/moal.AllModels.models.out )
models.projected :
moal_PA1_RUN1_GAM, moal_PA1_RUN1_MARS, moal_PA1_RUN1_MAXNET, moal_PA1_RUN1_GBM, moal_PA1_RUN1_ANN, moal_PA1_RUN1_RF, moal_PA2_RUN1_GAM, moal_PA2_RUN1_MARS, moal_PA2_RUN1_MAXNET, moal_PA2_RUN1_GBM, moal_PA2_RUN1_ANN, moal_PA2_RUN1_RF, moal_PA3_RUN1_GAM, moal_PA3_RUN1_MARS, moal_PA3_RUN1_MAXNET, moal_PA3_RUN1_GBM, moal_PA3_RUN1_ANN, moal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 150.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 150.18: 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/moal/cont_gre
sp.name : moal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moal/moal.AllModels.ensemble.models.out )
models.projected :
moal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 150.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
150.3.3 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 150.20: 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 150.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 150.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 150.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
150.4 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)
150.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 150.24: 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 150.25: 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 150.26: 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 150.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
150.4.2 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 48 126 149 200.2922 307 488 0 2000
2 72 217 294 281.3121 355 524 126 2040
3 74 250 334 315.1563 387 552 126 2060
4 69 258 319 310.2391 372 533 126 2080
5 77 252 339 316.2064 381 564 126 2100
6 86 237 308 294.9798 369 532 245 2040
7 71 262 333 319.1539 375 536 245 2060
8 113 336 378 362.9918 400 559 245 2080
9 143 343 389 376.5221 415 561 245 2100
10 58 215 295 279.1320 351 506 370 2040
11 100 278 368 341.4058 395 538 370 2060
12 163 352 405 390.2021 429 587 370 2080
13 219 439 479 471.5888 511 679 370 2100
14 67 231 300 284.9681 358 495 585 2040
15 105 324 382 360.7573 400 594 585 2060
16 225 406 440 434.8888 471 662 585 2080
17 333 486 510 507.1545 534 639 585 2100
Figure 150.28: 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.