162 Prunus mahaleb
162.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.jtzhuf
Format: SIMPLE_CSV
Download key: 0252694-230224095556074
Created: 2023-05-20T18:09:36.014+00:00
Modified: 2023-05-20T18:11:15.200+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252694-230224095556074.zip
Total records: 72793Conversion 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 72793 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -135.09853 ymin: -45.265475 xmax: 173.324118 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 72,793 × 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 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
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… ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 9e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 9e8 837acfc2-… HSS:HSS:509… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 72,783 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 72 793 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 162.1: Occurrences de Prunus mahaleb dans le monde.
162.1.1 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] 0.9928701936[1] 0.006140700342[1] 9.616309261e-05
Figure 162.2: Occurrence de Prunus mahaleb dans la région d’endémisme.
162.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
69509
CC_BY_NC_4_0
2255
CC0_1_0
497
https://creativecommons.org/licenses/by-nc/4.0/legalcode
13 [1] 96.86194205
Figure 162.3: Occurrence de Prunus mahaleb 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] 70006162.1.3 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: -9.256212 ymin: 37.086249 xmax: 46.37028 ymax: 63.434
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 1 e9 75956ee6-… "http://pif… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 1.e8 857aa892-… "" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 3.e9 14d5676a-… "q-10209428… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 dd238f50-… "9d91d567-1… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 1.e8 857aa892-… "" Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 3.e9 e5f16d86-… "6aba4874-5… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 14d81697-… "65109bb0-f… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 2 e9 dd238f50-… "8ef22562-5… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 2 e9 7a3679ef-… "o-10032447… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 2 e9 90f9376e-… "a31c4433-f… 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>, …
162.2 Modélisation de la niche climatique
162.2.1 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 : -9.256212, 46.37028, 37.08625, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prma 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 = prma
24999 presences, 0 true absences and 72879 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.084 Min. :-24.584 Min. :-12.205 Min. : 0.0
1st Qu.:20.720 1st Qu.: -8.665 1st Qu.: 8.603 1st Qu.: 620.8
Median :24.432 Median : -2.600 Median : 12.436 Median : 717.9
Mean :25.213 Mean : -4.055 Mean : 11.991 Mean : 755.4
3rd Qu.:28.144 3rd Qu.: 0.808 3rd Qu.: 15.999 3rd Qu.: 896.0
Max. :46.104 Max. : 12.124 Max. : 24.861 Max. :1383.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 175.0 1st Qu.: 20.99
Median : 218.0 Median : 30.59
Mean : 222.6 Mean : 34.44
3rd Qu.: 267.0 3rd Qu.: 39.24
Max. :1243.0 Max. :123.13
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 162.5: 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 : 174996, 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 162.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
162.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prma_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prma_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prma_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prma 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 : prma_PA1
-=-=-=--=-=-=- prma_PA1_RUN1
-=-=-=- Run : prma_PA2
-=-=-=--=-=-=- prma_PA2_RUN1
-=-=-=- Run : prma_PA3
-=-=-=--=-=-=- prma_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=162.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prma_PA1_RUN1_GAM PA1 RUN1 GAM TSS 687.0 94.290
2 prma_PA1_RUN1_GAM PA1 RUN1 GAM ROC 686.5 94.290
3 prma_PA1_RUN1_MARS PA1 RUN1 MARS TSS 529.0 94.115
4 prma_PA1_RUN1_MARS PA1 RUN1 MARS ROC 536.5 94.035
5 prma_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 372.0 93.995
6 prma_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 372.5 93.965
specificity calibration validation evaluation
1 61.335 0.556 0.555 NA
2 61.335 0.696 0.694 NA
3 89.335 0.835 0.835 NA
4 89.460 0.971 0.970 NA
5 91.015 0.850 0.855 NA
6 91.070 0.971 0.968 NA
Figure 162.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
162.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prma_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.530451
2 prma_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.110203
3 prma_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.024050
4 prma_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.603240
5 prma_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.017412
6 prma_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.011250
Figure 162.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 162.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
162.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prma
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prma_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=162.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prma_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prma_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 581.0 95.332 95.447
2 mergedAlgo TSS EMwmean ROC 578.5 95.428 95.392
calibration validation evaluation
1 0.908 NA NA
2 0.992 NA NA
Figure 162.11: 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 prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prma_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 0.157714
2 mergedAlgo TSS EMcv temp_min 1 0.099953
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036976
4 mergedAlgo TSS EMcv temp_season 1 0.414486
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.081955
6 mergedAlgo TSS EMcv prec_season 1 0.207780Par variable :
Figure 162.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 162.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
162.3 Projections
162.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prma/current
sp.name : prma
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prma/prma.AllModels.models.out )
models.projected :
prma_PA1_RUN1_GAM, prma_PA1_RUN1_MARS, prma_PA1_RUN1_MAXNET, prma_PA1_RUN1_GBM, prma_PA1_RUN1_ANN, prma_PA1_RUN1_RF, prma_PA2_RUN1_GAM, prma_PA2_RUN1_MARS, prma_PA2_RUN1_MAXNET, prma_PA2_RUN1_GBM, prma_PA2_RUN1_ANN, prma_PA2_RUN1_RF, prma_PA3_RUN1_GAM, prma_PA3_RUN1_MARS, prma_PA3_RUN1_MAXNET, prma_PA3_RUN1_GBM, prma_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 162.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 162.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prma/current
sp.name : prma
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prma/prma.AllModels.ensemble.models.out )
models.projected :
prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prma_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 162.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
162.3.2 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/prma/cont_gre
sp.name : prma
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prma/prma.AllModels.models.out )
models.projected :
prma_PA1_RUN1_GAM, prma_PA1_RUN1_MARS, prma_PA1_RUN1_MAXNET, prma_PA1_RUN1_GBM, prma_PA1_RUN1_ANN, prma_PA1_RUN1_RF, prma_PA2_RUN1_GAM, prma_PA2_RUN1_MARS, prma_PA2_RUN1_MAXNET, prma_PA2_RUN1_GBM, prma_PA2_RUN1_ANN, prma_PA2_RUN1_RF, prma_PA3_RUN1_GAM, prma_PA3_RUN1_MARS, prma_PA3_RUN1_MAXNET, prma_PA3_RUN1_GBM, prma_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 162.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 162.18: 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/prma/cont_gre
sp.name : prma
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prma/prma.AllModels.ensemble.models.out )
models.projected :
prma_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prma_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 162.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
162.3.3 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 162.20: 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 162.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 162.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 162.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
162.4 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)
162.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 162.24: 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 162.25: 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 162.26: 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 162.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
162.4.2 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>
1 349 638 716 704.8921 800 867 0 2000
2 256 564 685 652.5544 780 864 126 2040
3 181 525 656 617.3654 761 853 126 2060
4 184 540 665 628.9102 762 854 126 2080
5 271 565 680 637.8047 761 842 126 2100
6 250 567 689 656.7405 790 864 245 2040
7 165 456 603 564.6758 706 842 245 2060
8 172 428 590 558.9550 725 824 245 2080
9 172 337 534 494.2056 642 763 245 2100
10 171 538 652 620.3440 753 859 370 2040
11 173 481 622 581.9263 729 832 370 2060
12 169 300 490 462.8897 624 765 370 2080
13 135 185 218 239.7981 277 510 370 2100
14 244 555 673 639.9440 764 859 585 2040
15 165 386 568 531.8190 685 797 585 2060
16 151 182 253 278.6496 346 558 585 2080
17 115 146 166 164.5075 183 237 585 2100
Figure 162.28: 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.