169 Quercus falcata
169.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.r2f5j9
Format: SIMPLE_CSV
Download key: 0252737-230224095556074
Created: 2023-05-20T18:35:58.086+00:00
Modified: 2023-05-20T18:36:38.346+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252737-230224095556074.zip
Total records: 2195Conversion 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 2195 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: 29.333885 xmax: -5.36 ymax: 47.630064
Geodetic CRS: WGS 84
# A tibble: 2,195 × 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… Faga… Fagac… Quer… Quercu… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 2,185 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 <lgl>,
# 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 2 195 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 169.1: Occurrences de Quercus falcata dans le monde.
169.1.1 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] 0.0555808656[1] 0.9444191344[1] 0
Figure 169.2: Occurrence de Quercus falcata dans la région d’endémisme.
169.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
297 1469 307 [1] 29.13651712
Figure 169.3: Occurrence de Quercus falcata 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] 604169.1.3 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 604 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: 29.333885 xmax: -73.734179 ymax: 47.630064
Geodetic CRS: WGS 84
# A tibble: 604 × 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… Faga… Fagac… Quer… Quercu… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 594 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
169.2 Modélisation de la niche climatique
169.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 604, 0 (geometries, attributes)
extent : -122.2946, -73.73418, 29.33388, 47.63006 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qufa 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 = qufa
603 presences, 0 true absences and 1811 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :15.00 Min. :-30.648 Min. :-10.02 Min. : 63.21
1st Qu.:24.39 1st Qu.:-14.294 1st Qu.: 11.87 1st Qu.: 723.72
Median :29.31 Median : -5.145 Median : 17.03 Median : 850.26
Mean :28.11 Mean : -7.082 Mean : 16.43 Mean : 861.29
3rd Qu.:32.01 3rd Qu.: 0.296 3rd Qu.: 22.49 3rd Qu.:1031.98
Max. :44.25 Max. : 22.040 Max. : 33.04 Max. :1452.64
prec_wet_quart prec_season
Min. : 26.0 Min. : 6.075
1st Qu.: 227.0 1st Qu.: 17.812
Median : 310.0 Median : 30.366
Mean : 326.6 Mean : 38.297
3rd Qu.: 370.0 3rd Qu.: 55.473
Max. :1712.0 Max. :131.011
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 169.5: 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 : 4224, 2 (geometries, attributes)
extent : -129.6458, -52.97917, 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 169.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
169.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qufa_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qufa_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qufa_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qufa 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 : qufa_PA1
-=-=-=--=-=-=- qufa_PA1_RUN1
-=-=-=- Run : qufa_PA2
-=-=-=--=-=-=- qufa_PA2_RUN1
-=-=-=- Run : qufa_PA3
-=-=-=--=-=-=- qufa_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=169.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qufa_PA1_RUN1_GAM PA1 RUN1 GAM TSS 591.0 100.000
2 qufa_PA1_RUN1_GAM PA1 RUN1 GAM ROC 593.5 100.000
3 qufa_PA1_RUN1_MARS PA1 RUN1 MARS TSS 420.0 99.378
4 qufa_PA1_RUN1_MARS PA1 RUN1 MARS ROC 423.5 99.378
5 qufa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 361.0 99.378
6 qufa_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 368.0 99.378
specificity calibration validation evaluation
1 84.886 0.849 0.843 NA
2 84.886 0.924 0.925 NA
3 90.683 0.903 0.901 NA
4 90.890 0.967 0.958 NA
5 90.062 0.894 0.901 NA
6 90.269 0.962 0.959 NA
Figure 169.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
169.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qufa_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.061869
2 qufa_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.606858
3 qufa_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.046676
4 qufa_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.076468
5 qufa_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.087164
6 qufa_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.564874
Figure 169.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 169.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
169.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qufa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=169.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qufa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qufa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 534.0 99.171 91.165
2 mergedAlgo TSS EMwmean ROC 535.5 99.171 91.276
calibration validation evaluation
1 0.904 NA NA
2 0.989 NA NA
Figure 169.11: 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 qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qufa_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 0.073356
2 mergedAlgo TSS EMcv temp_min 1 0.326089
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.050975
4 mergedAlgo TSS EMcv temp_season 1 0.142033
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.153840
6 mergedAlgo TSS EMcv prec_season 1 0.282949Par variable :
Figure 169.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 169.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
169.3 Projections
169.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qufa/current
sp.name : qufa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufa/qufa.AllModels.models.out )
models.projected :
qufa_PA1_RUN1_GAM, qufa_PA1_RUN1_MARS, qufa_PA1_RUN1_MAXNET, qufa_PA1_RUN1_GBM, qufa_PA1_RUN1_RF, qufa_PA2_RUN1_GAM, qufa_PA2_RUN1_MARS, qufa_PA2_RUN1_MAXNET, qufa_PA2_RUN1_GBM, qufa_PA2_RUN1_RF, qufa_PA3_RUN1_GAM, qufa_PA3_RUN1_MARS, qufa_PA3_RUN1_MAXNET, qufa_PA3_RUN1_GBM, qufa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 169.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 169.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qufa/current
sp.name : qufa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufa/qufa.AllModels.ensemble.models.out )
models.projected :
qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 169.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
169.3.2 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/qufa/cont_gre
sp.name : qufa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufa/qufa.AllModels.models.out )
models.projected :
qufa_PA1_RUN1_GAM, qufa_PA1_RUN1_MARS, qufa_PA1_RUN1_MAXNET, qufa_PA1_RUN1_GBM, qufa_PA1_RUN1_RF, qufa_PA2_RUN1_GAM, qufa_PA2_RUN1_MARS, qufa_PA2_RUN1_MAXNET, qufa_PA2_RUN1_GBM, qufa_PA2_RUN1_RF, qufa_PA3_RUN1_GAM, qufa_PA3_RUN1_MARS, qufa_PA3_RUN1_MAXNET, qufa_PA3_RUN1_GBM, qufa_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 169.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 169.18: 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/qufa/cont_gre
sp.name : qufa
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufa/qufa.AllModels.ensemble.models.out )
models.projected :
qufa_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufa_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 169.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
169.3.3 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 169.20: 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 169.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 169.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 169.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
169.4 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)
169.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 169.24: 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 169.25: 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 169.26: 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 169.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
169.4.2 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>
1 197 419 464 467.6318 499 703 0 2000
2 257 502 542 555.8859 607 784 126 2040
3 285 514 572 580.6506 646 800 126 2060
4 265 516 565 580.1189 645 803 126 2080
5 296 524 582 590.8593 661 810 126 2100
6 327 518 559 578.2609 630 795 245 2040
7 293 528 587 600.4703 675 814 245 2060
8 404 557 634 639.1899 734 819 245 2080
9 394 561 665 654.8172 756 825 245 2100
10 255 502 545 557.0910 610 789 370 2040
11 316 534 605 611.6605 689 815 370 2060
12 421 565 686 655.7637 749 824 370 2080
13 423 562 737 681.0340 780 836 370 2100
14 246 492 545 557.6661 615 792 585 2040
15 369 566 641 646.8715 737 826 585 2060
16 425 584 751 694.4908 783 838 585 2080
17 402 501 672 637.7867 764 820 585 2100
Figure 169.28: 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.