20 Ostrya carpinifolia
20.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.up8jr6
Format: SIMPLE_CSV
Download key: 0230936-230224095556074
Created: 2023-05-10T20:53:21.874+00:00
Modified: 2023-05-10T20:54:55.181+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230936-230224095556074.zip
Total records: 12497Conversion 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 12497 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -90.25861 ymin: 34.066944 xmax: 44.702381 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 12,497 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
# ℹ 12,487 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 12 497 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 20.1: Occurrences de Ostrya carpinifolia dans le monde.
20.1.1 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] 0.9997599424[1] 0.0002400576138[1] 0
Figure 20.2: Occurrence de Ostrya carpinifolia dans la région d’endémisme.
20.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
8560
CC_BY_NC_4_0
819
CC0_1_0
3098
https://creativecommons.org/licenses/by-nc/4.0/legalcode
10
https://creativecommons.org/licenses/by/4.0/legalcode
4
https://creativecommons.org/publicdomain/zero/1.0/legalcode
3 [1] 93.36481511
Figure 20.3: Occurrence de Ostrya carpinifolia 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] 1166520.1.3 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 11665 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -4.78 ymin: 34.408611 xmax: 44.702381 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 11,665 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya… NA
# ℹ 11,655 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>, …
20.2 Modélisation de la niche climatique
20.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 11665, 0 (geometries, attributes)
extent : -4.78, 44.70238, 34.40861, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= osca 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 = osca
11648 presences, 0 true absences and 34515 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.988 Min. :-12.310 Min. : 0.0
1st Qu.:20.92 1st Qu.: -8.664 1st Qu.: 8.699 1st Qu.: 611.0
Median :24.88 Median : -1.640 Median : 12.328 Median : 727.9
Mean :25.45 Mean : -3.650 Mean : 12.085 Mean : 756.1
3rd Qu.:28.54 3rd Qu.: 1.720 3rd Qu.: 15.917 3rd Qu.: 896.6
Max. :45.64 Max. : 11.700 Max. : 25.944 Max. :1395.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.692
1st Qu.: 181.0 1st Qu.: 27.256
Median : 226.0 Median : 33.123
Mean : 244.2 Mean : 37.686
3rd Qu.: 297.0 3rd Qu.: 41.230
Max. :1250.0 Max. :122.649
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 20.5: 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 : 81587, 2 (geometries, attributes)
extent : -10.5625, 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 20.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
20.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for osca_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for osca_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for osca_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= osca 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 : osca_PA1
-=-=-=--=-=-=- osca_PA1_RUN1
-=-=-=- Run : osca_PA2
-=-=-=--=-=-=- osca_PA2_RUN1
-=-=-=- Run : osca_PA3
-=-=-=--=-=-=- osca_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=20.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 osca_PA1_RUN1_GAM PA1 RUN1 GAM TSS 414.0 98.058
2 osca_PA1_RUN1_GAM PA1 RUN1 GAM ROC 414.5 98.058
3 osca_PA1_RUN1_MARS PA1 RUN1 MARS TSS 595.0 92.810
4 osca_PA1_RUN1_MARS PA1 RUN1 MARS ROC 531.0 94.173
5 osca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 367.0 93.024
6 osca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 367.5 92.981
specificity calibration validation evaluation
1 62.655 0.607 0.595 NA
2 62.666 0.761 0.752 NA
3 93.592 0.864 0.859 NA
4 92.317 0.979 0.976 NA
5 92.638 0.857 0.849 NA
6 92.724 0.979 0.975 NA
Figure 20.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
20.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 osca_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.280066
2 osca_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.228025
3 osca_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004094
4 osca_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.449071
5 osca_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.047958
6 osca_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.034848
Figure 20.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 20.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
20.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : osca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=20.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 osca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 osca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 527.0 95.810 95.753
2 mergedAlgo TSS EMwmean ROC 528.5 95.802 95.802
calibration validation evaluation
1 0.916 NA NA
2 0.993 NA NA
Figure 20.11: 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 osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 osca_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 0.193835
2 mergedAlgo TSS EMcv temp_min 1 0.324013
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.030446
4 mergedAlgo TSS EMcv temp_season 1 0.191420
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.208110
6 mergedAlgo TSS EMcv prec_season 1 0.202316Par variable :
Figure 20.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 20.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
20.3 Projections
20.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/osca/current
sp.name : osca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osca/osca.AllModels.models.out )
models.projected :
osca_PA1_RUN1_GAM, osca_PA1_RUN1_MARS, osca_PA1_RUN1_MAXNET, osca_PA1_RUN1_GBM, osca_PA1_RUN1_ANN, osca_PA1_RUN1_RF, osca_PA2_RUN1_GAM, osca_PA2_RUN1_MARS, osca_PA2_RUN1_MAXNET, osca_PA2_RUN1_GBM, osca_PA2_RUN1_ANN, osca_PA2_RUN1_RF, osca_PA3_RUN1_GAM, osca_PA3_RUN1_MARS, osca_PA3_RUN1_MAXNET, osca_PA3_RUN1_GBM, osca_PA3_RUN1_ANN, osca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 20.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 20.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/osca/current
sp.name : osca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osca/osca.AllModels.ensemble.models.out )
models.projected :
osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 20.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
20.3.2 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/osca/cont_gre
sp.name : osca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osca/osca.AllModels.models.out )
models.projected :
osca_PA1_RUN1_GAM, osca_PA1_RUN1_MARS, osca_PA1_RUN1_MAXNET, osca_PA1_RUN1_GBM, osca_PA1_RUN1_ANN, osca_PA1_RUN1_RF, osca_PA2_RUN1_GAM, osca_PA2_RUN1_MARS, osca_PA2_RUN1_MAXNET, osca_PA2_RUN1_GBM, osca_PA2_RUN1_ANN, osca_PA2_RUN1_RF, osca_PA3_RUN1_GAM, osca_PA3_RUN1_MARS, osca_PA3_RUN1_MAXNET, osca_PA3_RUN1_GBM, osca_PA3_RUN1_ANN, osca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 20.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 20.18: 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/osca/cont_gre
sp.name : osca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osca/osca.AllModels.ensemble.models.out )
models.projected :
osca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 20.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
20.3.3 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 20.20: 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 20.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 20.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 20.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
20.4 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)
20.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 20.24: 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 20.25: 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 20.26: 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 20.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
20.4.2 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>
1 264 496 576 589.5354 710 821 0 2000
2 350 626 732 695.9023 780 832 126 2040
3 374 634 749 701.3134 784 834 126 2060
4 405 667 772 725.3570 806 854 126 2080
5 381 655 751 708.7797 784 835 126 2100
6 353 647 739 702.8256 779 831 245 2040
7 391 646 765 710.7729 795 839 245 2060
8 379 636 764 704.4064 790 839 245 2080
9 361 609 759 691.0311 787 854 245 2100
10 341 608 731 689.0608 777 828 370 2040
11 379 644 758 703.1270 784 834 370 2060
12 345 556 737 660.4203 770 835 370 2080
13 365 539 696 645.4313 764 835 370 2100
14 399 665 765 722.8494 804 841 585 2040
15 399 657 765 712.1268 791 842 585 2060
16 379 574 727 670.7703 785 844 585 2080
17 279 425 633 568.8432 683 791 585 2100
Figure 20.28: 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.