212 Ostrya virginiana
212.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.dak64n
Format: SIMPLE_CSV
Download key: 0260895-230224095556074
Created: 2023-05-25T12:01:35.123+00:00
Modified: 2023-05-25T12:02:43.701+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260895-230224095556074.zip
Total records: 7461Conversion 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 5443 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -108.542 ymin: 2.563254 xmax: 25.949101 ymax: 59.4664
Geodetic CRS: WGS 84
# A tibble: 5,443 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393729878 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
2 3117657037 5f06e39d-81cf-46… USFS - New … Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
3 3393465614 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
4 3393675560 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
5 3393735629 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
6 3393727767 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
7 3118046322 5f06e39d-81cf-46… USFS - New … Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
8 3393513607 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
9 3393521070 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
10 3393563911 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
# ℹ 5,433 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …Il y a 5 443 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 212.1: Occurrences de Ostrya virginiana dans le monde.
212.1.1 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] 0.001286055484[1] 0.9983465001[1] 0
Figure 212.2: Occurrence de Ostrya virginiana dans la région d’endémisme.
212.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
911 3504 1019 [1] 35.51711446
Figure 212.3: Occurrence de Ostrya virginiana 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] 1930212.1.3 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 1930 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -108.542 ymin: 13.771111 xmax: -60.4 ymax: 50.129431
Geodetic CRS: WGS 84
# A tibble: 1,930 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393729878 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
2 3117657037 5f06e39d-81cf-46… USFS - New … Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
3 3393465614 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
4 3393675560 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
5 3393735629 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
6 3393727767 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
7 3118046322 5f06e39d-81cf-46… USFS - New … Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
8 3393513607 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
9 3393521070 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
10 3393563911 d1e9202b-7300-47… NYCstreetTr… Plantae Trach… Magn… Faga… Betul… Ostr… Ostrya…
# ℹ 1,920 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …
212.2 Modélisation de la niche climatique
212.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1930, 0 (geometries, attributes)
extent : -108.542, -60.4, 13.77111, 50.12943 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= osvi 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 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 = osvi
1930 presences, 0 true absences and 5778 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.752 Min. :-12.07 Min. : 0.0
1st Qu.:23.54 1st Qu.:-15.490 1st Qu.: 12.25 1st Qu.: 722.4
Median :27.06 Median : -9.120 Median : 17.40 Median : 903.8
Mean :27.00 Mean : -8.162 Mean : 15.96 Mean : 859.6
3rd Qu.:31.01 3rd Qu.: -0.821 3rd Qu.: 20.67 3rd Qu.:1065.1
Max. :43.13 Max. : 22.475 Max. : 33.25 Max. :1468.0
prec_wet_quart prec_season
Min. : 24.0 Min. : 5.718
1st Qu.: 228.0 1st Qu.: 19.313
Median : 300.0 Median : 37.186
Mean : 331.4 Mean : 42.769
3rd Qu.: 358.0 3rd Qu.: 60.288
Max. :1830.0 Max. :136.955
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 212.5: 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 : 13510, 2 (geometries, attributes)
extent : -129.9792, -52.77083, 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 212.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
212.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for osvi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for osvi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for osvi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= osvi 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 : osvi_PA1
-=-=-=--=-=-=- osvi_PA1_RUN1
-=-=-=- Run : osvi_PA2
-=-=-=--=-=-=- osvi_PA2_RUN1
-=-=-=- Run : osvi_PA3
-=-=-=--=-=-=- osvi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=212.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 osvi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 596.0 94.689
2 osvi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 590.5 94.883
3 osvi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 423.0 93.329
4 osvi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 427.5 93.199
5 osvi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 365.0 95.790
6 osvi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 363.5 95.920
