69 Prunus domestica
69.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.x4xpve
Format: SIMPLE_CSV
Download key: 0252130-230224095556074
Created: 2023-05-20T11:48:28.180+00:00
Modified: 2023-05-20T11:49:56.289+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252130-230224095556074.zip
Total records: 42487Conversion 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 42487 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.232734 ymin: -46.561162 xmax: 177.734858 ymax: 63.801637
Geodetic CRS: WGS 84
# A tibble: 42,487 × 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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "insititia"
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "insititia"
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
# ℹ 42,477 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 42 487 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 69.1: Occurrences de Prunus domestica dans le monde.
69.1.1 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] 0.985713277[1] 0.005837079577[1] 0.0002824393344
Figure 69.2: Occurrence de Prunus domestica dans la région d’endémisme.
69.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
24293
CC_BY_NC_4_0
1453
CC0_1_0
5042
https://creativecommons.org/licenses/by-nc/4.0/legalcode
8146
https://creativecommons.org/licenses/by/4.0/legalcode
2784
https://creativecommons.org/publicdomain/zero/1.0/legalcode
162 [1] 77.07975167
Figure 69.3: Occurrence de Prunus domestica 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] 3228169.1.3 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: -10.121969 ymin: 34.639791 xmax: 46.7 ymax: 63.79768
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-100480475… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 2 e9 67fabcac-… 18939048 Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "domestica"
4 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 2 e9 7a3679ef-… o-1003541933 Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 2 e9 7a3679ef-… o-1004612187 Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 3.e9 14d5676a-… q-102206523… 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>, …
69.2 Modélisation de la niche climatique
69.2.1 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 : -10.12197, 46.7, 34.63979, 63.79768 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prdo 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 = prdo
24984 presences, 0 true absences and 72924 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-13.55 Min. : 0.0
1st Qu.:20.29 1st Qu.: -8.812 1st Qu.: 8.83 1st Qu.: 636.6
Median :23.28 Median : -3.424 Median : 13.48 Median : 727.8
Mean :24.75 Mean : -4.359 Mean : 12.38 Mean : 759.5
3rd Qu.:28.00 3rd Qu.: 0.696 3rd Qu.: 16.17 3rd Qu.: 897.2
Max. :45.86 Max. : 12.148 Max. : 25.77 Max. :1394.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.852
1st Qu.: 177.0 1st Qu.: 20.790
Median : 213.0 Median : 30.343
Mean : 214.9 Mean : 34.639
3rd Qu.: 245.0 3rd Qu.: 39.252
Max. :1260.0 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 69.5: 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 : 174936, 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 69.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
69.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prdo_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prdo_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prdo_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prdo 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 : prdo_PA1
-=-=-=--=-=-=- prdo_PA1_RUN1
-=-=-=- Run : prdo_PA2
-=-=-=--=-=-=- prdo_PA2_RUN1
-=-=-=- Run : prdo_PA3
-=-=-=--=-=-=- prdo_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=69.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prdo_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 94.321
2 prdo_PA1_RUN1_GAM PA1 RUN1 GAM ROC 661.5 94.261
3 prdo_PA1_RUN1_MARS PA1 RUN1 MARS TSS 574.0 92.715
4 prdo_PA1_RUN1_MARS PA1 RUN1 MARS ROC 577.5 92.660
5 prdo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 382.0 93.651
6 prdo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 382.5 93.646
specificity calibration validation evaluation
1 66.865 0.612 0.620 NA
2 66.980 0.796 0.797 NA
3 86.080 0.788 0.801 NA
4 86.175 0.937 0.942 NA
5 84.935 0.786 0.796 NA
6 84.975 0.935 0.939 NA
Figure 69.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
69.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prdo_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.317257
2 prdo_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.065515
3 prdo_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.053681
4 prdo_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.646344
5 prdo_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.133098
6 prdo_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.038906
Figure 69.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 69.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
69.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prdo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=69.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prdo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prdo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 690.0 93.176 94.589
2 mergedAlgo TSS EMwmean ROC 690.5 93.168 94.616
calibration validation evaluation
1 0.878 NA NA
2 0.989 NA NA
Figure 69.11: 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 prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prdo_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 0.354503
2 mergedAlgo TSS EMcv temp_min 1 0.371331
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.143717
4 mergedAlgo TSS EMcv temp_season 1 0.361293
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.180168
6 mergedAlgo TSS EMcv prec_season 1 0.291742Par variable :
Figure 69.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 69.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
69.3 Projections
69.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prdo/current
sp.name : prdo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdo/prdo.AllModels.models.out )
models.projected :
prdo_PA1_RUN1_GAM, prdo_PA1_RUN1_MARS, prdo_PA1_RUN1_MAXNET, prdo_PA1_RUN1_GBM, prdo_PA1_RUN1_RF, prdo_PA2_RUN1_GAM, prdo_PA2_RUN1_MARS, prdo_PA2_RUN1_MAXNET, prdo_PA2_RUN1_GBM, prdo_PA2_RUN1_ANN, prdo_PA2_RUN1_RF, prdo_PA3_RUN1_GAM, prdo_PA3_RUN1_MARS, prdo_PA3_RUN1_MAXNET, prdo_PA3_RUN1_GBM, prdo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 69.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 69.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prdo/current
sp.name : prdo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdo/prdo.AllModels.ensemble.models.out )
models.projected :
prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 69.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
69.3.2 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/prdo/cont_gre
sp.name : prdo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdo/prdo.AllModels.models.out )
models.projected :
prdo_PA1_RUN1_GAM, prdo_PA1_RUN1_MARS, prdo_PA1_RUN1_MAXNET, prdo_PA1_RUN1_GBM, prdo_PA1_RUN1_RF, prdo_PA2_RUN1_GAM, prdo_PA2_RUN1_MARS, prdo_PA2_RUN1_MAXNET, prdo_PA2_RUN1_GBM, prdo_PA2_RUN1_ANN, prdo_PA2_RUN1_RF, prdo_PA3_RUN1_GAM, prdo_PA3_RUN1_MARS, prdo_PA3_RUN1_MAXNET, prdo_PA3_RUN1_GBM, prdo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 69.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 69.18: 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/prdo/cont_gre
sp.name : prdo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdo/prdo.AllModels.ensemble.models.out )
models.projected :
prdo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 69.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
69.3.3 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 69.20: 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 69.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 69.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 69.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
69.4 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)
69.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 69.24: 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 69.25: 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 69.26: 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 69.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
69.4.2 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>
1 366 635 800 754.0523 835 925 0 2000
2 371 554 666 651.0037 753 893 126 2040
3 364 531 602 604.2681 694 852 126 2060
4 365 543 611 617.0480 700 833 126 2080
5 428 561 625 621.6755 684 823 126 2100
6 363 548 644 644.3376 753 873 245 2040
7 348 480 558 556.5351 637 822 245 2060
8 355 527 586 574.4676 637 780 245 2080
9 310 460 533 519.8507 580 698 245 2100
10 321 515 635 614.1990 729 875 370 2040
11 363 524 587 580.2808 645 785 370 2060
12 259 427 520 502.9010 575 688 370 2080
13 210 275 293 299.4157 317 463 370 2100
14 357 541 639 628.1166 726 852 585 2040
15 354 485 562 546.6260 615 723 585 2060
16 248 295 329 334.2756 366 531 585 2080
17 160 215 250 250.2173 287 399 585 2100
Figure 69.28: 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.