41 Morus australis
41.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ujhhsv
Format: SIMPLE_CSV
Download key: 0232092-230224095556074
Created: 2023-05-11T07:06:15.228+00:00
Modified: 2023-05-11T07:07:01.684+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232092-230224095556074.zip
Total records: 3047Conversion 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 3047 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -147.63718 ymin: -25.85906 xmax: 145.0602 ymax: 56.684199
Geodetic CRS: WGS 84
# A tibble: 3,047 × 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 1b412457-… 5976698 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
2 9e8 1b412457-… 5182251 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
3 8e8 29d56be4-… TAI222891 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
4 8e8 29d56be4-… TAI222962 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
5 8e8 29d56be4-… TAI222963 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
6 8e8 29d56be4-… TAI229586 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
7 8e8 29d56be4-… TAI229587 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
8 8e8 29d56be4-… TAI229984 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
9 8e8 29d56be4-… TAI229985 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
10 8e8 29d56be4-… TAI256069 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
# ℹ 3,037 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 3 047 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 41.1: Occurrences de Morus australis dans le monde.
41.1.1 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] 0.03478831638[1] 0.003281916639[1] 0.9563505087
Figure 41.2: Occurrence de Morus australis dans la région d’endémisme.
41.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1406 1438 70 [1] 50.65202471
Figure 41.3: Occurrence de Morus australis 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] 147641.1.3 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 1476 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 89.841904 ymin: 14.85 xmax: 145.0602 ymax: 44.73
Geodetic CRS: WGS 84
# A tibble: 1,476 × 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 1b412457-… 5976698 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
2 9e8 1b412457-… 5182251 Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
3 7e8 86185376-… 7beb11b8-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
4 7e8 86185376-… 7b240b2c-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
5 7e8 86185376-… 7b22535e-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
6 7e8 86185376-… 7b16ab80-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
7 7e8 86185376-… 7b165bd0-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
8 7e8 86185376-… 7ab6869c-f8… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
9 6e8 80fc4302-… ebb0c6b4-f1… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
10 6e8 80fc4302-… ebb09e64-f1… Plantae Trach… Magn… Rosa… Morac… Morus Morus … ""
# ℹ 1,466 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>, …
41.2 Modélisation de la niche climatique
41.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1476, 0 (geometries, attributes)
extent : 89.8419, 145.0602, 14.85, 44.73 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= moau 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 = moau
1460 presences, 0 true absences and 4421 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 1.932 Min. :-44.012 Min. :-16.95 Min. : 20.09
1st Qu.:22.460 1st Qu.:-21.692 1st Qu.: 15.77 1st Qu.: 629.61
Median :27.160 Median : -7.536 Median : 20.68 Median : 872.59
Mean :25.755 Mean : -8.482 Mean : 19.40 Mean : 919.52
3rd Qu.:30.052 3rd Qu.: 4.392 3rd Qu.: 24.61 3rd Qu.:1286.11
Max. :39.536 Max. : 25.300 Max. : 34.22 Max. :1950.94
prec_wet_quart prec_season
Min. : 11.0 Min. : 8.873
1st Qu.: 206.0 1st Qu.: 48.885
Median : 407.0 Median : 79.484
Mean : 491.7 Mean : 77.400
3rd Qu.: 676.0 3rd Qu.:101.980
Max. :5269.0 Max. :163.969
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 41.5: 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 : 10268, 2 (geometries, attributes)
extent : 68.02083, 147.8958, 3.020833, 56.97917 (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 41.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
41.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for moau_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for moau_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for moau_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= moau 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 : moau_PA1
-=-=-=--=-=-=- moau_PA1_RUN1
-=-=-=- Run : moau_PA2
-=-=-=--=-=-=- moau_PA2_RUN1
-=-=-=- Run : moau_PA3
-=-=-=--=-=-=- moau_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=41.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 moau_PA1_RUN1_GAM PA1 RUN1 GAM TSS 677.0 98.545
2 moau_PA1_RUN1_GAM PA1 RUN1 GAM ROC 883.5 96.918
3 moau_PA1_RUN1_MARS PA1 RUN1 MARS TSS 465.0 96.661
4 moau_PA1_RUN1_MARS PA1 RUN1 MARS ROC 466.5 96.661
5 moau_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 354.0 96.918
6 moau_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 355.0 96.918
