78 Phellodendron amurense
78.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.fayugs
Format: SIMPLE_CSV
Download key: 0252154-230224095556074
Created: 2023-05-20T12:02:14.681+00:00
Modified: 2023-05-20T12:02:58.162+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252154-230224095556074.zip
Total records: 1685Conversion 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 1557 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.259829 ymin: -35.266667 xmax: 149.1 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,557 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… ""
# ℹ 1,547 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 1 557 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 78.1: Occurrences de Phellodendron amurense dans le monde.
78.1.1 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] 0.04367373154[1] 0.2960822094[1] 0.4412331407
Figure 78.2: Occurrence de Phellodendron amurense dans la région d’endémisme.
78.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
510 140 37 [1] 79.62154294
Figure 78.3: Occurrence de Phellodendron amurense 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] 54778.1.3 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 547 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 87.6132 ymin: 31.779167 xmax: 146.82339 ymax: 51.7698
Geodetic CRS: WGS 84
# A tibble: 547 × 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… Sapi… Rutac… Phel… Phello… ""
2 7e8 86185376-… "7d35dc06-f… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "japonicum"
3 7e8 86185376-… "7bf9012e-f… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "japonicum"
4 7e8 86185376-… "7bf8517a-f… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "japonicum"
5 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "amurense"
6 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "amurense"
7 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "amurense"
8 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "japonicum"
9 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "amurense"
10 4e9 2507f17c-… "urn:catalo… Plantae Trach… Magn… Sapi… Rutac… Phel… Phello… "amurense"
# ℹ 537 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>, …
78.2 Modélisation de la niche climatique
78.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 547, 0 (geometries, attributes)
extent : 87.6132, 146.8234, 31.77917, 51.7698 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pham 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 = pham
544 presences, 0 true absences and 1640 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.544 Min. :-43.724 Min. :-12.76 Min. : 30.01
1st Qu.:21.388 1st Qu.:-24.581 1st Qu.: 14.13 1st Qu.: 761.96
Median :25.376 Median :-15.038 Median : 18.64 Median : 956.49
Mean :24.870 Mean :-11.798 Mean : 18.22 Mean : 994.22
3rd Qu.:29.324 3rd Qu.: -1.116 3rd Qu.: 23.04 3rd Qu.:1353.20
Max. :40.116 Max. : 23.560 Max. : 34.54 Max. :1912.91
prec_wet_quart prec_season
Min. : 10.0 Min. : 12.56
1st Qu.: 195.8 1st Qu.: 51.94
Median : 387.5 Median : 73.80
Mean : 441.5 Mean : 78.02
3rd Qu.: 610.2 3rd Qu.:102.07
Max. :4668.0 Max. :167.46
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 78.5: 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 : 3817, 2 (geometries, attributes)
extent : 68.10417, 146.8234, 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 78.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
78.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pham_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pham_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pham_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pham 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 : pham_PA1
-=-=-=--=-=-=- pham_PA1_RUN1
-=-=-=- Run : pham_PA2
-=-=-=--=-=-=- pham_PA2_RUN1
-=-=-=- Run : pham_PA3
-=-=-=--=-=-=- pham_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=78.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pham_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 100.000
2 pham_PA1_RUN1_GAM PA1 RUN1 GAM ROC 641.0 100.000
3 pham_PA1_RUN1_MARS PA1 RUN1 MARS TSS 505.0 97.241
4 pham_PA1_RUN1_MARS PA1 RUN1 MARS ROC 506.5 97.241
5 pham_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 283.0 99.770
6 pham_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 281.0 99.770
specificity calibration validation evaluation
1 82.420 0.824 0.771 NA
2 82.420 0.913 0.886 NA
3 95.434 0.929 0.927 NA
4 95.662 0.990 0.985 NA
5 94.292 0.941 0.917 NA
6 94.292 0.990 0.985 NA
Figure 78.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
78.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pham_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.096037
2 pham_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.143787
3 pham_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.431826
4 pham_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.099927
5 pham_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.673735
6 pham_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.239411
Figure 78.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 78.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
78.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pham
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pham_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=78.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pham_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pham_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 537.0 99.081 96.646
2 mergedAlgo TSS EMwmean ROC 534.5 99.081 96.646
calibration validation evaluation
1 0.957 NA NA
2 0.996 NA NA
Figure 78.11: 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 pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pham_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 0.301611
2 mergedAlgo TSS EMcv temp_min 1 0.365146
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.087732
4 mergedAlgo TSS EMcv temp_season 1 0.382954
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.363774
6 mergedAlgo TSS EMcv prec_season 1 0.351124Par variable :
Figure 78.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 78.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
78.3 Projections
78.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pham/current
sp.name : pham
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pham/pham.AllModels.models.out )
models.projected :
pham_PA1_RUN1_GAM, pham_PA1_RUN1_MARS, pham_PA1_RUN1_MAXNET, pham_PA1_RUN1_GBM, pham_PA1_RUN1_RF, pham_PA2_RUN1_GAM, pham_PA2_RUN1_MARS, pham_PA2_RUN1_MAXNET, pham_PA2_RUN1_GBM, pham_PA2_RUN1_ANN, pham_PA2_RUN1_RF, pham_PA3_RUN1_GAM, pham_PA3_RUN1_MARS, pham_PA3_RUN1_MAXNET, pham_PA3_RUN1_GBM, pham_PA3_RUN1_ANN, pham_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 78.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 78.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pham/current
sp.name : pham
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pham/pham.AllModels.ensemble.models.out )
models.projected :
pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pham_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 78.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
78.3.2 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/pham/cont_gre
sp.name : pham
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pham/pham.AllModels.models.out )
models.projected :
pham_PA1_RUN1_GAM, pham_PA1_RUN1_MARS, pham_PA1_RUN1_MAXNET, pham_PA1_RUN1_GBM, pham_PA1_RUN1_RF, pham_PA2_RUN1_GAM, pham_PA2_RUN1_MARS, pham_PA2_RUN1_MAXNET, pham_PA2_RUN1_GBM, pham_PA2_RUN1_ANN, pham_PA2_RUN1_RF, pham_PA3_RUN1_GAM, pham_PA3_RUN1_MARS, pham_PA3_RUN1_MAXNET, pham_PA3_RUN1_GBM, pham_PA3_RUN1_ANN, pham_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 78.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 78.18: 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/pham/cont_gre
sp.name : pham
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pham/pham.AllModels.ensemble.models.out )
models.projected :
pham_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pham_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 78.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
78.3.3 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 78.20: 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 78.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 78.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 78.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
78.4 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)
78.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 78.24: 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 78.25: 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 78.26: 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 78.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
78.4.2 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 51 123 155 222.2339 283 659 0 2000
2 48 114 151 200.1102 235 661 126 2040
3 44 108 149 177.6215 185 653 126 2060
4 52 119 153 214.5903 263 670 126 2080
5 49 115 151 206.4754 244 663 126 2100
6 51 118 152 203.4022 258 660 245 2040
7 50 119 151 201.0475 241 670 245 2060
8 44 112 147 166.4661 171 631 245 2080
9 38 103 146 156.5281 158 616 245 2100
10 50 118 152 205.5646 243 664 370 2040
11 45 111 148 178.2734 187 654 370 2060
12 31 95 137 125.9267 147 544 370 2080
13 27 66 145 125.5450 148 474 370 2100
14 51 120 154 220.2019 278 671 585 2040
15 46 112 148 179.1684 207 652 585 2060
16 28 84 145 140.3089 154 589 585 2080
17 26 91 108 119.1916 145 368 585 2100
Figure 78.28: 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.