98 Pinus pinea
98.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.bzkhk7
Format: SIMPLE_CSV
Download key: 0252286-230224095556074
Created: 2023-05-20T13:23:12.488+00:00
Modified: 2023-05-20T13:24:33.286+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252286-230224095556074.zip
Total records: 62810Conversion 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 62810 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.8703 ymin: -38.715 xmax: 175.773547 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 62,810 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 e6c97f6e-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
2 9e8 e6c97f6e-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
3 9e8 e6c97f6e-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
4 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
5 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
6 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
7 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
8 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
9 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
10 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
# ℹ 62,800 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 62 810 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 98.1: Occurrences de Pinus pinea dans le monde.
98.1.1 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] 0.9975163191[1] 0.0006846043624[1] 0
Figure 98.2: Occurrence de Pinus pinea dans la région d’endémisme.
98.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
59038
CC_BY_NC_4_0
3561
CC0_1_0
22
https://creativecommons.org/licenses/by-nc/4.0/legalcode
23
https://creativecommons.org/licenses/by/4.0/legalcode
1
https://creativecommons.org/publicdomain/zero/1.0/legalcode
9 [1] 94.27969483
Figure 98.3: Occurrence de Pinus pinea 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] 5907098.1.3 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: -9.48216 ymin: 31.58321 xmax: 35.350716 ymax: 63.434
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> <lgl>
1 3.e9 cfac873c-… 3c3b2d5b-5a… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
2 2 e9 0d8cc344-… f3af1c88-8d… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
3 2 e9 0d8cc344-… 7b2f117e-8d… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
4 3.e9 cfac873c-… f20b98ef-51… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
5 3.e9 0fe87daf-… f27cc0e8-54… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
6 3.e9 7dccad9d-… 40784ffa-bb… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
7 3.e9 7dccad9d-… d35cfdf3-aa… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
8 3.e9 0fe87daf-… 32b1ca2c-70… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
9 3.e9 eb97768a-… a8f45f44-50… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
10 3.e9 cfac873c-… ee412adf-e0… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … NA
# 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>, …
98.2 Modélisation de la niche climatique
98.2.1 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 : -9.48216, 35.35072, 31.58321, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pipi 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 = pipi
24926 presences, 0 true absences and 73003 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-12.27 Min. : 0.0
1st Qu.:20.98 1st Qu.: -8.644 1st Qu.: 10.64 1st Qu.: 526.9
Median :27.15 Median : -0.456 Median : 12.17 Median : 712.6
Mean :26.49 Mean : -2.205 Mean : 12.36 Mean : 717.2
3rd Qu.:30.75 3rd Qu.: 5.688 3rd Qu.: 15.44 3rd Qu.: 893.8
Max. :46.10 Max. : 12.400 Max. : 25.94 Max. :1393.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.65
1st Qu.: 181.0 1st Qu.: 29.61
Median : 229.0 Median : 38.33
Mean : 227.4 Mean : 45.61
3rd Qu.: 279.0 3rd Qu.: 64.37
Max. :1254.0 Max. :123.52
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 98.5: 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 : 174704, 2 (geometries, attributes)
extent : -10.60417, 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 98.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
98.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pipi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pipi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pipi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pipi 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 : pipi_PA1
-=-=-=--=-=-=- pipi_PA1_RUN1
-=-=-=- Run : pipi_PA2
-=-=-=--=-=-=- pipi_PA2_RUN1
-=-=-=- Run : pipi_PA3
-=-=-=--=-=-=- pipi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=98.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pipi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 990.0 98.942
2 pipi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 996.5 98.491
3 pipi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 565.0 98.180
4 pipi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 565.5 98.180
5 pipi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 344.0 98.129
6 pipi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 349.5 98.069
specificity calibration validation evaluation
