219 Pyrus spinosa
219.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.yt9gxp
Format: SIMPLE_CSV
Download key: 0260927-230224095556074
Created: 2023-05-25T12:28:36.849+00:00
Modified: 2023-05-25T12:29:39.053+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260927-230224095556074.zip
Total records: 7219Conversion 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 7219 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.739188 ymin: -34.911781 xmax: 138.833333 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 7,219 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 895206398 834a4794-f762-11… D7278BE0-13… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
2 895206239 834a4794-f762-11… 96C73431-80… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
3 895206215 834a4794-f762-11… F347E627-1F… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
4 895189651 834a4794-f762-11… 45EDA0A2-BF… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
5 895189310 834a4794-f762-11… 540D1EBA-28… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
6 895187724 834a4794-f762-11… 5490CBB7-77… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
7 788817112 aab0cf80-0c64-11… LD:General:… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
8 788816990 aab0cf80-0c64-11… LD:General:… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
9 4111744316 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
10 4091945201 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
# ℹ 7,209 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …Il y a 7 219 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 219.1: Occurrences de Pyrus spinosa dans le monde.
219.1.1 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] 0.9997229533[1] 0[1] 0
Figure 219.2: Occurrence de Pyrus spinosa dans la région d’endémisme.
219.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
6782 340 95 [1] 95.28890121
Figure 219.3: Occurrence de Pyrus 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] 6877219.1.3 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 6877 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.739188 ymin: 34.658001 xmax: 33.689619 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 6,877 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 4089647687 7f5260c2-f762-11… https://w.j… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
2 4089644243 7f5260c2-f762-11… https://w.j… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
3 4089642698 7f5260c2-f762-11… https://w.j… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
4 4089641707 7f5260c2-f762-11… https://w.j… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
5 4050318570 5cf165d9-9437-47… 0d22bc47-b1… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
6 4049833372 0d08b2fb-3d2a-49… 40df20b5-5a… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
7 3998741385 14d5676a-2c54-4f… q-101586663… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
8 3997893343 14d5676a-2c54-4f… q-100958088… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
9 3997771395 7a3679ef-5582-4a… o-1006709166 Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
10 3992668030 cdd69da4-9ac3-47… 79cbc154-b4… Plantae Trach… Magn… Rosa… Rosac… Pyrus Pyrus …
# ℹ 6,867 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …
219.2 Modélisation de la niche climatique
219.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 6877, 0 (geometries, attributes)
extent : -8.739188, 33.68962, 34.658, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pysp 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 = pysp
6867 presences, 0 true absences and 20478 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.804 Min. :-21.740 Min. :-8.920 Min. : 229.5
1st Qu.:20.984 1st Qu.: -8.684 1st Qu.: 9.441 1st Qu.: 608.6
Median :25.968 Median : -1.660 Median :12.448 Median : 713.0
Mean :25.794 Mean : -3.508 Mean :12.179 Mean : 751.9
3rd Qu.:28.768 3rd Qu.: 2.012 3rd Qu.:15.558 3rd Qu.: 896.1
Max. :45.600 Max. : 12.132 Max. :26.407 Max. :1365.5
prec_wet_quart prec_season
Min. : 4 Min. : 5.671
1st Qu.: 181 1st Qu.: 26.500
Median : 224 Median : 32.800
Mean : 225 Mean : 37.885
3rd Qu.: 273 3rd Qu.: 42.045
Max. :1251 Max. :123.597
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 219.5: 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 : 48099, 2 (geometries, attributes)
extent : -10.4375, 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 219.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
219.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pysp_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pysp_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pysp_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pysp 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 : pysp_PA1
-=-=-=--=-=-=- pysp_PA1_RUN1
-=-=-=- Run : pysp_PA2
-=-=-=--=-=-=- pysp_PA2_RUN1
-=-=-=- Run : pysp_PA3
-=-=-=--=-=-=- pysp_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=219.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pysp_PA1_RUN1_GAM PA1 RUN1 GAM TSS 889.0 99.072
2 pysp_PA1_RUN1_GAM PA1 RUN1 GAM ROC 904.5 99.054
3 pysp_PA1_RUN1_MARS PA1 RUN1 MARS TSS 463.0 98.234
4 pysp_PA1_RUN1_MARS PA1 RUN1 MARS ROC 478.0 98.143
5 pysp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 328.0 97.761
6 pysp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 339.5 97.434