specificity calibration validation evaluation
1 60.622 0.553 0.539 NA
2 60.492 0.748 0.744 NA
3 72.280 0.656 0.674 NA
4 72.539 0.911 0.910 NA
5 71.179 0.670 0.679 NA
6 71.049 0.903 0.903 NA
Figure 212.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
212.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 osvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.214944
2 osvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.452623
3 osvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.106542
4 osvi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.309013
5 osvi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.279554
6 osvi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.227337
Figure 212.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 212.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
212.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : osvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=212.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 osvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 osvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 606.0 95.44 94.271
2 mergedAlgo TSS EMwmean ROC 607.5 95.44 94.462
calibration validation evaluation
1 0.898 NA NA
2 0.990 NA NA
Figure 212.11: 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 osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 osvi_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 0.506984
2 mergedAlgo TSS EMcv temp_min 1 0.521641
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.509791
4 mergedAlgo TSS EMcv temp_season 1 0.453242
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.471212
6 mergedAlgo TSS EMcv prec_season 1 0.416777Par variable :
Figure 212.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 212.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
212.3 Projections
212.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/osvi/current
sp.name : osvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osvi/osvi.AllModels.models.out )
models.projected :
osvi_PA1_RUN1_GAM, osvi_PA1_RUN1_MARS, osvi_PA1_RUN1_MAXNET, osvi_PA1_RUN1_GBM, osvi_PA1_RUN1_RF, osvi_PA2_RUN1_GAM, osvi_PA2_RUN1_MARS, osvi_PA2_RUN1_MAXNET, osvi_PA2_RUN1_GBM, osvi_PA2_RUN1_RF, osvi_PA3_RUN1_GAM, osvi_PA3_RUN1_MARS, osvi_PA3_RUN1_MAXNET, osvi_PA3_RUN1_GBM, osvi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 212.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 212.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/osvi/current
sp.name : osvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osvi/osvi.AllModels.ensemble.models.out )
models.projected :
osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 212.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
212.3.2 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/osvi/cont_gre
sp.name : osvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osvi/osvi.AllModels.models.out )
models.projected :
osvi_PA1_RUN1_GAM, osvi_PA1_RUN1_MARS, osvi_PA1_RUN1_MAXNET, osvi_PA1_RUN1_GBM, osvi_PA1_RUN1_RF, osvi_PA2_RUN1_GAM, osvi_PA2_RUN1_MARS, osvi_PA2_RUN1_MAXNET, osvi_PA2_RUN1_GBM, osvi_PA2_RUN1_RF, osvi_PA3_RUN1_GAM, osvi_PA3_RUN1_MARS, osvi_PA3_RUN1_MAXNET, osvi_PA3_RUN1_GBM, osvi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 212.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 212.18: 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/osvi/cont_gre
sp.name : osvi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/osvi/osvi.AllModels.ensemble.models.out )
models.projected :
osvi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, osvi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 212.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
212.3.3 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 212.20: 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 212.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 212.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 212.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
212.4 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)
212.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 212.24: 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 212.25: 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 212.26: 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 212.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
212.4.2 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>
1 125 273 371 345.3700 415 583 0 2000
2 135 328 364 371.9321 413 637 126 2040
3 205 324 358 362.8913 394 665 126 2060
4 190 334 360 369.9767 401 650 126 2080
5 207 341 375 378.4309 407 662 126 2100
6 188 340 374 385.1276 433 656 245 2040
7 228 331 360 366.5117 397 686 245 2060
8 262 345 377 376.8019 404 696 245 2080
9 159 333 374 374.4841 408 714 245 2100
10 138 328 367 374.2840 418 649 370 2040
11 232 339 371 372.3646 399 708 370 2060
12 256 327 369 371.6938 403 669 370 2080
13 252 322 390 399.3561 462 710 370 2100
14 184 327 357 366.9647 400 639 585 2040
15 256 345 380 383.8974 415 720 585 2060
16 168 333 388 390.3063 442 748 585 2080
17 150 272 310 338.1484 400 592 585 2100
Figure 212.28: 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.