38 Pinus nigra
38.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.c26btk
Format: SIMPLE_CSV
Download key: 0232084-230224095556074
Created: 2023-05-11T07:01:06.967+00:00
Modified: 2023-05-11T07:02:35.922+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232084-230224095556074.zip
Total records: 50436Conversion 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 50346 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.466677 ymin: -46.343 xmax: 176.223587 ymax: 67.296496
Geodetic CRS: WGS 84
# A tibble: 50,346 × 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… Pinus Pinus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
# ℹ 50,336 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 50 346 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 38.1: Occurrences de Pinus nigra dans le monde.
38.1.1 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] 0.9935049458[1] 0.003535534104[1] 3.972510229e-05
Figure 38.2: Occurrence de Pinus nigra dans la région d’endémisme.
38.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
35999
CC_BY_NC_4_0
6156
CC0_1_0
1722
https://creativecommons.org/licenses/by-nc/4.0/legalcode
5231
https://creativecommons.org/licenses/by/4.0/legalcode
614
https://creativecommons.org/publicdomain/zero/1.0/legalcode
297 [1] 77.23465083
Figure 38.3: Occurrence de Pinus nigra 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] 3863238.1.3 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: -9.057541 ymin: 34.918663 xmax: 38.7545 ymax: 67.296496
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 4 e8 857aa892-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
2 2 e9 4ebe5835-… "511742a5-f… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
3 2 e9 8c3e7db0-… "THU0000200… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "laricio"
4 2 e9 67fabcac-… "14850747" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
5 3.e9 e5f16d86-… "f6f6bda2-9… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "corsicana"
6 2 e9 0d8cc344-… "96e4a104-8… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
7 3.e9 e5f16d86-… "3ace523e-d… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
8 2 e9 86306e4b-… "ee37cc06-0… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … "nigra"
9 1.e7 857aa892-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 1 e9 740df67d-… "9D546BE4-2… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
# 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>, …
38.2 Modélisation de la niche climatique
38.2.1 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 : -9.057541, 38.7545, 34.91866, 67.2965 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pini 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 = pini
24967 presences, 0 true absences and 72862 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.224 Min. :-22.000 Min. :-14.857 Min. : 182.8
1st Qu.:20.516 1st Qu.: -8.712 1st Qu.: 8.321 1st Qu.: 610.0
Median :24.080 Median : -2.440 Median : 12.247 Median : 717.1
Mean :25.052 Mean : -4.003 Mean : 11.868 Mean : 751.5
3rd Qu.:28.128 3rd Qu.: 0.896 3rd Qu.: 15.849 3rd Qu.: 895.9
Max. :46.104 Max. : 11.948 Max. : 26.344 Max. :1394.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.688
1st Qu.: 178.0 1st Qu.: 22.320
Median : 219.0 Median : 30.740
Mean : 222.6 Mean : 35.161
3rd Qu.: 267.0 3rd Qu.: 40.120
Max. :1251.0 Max. :122.887
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 38.5: 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 : 174868, 2 (geometries, attributes)
extent : -10.47917, 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 38.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
38.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pini_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pini_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pini_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pini 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 : pini_PA1
-=-=-=--=-=-=- pini_PA1_RUN1
-=-=-=- Run : pini_PA2
-=-=-=--=-=-=- pini_PA2_RUN1
-=-=-=- Run : pini_PA3
-=-=-=--=-=-=- pini_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=38.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pini_PA1_RUN1_GAM PA1 RUN1 GAM TSS 545.0 97.627
2 pini_PA1_RUN1_GAM PA1 RUN1 GAM ROC 555.5 97.547
3 pini_PA1_RUN1_MARS PA1 RUN1 MARS TSS 528.0 95.124
4 pini_PA1_RUN1_MARS PA1 RUN1 MARS ROC 533.5 95.059
5 pini_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 384.0 94.448
6 pini_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 383.5 94.448
specificity calibration validation evaluation
1 57.755 0.554 0.558 NA
2 57.905 0.693 0.690 NA
3 87.695 0.828 0.841 NA
4 87.815 0.960 0.965 NA
5 88.645 0.831 0.843 NA
6 88.645 0.957 0.962 NA
Figure 38.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
38.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pini_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.243383
