161 Prunus cerasifera
161.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.drev5n
Format: SIMPLE_CSV
Download key: 0252690-230224095556074
Created: 2023-05-20T18:07:33.200+00:00
Modified: 2023-05-20T18:08:51.769+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252690-230224095556074.zip
Total records: 57827Conversion 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 46331 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -125.547602 ymin: -54.799167 xmax: 176.881762 ymax: 64.646277
Geodetic CRS: WGS 84
# A tibble: 46,331 × 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… Magn… Rosa… Rosac… Prun… Prunus… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 46,321 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 46 331 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 161.1: Occurrences de Prunus cerasifera dans le monde.
161.1.1 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] 0.9268092638[1] 0.03466361615[1] 0.0004532602361
Figure 161.2: Occurrence de Prunus cerasifera dans la région d’endémisme.
161.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
31916
CC_BY_NC_4_0
2752
CC0_1_0
1730
https://creativecommons.org/licenses/by-nc/4.0/legalcode
5419
https://creativecommons.org/licenses/by/4.0/legalcode
974
https://creativecommons.org/publicdomain/zero/1.0/legalcode
149 [1] 80.9711225
Figure 161.3: Occurrence de Prunus cerasifera 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] 34769161.1.3 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: -10.024755 ymin: 31.718873 xmax: 46.9 ymax: 64.646277
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 3.e9 14d5676a-… "q-10186481… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 2 e9 67fabcac-… "6404209" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 2 e9 67fabcac-… "14166339" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 2 e9 67fabcac-… "12979486" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 2 e9 14d5676a-… "q-10189824… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 2 e9 67fabcac-… "18078582" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 2 e9 67fabcac-… "21785677" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 2 e9 67fabcac-… "20279988" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 2 e9 4ebe5835-… "17880f64-b… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 2 e9 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# 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>, …
161.2 Modélisation de la niche climatique
161.2.1 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 : -10.02476, 46.9, 31.71887, 64.64628 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prce 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 = prce
24933 presences, 0 true absences and 72910 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.932 Min. :-9.918 Min. : 0.0
1st Qu.:20.14 1st Qu.: -8.720 1st Qu.: 9.020 1st Qu.: 611.9
Median :23.26 Median : -2.824 Median :13.007 Median : 729.2
Mean :24.79 Mean : -4.085 Mean :12.441 Mean : 755.0
3rd Qu.:28.46 3rd Qu.: 1.048 3rd Qu.:16.174 3rd Qu.: 896.4
Max. :46.10 Max. : 12.132 Max. :26.104 Max. :1387.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 174.0 1st Qu.: 22.31
Median : 211.0 Median : 30.95
Mean : 214.5 Mean : 35.54
3rd Qu.: 247.0 3rd Qu.: 40.15
Max. :1244.0 Max. :123.72
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 161.5: 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 : 174732, 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 161.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
161.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prce_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prce_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prce_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prce 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 : prce_PA1
-=-=-=--=-=-=- prce_PA1_RUN1
-=-=-=- Run : prce_PA2
-=-=-=--=-=-=- prce_PA2_RUN1
-=-=-=- Run : prce_PA3
-=-=-=--=-=-=- prce_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=161.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prce_PA1_RUN1_GAM PA1 RUN1 GAM TSS 596.0 93.482
2 prce_PA1_RUN1_GAM PA1 RUN1 GAM ROC 598.5 93.437
3 prce_PA1_RUN1_MARS PA1 RUN1 MARS TSS 561.0 88.649
4 prce_PA1_RUN1_MARS PA1 RUN1 MARS ROC 546.5 89.146
5 prce_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 381.0 91.432
6 prce_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 379.5 91.527
specificity calibration validation evaluation
1 54.685 0.482 0.482 NA
2 54.780 0.664 0.656 NA
3 85.665 0.744 0.754 NA
4 85.245 0.935 0.938 NA
5 82.630 0.740 0.749 NA
6 82.555 0.935 0.938 NA
Figure 161.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
161.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prce_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.395589
