155 Pinus strobus
155.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.qj8hp7
Format: SIMPLE_CSV
Download key: 0252661-230224095556074
Created: 2023-05-20T17:52:19.871+00:00
Modified: 2023-05-20T17:53:22.020+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252661-230224095556074.zip
Total records: 30451Conversion 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 28897 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.296237 ymin: -45.458 xmax: 176.405684 ymax: 63.4485
Geodetic CRS: WGS 84
# A tibble: 28,897 × 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… Pino… Pina… Pinac… Pinus Pinus … ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
3 3.e9 c4e1739b-… BISON:New Y… 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 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
# ℹ 28,887 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 28 897 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 155.1: Occurrences de Pinus strobus dans le monde.
155.1.1 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] 0.1710558189[1] 0.8267640239[1] 0.001557255078
Figure 155.2: Occurrence de Pinus strobus dans la région d’endémisme.
155.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
3815 15105 4971 [1] 36.77535474
Figure 155.3: Occurrence de Pinus strobus 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] 8786155.1.3 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 8786 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.296237 ymin: 15.51666 xmax: -54.2 ymax: 50.314537
Geodetic CRS: WGS 84
# A tibble: 8,786 × 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… Pino… Pina… Pinac… Pinus Pinus … ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
3 3.e9 c4e1739b-… BISON:New Y… 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 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
# ℹ 8,776 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>, …
155.2 Modélisation de la niche climatique
155.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 8786, 0 (geometries, attributes)
extent : -122.2962, -54.2, 15.51666, 50.31454 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pist 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 = pist
8785 presences, 0 true absences and 26115 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.740 Min. :-12.51 Min. : 0.0
1st Qu.:23.62 1st Qu.:-15.392 1st Qu.: 11.55 1st Qu.: 778.5
Median :26.39 Median :-10.612 Median : 17.06 Median : 942.9
Mean :26.75 Mean : -9.536 Mean : 15.52 Mean : 902.0
3rd Qu.:30.46 3rd Qu.: -3.896 3rd Qu.: 20.09 3rd Qu.:1055.2
Max. :44.46 Max. : 22.663 Max. : 33.54 Max. :1468.2
prec_wet_quart prec_season
Min. : 24.0 Min. : 5.439
1st Qu.: 227.0 1st Qu.: 15.909
Median : 291.0 Median : 30.630
Mean : 312.3 Mean : 38.178
3rd Qu.: 337.0 3rd Qu.: 55.873
Max. :2121.0 Max. :137.436
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 155.5: 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 : 61498, 2 (geometries, attributes)
extent : -129.9792, -53.02083, 13.02083, 54.97917 (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 155.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
155.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pist_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pist_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pist_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pist 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 : pist_PA1
-=-=-=--=-=-=- pist_PA1_RUN1
-=-=-=- Run : pist_PA2
-=-=-=--=-=-=- pist_PA2_RUN1
-=-=-=- Run : pist_PA3
-=-=-=--=-=-=- pist_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=155.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pist_PA1_RUN1_GAM PA1 RUN1 GAM TSS 626.0 93.625
2 pist_PA1_RUN1_GAM PA1 RUN1 GAM ROC 627.5 93.611
3 pist_PA1_RUN1_MARS PA1 RUN1 MARS TSS 519.0 93.369
4 pist_PA1_RUN1_MARS PA1 RUN1 MARS ROC 518.0 93.369
5 pist_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 320.0 95.077
6 pist_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 318.5 95.091
specificity calibration validation evaluation
1 70.920 0.646 0.636 NA
2 70.977 0.792 0.792 NA
3 90.482 0.838 0.818 NA
4 90.482 0.972 0.968 NA
5 88.519 0.836 0.812 NA
6 88.505 0.973 0.967 NA
Figure 155.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
155.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pist_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.228869
2 pist_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.236521
3 pist_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.097176
4 pist_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.231117
5 pist_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.213083
6 pist_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.252576
Figure 155.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 155.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
155.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pist
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pist_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=155.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pist_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pist_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 432.0 96.130 91.637
2 mergedAlgo TSS EMwmean ROC 432.5 96.118 91.679
calibration validation evaluation
1 0.878 NA NA
2 0.990 NA NA
Figure 155.11: 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 pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pist_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 0.395834
2 mergedAlgo TSS EMcv temp_min 1 0.183391
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.048394
4 mergedAlgo TSS EMcv temp_season 1 0.149332
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.279101
6 mergedAlgo TSS EMcv prec_season 1 0.112708Par variable :
Figure 155.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 155.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
155.3 Projections
155.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pist/current
sp.name : pist
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pist/pist.AllModels.models.out )
models.projected :
pist_PA1_RUN1_GAM, pist_PA1_RUN1_MARS, pist_PA1_RUN1_MAXNET, pist_PA1_RUN1_GBM, pist_PA1_RUN1_RF, pist_PA2_RUN1_GAM, pist_PA2_RUN1_MARS, pist_PA2_RUN1_MAXNET, pist_PA2_RUN1_GBM, pist_PA2_RUN1_RF, pist_PA3_RUN1_GAM, pist_PA3_RUN1_MARS, pist_PA3_RUN1_MAXNET, pist_PA3_RUN1_GBM, pist_PA3_RUN1_ANN, pist_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 155.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 155.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pist/current
sp.name : pist
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pist/pist.AllModels.ensemble.models.out )
models.projected :
pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pist_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 155.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
155.3.2 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/pist/cont_gre
sp.name : pist
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pist/pist.AllModels.models.out )
models.projected :
pist_PA1_RUN1_GAM, pist_PA1_RUN1_MARS, pist_PA1_RUN1_MAXNET, pist_PA1_RUN1_GBM, pist_PA1_RUN1_RF, pist_PA2_RUN1_GAM, pist_PA2_RUN1_MARS, pist_PA2_RUN1_MAXNET, pist_PA2_RUN1_GBM, pist_PA2_RUN1_RF, pist_PA3_RUN1_GAM, pist_PA3_RUN1_MARS, pist_PA3_RUN1_MAXNET, pist_PA3_RUN1_GBM, pist_PA3_RUN1_ANN, pist_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 155.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 155.18: 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/pist/cont_gre
sp.name : pist
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pist/pist.AllModels.ensemble.models.out )
models.projected :
pist_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pist_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 155.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
155.3.3 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 155.20: 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 155.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 155.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 155.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
155.4 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)
155.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 155.24: 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 155.25: 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 155.26: 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 155.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
155.4.2 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 29 144 262 249.80069 360 514 0 2000
2 27 75 384 293.75341 422 510 126 2040
3 27 59 380 281.13638 419 477 126 2060
4 22 50 349 264.47027 406 456 126 2080
5 27 58 385 282.83956 423 469 126 2100
6 27 68 395 297.81256 430 537 245 2040
7 27 44 359 265.67798 416 464 245 2060
8 26 36 298 241.03531 407 474 245 2080
9 21 34 212 207.58555 362 462 245 2100
10 27 74 387 294.69163 425 505 370 2040
11 26 43 367 270.34052 421 475 370 2060
12 26 33 137 188.50776 343 481 370 2080
13 18 29 43 68.70587 90 421 370 2100
14 23 64 360 273.34769 404 457 585 2040
15 26 38 338 257.96397 421 477 585 2060
16 18 29 66 96.46213 134 448 585 2080
17 17 22 25 28.64293 30 227 585 2100
Figure 155.28: 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.