152 Picea abies
152.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.x9r8bz
Format: SIMPLE_CSV
Download key: 0252644-230224095556074
Created: 2023-05-20T17:43:18.966+00:00
Modified: 2023-05-20T17:47:57.562+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252644-230224095556074.zip
Total records: 402184Conversion 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 401516 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.135664 ymin: -43.6022 xmax: 172.986729 ymax: 70.306567
Geodetic CRS: WGS 84
# A tibble: 401,516 × 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… Pino… Pina… Pinac… Picea Picea … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
# ℹ 401,506 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 401 516 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 152.1: Occurrences de Picea abies dans le monde.
152.1.1 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] 0.994199484[1] 0.005289951085[1] 7.969794479e-05
Figure 152.2: Occurrence de Picea abies dans la région d’endémisme.
152.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
304275 28629 66283 [1] 92.82817326
Figure 152.3: Occurrence de Picea abies 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] 370558152.1.3 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 25000 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -7.90193 ymin: 38.879379 xmax: 46.94 ymax: 70.281183
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1 e9 75956ee6-… "http://sig… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
2 1.e9 f2e389da-… "http://tun… Plantae Trach… Pino… Pina… Pinac… Picea Picea … "abies"
3 1 e9 75956ee6-… "http://pif… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
4 3.e9 43027054-… "aa4069d6-b… Plantae Trach… Pino… Pina… Pinac… Picea Picea … "abies"
5 1.e8 d34ed8a4-… "urn:catalo… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
6 3.e9 ca89af9a-… "DSS0043900… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
7 1.e9 8ea4250e-… "http://id.… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
8 9 e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
9 1 e9 75956ee6-… "http://cbn… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
10 3.e9 f2e389da-… "http://tun… Plantae Trach… Pino… Pina… Pinac… Picea Picea … ""
# ℹ 24,990 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>, …
152.2 Modélisation de la niche climatique
152.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -7.90193, 46.94, 38.87938, 70.28118 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= piab 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 = piab
24969 presences, 0 true absences and 72876 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.996 Min. :-11.523 Min. : 0.0
1st Qu.:19.30 1st Qu.:-10.344 1st Qu.: 8.521 1st Qu.: 635.0
Median :22.22 Median : -4.776 Median : 12.878 Median : 757.9
Mean :24.09 Mean : -5.261 Mean : 11.949 Mean : 774.2
3rd Qu.:27.85 3rd Qu.: -0.240 3rd Qu.: 15.920 3rd Qu.: 914.4
Max. :45.80 Max. : 12.376 Max. : 26.344 Max. :1394.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 180.0 1st Qu.: 23.275
Median : 218.0 Median : 31.362
Mean : 228.8 Mean : 35.604
3rd Qu.: 265.0 3rd Qu.: 39.223
Max. :1264.0 Max. :123.597
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 152.5: 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 : 174876, 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 152.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
152.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for piab_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for piab_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for piab_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= piab 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 : piab_PA1
-=-=-=--=-=-=- piab_PA1_RUN1
-=-=-=- Run : piab_PA2
-=-=-=--=-=-=- piab_PA2_RUN1
-=-=-=- Run : piab_PA3
-=-=-=--=-=-=- piab_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=152.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 piab_PA1_RUN1_GAM PA1 RUN1 GAM TSS 495.0 95.319
2 piab_PA1_RUN1_GAM PA1 RUN1 GAM ROC 497.5 95.249
3 piab_PA1_RUN1_MARS PA1 RUN1 MARS TSS 463.0 92.921
4 piab_PA1_RUN1_MARS PA1 RUN1 MARS ROC 463.5 92.886
5 piab_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 390.0 92.456
6 piab_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 391.5 92.280
specificity calibration validation evaluation
1 64.840 0.602 0.587 NA
2 64.975 0.797 0.791 NA
3 79.885 0.728 0.732 NA
4 79.935 0.924 0.926 NA
5 80.520 0.730 0.732 NA
6 80.730 0.924 0.924 NA
Figure 152.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
152.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 piab_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.445102
2 piab_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.105077
3 piab_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.085031
