159 Prunus dulcis
159.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.8vn7h5
Format: SIMPLE_CSV
Download key: 0252684-230224095556074
Created: 2023-05-20T18:04:33.884+00:00
Modified: 2023-05-20T18:05:27.229+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252684-230224095556074.zip
Total records: 6726Conversion 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 6726 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.25 ymin: -43.59473 xmax: 172.644272 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 6,726 × 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… ""
2 9e8 837acfc2-… HSS:HSS:320… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 9e8 837acfc2-… HSS:HSS:210… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 9e8 837acfc2-… HSS:HSS:194… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 8e8 834a4794-… CDD01E6E-24… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 8e8 834a4794-… 180234CE-87… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 6,716 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 6 726 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 159.1: Occurrences de Prunus dulcis dans le monde.
159.1.1 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] 0.8947368421[1] 0.02319357716[1] 0.0005947071067
Figure 159.2: Occurrence de Prunus dulcis dans la région d’endémisme.
159.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
4019
CC_BY_NC_4_0
1851
CC0_1_0
104
https://creativecommons.org/licenses/by-nc/4.0/legalcode
40
https://creativecommons.org/licenses/by/4.0/legalcode
4 [1] 68.57760053
Figure 159.3: Occurrence de Prunus dulcis 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] 4127159.1.3 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 4127 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.72496 ymin: 29.692377 xmax: 45.4167 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 4,127 × 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… ""
2 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 4,117 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>, …
159.2 Modélisation de la niche climatique
159.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 4127, 0 (geometries, attributes)
extent : -9.72496, 45.4167, 29.69238, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prdu 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 = prdu
4122 presences, 0 true absences and 12330 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.308 Min. :-21.648 Min. :-9.073 Min. : 254.7
1st Qu.:20.876 1st Qu.: -8.616 1st Qu.: 9.885 1st Qu.: 608.6
Median :26.022 Median : -1.522 Median :12.921 Median : 713.4
Mean :25.851 Mean : -3.432 Mean :12.447 Mean : 751.2
3rd Qu.:29.280 3rd Qu.: 2.300 3rd Qu.:15.803 3rd Qu.: 894.8
Max. :45.056 Max. : 10.400 Max. :25.490 Max. :1329.8
prec_wet_quart prec_season
Min. : 4.0 Min. : 5.946
1st Qu.: 180.0 1st Qu.: 26.468
Median : 219.0 Median : 32.805
Mean : 219.8 Mean : 37.634
3rd Qu.: 263.0 3rd Qu.: 41.920
Max. :1224.0 Max. :121.038
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 159.5: 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 : 28869, 2 (geometries, attributes)
extent : -10.39583, 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 159.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
159.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prdu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prdu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prdu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prdu 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 : prdu_PA1
-=-=-=--=-=-=- prdu_PA1_RUN1
-=-=-=- Run : prdu_PA2
-=-=-=--=-=-=- prdu_PA2_RUN1
-=-=-=- Run : prdu_PA3
-=-=-=--=-=-=- prdu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=159.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prdu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 747.0 94.027
2 prdu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 744.5 94.057
3 prdu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 531.0 92.450
4 prdu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 534.5 92.298
5 prdu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 432.0 90.115
6 prdu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 432.5 90.115
specificity calibration validation evaluation
1 65.021 0.591 0.584 NA
2 65.021 0.754 0.738 NA
3 90.581 0.830 0.813 NA
4 90.763 0.972 0.965 NA
5 95.245 0.855 0.840 NA
6 95.366 0.974 0.968 NA
Figure 159.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
159.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prdu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.563349
2 prdu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.127296
3 prdu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.031045
4 prdu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.572297
5 prdu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.010714
6 prdu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.044699
Figure 159.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 159.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
159.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prdu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=159.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prdu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prdu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 596.0 92.819 97.324
2 mergedAlgo TSS EMwmean ROC 598.5 92.819 97.356
calibration validation evaluation
1 0.902 NA NA
2 0.991 NA NA
Figure 159.11: 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 prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prdu_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 0.302305
2 mergedAlgo TSS EMcv temp_min 1 0.074344
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.062359
4 mergedAlgo TSS EMcv temp_season 1 0.451274
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.265595
6 mergedAlgo TSS EMcv prec_season 1 0.110490Par variable :
Figure 159.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 159.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
159.3 Projections
159.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prdu/current
sp.name : prdu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdu/prdu.AllModels.models.out )
models.projected :
prdu_PA1_RUN1_GAM, prdu_PA1_RUN1_MARS, prdu_PA1_RUN1_MAXNET, prdu_PA1_RUN1_GBM, prdu_PA1_RUN1_ANN, prdu_PA1_RUN1_RF, prdu_PA2_RUN1_GAM, prdu_PA2_RUN1_MARS, prdu_PA2_RUN1_MAXNET, prdu_PA2_RUN1_GBM, prdu_PA2_RUN1_ANN, prdu_PA2_RUN1_RF, prdu_PA3_RUN1_GAM, prdu_PA3_RUN1_MARS, prdu_PA3_RUN1_MAXNET, prdu_PA3_RUN1_GBM, prdu_PA3_RUN1_ANN, prdu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 159.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 159.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prdu/current
sp.name : prdu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdu/prdu.AllModels.ensemble.models.out )
models.projected :
prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 159.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
159.3.2 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/prdu/cont_gre
sp.name : prdu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdu/prdu.AllModels.models.out )
models.projected :
prdu_PA1_RUN1_GAM, prdu_PA1_RUN1_MARS, prdu_PA1_RUN1_MAXNET, prdu_PA1_RUN1_GBM, prdu_PA1_RUN1_ANN, prdu_PA1_RUN1_RF, prdu_PA2_RUN1_GAM, prdu_PA2_RUN1_MARS, prdu_PA2_RUN1_MAXNET, prdu_PA2_RUN1_GBM, prdu_PA2_RUN1_ANN, prdu_PA2_RUN1_RF, prdu_PA3_RUN1_GAM, prdu_PA3_RUN1_MARS, prdu_PA3_RUN1_MAXNET, prdu_PA3_RUN1_GBM, prdu_PA3_RUN1_ANN, prdu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 159.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 159.18: 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/prdu/cont_gre
sp.name : prdu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prdu/prdu.AllModels.ensemble.models.out )
models.projected :
prdu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prdu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 159.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
159.3.3 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 159.20: 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 159.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 159.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 159.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
159.4 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)
159.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 159.24: 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 159.25: 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 159.26: 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 159.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
159.4.2 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>
1 187 429 554 551.5103 691 797 0 2000
2 181 458 584 553.7599 669 773 126 2040
3 201 440 560 531.9167 652 752 126 2060
4 200 449 588 548.9459 671 776 126 2080
5 206 457 581 549.0506 661 738 126 2100
6 202 463 590 555.4807 666 752 245 2040
7 196 408 464 490.9562 635 745 245 2060
8 197 418 541 510.5802 657 720 245 2080
9 195 374 441 462.4627 628 690 245 2100
10 168 425 527 517.1777 643 750 370 2040
11 198 424 531 508.7774 642 727 370 2060
12 192 349 440 455.9174 626 696 370 2080
13 175 223 321 294.1619 345 482 370 2100
14 192 450 577 548.7405 672 780 585 2040
15 194 392 451 473.8576 624 689 585 2060
16 150 240 342 312.7072 365 530 585 2080
17 152 191 224 224.3347 259 326 585 2100
Figure 159.28: 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.