2 prce_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.092240
3 prce_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.012973
4 prce_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.318928
5 prce_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.035620
6 prce_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.015379
Figure 161.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 161.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
161.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=161.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 646.0 95.564 96.354
2 mergedAlgo TSS EMwmean ROC 648.5 95.508 96.422
calibration validation evaluation
1 0.919 NA NA
2 0.994 NA NA
Figure 161.11: 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 prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prce_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 0.598461
2 mergedAlgo TSS EMcv temp_min 1 0.597171
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.389727
4 mergedAlgo TSS EMcv temp_season 1 0.523323
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.463188
6 mergedAlgo TSS EMcv prec_season 1 0.491017Par variable :
Figure 161.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 161.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
161.3 Projections
161.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prce/current
sp.name : prce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prce/prce.AllModels.models.out )
models.projected :
prce_PA1_RUN1_GAM, prce_PA1_RUN1_MARS, prce_PA1_RUN1_MAXNET, prce_PA1_RUN1_GBM, prce_PA1_RUN1_ANN, prce_PA1_RUN1_RF, prce_PA2_RUN1_GAM, prce_PA2_RUN1_MARS, prce_PA2_RUN1_MAXNET, prce_PA2_RUN1_GBM, prce_PA2_RUN1_ANN, prce_PA2_RUN1_RF, prce_PA3_RUN1_GAM, prce_PA3_RUN1_MARS, prce_PA3_RUN1_MAXNET, prce_PA3_RUN1_GBM, prce_PA3_RUN1_ANN, prce_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 161.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 161.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prce/current
sp.name : prce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prce/prce.AllModels.ensemble.models.out )
models.projected :
prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 161.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
161.3.2 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/prce/cont_gre
sp.name : prce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prce/prce.AllModels.models.out )
models.projected :
prce_PA1_RUN1_GAM, prce_PA1_RUN1_MARS, prce_PA1_RUN1_MAXNET, prce_PA1_RUN1_GBM, prce_PA1_RUN1_ANN, prce_PA1_RUN1_RF, prce_PA2_RUN1_GAM, prce_PA2_RUN1_MARS, prce_PA2_RUN1_MAXNET, prce_PA2_RUN1_GBM, prce_PA2_RUN1_ANN, prce_PA2_RUN1_RF, prce_PA3_RUN1_GAM, prce_PA3_RUN1_MARS, prce_PA3_RUN1_MAXNET, prce_PA3_RUN1_GBM, prce_PA3_RUN1_ANN, prce_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 161.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 161.18: 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/prce/cont_gre
sp.name : prce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prce/prce.AllModels.ensemble.models.out )
models.projected :
prce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 161.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
161.3.3 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 161.20: 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 161.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 161.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 161.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
161.4 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)
161.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 161.24: 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 161.25: 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 161.26: 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 161.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
161.4.2 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>
1 179 568 642 653.2222 741 989 0 2000
2 358 572 646 641.7873 717 939 126 2040
3 280 507 569 574.1060 647 847 126 2060
4 248 522 609 593.6949 672 821 126 2080
5 279 493 549 548.5566 613 772 126 2100
6 367 569 643 637.8338 702 887 245 2040
7 182 490 584 577.3446 672 867 245 2060
8 334 488 586 570.1838 643 789 245 2080
9 233 465 531 530.6027 617 772 245 2100
10 275 562 627 630.6109 711 910 370 2040
11 218 484 550 549.9087 626 773 370 2060
12 266 462 551 537.0124 613 748 370 2080
13 235 402 487 463.9122 520 727 370 2100
14 266 545 621 610.2757 690 886 585 2040
15 220 477 554 549.0267 623 789 585 2060
16 232 459 499 491.6505 554 719 585 2080
17 244 424 497 467.3547 517 699 585 2100
Figure 161.28: 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.