11 Quercus cerris
11.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.emxdj2
Format: SIMPLE_CSV
Download key: 0230467-230224095556074
Created: 2023-05-10T16:15:33.495+00:00
Modified: 2023-05-10T16:17:15.396+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0230467-230224095556074.zip
Total records: 41056Conversion 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 41056 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.35 ymin: -45.89218 xmax: 177.72 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 41,056 × 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 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 8e8 834a4794-… D425662A-80… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 8e8 834a4794-… 1BE35D2D-16… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 8e8 834a4794-… 68CAF348-EF… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 8e8 834a4794-… 0F8B4090-37… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 8e7 835177da-… FCO:FCO:269… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 41,046 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 41 056 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 11.1: Occurrences de Quercus cerris dans le monde.
11.1.1 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] 0.9990500779[1] 0.0006576383476[1] 0
Figure 11.2: Occurrence de Quercus cerris dans la région d’endémisme.
11.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
4152
CC_BY_NC_4_0
1160
CC0_1_0
28410
https://creativecommons.org/licenses/by-nc/4.0/legalcode
5601
https://creativecommons.org/licenses/by/4.0/legalcode
1539
https://creativecommons.org/publicdomain/zero/1.0/legalcode
155 [1] 83.51659068
Figure 11.3: Occurrence de Quercus cerris 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] 3425611.1.3 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: -6.177562 ymin: 36.76 xmax: 40.283889 ymax: 60.44712
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 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 bf97ab5c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 e5f16d86-… "e4093854-b… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 2 e9 a814f323-… "THU0000300… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
11.2 Modélisation de la niche climatique
11.2.1 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 : -6.177562, 40.283889, 36.76, 60.44712 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quce 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 = quce
24996 presences, 0 true absences and 73011 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 0.50000 Min. :-21.97600 Min. :-12.31000 Min. : 0.0000 Min. : 3.0000
1st Qu.:20.81600 1st Qu.: -8.64000 1st Qu.: 8.88700 1st Qu.: 622.3543 1st Qu.: 178.0000
Median :25.59600 Median : -1.12400 Median : 12.56133 Median : 715.0356 Median : 221.0000
Mean :25.67393 Mean : -3.40233 Mean : 12.13474 Mean : 753.2991 Mean : 231.6716
3rd Qu.:28.92000 3rd Qu.: 2.22400 3rd Qu.: 15.71233 3rd Qu.: 893.8599 3rd Qu.: 270.0000
Max. :45.85600 Max. : 12.40000 Max. : 26.40667 Max. :1392.7480 Max. :1251.0000
prec_season
Min. : 4.911336
1st Qu.: 26.779158
Median : 32.197083
Mean : 37.112434
3rd Qu.: 39.422041
Max. :124.089523
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 11.5: 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 : 174984, 2 (geometries, attributes)
extent : -10.35416667, 46.97916667, 29.02083333, 70.97916667 (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 11.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
11.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quce_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quce_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quce_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quce 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 : quce_PA1
-=-=-=--=-=-=- quce_PA1_RUN1
-=-=-=- Run : quce_PA2
-=-=-=--=-=-=- quce_PA2_RUN1
-=-=-=- Run : quce_PA3
-=-=-=--=-=-=- quce_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=11.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 quce_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 95.479 67.980 0.635
2 quce_PA1_RUN1_GAM PA1 RUN1 GAM ROC 712.5 95.659 67.845 0.761
3 quce_PA1_RUN1_MARS PA1 RUN1 MARS TSS 575.0 94.139 93.795 0.879
4 quce_PA1_RUN1_MARS PA1 RUN1 MARS ROC 573.5 94.199 93.785 0.982
5 quce_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 367.0 94.564 93.925 0.885
6 quce_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 372.5 94.339 94.190 0.982
validation evaluation
1 0.642 NA
2 0.761 NA
3 0.888 NA
4 0.983 NA
5 0.888 NA
6 0.982 NA
Figure 11.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
11.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quce_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.282923
2 quce_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.503162
3 quce_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.027484
4 quce_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.178681
5 quce_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.060232
6 quce_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.087625
Figure 11.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 11.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
11.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=11.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 quce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 quce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 430.0 98.220 94.364 0.926 NA NA
2 TSS EMwmean ROC 431.5 98.192 94.406 0.996 NA NA
Figure 11.11: 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 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.185819
2 EMcv temp_min 1 0.584342
3 EMcv temp_wet_quart 1 0.050429
4 EMcv temp_season 1 0.189819
5 EMcv prec_wet_quart 1 0.182156
6 EMcv prec_season 1 0.220801Par variable :
Figure 11.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 11.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
11.3 Projections
11.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quce/current
sp.name : quce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/quce/quce.AllModels.models.out )
models.projected :
quce_PA1_RUN1_GAM, quce_PA1_RUN1_MARS, quce_PA1_RUN1_MAXNET, quce_PA1_RUN1_GBM, quce_PA1_RUN1_RF, quce_PA2_RUN1_GAM, quce_PA2_RUN1_MARS, quce_PA2_RUN1_MAXNET, quce_PA2_RUN1_GBM, quce_PA2_RUN1_ANN, quce_PA2_RUN1_RF, quce_PA3_RUN1_GAM, quce_PA3_RUN1_MARS, quce_PA3_RUN1_MAXNET, quce_PA3_RUN1_GBM, quce_PA3_RUN1_ANN, quce_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 11.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 11.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quce/current
sp.name : quce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/quce/quce.AllModels.ensemble.models.out )
models.projected :
quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 11.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
11.3.2 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/quce/cont_gre
sp.name : quce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/quce/quce.AllModels.models.out )
models.projected :
quce_PA1_RUN1_GAM, quce_PA1_RUN1_MARS, quce_PA1_RUN1_MAXNET, quce_PA1_RUN1_GBM, quce_PA1_RUN1_RF, quce_PA2_RUN1_GAM, quce_PA2_RUN1_MARS, quce_PA2_RUN1_MAXNET, quce_PA2_RUN1_GBM, quce_PA2_RUN1_ANN, quce_PA2_RUN1_RF, quce_PA3_RUN1_GAM, quce_PA3_RUN1_MARS, quce_PA3_RUN1_MAXNET, quce_PA3_RUN1_GBM, quce_PA3_RUN1_ANN, quce_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 11.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 11.18: 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/quce/cont_gre
sp.name : quce
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/quce/quce.AllModels.ensemble.models.out )
models.projected :
quce_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quce_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 11.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
11.3.3 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 11.20: 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 11.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 11.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 11.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
11.4 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)
11.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 11.24: 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 11.25: 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 11.26: 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 11.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
11.4.2 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 89 285 327 324.9089 383 525 0 2000
2 202 314 441 408.9236 491 585 126 2040
3 209 314 490 441.0749 547 645 126 2060
4 217 326 500 455.4165 573 652 126 2080
5 218 337 517 473.7011 589 688 126 2100
6 213 320 461 424.5633 516 598 245 2040
7 216 291 470 424.7744 525 630 245 2060
8 220 294 482 442.6480 563 658 245 2080
9 213 281 476 440.0327 545 729 245 2100
10 184 298 416 384.7119 457 541 370 2040
11 219 306 500 449.3030 567 671 370 2060
12 205 264 439 405.1056 511 682 370 2080
13 199 239 307 330.3691 421 552 370 2100
14 197 329 477 440.2474 547 653 585 2040
15 225 301 499 452.1789 564 659 585 2060
16 204 252 358 359.5756 461 557 585 2080
17 176 211 248 258.3517 294 535 585 2100
Figure 11.28: 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.