65 Pinus sylvestris
65.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.7tqgsc
Format: SIMPLE_CSV
Download key: 0252105-230224095556074
Created: 2023-05-20T11:34:08.650+00:00
Modified: 2023-05-20T11:41:22.505+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252105-230224095556074.zip
Total records: 467097Conversion 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 467097 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.94699 ymin: -45.021667 xmax: 176.461854 ymax: 70.9369
Geodetic CRS: WGS 84
# A tibble: 467,097 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
6 3.e9 d1e9202b-… NYCstreetTr… 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 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
# ℹ 467,087 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 467 097 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 65.1: Occurrences de Pinus sylvestris dans le monde.
65.1.1 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] 0.9795417226[1] 0.00285165608[1] 0.0091372884
Figure 65.2: Occurrence de Pinus sylvestris dans la région d’endémisme.
65.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
318831 56046 82664 [1] 87.75060596
Figure 65.3: Occurrence de Pinus sylvestris 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] 40149565.1.3 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: -9.487441 ymin: 36.96 xmax: 45.7318 ymax: 70.179988
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://flo… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
2 3.e9 e5f16d86-… "bb03408d-e… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
3 2 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
4 1.e8 857aa892-… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
5 1.e9 f2e389da-… "http://tun… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
6 1 e9 75956ee6-… "http://pif… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
7 3.e9 f11a63fa-… "cf42329d-6… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
8 1 e9 75956ee6-… "http://flo… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
9 3.e9 f2e389da-… "http://tun… Plantae Trach… Pino… Pina… Pinac… Pinus Pinus … ""
10 1.e9 8ea4250e-… "http://id.… 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>, …
65.2 Modélisation de la niche climatique
65.2.1 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 : -9.487441, 45.7318, 36.96, 70.17999 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pisy 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 = pisy
24954 presences, 0 true absences and 72881 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.104 Min. :-11.549 Min. : 0.0
1st Qu.:19.58 1st Qu.:-10.336 1st Qu.: 8.723 1st Qu.: 631.4
Median :22.79 Median : -4.388 Median : 12.831 Median : 761.3
Mean :24.36 Mean : -5.043 Mean : 12.117 Mean : 773.3
3rd Qu.:28.00 3rd Qu.: 0.300 3rd Qu.: 15.917 3rd Qu.: 916.5
Max. :46.05 Max. : 11.356 Max. : 24.819 Max. :1394.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 177.0 1st Qu.: 23.67
Median : 216.0 Median : 31.27
Mean : 218.9 Mean : 35.80
3rd Qu.: 250.0 3rd Qu.: 39.44
Max. :1245.0 Max. :122.84
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 65.5: 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 : 174816, 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 65.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
65.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pisy_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pisy_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pisy_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pisy 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 : pisy_PA1
-=-=-=--=-=-=- pisy_PA1_RUN1
-=-=-=- Run : pisy_PA2
-=-=-=--=-=-=- pisy_PA2_RUN1
-=-=-=- Run : pisy_PA3
-=-=-=--=-=-=- pisy_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=65.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pisy_PA1_RUN1_GAM PA1 RUN1 GAM TSS 548.0 91.850
2 pisy_PA1_RUN1_GAM PA1 RUN1 GAM ROC 549.5 91.765
3 pisy_PA1_RUN1_MARS PA1 RUN1 MARS TSS 432.0 93.273
4 pisy_PA1_RUN1_MARS PA1 RUN1 MARS ROC 426.5 93.493
5 pisy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 387.0 92.932
6 pisy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 385.5 93.057
specificity calibration validation evaluation
1 74.870 0.667 0.667 NA
2 75.010 0.894 0.891 NA
3 74.905 0.682 0.676 NA
4 74.685 0.901 0.896 NA
5 77.125 0.700 0.703 NA
6 77.020 0.904 0.901 NA
Figure 65.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
65.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.132363
2 pisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.101298
3 pisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.148857
4 pisy_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.591681
5 pisy_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.116306
6 pisy_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.289194
Figure 65.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 65.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
65.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=65.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 657.0 95.832 94.936
2 mergedAlgo TSS EMwmean ROC 664.5 95.608 95.178
calibration validation evaluation
1 0.908 NA NA
2 0.993 NA NA
Figure 65.11: 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 pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pisy_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 0.591897
2 mergedAlgo TSS EMcv temp_min 1 0.489987
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.406724
4 mergedAlgo TSS EMcv temp_season 1 0.514898
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.400307
6 mergedAlgo TSS EMcv prec_season 1 0.484935Par variable :
Figure 65.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 65.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
65.3 Projections
65.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pisy/current
sp.name : pisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pisy/pisy.AllModels.models.out )
models.projected :
pisy_PA1_RUN1_GAM, pisy_PA1_RUN1_MARS, pisy_PA1_RUN1_MAXNET, pisy_PA1_RUN1_GBM, pisy_PA1_RUN1_RF, pisy_PA2_RUN1_GAM, pisy_PA2_RUN1_MARS, pisy_PA2_RUN1_MAXNET, pisy_PA2_RUN1_GBM, pisy_PA2_RUN1_RF, pisy_PA3_RUN1_GAM, pisy_PA3_RUN1_MARS, pisy_PA3_RUN1_MAXNET, pisy_PA3_RUN1_GBM, pisy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 65.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 65.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pisy/current
sp.name : pisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pisy/pisy.AllModels.ensemble.models.out )
models.projected :
pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 65.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
65.3.2 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/pisy/cont_gre
sp.name : pisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pisy/pisy.AllModels.models.out )
models.projected :
pisy_PA1_RUN1_GAM, pisy_PA1_RUN1_MARS, pisy_PA1_RUN1_MAXNET, pisy_PA1_RUN1_GBM, pisy_PA1_RUN1_RF, pisy_PA2_RUN1_GAM, pisy_PA2_RUN1_MARS, pisy_PA2_RUN1_MAXNET, pisy_PA2_RUN1_GBM, pisy_PA2_RUN1_RF, pisy_PA3_RUN1_GAM, pisy_PA3_RUN1_MARS, pisy_PA3_RUN1_MAXNET, pisy_PA3_RUN1_GBM, pisy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 65.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 65.18: 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/pisy/cont_gre
sp.name : pisy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pisy/pisy.AllModels.ensemble.models.out )
models.projected :
pisy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pisy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 65.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
65.3.3 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 65.20: 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 65.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 65.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 65.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
65.4 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)
65.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 65.24: 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 65.25: 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 65.26: 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 65.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
65.4.2 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>
1 243 542 735 698.09924 866 999 0 2000
2 30 233 434 418.59630 602 903 126 2040
3 23 139 314 324.27293 489 766 126 2060
4 23 127 292 314.03522 451 778 126 2080
5 49 164 316 331.78855 481 747 126 2100
6 39 219 409 402.47227 563 923 245 2040
7 27 77 209 223.46940 339 668 245 2060
8 50 75 143 191.42658 276 648 245 2080
9 40 74 99 120.13637 146 458 245 2100
10 48 179 377 374.49237 514 849 370 2040
11 39 81 228 247.50510 378 676 370 2060
12 45 61 92 114.57959 154 453 370 2080
13 5 28 38 38.95783 48 149 370 2100
14 21 193 371 368.36722 520 849 585 2040
15 53 76 137 178.75246 254 575 585 2060
16 3 31 39 40.85686 50 186 585 2080
17 5 23 29 29.59545 35 88 585 2100
Figure 65.28: 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.