93 Prunus persica
93.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ne4nwr
Format: SIMPLE_CSV
Download key: 0252265-230224095556074
Created: 2023-05-20T13:10:52.147+00:00
Modified: 2023-05-20T13:11:45.392+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252265-230224095556074.zip
Total records: 11322Conversion 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 11322 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.673 ymin: -47.0605 xmax: 177.95 ymax: 64.628117
Geodetic CRS: WGS 84
# A tibble: 11,322 × 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 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 11,312 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 11 322 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 93.1: Occurrences de Prunus persica dans le monde.
93.1.1 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] 0.6115527292[1] 0.2170994524[1] 0.05281752341
Figure 93.2: Occurrence de Prunus persica dans la région d’endémisme.
93.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
6201
CC_BY_NC_4_0
324
CC0_1_0
382
https://creativecommons.org/licenses/by-nc/4.0/legalcode
17 [1] 95.0751011
Figure 93.3: Occurrence de Prunus persica 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] 658393.1.3 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 6583 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.411555 ymin: 32.778478 xmax: 46.8406 ymax: 64.628117
Geodetic CRS: WGS 84
# A tibble: 6,583 × 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 30bc94f2-… urn:catalog… 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 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 8e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 6,573 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>, …
93.2 Modélisation de la niche climatique
93.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 6583, 0 (geometries, attributes)
extent : -9.411555, 46.8406, 32.77848, 64.62812 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prpe 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 = prpe
6579 presences, 0 true absences and 19602 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.564 Min. :-21.900 Min. :-9.371 Min. : 198.9
1st Qu.:20.688 1st Qu.: -8.792 1st Qu.: 8.947 1st Qu.: 603.5
Median :24.536 Median : -2.336 Median :12.936 Median : 735.7
Mean :25.312 Mean : -3.755 Mean :12.378 Mean : 752.4
3rd Qu.:28.608 3rd Qu.: 1.732 3rd Qu.:16.164 3rd Qu.: 897.5
Max. :45.576 Max. : 11.284 Max. :25.944 Max. :1387.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.358
1st Qu.: 176.0 1st Qu.: 22.698
Median : 218.0 Median : 31.377
Mean : 221.6 Mean : 35.663
3rd Qu.: 258.0 3rd Qu.: 40.705
Max. :1227.0 Max. :122.887
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 93.5: 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 : 46065, 2 (geometries, attributes)
extent : -10.35417, 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 93.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
93.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prpe_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prpe_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prpe_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prpe 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 : prpe_PA1
-=-=-=--=-=-=- prpe_PA1_RUN1
-=-=-=- Run : prpe_PA2
-=-=-=--=-=-=- prpe_PA2_RUN1
-=-=-=- Run : prpe_PA3
-=-=-=--=-=-=- prpe_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=93.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prpe_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 91.260
2 prpe_PA1_RUN1_GAM PA1 RUN1 GAM ROC 636.5 91.222
3 prpe_PA1_RUN1_MARS PA1 RUN1 MARS TSS 585.0 87.650
4 prpe_PA1_RUN1_MARS PA1 RUN1 MARS ROC 589.5 87.498
5 prpe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 418.0 89.265
6 prpe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 418.5 89.246
specificity calibration validation evaluation
1 57.444 0.487 0.481 NA
2 57.520 0.685 0.677 NA
3 86.555 0.742 0.749 NA
4 86.726 0.931 0.938 NA
5 85.169 0.745 0.753 NA
6 85.264 0.932 0.939 NA
Figure 93.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
93.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prpe_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.396213
2 prpe_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.177401
3 prpe_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.029071
4 prpe_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.244125
5 prpe_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.009670
6 prpe_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.006413
Figure 93.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 93.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
93.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prpe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=93.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prpe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prpe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 565.0 97.127 93.490
2 mergedAlgo TSS EMwmean ROC 567.5 97.082 93.552
calibration validation evaluation
1 0.906 NA NA
2 0.993 NA NA
Figure 93.11: 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 prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prpe_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 0.589966
2 mergedAlgo TSS EMcv temp_min 1 0.572783
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.366615
4 mergedAlgo TSS EMcv temp_season 1 0.551167
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.498370
6 mergedAlgo TSS EMcv prec_season 1 0.449989Par variable :
Figure 93.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 93.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
93.3 Projections
93.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prpe/current
sp.name : prpe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpe/prpe.AllModels.models.out )
models.projected :
prpe_PA1_RUN1_GAM, prpe_PA1_RUN1_MARS, prpe_PA1_RUN1_MAXNET, prpe_PA1_RUN1_GBM, prpe_PA1_RUN1_ANN, prpe_PA1_RUN1_RF, prpe_PA2_RUN1_GAM, prpe_PA2_RUN1_MARS, prpe_PA2_RUN1_MAXNET, prpe_PA2_RUN1_GBM, prpe_PA2_RUN1_ANN, prpe_PA2_RUN1_RF, prpe_PA3_RUN1_GAM, prpe_PA3_RUN1_MARS, prpe_PA3_RUN1_MAXNET, prpe_PA3_RUN1_GBM, prpe_PA3_RUN1_ANN, prpe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 93.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 93.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prpe/current
sp.name : prpe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpe/prpe.AllModels.ensemble.models.out )
models.projected :
prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 93.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
93.3.2 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/prpe/cont_gre
sp.name : prpe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpe/prpe.AllModels.models.out )
models.projected :
prpe_PA1_RUN1_GAM, prpe_PA1_RUN1_MARS, prpe_PA1_RUN1_MAXNET, prpe_PA1_RUN1_GBM, prpe_PA1_RUN1_ANN, prpe_PA1_RUN1_RF, prpe_PA2_RUN1_GAM, prpe_PA2_RUN1_MARS, prpe_PA2_RUN1_MAXNET, prpe_PA2_RUN1_GBM, prpe_PA2_RUN1_ANN, prpe_PA2_RUN1_RF, prpe_PA3_RUN1_GAM, prpe_PA3_RUN1_MARS, prpe_PA3_RUN1_MAXNET, prpe_PA3_RUN1_GBM, prpe_PA3_RUN1_ANN, prpe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 93.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 93.18: 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/prpe/cont_gre
sp.name : prpe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prpe/prpe.AllModels.ensemble.models.out )
models.projected :
prpe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prpe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 93.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
93.3.3 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 93.20: 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 93.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 93.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 93.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
93.4 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)
93.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 93.24: 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 93.25: 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 93.26: 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 93.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
93.4.2 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>
1 197 652 720 731.5145 839 998 0 2000
2 323 723 806 796.1313 874 986 126 2040
3 404 686 770 758.6000 827 976 126 2060
4 398 715 805 791.6010 867 975 126 2080
5 396 684 757 748.1275 807 964 126 2100
6 412 714 820 802.8000 880 980 245 2040
7 352 690 778 765.6967 851 964 245 2060
8 390 685 749 747.6812 808 955 245 2080
9 355 621 682 671.2759 734 899 245 2100
10 369 711 793 785.6038 865 983 370 2040
11 361 679 744 738.6264 797 956 370 2060
12 346 597 669 656.9352 728 882 370 2080
13 310 582 602 585.3642 648 748 370 2100
14 404 722 803 793.5357 873 982 585 2040
15 373 675 725 726.5525 784 932 585 2060
16 289 601 639 627.6101 702 848 585 2080
17 330 532 601 563.9352 616 731 585 2100
Figure 93.28: 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.