46 Prunus spinosa
46.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.by4par
Format: SIMPLE_CSV
Download key: 0232182-230224095556074
Created: 2023-05-11T08:03:36.983+00:00
Modified: 2023-05-11T08:10:30.405+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232182-230224095556074.zip
Total records: 473866Conversion 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 473866 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.15 ymin: -43.586 xmax: 172.089 ymax: 66.511139
Geodetic CRS: WGS 84
# A tibble: 473,866 × 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 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
# ℹ 473,856 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 473 866 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 46.1: Occurrences de Prunus spinosa dans le monde.
46.1.1 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] 0.9988182313[1] 0.0002046992188[1] 1.477210857e-05
Figure 46.2: Occurrence de Prunus spinosa dans la région d’endémisme.
46.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
356244 86518 30544 [1] 81.72049372
Figure 46.3: Occurrence de Prunus spinosa 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] 38678846.1.3 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: -9.816202 ymin: 36.74934 xmax: 46.6339 ymax: 60.57402
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 3.e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
2 8 e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
3 2 e9 14d5676a-… q-101443792… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
4 9 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
5 3.e9 2f96ab0b-… 5b5af95a-c2… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
6 2 e9 bfc6fe18-… Natuurpunt:… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
7 1 e9 75956ee6-… http://digi… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
8 2 e9 dd238f50-… cde81549-2d… Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
9 2 e9 67fabcac-… 5461035 Plantae Trach… Magn… Rosa… Rosac… Prun… Prunus… ""
10 2 e9 0d8cc344-… 0a4274e8-8d… 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>, …
46.2 Modélisation de la niche climatique
46.2.1 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 : -9.816202, 46.6339, 36.74934, 60.57402 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prsp 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 = prsp
24956 presences, 0 true absences and 72886 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.92 Min. :-22.104 Min. :-9.411 Min. : 226.1
1st Qu.:20.46 1st Qu.: -8.804 1st Qu.: 8.371 1st Qu.: 603.3
Median :23.66 Median : -2.788 Median :12.741 Median : 721.6
Mean :24.91 Mean : -4.020 Mean :12.136 Mean : 750.8
3rd Qu.:28.01 3rd Qu.: 1.000 3rd Qu.:16.118 3rd Qu.: 896.6
Max. :45.72 Max. : 12.132 Max. :26.027 Max. :1385.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.315
1st Qu.: 175.0 1st Qu.: 20.600
Median : 215.0 Median : 30.505
Mean : 217.1 Mean : 34.435
3rd Qu.: 251.0 3rd Qu.: 39.354
Max. :1264.0 Max. :123.127
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 46.5: 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 : 174824, 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 46.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
46.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prsp_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prsp_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prsp_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prsp 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 : prsp_PA1
-=-=-=--=-=-=- prsp_PA1_RUN1
-=-=-=- Run : prsp_PA2
-=-=-=--=-=-=- prsp_PA2_RUN1
-=-=-=- Run : prsp_PA3
-=-=-=--=-=-=- prsp_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=46.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prsp_PA1_RUN1_GAM PA1 RUN1 GAM TSS 657.0 95.978
2 prsp_PA1_RUN1_GAM PA1 RUN1 GAM ROC 658.5 95.928
3 prsp_PA1_RUN1_MARS PA1 RUN1 MARS TSS 579.0 94.360
4 prsp_PA1_RUN1_MARS PA1 RUN1 MARS ROC 576.0 94.390
5 prsp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 353.0 95.397
6 prsp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 353.5 95.352
specificity calibration validation evaluation
1 69.480 0.654 0.659 NA
2 69.545 0.812 0.817 NA
3 88.185 0.825 0.828 NA
4 88.155 0.951 0.951 NA
5 86.430 0.819 0.823 NA
6 86.510 0.951 0.952 NA
Figure 46.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
46.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prsp_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.219220
2 prsp_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.106233
3 prsp_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.016172
4 prsp_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.594164
5 prsp_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.002713
6 prsp_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.026970
Figure 46.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 46.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
46.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prsp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prsp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=46.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prsp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prsp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 555.0 95.340 90.842
2 mergedAlgo TSS EMwmean ROC 580.5 94.795 91.393
calibration validation evaluation
1 0.862 NA NA
2 0.984 NA NA
Figure 46.11: 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 prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prsp_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 0.151750
2 mergedAlgo TSS EMcv temp_min 1 0.132865
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.033454
4 mergedAlgo TSS EMcv temp_season 1 0.261310
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.077434
6 mergedAlgo TSS EMcv prec_season 1 0.177393Par variable :
Figure 46.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 46.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
46.3 Projections
46.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prsp/current
sp.name : prsp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prsp/prsp.AllModels.models.out )
models.projected :
prsp_PA1_RUN1_GAM, prsp_PA1_RUN1_MARS, prsp_PA1_RUN1_MAXNET, prsp_PA1_RUN1_GBM, prsp_PA1_RUN1_RF, prsp_PA2_RUN1_GAM, prsp_PA2_RUN1_MARS, prsp_PA2_RUN1_MAXNET, prsp_PA2_RUN1_GBM, prsp_PA2_RUN1_ANN, prsp_PA2_RUN1_RF, prsp_PA3_RUN1_GAM, prsp_PA3_RUN1_MARS, prsp_PA3_RUN1_MAXNET, prsp_PA3_RUN1_GBM, prsp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 46.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 46.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prsp/current
sp.name : prsp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prsp/prsp.AllModels.ensemble.models.out )
models.projected :
prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prsp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 46.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
46.3.2 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/prsp/cont_gre
sp.name : prsp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prsp/prsp.AllModels.models.out )
models.projected :
prsp_PA1_RUN1_GAM, prsp_PA1_RUN1_MARS, prsp_PA1_RUN1_MAXNET, prsp_PA1_RUN1_GBM, prsp_PA1_RUN1_RF, prsp_PA2_RUN1_GAM, prsp_PA2_RUN1_MARS, prsp_PA2_RUN1_MAXNET, prsp_PA2_RUN1_GBM, prsp_PA2_RUN1_ANN, prsp_PA2_RUN1_RF, prsp_PA3_RUN1_GAM, prsp_PA3_RUN1_MARS, prsp_PA3_RUN1_MAXNET, prsp_PA3_RUN1_GBM, prsp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 46.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 46.18: 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/prsp/cont_gre
sp.name : prsp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prsp/prsp.AllModels.ensemble.models.out )
models.projected :
prsp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prsp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 46.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
46.3.3 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 46.20: 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 46.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 46.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 46.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
46.4 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)
46.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 46.24: 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 46.25: 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 46.26: 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 46.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
46.4.2 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>
1 312 632 772 714.2009 800 843 0 2000
2 236 506 705 634.1216 763 841 126 2040
3 212 471 633 594.0703 732 829 126 2060
4 219 480 645 601.6388 728 823 126 2080
5 269 488 661 608.5252 729 823 126 2100
6 233 498 694 630.2885 771 837 245 2040
7 184 430 586 549.1970 695 802 245 2060
8 186 428 557 538.6000 667 805 245 2080
9 184 375 523 484.6943 609 724 245 2100
10 187 464 657 599.2913 754 835 370 2040
11 194 449 602 565.0227 699 815 370 2060
12 173 344 494 461.6933 580 732 370 2080
13 111 188 260 256.3549 308 491 370 2100
14 230 491 678 617.2208 745 827 585 2040
15 185 413 550 524.3113 657 778 585 2060
16 139 207 307 292.4945 356 566 585 2080
17 94 149 171 174.4162 205 319 585 2100
Figure 46.28: 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.