151 Paulownia tomentosa
151.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.h5gbm4
Format: SIMPLE_CSV
Download key: 0252640-230224095556074
Created: 2023-05-20T17:41:48.868+00:00
Modified: 2023-05-20T17:42:46.860+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252640-230224095556074.zip
Total records: 17127Conversion 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 16931 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -155.620127 ymin: -45.89327 xmax: 177.109476 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 16,931 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
# ℹ 16,921 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 16 931 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 151.1: Occurrences de Paulownia tomentosa dans le monde.
151.1.1 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] 0.7209851751[1] 0.2269800957[1] 0.04471088536
Figure 151.2: Occurrence de Paulownia tomentosa dans la région d’endémisme.
151.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
10606
CC_BY_NC_4_0
1411
CC0_1_0
165
https://creativecommons.org/licenses/by-nc/4.0/legalcode
22
https://creativecommons.org/licenses/by/4.0/legalcode
3 [1] 88.26083395
Figure 151.3: Occurrence de Paulownia tomentosa 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] 10774151.1.3 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 10774 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.147282 ymin: 30.029 xmax: 46.098694 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 10,774 × 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 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
10 9e8 6ac3f774-… "" Plantae Trach… Magn… Lami… Paulo… Paul… Paulow… ""
# ℹ 10,764 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>, …
151.2 Modélisation de la niche climatique
151.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 10774, 0 (geometries, attributes)
extent : -8.147282, 46.09869, 30.029, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pato 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 = pato
10773 presences, 0 true absences and 31935 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.38 Min. :-21.896 Min. :-9.226 Min. : 251.3
1st Qu.:20.86 1st Qu.: -8.628 1st Qu.: 9.480 1st Qu.: 624.2
Median :24.33 Median : -2.936 Median :13.612 Median : 743.4
Mean :25.24 Mean : -3.945 Mean :12.840 Mean : 757.9
3rd Qu.:28.40 3rd Qu.: 1.436 3rd Qu.:16.833 3rd Qu.: 895.4
Max. :45.62 Max. : 12.376 Max. :26.027 Max. :1393.9
prec_wet_quart prec_season
Min. : 4.0 Min. : 7.255
1st Qu.: 176.0 1st Qu.: 23.146
Median : 218.0 Median : 31.504
Mean : 225.4 Mean : 35.667
3rd Qu.: 263.0 3rd Qu.: 41.016
Max. :1264.0 Max. :122.887
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 151.5: 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 : 75414, 2 (geometries, attributes)
extent : -10.27083, 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 151.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
151.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pato_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pato_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pato_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pato 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 : pato_PA1
-=-=-=--=-=-=- pato_PA1_RUN1
-=-=-=- Run : pato_PA2
-=-=-=--=-=-=- pato_PA2_RUN1
-=-=-=- Run : pato_PA3
-=-=-=--=-=-=- pato_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=151.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pato_PA1_RUN1_GAM PA1 RUN1 GAM TSS 606.0 95.579
2 pato_PA1_RUN1_GAM PA1 RUN1 GAM ROC 608.5 95.533
3 pato_PA1_RUN1_MARS PA1 RUN1 MARS TSS 524.0 94.129
4 pato_PA1_RUN1_MARS PA1 RUN1 MARS ROC 522.5 94.210
5 pato_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 384.0 95.289
6 pato_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 375.5 95.799
specificity calibration validation evaluation
1 64.404 0.600 0.604 NA
2 64.497 0.732 0.736 NA
3 86.646 0.808 0.806 NA
4 86.634 0.949 0.948 NA
5 86.947 0.823 0.835 NA
6 86.576 0.959 0.959 NA
Figure 151.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
151.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pato_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.311901
2 pato_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.259830
3 pato_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.020562
4 pato_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.465975
5 pato_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.042411
6 pato_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.019163
Figure 151.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 151.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
151.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pato
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pato_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=151.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pato_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pato_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 549.0 96.909 92.200
2 mergedAlgo TSS EMwmean ROC 549.5 96.909 92.225
calibration validation evaluation
1 0.891 NA NA
2 0.989 NA NA
Figure 151.11: 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 pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pato_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 0.137860
2 mergedAlgo TSS EMcv temp_min 1 0.322011
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.041734
4 mergedAlgo TSS EMcv temp_season 1 0.225429
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.119516
6 mergedAlgo TSS EMcv prec_season 1 0.132594Par variable :
Figure 151.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 151.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
151.3 Projections
151.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pato/current
sp.name : pato
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pato/pato.AllModels.models.out )
models.projected :
pato_PA1_RUN1_GAM, pato_PA1_RUN1_MARS, pato_PA1_RUN1_MAXNET, pato_PA1_RUN1_GBM, pato_PA1_RUN1_ANN, pato_PA1_RUN1_RF, pato_PA2_RUN1_GAM, pato_PA2_RUN1_MARS, pato_PA2_RUN1_MAXNET, pato_PA2_RUN1_GBM, pato_PA2_RUN1_ANN, pato_PA2_RUN1_RF, pato_PA3_RUN1_GAM, pato_PA3_RUN1_MARS, pato_PA3_RUN1_MAXNET, pato_PA3_RUN1_GBM, pato_PA3_RUN1_ANN, pato_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 151.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 151.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pato/current
sp.name : pato
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pato/pato.AllModels.ensemble.models.out )
models.projected :
pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pato_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 151.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
151.3.2 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/pato/cont_gre
sp.name : pato
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pato/pato.AllModels.models.out )
models.projected :
pato_PA1_RUN1_GAM, pato_PA1_RUN1_MARS, pato_PA1_RUN1_MAXNET, pato_PA1_RUN1_GBM, pato_PA1_RUN1_ANN, pato_PA1_RUN1_RF, pato_PA2_RUN1_GAM, pato_PA2_RUN1_MARS, pato_PA2_RUN1_MAXNET, pato_PA2_RUN1_GBM, pato_PA2_RUN1_ANN, pato_PA2_RUN1_RF, pato_PA3_RUN1_GAM, pato_PA3_RUN1_MARS, pato_PA3_RUN1_MAXNET, pato_PA3_RUN1_GBM, pato_PA3_RUN1_ANN, pato_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 151.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 151.18: 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/pato/cont_gre
sp.name : pato
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pato/pato.AllModels.ensemble.models.out )
models.projected :
pato_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pato_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 151.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
151.3.3 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 151.20: 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 151.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 151.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 151.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
151.4 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)
151.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 151.24: 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 151.25: 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 151.26: 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 151.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
151.4.2 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>
1 114 423 567 559.3853 692 818 0 2000
2 213 506 717 648.9083 771 816 126 2040
3 203 480 709 633.5881 753 809 126 2060
4 226 485 729 645.3790 764 813 126 2080
5 215 497 710 638.1488 753 807 126 2100
6 274 533 745 660.9178 776 811 245 2040
7 238 465 708 629.5909 754 803 245 2060
8 276 464 715 631.7501 757 806 245 2080
9 239 444 659 597.8893 725 782 245 2100
10 208 487 708 638.6757 763 807 370 2040
11 231 477 711 631.6294 750 804 370 2060
12 236 425 635 582.4872 715 782 370 2080
13 223 373 483 484.4288 586 755 370 2100
14 219 492 720 645.6795 767 807 585 2040
15 275 477 717 633.8135 750 801 585 2060
16 199 398 541 529.3290 640 773 585 2080
17 126 296 347 347.7405 402 683 585 2100
Figure 151.28: 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.