33 Platanus orientalis
33.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.4cq9ck
Format: SIMPLE_CSV
Download key: 0232047-230224095556074
Created: 2023-05-11T06:46:33.696+00:00
Modified: 2023-05-11T06:47:24.848+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232047-230224095556074.zip
Total records: 1658Conversion 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 1658 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.33083 ymin: -43.540754 xmax: 175.053583 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,658 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
10 9e8 837acfc2-… "HSS:HSS:53… Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
# ℹ 1,648 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 658 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 33.1: Occurrences de Platanus orientalis dans le monde.
33.1.1 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] 0.9481302774[1] 0.004221954162[1] 0.02653799759
Figure 33.2: Occurrence de Platanus orientalis dans la région d’endémisme.
33.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
946
CC_BY_NC_4_0
444
CC0_1_0
94
https://creativecommons.org/licenses/by-nc/4.0/legalcode
50
https://creativecommons.org/licenses/by/4.0/legalcode
32
https://creativecommons.org/publicdomain/zero/1.0/legalcode
6 [1] 68.57506361
Figure 33.3: Occurrence de Platanus orientalis 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] 107833.1.3 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 1078 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.83766 ymin: 32.872912 xmax: 46.948738 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,078 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
2 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
3 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
5 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
6 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
7 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
8 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
9 9e8 6ac3f774-… "" Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
10 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Prot… Plata… Plat… Platan… ""
# ℹ 1,068 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
33.2 Modélisation de la niche climatique
33.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1078, 0 (geometries, attributes)
extent : -8.83766, 46.94874, 32.87291, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= plor 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 = plor
1076 presences, 0 true absences and 3230 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.716 Min. :-21.652 Min. :-9.285 Min. : 308.6
1st Qu.:20.928 1st Qu.: -8.392 1st Qu.: 9.368 1st Qu.: 620.4
Median :25.750 Median : -1.192 Median :12.003 Median : 719.6
Mean :26.266 Mean : -2.982 Mean :12.136 Mean : 753.0
3rd Qu.:31.964 3rd Qu.: 3.112 3rd Qu.:15.933 3rd Qu.: 891.5
Max. :44.848 Max. : 9.900 Max. :24.349 Max. :1391.3
prec_wet_quart prec_season
Min. : 6.0 Min. : 5.202
1st Qu.: 177.0 1st Qu.: 25.787
Median : 222.0 Median : 34.393
Mean : 239.6 Mean : 46.122
3rd Qu.: 299.0 3rd Qu.: 60.859
Max. :1160.0 Max. :120.736
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 33.5: 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 : 7538, 2 (geometries, attributes)
extent : -10.10417, 46.97917, 29.02083, 70.9375 (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 33.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
33.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for plor_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for plor_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for plor_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= plor 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 : plor_PA1
-=-=-=--=-=-=- plor_PA1_RUN1
-=-=-=- Run : plor_PA2
-=-=-=--=-=-=- plor_PA2_RUN1
-=-=-=- Run : plor_PA3
-=-=-=--=-=-=- plor_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=33.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 plor_PA1_RUN1_GAM PA1 RUN1 GAM TSS 505.0 96.632
2 plor_PA1_RUN1_GAM PA1 RUN1 GAM ROC 502.0 96.632
3 plor_PA1_RUN1_MARS PA1 RUN1 MARS TSS 513.0 90.360
4 plor_PA1_RUN1_MARS PA1 RUN1 MARS ROC 516.0 90.360
5 plor_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 390.0 92.334
6 plor_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 394.5 92.102
specificity calibration validation evaluation
1 60.905 0.575 0.564 NA
2 60.905 0.786 0.792 NA
3 86.427 0.769 0.759 NA
4 86.543 0.954 0.949 NA
5 84.339 0.769 0.791 NA
6 85.035 0.958 0.959 NA
Figure 33.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
33.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 plor_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.546601
2 plor_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.079457
3 plor_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004678