specificity calibration validation evaluation
1 67.557 0.666 0.679 NA
2 67.648 0.798 0.802 NA
3 94.220 0.925 0.935 NA
4 94.348 0.989 0.990 NA
5 94.856 0.927 0.934 NA
6 95.365 0.989 0.989 NA
Figure 219.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
219.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pysp_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.656796
2 pysp_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.072774
3 pysp_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.047692
4 pysp_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.672805
5 pysp_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.015535
6 pysp_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.059382
Figure 219.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 219.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
219.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pysp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pysp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=219.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pysp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pysp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 591.0 97.626 97.973
2 mergedAlgo TSS EMwmean ROC 585.5 97.670 97.944
calibration validation evaluation
1 0.956 NA NA
2 0.998 NA NA
Figure 219.11: 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 pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pysp_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 0.341597
2 mergedAlgo TSS EMcv temp_min 1 0.248598
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.105337
4 mergedAlgo TSS EMcv temp_season 1 0.372765
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.332016
6 mergedAlgo TSS EMcv prec_season 1 0.125081Par variable :
Figure 219.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 219.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
219.3 Projections
219.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pysp/current
sp.name : pysp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pysp/pysp.AllModels.models.out )
models.projected :
pysp_PA1_RUN1_GAM, pysp_PA1_RUN1_MARS, pysp_PA1_RUN1_MAXNET, pysp_PA1_RUN1_GBM, pysp_PA1_RUN1_ANN, pysp_PA1_RUN1_RF, pysp_PA2_RUN1_GAM, pysp_PA2_RUN1_MARS, pysp_PA2_RUN1_MAXNET, pysp_PA2_RUN1_GBM, pysp_PA2_RUN1_ANN, pysp_PA2_RUN1_RF, pysp_PA3_RUN1_GAM, pysp_PA3_RUN1_MARS, pysp_PA3_RUN1_MAXNET, pysp_PA3_RUN1_GBM, pysp_PA3_RUN1_ANN, pysp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 219.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 219.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pysp/current
sp.name : pysp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pysp/pysp.AllModels.ensemble.models.out )
models.projected :
pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pysp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 219.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
219.3.2 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/pysp/cont_gre
sp.name : pysp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pysp/pysp.AllModels.models.out )
models.projected :
pysp_PA1_RUN1_GAM, pysp_PA1_RUN1_MARS, pysp_PA1_RUN1_MAXNET, pysp_PA1_RUN1_GBM, pysp_PA1_RUN1_ANN, pysp_PA1_RUN1_RF, pysp_PA2_RUN1_GAM, pysp_PA2_RUN1_MARS, pysp_PA2_RUN1_MAXNET, pysp_PA2_RUN1_GBM, pysp_PA2_RUN1_ANN, pysp_PA2_RUN1_RF, pysp_PA3_RUN1_GAM, pysp_PA3_RUN1_MARS, pysp_PA3_RUN1_MAXNET, pysp_PA3_RUN1_GBM, pysp_PA3_RUN1_ANN, pysp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 219.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 219.18: 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/pysp/cont_gre
sp.name : pysp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pysp/pysp.AllModels.ensemble.models.out )
models.projected :
pysp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pysp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 219.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
219.3.3 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 219.20: 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 219.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 219.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 219.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
219.4 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)
219.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 219.24: 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 219.25: 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 219.26: 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 219.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
219.4.2 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 95 154 215 263.7345 355 689 0 2000
2 98 215 284 296.3533 363 598 126 2040
3 93 250 323 321.9445 378 729 126 2060
4 100 302 391 393.6608 483 794 126 2080
5 95 277 352 347.5837 416 727 126 2100
6 97 217 294 298.7723 366 583 245 2040
7 87 268 328 327.9255 387 739 245 2060
8 86 267 340 335.7285 403 704 245 2080
9 82 233 328 329.6854 422 639 245 2100
10 91 205 264 275.0092 333 610 370 2040
11 86 263 324 323.7572 383 684 370 2060
12 80 202 275 284.8446 369 616 370 2080
13 72 173 239 263.1737 374 482 370 2100
14 102 291 381 382.9970 471 782 585 2040
15 88 269 321 318.3501 373 646 585 2060
16 75 193 257 276.7491 377 481 585 2080
17 58 128 179 196.9648 238 428 585 2100
Figure 219.28: 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.