94 Ptelea trifoliata
94.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.7dczjm
Format: SIMPLE_CSV
Download key: 0252268-230224095556074
Created: 2023-05-20T13:12:21.644+00:00
Modified: 2023-05-20T13:13:08.891+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252268-230224095556074.zip
Total records: 3834Conversion 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 3834 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: -43.52432 xmax: 172.622571 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 3,834 × 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 6ac3f774-… "" Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
2 9e8 95c938a8-… "f06c02ff-b… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… "pallida"
3 9e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
4 9e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
5 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
6 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
7 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
8 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
9 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
10 8e8 50c9509d-… "http://www… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
# ℹ 3,824 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 3 834 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 94.1: Occurrences de Ptelea trifoliata dans le monde.
94.1.1 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] 0.1434533125[1] 0.8552425665[1] 0.000521648409
Figure 94.2: Occurrence de Ptelea trifoliata dans la région d’endémisme.
94.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
972 2022 285 [1] 38.33485819
Figure 94.3: Occurrence de Ptelea trifoliata 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] 125794.1.3 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 1257 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: 16.68 xmax: -71.12027 ymax: 50.57
Geodetic CRS: WGS 84
# A tibble: 1,257 × 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 95c938a8-… f06c02ff-b1… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… "pallida"
2 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
3 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
4 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
5 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
6 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
7 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
8 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
9 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
10 8e8 50c9509d-… http://www.… Plantae Trach… Magn… Sapi… Rutac… Ptel… Ptelea… ""
# ℹ 1,247 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>, …
94.2 Modélisation de la niche climatique
94.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1257, 0 (geometries, attributes)
extent : -123.2333, -71.12027, 16.68, 50.57 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pttr 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 = pttr
1256 presences, 0 true absences and 3764 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.648 Min. :-11.64 Min. : 0.0
1st Qu.:23.70 1st Qu.:-14.438 1st Qu.: 12.56 1st Qu.: 675.0
Median :28.13 Median : -6.944 Median : 17.74 Median : 838.5
Mean :27.69 Mean : -6.821 Mean : 16.44 Mean : 818.8
3rd Qu.:31.92 3rd Qu.: 1.600 3rd Qu.: 21.87 3rd Qu.:1035.3
Max. :42.30 Max. : 22.267 Max. : 33.48 Max. :1456.5
prec_wet_quart prec_season
Min. : 21.0 Min. : 6.084
1st Qu.: 202.0 1st Qu.: 24.414
Median : 284.0 Median : 43.697
Mean : 309.7 Mean : 47.239
3rd Qu.: 345.0 3rd Qu.: 62.933
Max. :1868.0 Max. :134.063
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 94.5: 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 : 8795, 2 (geometries, attributes)
extent : -129.9375, -53.10417, 13.0625, 54.97917 (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 94.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
94.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pttr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pttr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pttr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pttr 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 : pttr_PA1
-=-=-=--=-=-=- pttr_PA1_RUN1
-=-=-=- Run : pttr_PA2
-=-=-=--=-=-=- pttr_PA2_RUN1
-=-=-=- Run : pttr_PA3
-=-=-=--=-=-=- pttr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=94.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pttr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 505.0 97.612
2 pttr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 508.0 97.612
3 pttr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 544.0 81.692
4 pttr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 542.5 81.990
5 pttr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 377.0 94.229
6 pttr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 377.5 94.229
specificity calibration validation evaluation
1 58.350 0.560 0.494 NA
2 58.449 0.796 0.762 NA
3 81.412 0.631 0.697 NA
4 81.312 0.910 0.914 NA
5 70.080 0.644 0.633 NA
6 70.179 0.908 0.900 NA
Figure 94.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
94.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pttr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.132391
2 pttr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.765279
3 pttr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.096829
4 pttr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.125482
5 pttr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.138889
6 pttr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.175882
Figure 94.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 94.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
94.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pttr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pttr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=94.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pttr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pttr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 667.0 94.268 95.802
2 mergedAlgo TSS EMwmean ROC 614.5 95.939 94.182
calibration validation evaluation
1 0.901 NA NA
2 0.991 NA NA
Figure 94.11: 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 pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pttr_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 0.496723
2 mergedAlgo TSS EMcv temp_min 1 0.602826
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.558339
4 mergedAlgo TSS EMcv temp_season 1 0.465035
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.374794
6 mergedAlgo TSS EMcv prec_season 1 0.385117Par variable :
Figure 94.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 94.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
94.3 Projections
94.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pttr/current
sp.name : pttr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pttr/pttr.AllModels.models.out )
models.projected :
pttr_PA1_RUN1_GAM, pttr_PA1_RUN1_MARS, pttr_PA1_RUN1_MAXNET, pttr_PA1_RUN1_GBM, pttr_PA1_RUN1_ANN, pttr_PA1_RUN1_RF, pttr_PA2_RUN1_GAM, pttr_PA2_RUN1_MARS, pttr_PA2_RUN1_MAXNET, pttr_PA2_RUN1_GBM, pttr_PA2_RUN1_ANN, pttr_PA2_RUN1_RF, pttr_PA3_RUN1_GAM, pttr_PA3_RUN1_MARS, pttr_PA3_RUN1_MAXNET, pttr_PA3_RUN1_GBM, pttr_PA3_RUN1_ANN, pttr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 94.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 94.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pttr/current
sp.name : pttr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pttr/pttr.AllModels.ensemble.models.out )
models.projected :
pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pttr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 94.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
94.3.2 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/pttr/cont_gre
sp.name : pttr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pttr/pttr.AllModels.models.out )
models.projected :
pttr_PA1_RUN1_GAM, pttr_PA1_RUN1_MARS, pttr_PA1_RUN1_MAXNET, pttr_PA1_RUN1_GBM, pttr_PA1_RUN1_ANN, pttr_PA1_RUN1_RF, pttr_PA2_RUN1_GAM, pttr_PA2_RUN1_MARS, pttr_PA2_RUN1_MAXNET, pttr_PA2_RUN1_GBM, pttr_PA2_RUN1_ANN, pttr_PA2_RUN1_RF, pttr_PA3_RUN1_GAM, pttr_PA3_RUN1_MARS, pttr_PA3_RUN1_MAXNET, pttr_PA3_RUN1_GBM, pttr_PA3_RUN1_ANN, pttr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 94.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 94.18: 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/pttr/cont_gre
sp.name : pttr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pttr/pttr.AllModels.ensemble.models.out )
models.projected :
pttr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pttr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 94.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
94.3.3 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 94.20: 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 94.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 94.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 94.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
94.4 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)
94.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 94.24: 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 94.25: 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 94.26: 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 94.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
94.4.2 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>
1 135 268 382 393.7052 539 678 0 2000
2 185 415 513 490.3168 571 704 126 2040
3 221 424 523 502.5164 579 696 126 2060
4 235 451 533 518.4978 593 705 126 2080
5 235 423 513 496.1512 572 672 126 2100
6 203 425 516 501.9041 570 683 245 2040
7 247 485 541 527.0418 594 693 245 2060
8 279 497 556 543.7271 598 684 245 2080
9 268 471 551 532.5670 596 724 245 2100
10 187 416 520 493.9854 573 702 370 2040
11 254 470 537 518.9482 585 686 370 2060
12 288 468 547 530.0675 592 695 370 2080
13 343 448 526 520.0515 586 770 370 2100
14 201 423 524 503.4925 586 714 585 2040
15 281 492 550 538.9791 594 692 585 2060
16 366 462 547 537.0231 606 795 585 2080
17 362 399 459 456.6625 506 603 585 2100
Figure 94.28: 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.