156 Populus alba
156.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ar8b3j
Format: SIMPLE_CSV
Download key: 0252663-230224095556074
Created: 2023-05-20T17:53:55.713+00:00
Modified: 2023-05-20T17:55:20.756+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252663-230224095556074.zip
Total records: 63408Conversion 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 63408 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.097656 ymin: -51.727866 xmax: 178.335312 ymax: 64.559936
Geodetic CRS: WGS 84
# A tibble: 63,408 × 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 5f06e39d-… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
2 9 e5 aab0cf80-… LD:General:… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
3 9 e5 aab0cf80-… LD:General:… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
4 9 e5 aab0cf80-… LD:General:… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
5 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
6 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
7 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
8 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
9 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
10 9 e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
# ℹ 63,398 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 63 408 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 156.1: Occurrences de Populus alba dans le monde.
156.1.1 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] 0.9510156447[1] 0.0199659349[1] 0.004021574565
Figure 156.2: Occurrence de Populus alba dans la région d’endémisme.
156.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
43695
CC_BY_NC_4_0
8579
CC0_1_0
2491
https://creativecommons.org/licenses/by-nc/4.0/legalcode
4332
https://creativecommons.org/licenses/by/4.0/legalcode
1149
https://creativecommons.org/publicdomain/zero/1.0/legalcode
56 [1] 78.58943319
Figure 156.3: Occurrence de Populus alba 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] 47391156.1.3 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: -9.381858 ymin: 31 xmax: 46.8002 ymax: 60.478801
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 4.e7 8582b50a-… "" Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
2 2 e9 14d5676a-… "q-10102267… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
3 2 e9 14d5676a-… "q-10222590… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
4 2 e9 14d5676a-… "q-10176482… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
5 1 e9 75956ee6-… "http://flo… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
6 3.e9 306aab9c-… "06f7066c-8… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
7 2 e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
8 3.e9 f946666e-… "BDBB97C5-E… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
9 1 e9 75956ee6-… "http://flo… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
10 2 e9 50c9509d-… "https://ww… Plantae Trach… Magn… Malp… Salic… Popu… Populu… ""
# 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>, …
156.2 Modélisation de la niche climatique
156.2.1 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 : -9.381858, 46.8002, 31, 60.4788 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= poal 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 = poal
24935 presences, 0 true absences and 72902 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.992 Min. :-11.683 Min. : 0.0
1st Qu.:20.57 1st Qu.: -8.752 1st Qu.: 9.326 1st Qu.: 618.0
Median :24.22 Median : -2.324 Median : 13.003 Median : 726.4
Mean :25.31 Mean : -3.795 Mean : 12.450 Mean : 753.3
3rd Qu.:28.88 3rd Qu.: 1.356 3rd Qu.: 16.177 3rd Qu.: 897.1
Max. :45.20 Max. : 12.124 Max. : 25.577 Max. :1392.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.153
1st Qu.: 175.0 1st Qu.: 23.286
Median : 219.0 Median : 31.816
Mean : 220.6 Mean : 35.940
3rd Qu.: 262.0 3rd Qu.: 40.172
Max. :1264.0 Max. :123.127
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 156.5: 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 : 174740, 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 156.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
156.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for poal_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for poal_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for poal_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= poal 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 : poal_PA1
-=-=-=--=-=-=- poal_PA1_RUN1
-=-=-=- Run : poal_PA2
-=-=-=--=-=-=- poal_PA2_RUN1
-=-=-=- Run : poal_PA3
-=-=-=--=-=-=- poal_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=156.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 poal_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 94.300
2 poal_PA1_RUN1_GAM PA1 RUN1 GAM ROC 623.5 94.145
3 poal_PA1_RUN1_MARS PA1 RUN1 MARS TSS 521.0 91.107
4 poal_PA1_RUN1_MARS PA1 RUN1 MARS ROC 525.5 91.047
5 poal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 383.0 91.678
6 poal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 384.5 91.558
specificity calibration validation evaluation