1 78.990 0.780 0.778 NA
2 79.800 0.902 0.900 NA
3 97.715 0.959 0.960 NA
4 97.730 0.997 0.996 NA
5 97.875 0.960 0.959 NA
6 97.980 0.996 0.995 NA
Figure 98.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
98.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pipi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.244568
2 pipi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.172658
3 pipi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.003882
4 pipi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.414076
5 pipi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.000037
6 pipi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.143359
Figure 98.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 98.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
98.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pipi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=98.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pipi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pipi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 397.0 99.174 98.186
2 mergedAlgo TSS EMwmean ROC 400.5 99.166 98.223
calibration validation evaluation
1 0.974 NA NA
2 0.999 NA NA
Figure 98.11: 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 pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pipi_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 0.296423
2 mergedAlgo TSS EMcv temp_min 1 0.239263
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.135855
4 mergedAlgo TSS EMcv temp_season 1 0.382166
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.252807
6 mergedAlgo TSS EMcv prec_season 1 0.096912Par variable :
Figure 98.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 98.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
98.3 Projections
98.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pipi/current
sp.name : pipi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipi/pipi.AllModels.models.out )
models.projected :
pipi_PA1_RUN1_GAM, pipi_PA1_RUN1_MARS, pipi_PA1_RUN1_MAXNET, pipi_PA1_RUN1_GBM, pipi_PA1_RUN1_ANN, pipi_PA1_RUN1_RF, pipi_PA2_RUN1_GAM, pipi_PA2_RUN1_MARS, pipi_PA2_RUN1_MAXNET, pipi_PA2_RUN1_GBM, pipi_PA2_RUN1_ANN, pipi_PA2_RUN1_RF, pipi_PA3_RUN1_GAM, pipi_PA3_RUN1_MARS, pipi_PA3_RUN1_MAXNET, pipi_PA3_RUN1_GBM, pipi_PA3_RUN1_ANN, pipi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 98.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 98.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pipi/current
sp.name : pipi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipi/pipi.AllModels.ensemble.models.out )
models.projected :
pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 98.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
98.3.2 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/pipi/cont_gre
sp.name : pipi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipi/pipi.AllModels.models.out )
models.projected :
pipi_PA1_RUN1_GAM, pipi_PA1_RUN1_MARS, pipi_PA1_RUN1_MAXNET, pipi_PA1_RUN1_GBM, pipi_PA1_RUN1_ANN, pipi_PA1_RUN1_RF, pipi_PA2_RUN1_GAM, pipi_PA2_RUN1_MARS, pipi_PA2_RUN1_MAXNET, pipi_PA2_RUN1_GBM, pipi_PA2_RUN1_ANN, pipi_PA2_RUN1_RF, pipi_PA3_RUN1_GAM, pipi_PA3_RUN1_MARS, pipi_PA3_RUN1_MAXNET, pipi_PA3_RUN1_GBM, pipi_PA3_RUN1_ANN, pipi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 98.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 98.18: 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/pipi/cont_gre
sp.name : pipi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipi/pipi.AllModels.ensemble.models.out )
models.projected :
pipi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 98.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
98.3.3 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 98.20: 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 98.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 98.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 98.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
98.4 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)
98.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 98.24: 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 98.25: 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 98.26: 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 98.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
98.4.2 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 19 22 29 75.70407 148 327 0 2000
2 20 34 54 92.26017 154 293 126 2040
3 21 42 77 102.89469 174 295 126 2060
4 22 45 88 108.25503 184 298 126 2080
5 22 46 86 113.01797 195 305 126 2100
6 20 38 63 100.03183 173 298 245 2040
7 21 46 91 105.92686 169 266 245 2060
8 25 84 138 138.27979 202 294 245 2080
9 26 100 147 145.58441 204 274 245 2100
10 20 31 52 86.97431 140 286 370 2040
11 22 50 105 116.57709 191 286 370 2060
12 26 122 157 156.66051 204 276 370 2080
13 42 114 149 153.32348 199 267 370 2100
14 21 36 61 96.12059 160 305 585 2040
15 23 69 127 127.77832 199 291 585 2060
16 34 112 134 146.67255 199 268 585 2080
17 49 142 184 167.24949 193 262 585 2100
Figure 98.28: 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.