2 pini_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.210225
3 pini_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.022908
4 pini_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.475887
5 pini_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.018488
6 pini_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.051990
Figure 38.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 38.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
38.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pini
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pini_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=38.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pini_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pini_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 480.0 98.053 90.774
2 mergedAlgo TSS EMwmean ROC 481.5 98.021 90.820
calibration validation evaluation
1 0.888 NA NA
2 0.990 NA NA
Figure 38.11: 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 pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pini_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 0.089536
2 mergedAlgo TSS EMcv temp_min 1 0.139722
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.024457
4 mergedAlgo TSS EMcv temp_season 1 0.462256
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.069291
6 mergedAlgo TSS EMcv prec_season 1 0.093399Par variable :
Figure 38.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 38.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
38.3 Projections
38.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pini/current
sp.name : pini
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pini/pini.AllModels.models.out )
models.projected :
pini_PA1_RUN1_GAM, pini_PA1_RUN1_MARS, pini_PA1_RUN1_MAXNET, pini_PA1_RUN1_GBM, pini_PA1_RUN1_RF, pini_PA2_RUN1_GAM, pini_PA2_RUN1_MARS, pini_PA2_RUN1_MAXNET, pini_PA2_RUN1_GBM, pini_PA2_RUN1_RF, pini_PA3_RUN1_GAM, pini_PA3_RUN1_MARS, pini_PA3_RUN1_MAXNET, pini_PA3_RUN1_GBM, pini_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 38.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 38.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pini/current
sp.name : pini
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pini/pini.AllModels.ensemble.models.out )
models.projected :
pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pini_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 38.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
38.3.2 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/pini/cont_gre
sp.name : pini
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pini/pini.AllModels.models.out )
models.projected :
pini_PA1_RUN1_GAM, pini_PA1_RUN1_MARS, pini_PA1_RUN1_MAXNET, pini_PA1_RUN1_GBM, pini_PA1_RUN1_RF, pini_PA2_RUN1_GAM, pini_PA2_RUN1_MARS, pini_PA2_RUN1_MAXNET, pini_PA2_RUN1_GBM, pini_PA2_RUN1_RF, pini_PA3_RUN1_GAM, pini_PA3_RUN1_MARS, pini_PA3_RUN1_MAXNET, pini_PA3_RUN1_GBM, pini_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 38.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 38.18: 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/pini/cont_gre
sp.name : pini
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pini/pini.AllModels.ensemble.models.out )
models.projected :
pini_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pini_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 38.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
38.3.3 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 38.20: 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 38.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 38.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 38.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
38.4 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)
38.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 38.24: 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 38.25: 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 38.26: 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 38.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
38.4.2 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>
1 264 629 719 677.95060 761 856 0 2000
2 114 434 633 569.27407 732 837 126 2040
3 91 356 576 513.40629 675 819 126 2060
4 100 367 565 521.24673 688 825 126 2080
5 141 383 587 538.13111 712 810 126 2100
6 118 429 620 567.38291 741 835 245 2040
7 84 276 475 446.63738 611 792 245 2060
8 75 222 425 420.12041 596 779 245 2080
9 69 157 319 340.41401 526 726 245 2100
10 91 399 597 535.53906 681 824 370 2040
11 79 283 492 460.12472 615 800 370 2060
12 67 130 261 305.49051 498 739 370 2080
13 55 71 85 110.29002 133 414 370 2100
14 109 412 594 545.64711 698 826 585 2040
15 74 197 397 392.30205 578 754 585 2060
16 57 77 99 144.39294 193 483 585 2080
17 42 51 59 60.87859 70 115 585 2100
Figure 38.28: 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.