43 Pyrus communis
43.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.9jrrkd
Format: SIMPLE_CSV
Download key: 0232100-230224095556074
Created: 2023-05-11T07:10:00.989+00:00
Modified: 2023-05-11T07:11:15.401+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232100-230224095556074.zip
Total records: 31881Conversion 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 31881 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.790383 ymin: -45.44343 xmax: 175.799833 ymax: 64.631364
Geodetic CRS: WGS 84
# A tibble: 31,881 × 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… Pyrus Pyrus … ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
# ℹ 31,871 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 31 881 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 43.1: Occurrences de Pyrus communis dans le monde.
43.1.1 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] 0.9526363665[1] 0.02791631379[1] 0.002101565196
Figure 43.2: Occurrence de Pyrus communis dans la région d’endémisme.
43.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
22861
CC_BY_NC_4_0
2025
CC0_1_0
4237
https://creativecommons.org/licenses/by-nc/4.0/legalcode
624
https://creativecommons.org/licenses/by/4.0/legalcode
555
https://creativecommons.org/publicdomain/zero/1.0/legalcode
69 [1] 91.27786375
Figure 43.3: Occurrence de Pyrus communis 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] 2772243.1.3 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: -9.792834 ymin: 36.568245 xmax: 46.96031 ymax: 64.631364
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 14d5676a-… "q-10225230… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
2 1.e9 8ea4250e-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
3 2 e9 14d5676a-… "q-10083236… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
4 1 e8 89579e3e-… "" Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
5 1 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
6 1 e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
7 2 e9 39131221-… "98022e7c-8… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
8 1.e9 8ea4250e-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
9 2 e9 39131221-… "34cefd86-4… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
10 3.e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus … ""
# 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>, …
43.2 Modélisation de la niche climatique
43.2.1 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 : -9.792834, 46.96031, 36.56824, 64.63136 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pyco 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 = pyco
24968 presences, 0 true absences and 72859 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.756 Min. :-22.000 Min. :-12.267 Min. : 222.6
1st Qu.:20.452 1st Qu.: -8.920 1st Qu.: 9.059 1st Qu.: 645.9
Median :23.220 Median : -3.712 Median : 13.697 Median : 730.3
Mean :24.760 Mean : -4.461 Mean : 12.516 Mean : 763.7
3rd Qu.:28.056 3rd Qu.: 0.656 3rd Qu.: 16.307 3rd Qu.: 899.5
Max. :45.908 Max. : 12.400 Max. : 26.104 Max. :1385.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 177.0 1st Qu.: 21.37
Median : 216.0 Median : 30.51
Mean : 217.1 Mean : 34.91
3rd Qu.: 248.0 3rd Qu.: 39.51
Max. :1250.0 Max. :123.41
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 43.5: 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 : 174872, 2 (geometries, attributes)
extent : -10.39583, 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 43.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
43.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pyco_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pyco_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pyco_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pyco 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 : pyco_PA1
-=-=-=--=-=-=- pyco_PA1_RUN1
-=-=-=- Run : pyco_PA2
-=-=-=--=-=-=- pyco_PA2_RUN1
-=-=-=- Run : pyco_PA3
-=-=-=--=-=-=- pyco_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=43.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pyco_PA1_RUN1_GAM PA1 RUN1 GAM TSS 465.0 96.155
2 pyco_PA1_RUN1_GAM PA1 RUN1 GAM ROC 473.5 96.135
3 pyco_PA1_RUN1_MARS PA1 RUN1 MARS TSS 510.0 90.583
4 pyco_PA1_RUN1_MARS PA1 RUN1 MARS ROC 519.5 90.428
5 pyco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 407.0 90.317
6 pyco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 405.5 90.413
specificity calibration validation evaluation
1 50.810 0.470 0.464 NA
2 50.980 0.648 0.639 NA
3 83.395 0.740 0.733 NA
4 83.600 0.930 0.930 NA
5 84.535 0.748 0.741 NA
6 84.480 0.927 0.928 NA
Figure 43.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
43.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pyco_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.529697