specificity calibration validation evaluation
1 64.860 0.634 0.654 NA
2 66.638 0.750 0.763 NA
3 92.633 0.893 0.908 NA
4 92.718 0.979 0.983 NA
5 90.601 0.879 0.895 NA
6 90.940 0.979 0.985 NA
Figure 41.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
41.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 moau_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.114721
2 moau_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.141785
3 moau_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004750
4 moau_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.736970
5 moau_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.248354
6 moau_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.126201
Figure 41.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 41.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
41.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : moau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=41.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 moau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 573.0 97.534 96.109
2 mergedAlgo TSS EMwmean ROC 575.5 97.534 96.200
calibration validation evaluation
1 0.937 NA NA
2 0.993 NA NA
Figure 41.11: 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 moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 moau_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 0.130019
2 mergedAlgo TSS EMcv temp_min 1 0.295620
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.045188
4 mergedAlgo TSS EMcv temp_season 1 0.404354
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.357665
6 mergedAlgo TSS EMcv prec_season 1 0.209611Par variable :
Figure 41.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 41.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
41.3 Projections
41.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moau/current
sp.name : moau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moau/moau.AllModels.models.out )
models.projected :
moau_PA1_RUN1_GAM, moau_PA1_RUN1_MARS, moau_PA1_RUN1_MAXNET, moau_PA1_RUN1_GBM, moau_PA1_RUN1_ANN, moau_PA1_RUN1_RF, moau_PA2_RUN1_GAM, moau_PA2_RUN1_MARS, moau_PA2_RUN1_MAXNET, moau_PA2_RUN1_GBM, moau_PA2_RUN1_ANN, moau_PA2_RUN1_RF, moau_PA3_RUN1_GAM, moau_PA3_RUN1_MARS, moau_PA3_RUN1_MAXNET, moau_PA3_RUN1_GBM, moau_PA3_RUN1_ANN, moau_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 41.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 41.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moau/current
sp.name : moau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moau/moau.AllModels.ensemble.models.out )
models.projected :
moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 41.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
41.3.2 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/moau/cont_gre
sp.name : moau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moau/moau.AllModels.models.out )
models.projected :
moau_PA1_RUN1_GAM, moau_PA1_RUN1_MARS, moau_PA1_RUN1_MAXNET, moau_PA1_RUN1_GBM, moau_PA1_RUN1_ANN, moau_PA1_RUN1_RF, moau_PA2_RUN1_GAM, moau_PA2_RUN1_MARS, moau_PA2_RUN1_MAXNET, moau_PA2_RUN1_GBM, moau_PA2_RUN1_ANN, moau_PA2_RUN1_RF, moau_PA3_RUN1_GAM, moau_PA3_RUN1_MARS, moau_PA3_RUN1_MAXNET, moau_PA3_RUN1_GBM, moau_PA3_RUN1_ANN, moau_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 41.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 41.18: 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/moau/cont_gre
sp.name : moau
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moau/moau.AllModels.ensemble.models.out )
models.projected :
moau_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moau_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 41.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
41.3.3 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 41.20: 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 41.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 41.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 41.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
41.4 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)
41.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 41.24: 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 41.25: 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 41.26: 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 41.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
41.4.2 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>
1 247 376 422 432.9252 475 755 0 2000
2 208 323 381 393.0560 459 759 126 2040
3 192 283 347 360.7821 431 735 126 2060
4 199 301 380 396.4190 466 770 126 2080
5 192 291 359 381.3606 445 750 126 2100
6 202 316 379 390.5959 460 759 245 2040
7 198 288 365 382.4255 454 750 245 2060
8 185 259 334 347.2560 424 728 245 2080
9 176 244 306 324.2802 391 699 245 2100
10 210 327 384 396.9959 463 762 370 2040
11 191 272 341 357.2133 427 735 370 2060
12 170 229 275 286.2446 341 638 370 2080
13 136 186 217 244.9152 275 666 370 2100
14 206 320 391 406.1976 472 769 585 2040
15 184 263 335 356.2740 424 750 585 2060
16 164 213 251 281.0175 343 668 585 2080
17 113 173 178 182.8040 192 564 585 2100
Figure 41.28: 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.