217 Pinus pinaster
217.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.bwxn7d
Format: SIMPLE_CSV
Download key: 0260909-230224095556074
Created: 2023-05-25T12:09:01.903+00:00
Modified: 2023-05-25T12:26:02.181+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260909-230224095556074.zip
Total records: 301820Conversion 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 301820 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -156.24345 ymin: -46.587954 xmax: 177.018963 ymax: 57.648687
Geodetic CRS: WGS 84
# A tibble: 301,820 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2830393673 9360958c-3534-4d… 083634e4-55… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
2 2829536355 9360958c-3534-4d… 69f87e9f-83… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
3 2829919262 9360958c-3534-4d… bf5454fc-69… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
4 2828798114 9360958c-3534-4d… 09b062f2-1a… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
5 2828753124 9360958c-3534-4d… 9c2eb58a-60… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
6 2829829400 9360958c-3534-4d… 1ba546d4-95… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
7 1118234864 75956ee6-1a2b-4f… http://flor… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
8 1120107666 75956ee6-1a2b-4f… http://ofsa… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
9 1120175269 75956ee6-1a2b-4f… http://ofsa… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
10 1121929356 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
# ℹ 301,810 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …Il y a 301 820 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 217.1: Occurrences de Pinus pinaster dans le monde.
217.1.1 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] 0.9951825591[1] 4.969849579e-05[1] 3.313233053e-06
Figure 217.2: Occurrence de Pinus pinaster dans la région d’endémisme.
217.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
292818 7359 189 [1] 97.54998901
Figure 217.3: Occurrence de Pinus pinaster 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] 293007217.1.3 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: -9.48225 ymin: 33.6 xmax: 16.293955 ymax: 54.54
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3402561504 7dccad9d-1339-4a… 6ceef873-ec… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
2 3402011181 eb97768a-339d-4c… 10a3f879-7f… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
3 3402872236 0fe87daf-ed3c-45… 85789154-ef… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
4 3402206785 eb97768a-339d-4c… 5f5bcf90-03… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
5 3402211516 7dccad9d-1339-4a… cf4d19ef-d5… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
6 3401959026 7dccad9d-1339-4a… 5de6c521-5b… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
7 3402025735 eb97768a-339d-4c… 15e6ae02-d4… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
8 3403273845 0fe87daf-ed3c-45… d9fff131-ef… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
9 3402249633 7dccad9d-1339-4a… e4c589d5-57… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
10 3402529168 eb97768a-339d-4c… fe31deab-3f… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
# ℹ 24,990 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …
217.2 Modélisation de la niche climatique
217.2.1 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 : -9.48225, 16.29396, 33.6, 54.54 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pips 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 = pips
24985 presences, 0 true absences and 72910 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.92 Min. :-22.000 Min. :-11.243 Min. : 193.2
1st Qu.:21.00 1st Qu.: -8.700 1st Qu.: 8.406 1st Qu.: 533.4
Median :25.50 Median : -0.472 Median : 11.591 Median : 713.2
Mean :25.73 Mean : -2.731 Mean : 11.724 Mean : 718.9
3rd Qu.:28.99 3rd Qu.: 3.868 3rd Qu.: 15.447 3rd Qu.: 895.1
Max. :45.98 Max. : 12.032 Max. : 26.126 Max. :1383.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.315
1st Qu.: 182.0 1st Qu.: 29.010
Median : 228.0 Median : 37.329
Mean : 265.9 Mean : 43.060
3rd Qu.: 333.0 3rd Qu.: 56.365
Max. :1240.0 Max. :122.119
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 217.5: 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 : 174940, 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 217.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
217.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pips_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pips_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pips_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pips 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 : pips_PA1
-=-=-=--=-=-=- pips_PA1_RUN1
-=-=-=- Run : pips_PA2
-=-=-=--=-=-=- pips_PA2_RUN1
-=-=-=- Run : pips_PA3
-=-=-=--=-=-=- pips_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=217.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pips_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 99.210
2 pips_PA1_RUN1_GAM PA1 RUN1 GAM ROC 648.5 99.164
3 pips_PA1_RUN1_MARS PA1 RUN1 MARS TSS 505.0 97.619
4 pips_PA1_RUN1_MARS PA1 RUN1 MARS ROC 500.5 97.684
5 pips_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 308.0 97.669
6 pips_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 315.5 97.544
