7 Pyrus calleryana
7.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.f2dqea
Format: SIMPLE_CSV
Download key: 0251907-230224095556074
Created: 2023-05-20T08:52:23.579+00:00
Modified: 2023-05-20T08:57:27.450+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0251907-230224095556074.zip
Total records: 155712Conversion 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 4692 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.347738 ymin: -35.530143 xmax: 152.666667 ymax: 52.65
Geodetic CRS: WGS 84
# A tibble: 4,692 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
# ℹ 4,682 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 4 692 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 7.1: Occurrences de Pyrus calleryana dans le monde.
7.1.1 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] 0.006820119352[1] 0.9196504689[1] 0.06457800512
Figure 7.2: Occurrence de Pyrus calleryana dans la région d’endémisme.
7.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
714 2687 914 [1] 37.72885284
Figure 7.3: Occurrence de Pyrus calleryana 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] 16287.1.3 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 1628 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.347738 ymin: 29.2675 xmax: -70.911775 ymax: 49.25
Geodetic CRS: WGS 84
# A tibble: 1,628 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
# ℹ 1,618 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>, …
7.2 Modélisation de la niche climatique
7.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1628, 0 (geometries, attributes)
extent : -123.347738, -70.911775, 29.2675, 49.25 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pyca 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 = pyca
1627 presences, 0 true absences and 4876 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. :12.66000 Min. :-30.752001 Min. :-11.46200 Min. : 56.69788 Min. : 27.0000
1st Qu.:24.16800 1st Qu.:-14.212000 1st Qu.: 11.32900 1st Qu.: 745.02808 1st Qu.: 226.0000
Median :29.03600 Median : -6.324000 Median : 16.44533 Median : 865.57471 Median : 306.0000
Mean :28.02672 Mean : -7.402694 Mean : 15.77328 Mean : 865.97252 Mean : 322.6483
3rd Qu.:32.01600 3rd Qu.: -0.196000 3rd Qu.: 21.63000 3rd Qu.:1023.87634 3rd Qu.: 368.0000
Max. :42.69600 Max. : 22.975000 Max. : 33.08067 Max. :1458.21252 Max. :1662.0000
prec_season
Min. : 5.534741
1st Qu.: 18.978638
Median : 31.651342
Mean : 39.450236
3rd Qu.: 55.907019
Max. :136.482437
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 7.5: 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 : 11392, 2 (geometries, attributes)
extent : -129.9791667, -52.85416667, 13.0625, 54.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 7.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
7.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pyca_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pyca_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pyca_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pyca 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 : pyca_PA1
-=-=-=--=-=-=- pyca_PA1_RUN1
-=-=-=- Run : pyca_PA2
-=-=-=--=-=-=- pyca_PA2_RUN1
-=-=-=- Run : pyca_PA3
-=-=-=--=-=-=- pyca_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=7.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 pyca_PA1_RUN1_GAM PA1 RUN1 GAM TSS 530.5 98.618 69.124 0.679
2 pyca_PA1_RUN1_GAM PA1 RUN1 GAM ROC 479.0 99.155 68.740 0.850
3 pyca_PA1_RUN1_MARS PA1 RUN1 MARS TSS 441.0 96.083 81.567 0.777
4 pyca_PA1_RUN1_MARS PA1 RUN1 MARS ROC 536.5 93.318 84.485 0.949
5 pyca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 313.0 97.542 81.797 0.794
6 pyca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 315.0 97.542 81.874 0.949
validation evaluation
1 0.641 NA
2 0.826 NA
3 0.804 NA
4 0.942 NA
5 0.807 NA
6 0.945 NA
Figure 7.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
7.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pyca_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.199139
2 pyca_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.733997
3 pyca_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.003075
4 pyca_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.088481
5 pyca_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.111698
6 pyca_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.125085
Figure 7.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 7.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
7.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pyca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=7.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 pyca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 pyca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 410 98.218 84.660 0.829 NA NA
2 TSS EMwmean ROC 415 98.156 84.783 0.973 NA NA
Figure 7.11: 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 merged.by.algo filtered.by
1 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.327971
2 EMcv temp_min 1 0.497888
3 EMcv temp_wet_quart 1 0.068296
4 EMcv temp_season 1 0.229594
5 EMcv prec_wet_quart 1 0.169984
6 EMcv prec_season 1 0.217629Par variable :
Figure 7.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 7.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
7.3 Projections
7.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pyca/current
sp.name : pyca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyca/pyca.AllModels.models.out )
models.projected :
pyca_PA1_RUN1_GAM, pyca_PA1_RUN1_MARS, pyca_PA1_RUN1_MAXNET, pyca_PA1_RUN1_GBM, pyca_PA1_RUN1_ANN, pyca_PA1_RUN1_RF, pyca_PA2_RUN1_GAM, pyca_PA2_RUN1_MARS, pyca_PA2_RUN1_MAXNET, pyca_PA2_RUN1_GBM, pyca_PA2_RUN1_ANN, pyca_PA2_RUN1_RF, pyca_PA3_RUN1_GAM, pyca_PA3_RUN1_MARS, pyca_PA3_RUN1_MAXNET, pyca_PA3_RUN1_GBM, pyca_PA3_RUN1_ANN, pyca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 7.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 7.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pyca/current
sp.name : pyca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyca/pyca.AllModels.ensemble.models.out )
models.projected :
pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 7.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
7.3.2 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/pyca/cont_gre
sp.name : pyca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyca/pyca.AllModels.models.out )
models.projected :
pyca_PA1_RUN1_GAM, pyca_PA1_RUN1_MARS, pyca_PA1_RUN1_MAXNET, pyca_PA1_RUN1_GBM, pyca_PA1_RUN1_ANN, pyca_PA1_RUN1_RF, pyca_PA2_RUN1_GAM, pyca_PA2_RUN1_MARS, pyca_PA2_RUN1_MAXNET, pyca_PA2_RUN1_GBM, pyca_PA2_RUN1_ANN, pyca_PA2_RUN1_RF, pyca_PA3_RUN1_GAM, pyca_PA3_RUN1_MARS, pyca_PA3_RUN1_MAXNET, pyca_PA3_RUN1_GBM, pyca_PA3_RUN1_ANN, pyca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 7.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 7.18: 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/pyca/cont_gre
sp.name : pyca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyca/pyca.AllModels.ensemble.models.out )
models.projected :
pyca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 7.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
7.3.3 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 7.20: 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 7.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 7.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 7.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
7.4 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)
7.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 7.24: 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 7.25: 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 7.26: 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 7.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
7.4.2 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>
1 118 210 270 303.0470 435 550 0 2000
2 187 294 349 410.6840 551 698 126 2040
3 221 324 490 460.2292 583 718 126 2060
4 219 321 496 457.7959 578 729 126 2080
5 226 326 497 461.7736 587 697 126 2100
6 205 303 386 426.7584 565 717 245 2040
7 239 345 544 497.8064 613 757 245 2060
8 276 506 567 544.1884 624 720 245 2080
9 293 537 594 576.9546 637 727 245 2100
10 190 293 356 416.1691 555 726 370 2040
11 257 364 544 503.3799 614 718 370 2060
12 314 543 609 586.6423 629 685 370 2080
13 475 628 682 673.9983 737 787 370 2100
14 198 300 378 423.2255 563 721 585 2040
15 277 455 582 545.4858 636 750 585 2060
16 393 625 689 676.0459 735 781 585 2080
17 524 611 687 679.3833 755 795 585 2100
Figure 7.28: 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.