100 Prunus padus
100.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.srk42u
Format: SIMPLE_CSV
Download key: 0252294-230224095556074
Created: 2023-05-20T13:26:17.419+00:00
Modified: 2023-05-20T13:30:59.892+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252294-230224095556074.zip
Total records: 171055Conversion 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 171055 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -156.944388 ymin: -42.904145 xmax: 159.677192 ymax: 70.661678
Geodetic CRS: WGS 84
# A tibble: 171,055 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2e9 835613da-… E6468235-43… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 2e9 835613da-… 977A47AA-A9… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 2e9 835613da-… FE76BC3C-BF… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 2e9 835613da-… F5B3FBF4-85… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 2e9 835613da-… A186CFA5-ED… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 2e9 835613da-… 8F2C2000-AC… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 2e9 835613da-… E5CBAFCF-54… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
8 2e9 835613da-… CB8BD3B3-4D… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
# ℹ 171,045 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 171 055 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 100.1: Occurrences de Prunus padus dans le monde.
100.1.1 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] 0.9713308585[1] 0.002022741224[1] 0.01353365876
Figure 100.2: Occurrence de Prunus padus dans la région d’endémisme.
100.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
119727 20022 26402 [1] 87.9495158
Figure 100.3: Occurrence de Prunus padus 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] 146129100.1.3 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: -7.763112 ymin: 39.85 xmax: 46.829213 ymax: 70.0748
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 2 e9 0d8cc344-… 5dcef790-95… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
2 1 e9 740df67d-… C1442BAB-4C… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 14d5676a-… q-101613898… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 2 e9 86306e4b-… a9f35895-14… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
6 3.e9 14d5676a-… q-100832608… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 14d5676a-… q-100797130… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 3.e9 e5f16d86-… bc48919f-b8… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "padus"
9 2 e9 14d5676a-… q-101487812… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 1 e9 75956ee6-… http://cbnb… 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>, …
100.2 Modélisation de la niche climatique
100.2.1 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 : -7.763112, 46.82921, 39.85, 70.0748 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prpa 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 = prpa
24890 presences, 0 true absences and 72884 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-12.253 Min. : 0.0
1st Qu.:19.75 1st Qu.: -9.884 1st Qu.: 9.062 1st Qu.: 641.6
Median :22.77 Median : -4.352 Median : 13.307 Median : 755.4
Mean :24.38 Mean : -4.920 Mean : 12.390 Mean : 771.6
3rd Qu.:27.89 3rd Qu.: 0.212 3rd Qu.: 16.298 3rd Qu.: 906.4
Max. :45.86 Max. : 11.488 Max. : 26.344 Max. :1374.0
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 178.0 1st Qu.: 23.681
Median : 217.0 Median : 31.450
Mean : 222.6 Mean : 35.880
3rd Qu.: 254.0 3rd Qu.: 39.620
Max. :1231.0 Max. :123.722
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 100.5: 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 : 174560, 2 (geometries, attributes)
extent : -10.47917, 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 100.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
100.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prpa_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prpa_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prpa_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prpa 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 : prpa_PA1
-=-=-=--=-=-=- prpa_PA1_RUN1
-=-=-=- Run : prpa_PA2
-=-=-=--=-=-=- prpa_PA2_RUN1
-=-=-=- Run : prpa_PA3
-=-=-=--=-=-=- prpa_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=100.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prpa_PA1_RUN1_GAM PA1 RUN1 GAM TSS 513.0 90.769
2 prpa_PA1_RUN1_GAM PA1 RUN1 GAM ROC 515.5 90.689
3 prpa_PA1_RUN1_MARS PA1 RUN1 MARS TSS 546.0 86.194
4 prpa_PA1_RUN1_MARS PA1 RUN1 MARS ROC 485.5 89.388
5 prpa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 392.0 88.921
6 prpa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 394.5 88.615
specificity calibration validation evaluation
1 77.670 0.684 0.688 NA
2 77.760 0.900 0.899 NA
3 81.220 0.674 0.682 NA