1 58.170 0.525 0.507 NA
2 58.375 0.702 0.683 NA
3 85.200 0.763 0.762 NA
4 85.330 0.940 0.937 NA
5 85.805 0.775 0.770 NA
6 85.930 0.940 0.936 NA
Figure 156.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
156.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 poal_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.275955
2 poal_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.299147
3 poal_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.012853
4 poal_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.188203
5 poal_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.018935
6 poal_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.049272
Figure 156.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 156.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
156.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : poal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=156.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 poal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 poal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 605.0 96.435 96.071
2 mergedAlgo TSS EMwmean ROC 599.5 96.539 95.973
calibration validation evaluation
1 0.925 NA NA
2 0.995 NA NA
Figure 156.11: 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 poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 poal_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 0.587600
2 mergedAlgo TSS EMcv temp_min 1 0.612742
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.421338
4 mergedAlgo TSS EMcv temp_season 1 0.538280
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.491410
6 mergedAlgo TSS EMcv prec_season 1 0.503924Par variable :
Figure 156.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 156.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
156.3 Projections
156.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/poal/current
sp.name : poal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poal/poal.AllModels.models.out )
models.projected :
poal_PA1_RUN1_GAM, poal_PA1_RUN1_MARS, poal_PA1_RUN1_MAXNET, poal_PA1_RUN1_GBM, poal_PA1_RUN1_RF, poal_PA2_RUN1_GAM, poal_PA2_RUN1_MARS, poal_PA2_RUN1_MAXNET, poal_PA2_RUN1_GBM, poal_PA2_RUN1_RF, poal_PA3_RUN1_GAM, poal_PA3_RUN1_MARS, poal_PA3_RUN1_MAXNET, poal_PA3_RUN1_GBM, poal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 156.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 156.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/poal/current
sp.name : poal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poal/poal.AllModels.ensemble.models.out )
models.projected :
poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 156.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
156.3.2 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/poal/cont_gre
sp.name : poal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poal/poal.AllModels.models.out )
models.projected :
poal_PA1_RUN1_GAM, poal_PA1_RUN1_MARS, poal_PA1_RUN1_MAXNET, poal_PA1_RUN1_GBM, poal_PA1_RUN1_RF, poal_PA2_RUN1_GAM, poal_PA2_RUN1_MARS, poal_PA2_RUN1_MAXNET, poal_PA2_RUN1_GBM, poal_PA2_RUN1_RF, poal_PA3_RUN1_GAM, poal_PA3_RUN1_MARS, poal_PA3_RUN1_MAXNET, poal_PA3_RUN1_GBM, poal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 156.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 156.18: 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/poal/cont_gre
sp.name : poal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poal/poal.AllModels.ensemble.models.out )
models.projected :
poal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 156.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
156.3.3 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 156.20: 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 156.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 156.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 156.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
156.4 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)
156.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 156.24: 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 156.25: 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 156.26: 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 156.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
156.4.2 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>
1 173 547 640 681.0914 822 999 0 2000
2 349 540 649 660.2683 764 998 126 2040
3 316 480 559 586.0516 680 946 126 2060
4 313 492 609 608.2679 717 907 126 2080
5 298 456 512 541.4166 608 908 126 2100
6 350 563 681 674.4868 776 976 245 2040
7 275 464 570 580.1939 700 896 245 2060
8 286 452 506 542.8473 619 855 245 2080
9 226 436 474 486.8249 563 775 245 2100
10 343 530 620 652.5834 769 996 370 2040
11 289 458 505 535.0286 611 893 370 2060
12 260 442 484 499.6119 571 807 370 2080
13 194 374 464 451.8122 511 759 370 2100
14 327 525 635 639.2171 744 978 585 2040
15 244 446 491 513.9176 588 807 585 2060
16 180 426 466 480.8105 572 796 585 2080
17 165 415 485 445.0308 511 756 585 2100
Figure 156.28: 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.