4 plor_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.249445
5 plor_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.007906
6 plor_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.074843
Figure 33.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 33.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
33.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : plor
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo, plor_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=33.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 plor_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 plor_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 595.0 93.68 92.848
2 mergedAlgo TSS EMwmean ROC 596.5 93.68 93.003
calibration validation evaluation
1 0.866 NA NA
2 0.985 NA NA
Figure 33.11: 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 plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 plor_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 0.249206
2 mergedAlgo TSS EMcv temp_min 1 0.498755
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.061336
4 mergedAlgo TSS EMcv temp_season 1 0.200032
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.271842
6 mergedAlgo TSS EMcv prec_season 1 0.182591Par variable :
Figure 33.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 33.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
33.3 Projections
33.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/plor/current
sp.name : plor
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/plor/plor.AllModels.models.out )
models.projected :
plor_PA1_RUN1_GAM, plor_PA1_RUN1_MARS, plor_PA1_RUN1_MAXNET, plor_PA1_RUN1_GBM, plor_PA1_RUN1_ANN, plor_PA1_RUN1_RF, plor_PA2_RUN1_GAM, plor_PA2_RUN1_MARS, plor_PA2_RUN1_MAXNET, plor_PA2_RUN1_GBM, plor_PA2_RUN1_ANN, plor_PA2_RUN1_RF, plor_PA3_RUN1_GAM, plor_PA3_RUN1_MARS, plor_PA3_RUN1_MAXNET, plor_PA3_RUN1_GBM, plor_PA3_RUN1_ANN, plor_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 33.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 33.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/plor/current
sp.name : plor
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/plor/plor.AllModels.ensemble.models.out )
models.projected :
plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo, plor_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 33.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
33.3.2 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/plor/cont_gre
sp.name : plor
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/plor/plor.AllModels.models.out )
models.projected :
plor_PA1_RUN1_GAM, plor_PA1_RUN1_MARS, plor_PA1_RUN1_MAXNET, plor_PA1_RUN1_GBM, plor_PA1_RUN1_ANN, plor_PA1_RUN1_RF, plor_PA2_RUN1_GAM, plor_PA2_RUN1_MARS, plor_PA2_RUN1_MAXNET, plor_PA2_RUN1_GBM, plor_PA2_RUN1_ANN, plor_PA2_RUN1_RF, plor_PA3_RUN1_GAM, plor_PA3_RUN1_MARS, plor_PA3_RUN1_MAXNET, plor_PA3_RUN1_GBM, plor_PA3_RUN1_ANN, plor_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 33.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 33.18: 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/plor/cont_gre
sp.name : plor
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/plor/plor.AllModels.ensemble.models.out )
models.projected :
plor_EMcvByTSS_mergedData_mergedRun_mergedAlgo, plor_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 33.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
33.3.3 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 33.20: 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 33.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 33.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 33.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
33.4 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)
33.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 33.24: 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 33.25: 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 33.26: 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 33.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
33.4.2 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>
1 174 427 561 544.2361 671 828 0 2000
2 334 613 695 666.0532 733 832 126 2040
3 306 611 704 660.6007 725 840 126 2060
4 311 612 712 669.9270 749 834 126 2080
5 308 605 702 664.6321 745 839 126 2100
6 326 629 716 678.2240 750 840 245 2040
7 313 591 707 653.9892 727 820 245 2060
8 293 526 698 641.3917 723 828 245 2080
9 289 490 672 610.0376 698 799 245 2100
10 328 599 685 656.8015 731 824 370 2040
11 303 582 703 651.2284 721 829 370 2060
12 283 468 653 594.7536 689 800 370 2080
13 276 431 594 546.6633 650 716 370 2100
14 328 617 704 668.3779 733 832 585 2040
15 297 544 698 639.6656 713 808 585 2060
16 291 452 625 572.2324 671 730 585 2080
17 239 371 454 456.7798 526 707 585 2100
Figure 33.28: 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.