4 78.105 0.900 0.900 NA
5 78.485 0.675 0.679 NA
6 78.890 0.901 0.900 NA
Figure 100.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
100.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.294734
2 prpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.063066
3 prpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.035121
4 prpa_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.259336
5 prpa_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.071920
6 prpa_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.164151
Figure 100.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 100.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
100.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=100.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 596.0 95.492 94.484
2 mergedAlgo TSS EMwmean ROC 594.5 95.528 94.456
calibration validation evaluation
1 0.90 NA NA
2 0.99 NA NA
Figure 100.11: 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 prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prpa_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 0.666785
2 mergedAlgo TSS EMcv temp_min 1 0.563856
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.523310
4 mergedAlgo TSS EMcv temp_season 1 0.568576
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.494166
6 mergedAlgo TSS EMcv prec_season 1 0.564845Par variable :
Figure 100.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 100.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
100.3 Projections
100.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prpa/current
sp.name : prpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpa/prpa.AllModels.models.out )
models.projected :
prpa_PA1_RUN1_GAM, prpa_PA1_RUN1_MARS, prpa_PA1_RUN1_MAXNET, prpa_PA1_RUN1_GBM, prpa_PA1_RUN1_RF, prpa_PA2_RUN1_GAM, prpa_PA2_RUN1_MARS, prpa_PA2_RUN1_MAXNET, prpa_PA2_RUN1_GBM, prpa_PA2_RUN1_ANN, prpa_PA2_RUN1_RF, prpa_PA3_RUN1_GAM, prpa_PA3_RUN1_MARS, prpa_PA3_RUN1_MAXNET, prpa_PA3_RUN1_GBM, prpa_PA3_RUN1_ANN, prpa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 100.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 100.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prpa/current
sp.name : prpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpa/prpa.AllModels.ensemble.models.out )
models.projected :
prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 100.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
100.3.2 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/prpa/cont_gre
sp.name : prpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpa/prpa.AllModels.models.out )
models.projected :
prpa_PA1_RUN1_GAM, prpa_PA1_RUN1_MARS, prpa_PA1_RUN1_MAXNET, prpa_PA1_RUN1_GBM, prpa_PA1_RUN1_RF, prpa_PA2_RUN1_GAM, prpa_PA2_RUN1_MARS, prpa_PA2_RUN1_MAXNET, prpa_PA2_RUN1_GBM, prpa_PA2_RUN1_ANN, prpa_PA2_RUN1_RF, prpa_PA3_RUN1_GAM, prpa_PA3_RUN1_MARS, prpa_PA3_RUN1_MAXNET, prpa_PA3_RUN1_GBM, prpa_PA3_RUN1_ANN, prpa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 100.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 100.18: 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/prpa/cont_gre
sp.name : prpa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpa/prpa.AllModels.ensemble.models.out )
models.projected :
prpa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 100.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
100.3.3 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 100.20: 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 100.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 100.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 100.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
100.4 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)
100.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 100.24: 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 100.25: 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 100.26: 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 100.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
100.4.2 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>
1 130 497 583 581.4484 676 994 0 2000
2 95 220 442 424.1232 588 997 126 2040
3 38 148 286 314.9148 449 981 126 2060
4 51 133 277 318.6422 470 944 126 2080
5 60 125 285 286.6330 416 947 126 2100
6 81 203 417 415.8638 603 992 245 2040
7 56 126 214 277.1362 391 917 245 2060
8 55 92 134 202.6558 298 830 245 2080
9 32 95 143 150.6958 166 633 245 2100
10 97 236 424 420.1734 559 985 370 2040
11 46 98 189 245.3906 365 858 370 2060
12 45 124 150 153.8654 164 617 370 2080
13 27 131 144 134.2757 158 465 370 2100
14 77 177 379 378.4084 537 982 585 2040
15 59 95 151 203.9325 305 703 585 2060
16 22 91 141 124.5536 153 431 585 2080
17 48 155 171 171.5446 198 273 585 2100
Figure 100.28: 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.