12 Prunus serrulata
12.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.nrbqsk
Format: SIMPLE_CSV
Download key: 0230472-230224095556074
Created: 2023-05-10T16:17:58.953+00:00
Modified: 2023-05-10T16:19:13.135+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230472-230224095556074.zip
Total records: 2737Conversion 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 2393 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.082711 ymin: -46.553006 xmax: 176.3393 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 2,393 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 2,383 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 2 393 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 12.1: Occurrences de Prunus serrulata dans le monde.
12.1.1 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] 0.3543669035[1] 0.07438361889[1] 0.5035520267
Figure 12.2: Occurrence de Prunus serrulata dans la région d’endémisme.
12.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
461 692 52 [1] 42.57261411
Figure 12.3: Occurrence de Prunus serrulata 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] 51312.1.3 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 513 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 76.693245 ymin: 11.406414 xmax: 141.65367 ymax: 39.31542
Geodetic CRS: WGS 84
# A tibble: 513 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 7e8 86185376-… 7d02de3c-f8… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "speciosa"
2 7e8 86185376-… 7cd2da2a-f8… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "speciosa"
3 4e9 28376ca6-… 914f8eb6-e6… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 4e9 dc692432-… 4c10704c-23… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 4e9 dc692432-… 1ec625e0-e3… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 4e9 dc692432-… ba0e8201-de… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 4e9 dc692432-… f589d0f6-5a… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 4e9 dc692432-… adf94b04-63… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 4e9 dc692432-… f6e269a1-b1… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… "pubescens"
10 4e9 dc692432-… 477613cc-13… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 503 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
12.2 Modélisation de la niche climatique
12.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 513, 0 (geometries, attributes)
extent : 76.69325, 141.6537, 11.40641, 39.31542 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prse 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 = prse
511 presences, 0 true absences and 1539 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.116 Min. :-43.532 Min. :-12.40 Min. : 30.68
1st Qu.:22.372 1st Qu.:-21.599 1st Qu.: 15.84 1st Qu.: 746.46
Median :27.272 Median : -7.518 Median : 20.82 Median : 887.73
Mean :25.752 Mean : -9.338 Mean : 19.26 Mean : 947.13
3rd Qu.:29.800 3rd Qu.: 0.469 3rd Qu.: 23.66 3rd Qu.:1286.62
Max. :40.740 Max. : 24.800 Max. : 34.51 Max. :1922.68
prec_wet_quart prec_season
Min. : 9.0 Min. : 12.68
1st Qu.: 199.0 1st Qu.: 50.14
Median : 420.0 Median : 75.39
Mean : 478.5 Mean : 77.32
3rd Qu.: 664.0 3rd Qu.:102.31
Max. :3492.0 Max. :163.45
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 12.5: 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 : 3583, 2 (geometries, attributes)
extent : 68.02083, 147.6042, 3.020833, 56.97917 (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 12.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
12.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prse_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prse_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prse_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prse 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 : prse_PA1
-=-=-=--=-=-=- prse_PA1_RUN1
-=-=-=- Run : prse_PA2
-=-=-=--=-=-=- prse_PA2_RUN1
-=-=-=- Run : prse_PA3
-=-=-=--=-=-=- prse_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=12.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prse_PA1_RUN1_GAM PA1 RUN1 GAM TSS 571.0 99.756
2 prse_PA1_RUN1_GAM PA1 RUN1 GAM ROC 572.5 99.756
3 prse_PA1_RUN1_MARS PA1 RUN1 MARS TSS 646.0 97.800
4 prse_PA1_RUN1_MARS PA1 RUN1 MARS ROC 652.5 97.800
5 prse_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 394.0 98.044
6 prse_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 392.5 98.044
specificity calibration validation evaluation
1 68.780 0.685 0.660 NA
2 68.780 0.780 0.743 NA
3 95.854 0.937 0.942 NA
4 96.098 0.988 0.985 NA
5 93.171 0.912 0.922 NA
6 93.171 0.987 0.986 NA
Figure 12.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
12.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prse_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.347858
2 prse_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.180467
3 prse_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.019370
4 prse_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.907757
5 prse_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.364550
6 prse_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.019710
Figure 12.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 12.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
12.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=12.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 667.0 97.456 97.401
2 mergedAlgo TSS EMwmean ROC 669.5 97.456 97.401
calibration validation evaluation
1 0.949 NA NA
2 0.995 NA NA
Figure 12.11: 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 prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prse_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 0.071954
2 mergedAlgo TSS EMcv temp_min 1 0.357430
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.048524
4 mergedAlgo TSS EMcv temp_season 1 0.160472
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.281863
6 mergedAlgo TSS EMcv prec_season 1 0.073209Par variable :
Figure 12.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 12.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
12.3 Projections
12.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prse/current
sp.name : prse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prse/prse.AllModels.models.out )
models.projected :
prse_PA1_RUN1_GAM, prse_PA1_RUN1_MARS, prse_PA1_RUN1_MAXNET, prse_PA1_RUN1_GBM, prse_PA1_RUN1_RF, prse_PA2_RUN1_GAM, prse_PA2_RUN1_MARS, prse_PA2_RUN1_MAXNET, prse_PA2_RUN1_GBM, prse_PA2_RUN1_ANN, prse_PA2_RUN1_RF, prse_PA3_RUN1_GAM, prse_PA3_RUN1_MARS, prse_PA3_RUN1_MAXNET, prse_PA3_RUN1_GBM, prse_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 12.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 12.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prse/current
sp.name : prse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prse/prse.AllModels.ensemble.models.out )
models.projected :
prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 12.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
12.3.2 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/prse/cont_gre
sp.name : prse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prse/prse.AllModels.models.out )
models.projected :
prse_PA1_RUN1_GAM, prse_PA1_RUN1_MARS, prse_PA1_RUN1_MAXNET, prse_PA1_RUN1_GBM, prse_PA1_RUN1_RF, prse_PA2_RUN1_GAM, prse_PA2_RUN1_MARS, prse_PA2_RUN1_MAXNET, prse_PA2_RUN1_GBM, prse_PA2_RUN1_ANN, prse_PA2_RUN1_RF, prse_PA3_RUN1_GAM, prse_PA3_RUN1_MARS, prse_PA3_RUN1_MAXNET, prse_PA3_RUN1_GBM, prse_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 12.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 12.18: 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/prse/cont_gre
sp.name : prse
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prse/prse.AllModels.ensemble.models.out )
models.projected :
prse_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prse_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 12.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
12.3.3 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 12.20: 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 12.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 12.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 12.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
12.4 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)
12.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 12.24: 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 12.25: 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 12.26: 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 12.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
12.4.2 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>
1 103 138 158 172.9908 198 472 0 2000
2 105 133 153 161.1383 176 415 126 2040
3 94 122 141 145.6552 159 380 126 2060
4 96 129 153 163.3230 179 493 126 2080
5 94 123 144 154.4991 166 469 126 2100
6 99 130 154 162.8516 181 411 245 2040
7 96 129 154 159.0299 176 442 245 2060
8 92 111 148 149.0913 172 344 245 2080
9 90 102 140 138.7661 155 364 245 2100
10 106 135 156 163.0060 179 414 370 2040
11 93 120 144 146.7284 162 373 370 2060
12 88 97 134 127.1822 146 263 370 2080
13 83 91 103 114.3961 130 266 370 2100
14 101 131 153 164.4581 179 489 585 2040
15 91 113 145 149.3250 169 399 585 2060
16 88 96 121 126.3022 146 342 585 2080
17 82 93 97 104.9988 110 225 585 2100
Figure 12.28: 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.