4 piab_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.298320
5 piab_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.155207
6 piab_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.336301
Figure 152.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 152.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
152.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : piab
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piab_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=152.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 piab_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 piab_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 646.0 96.484 94.959
2 mergedAlgo TSS EMwmean ROC 661.5 96.123 95.340
calibration validation evaluation
1 0.914 NA NA
2 0.994 NA NA
Figure 152.11: 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 piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 piab_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 0.572262
2 mergedAlgo TSS EMcv temp_min 1 0.484078
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.412518
4 mergedAlgo TSS EMcv temp_season 1 0.489444
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.397014
6 mergedAlgo TSS EMcv prec_season 1 0.455837Par variable :
Figure 152.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 152.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
152.3 Projections
152.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/piab/current
sp.name : piab
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piab/piab.AllModels.models.out )
models.projected :
piab_PA1_RUN1_GAM, piab_PA1_RUN1_MARS, piab_PA1_RUN1_MAXNET, piab_PA1_RUN1_GBM, piab_PA1_RUN1_ANN, piab_PA1_RUN1_RF, piab_PA2_RUN1_GAM, piab_PA2_RUN1_MARS, piab_PA2_RUN1_MAXNET, piab_PA2_RUN1_GBM, piab_PA2_RUN1_ANN, piab_PA2_RUN1_RF, piab_PA3_RUN1_GAM, piab_PA3_RUN1_MARS, piab_PA3_RUN1_MAXNET, piab_PA3_RUN1_GBM, piab_PA3_RUN1_ANN, piab_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 152.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 152.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/piab/current
sp.name : piab
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piab/piab.AllModels.ensemble.models.out )
models.projected :
piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piab_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 152.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
152.3.2 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/piab/cont_gre
sp.name : piab
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piab/piab.AllModels.models.out )
models.projected :
piab_PA1_RUN1_GAM, piab_PA1_RUN1_MARS, piab_PA1_RUN1_MAXNET, piab_PA1_RUN1_GBM, piab_PA1_RUN1_ANN, piab_PA1_RUN1_RF, piab_PA2_RUN1_GAM, piab_PA2_RUN1_MARS, piab_PA2_RUN1_MAXNET, piab_PA2_RUN1_GBM, piab_PA2_RUN1_ANN, piab_PA2_RUN1_RF, piab_PA3_RUN1_GAM, piab_PA3_RUN1_MARS, piab_PA3_RUN1_MAXNET, piab_PA3_RUN1_GBM, piab_PA3_RUN1_ANN, piab_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 152.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 152.18: 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/piab/cont_gre
sp.name : piab
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piab/piab.AllModels.ensemble.models.out )
models.projected :
piab_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piab_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 152.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
152.3.3 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 152.20: 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 152.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 152.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 152.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
152.4 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)
152.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 152.24: 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 152.25: 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 152.26: 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 152.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
152.4.2 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>
1 211 573 729 719.84262 902 1000 0 2000
2 31 167 375 392.34315 599 909 126 2040
3 20 97 196 256.06885 404 755 126 2060
4 15 85 174 235.46534 388 720 126 2080
5 25 96 169 222.19985 313 695 126 2100
6 21 117 329 352.34395 555 846 245 2040
7 17 83 124 198.02546 302 622 245 2060
8 23 77 104 133.47177 163 588 245 2080
9 24 79 108 107.22842 137 367 245 2100
10 33 173 366 385.27061 579 901 370 2040
11 28 93 119 179.45947 251 578 370 2060
12 35 94 117 115.04019 131 344 370 2080
13 4 57 103 90.40874 127 178 370 2100
14 21 116 297 320.25184 501 799 585 2040
15 21 79 105 131.27134 159 496 585 2060
16 0 42 85 80.75632 121 181 585 2080
17 13 84 96 95.78372 111 161 585 2100
Figure 152.28: 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.