2 pyco_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.061008
3 pyco_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.043326
4 pyco_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.549805
5 pyco_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.064744
6 pyco_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.042325
Figure 43.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 43.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
43.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pyco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=43.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pyco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pyco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 636.0 95.358 96.256
2 mergedAlgo TSS EMwmean ROC 635.5 95.358 96.256
calibration validation evaluation
1 0.916 NA NA
2 0.994 NA NA
Figure 43.11: 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 pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pyco_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 0.643004
2 mergedAlgo TSS EMcv temp_min 1 0.591741
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.429456
4 mergedAlgo TSS EMcv temp_season 1 0.504064
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.447501
6 mergedAlgo TSS EMcv prec_season 1 0.523252Par variable :
Figure 43.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 43.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
43.3 Projections
43.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pyco/current
sp.name : pyco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyco/pyco.AllModels.models.out )
models.projected :
pyco_PA1_RUN1_GAM, pyco_PA1_RUN1_MARS, pyco_PA1_RUN1_MAXNET, pyco_PA1_RUN1_GBM, pyco_PA1_RUN1_RF, pyco_PA2_RUN1_GAM, pyco_PA2_RUN1_MARS, pyco_PA2_RUN1_MAXNET, pyco_PA2_RUN1_GBM, pyco_PA2_RUN1_RF, pyco_PA3_RUN1_GAM, pyco_PA3_RUN1_MARS, pyco_PA3_RUN1_MAXNET, pyco_PA3_RUN1_GBM, pyco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 43.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 43.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pyco/current
sp.name : pyco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyco/pyco.AllModels.ensemble.models.out )
models.projected :
pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 43.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
43.3.2 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/pyco/cont_gre
sp.name : pyco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyco/pyco.AllModels.models.out )
models.projected :
pyco_PA1_RUN1_GAM, pyco_PA1_RUN1_MARS, pyco_PA1_RUN1_MAXNET, pyco_PA1_RUN1_GBM, pyco_PA1_RUN1_RF, pyco_PA2_RUN1_GAM, pyco_PA2_RUN1_MARS, pyco_PA2_RUN1_MAXNET, pyco_PA2_RUN1_GBM, pyco_PA2_RUN1_RF, pyco_PA3_RUN1_GAM, pyco_PA3_RUN1_MARS, pyco_PA3_RUN1_MAXNET, pyco_PA3_RUN1_GBM, pyco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 43.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 43.18: 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/pyco/cont_gre
sp.name : pyco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pyco/pyco.AllModels.ensemble.models.out )
models.projected :
pyco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pyco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 43.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
43.3.3 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 43.20: 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 43.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 43.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 43.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
43.4 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)
43.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 43.24: 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 43.25: 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 43.26: 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 43.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
43.4.2 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>
1 208 589 675 670.8055 751 969 0 2000
2 291 409 458 467.8255 525 779 126 2040
3 139 375 420 419.4926 465 638 126 2060
4 196 381 426 424.7763 468 677 126 2080
5 173 362 406 406.5072 454 629 126 2100
6 277 395 439 447.5564 500 713 245 2040
7 152 358 427 423.2869 478 652 245 2060
8 128 383 460 442.6131 505 632 245 2080
9 102 365 448 416.9616 495 619 245 2100
10 261 400 444 453.9992 504 843 370 2040
11 107 347 427 414.7316 473 628 370 2060
12 127 419 443 432.6992 497 609 370 2080
13 185 375 467 435.1262 503 627 370 2100
14 224 388 429 431.7043 477 643 585 2040
15 143 350 452 427.1673 500 624 585 2060
16 160 387 477 451.7359 521 676 585 2080
17 243 413 495 467.3175 536 662 585 2100
Figure 43.28: 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.