specificity calibration validation evaluation
1 83.490 0.827 0.832 NA
2 83.550 0.928 0.929 NA
3 96.830 0.944 0.949 NA
4 96.775 0.996 0.996 NA
5 96.805 0.945 0.946 NA
6 97.010 0.996 0.996 NA
Figure 217.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
217.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pips_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.221470
2 pips_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.000046
3 pips_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.080403
4 pips_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.482648
5 pips_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.020526
6 pips_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.109565
Figure 217.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 217.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
217.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pips
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pips_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=217.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pips_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pips_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 438.0 99.067 97.218
2 mergedAlgo TSS EMwmean ROC 437.5 99.067 97.218
calibration validation evaluation
1 0.963 NA NA
2 0.999 NA NA
Figure 217.11: 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 pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pips_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 0.177777
2 mergedAlgo TSS EMcv temp_min 1 0.138536
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.024192
4 mergedAlgo TSS EMcv temp_season 1 0.316914
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.113852
6 mergedAlgo TSS EMcv prec_season 1 0.094452Par variable :
Figure 217.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 217.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
217.3 Projections
217.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pips/current
sp.name : pips
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pips/pips.AllModels.models.out )
models.projected :
pips_PA1_RUN1_GAM, pips_PA1_RUN1_MARS, pips_PA1_RUN1_MAXNET, pips_PA1_RUN1_GBM, pips_PA1_RUN1_RF, pips_PA2_RUN1_GAM, pips_PA2_RUN1_MARS, pips_PA2_RUN1_MAXNET, pips_PA2_RUN1_GBM, pips_PA2_RUN1_RF, pips_PA3_RUN1_GAM, pips_PA3_RUN1_MARS, pips_PA3_RUN1_MAXNET, pips_PA3_RUN1_GBM, pips_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 217.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 217.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pips/current
sp.name : pips
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pips/pips.AllModels.ensemble.models.out )
models.projected :
pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pips_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 217.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
217.3.2 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/pips/cont_gre
sp.name : pips
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pips/pips.AllModels.models.out )
models.projected :
pips_PA1_RUN1_GAM, pips_PA1_RUN1_MARS, pips_PA1_RUN1_MAXNET, pips_PA1_RUN1_GBM, pips_PA1_RUN1_RF, pips_PA2_RUN1_GAM, pips_PA2_RUN1_MARS, pips_PA2_RUN1_MAXNET, pips_PA2_RUN1_GBM, pips_PA2_RUN1_RF, pips_PA3_RUN1_GAM, pips_PA3_RUN1_MARS, pips_PA3_RUN1_MAXNET, pips_PA3_RUN1_GBM, pips_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 217.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 217.18: 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/pips/cont_gre
sp.name : pips
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pips/pips.AllModels.ensemble.models.out )
models.projected :
pips_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pips_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 217.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
217.3.3 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 217.20: 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 217.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 217.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 217.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
217.4 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)
217.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 217.24: 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 217.25: 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 217.26: 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 217.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
217.4.2 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 18 32 52 91.96732 126 370 0 2000
2 24 61 87 97.79337 118 293 126 2040
3 30 68 95 103.49756 121 283 126 2060
4 32 76 110 114.75146 130 298 126 2080
5 33 83 117 122.94309 139 316 126 2100
6 27 67 98 105.70918 122 309 245 2040
7 33 62 84 94.26412 116 262 245 2060
8 34 70 104 112.06277 132 277 245 2080
9 28 56 97 104.52238 131 257 245 2100
10 23 55 76 88.11308 111 270 370 2040
11 36 72 97 106.25505 125 279 370 2060
12 27 44 85 97.30988 126 263 370 2080
13 22 29 42 50.66232 63 200 370 2100
14 26 66 96 103.35002 121 295 585 2040
15 34 61 85 96.34558 117 268 585 2060
16 22 35 45 56.52736 68 203 585 2080
17 21 24 31 34.09157 44 73 585 2100
Figure 217.28: 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.