37 Quercus frainetto
37.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.mez264
Format: SIMPLE_CSV
Download key: 0232081-230224095556074
Created: 2023-05-11T07:00:03.643+00:00
Modified: 2023-05-11T07:00:49.936+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232081-230224095556074.zip
Total records: 640Conversion 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 640 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.09 ymin: 37.28139 xmax: 37.500667 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 640 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 837acfc2-… HSS:HSS:535… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
2 9e8 837acfc2-… HSS:HSS:535… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
3 8e8 834a4794-… 0BD8C17F-F4… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
4 8e8 834a4794-… 6EF0F1E5-07… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
5 8e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
6 5e8 bf2a4bf0-… http://data… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
7 5e8 bf2a4bf0-… http://data… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
8 4e8 7a2660bc-… http://id.s… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
9 4e9 7f5260c2-… https://w.j… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
10 4e9 7f5260c2-… https://w.j… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
# ℹ 630 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 640 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 37.1: Occurrences de Quercus frainetto dans le monde.
37.1.1 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] 1[1] 0[1] 0
Figure 37.2: Occurrence de Quercus frainetto dans la région d’endémisme.
37.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
432
CC_BY_NC_4_0
84
CC0_1_0
115
https://creativecommons.org/licenses/by-nc/4.0/legalcode
4
https://creativecommons.org/licenses/by/4.0/legalcode
2
https://creativecommons.org/publicdomain/zero/1.0/legalcode
3 [1] 86.25
Figure 37.3: Occurrence de Quercus frainetto 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] 55237.1.3 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 552 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.55787 ymin: 37.28139 xmax: 37.500667 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 552 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 8 e8 271c444f-… INBO:FLORA:… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
2 4 e8 7a2660bc-… http://id.s… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
3 4 e9 7f5260c2-… https://w.j… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
4 4 e9 7f5260c2-… https://w.j… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
5 4 e9 805d6fc6-… D21A7FBF-3D… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
6 4 e9 36555a0c-… 2cd4p9h.dkr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
7 4 e9 36555a0c-… 2cd4p9h.dkr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
8 4 e9 36555a0c-… 2cd4p9h.dkr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
9 3.e9 14d5676a-… q-102746976… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
10 3.e9 14d5676a-… q-102755005… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
# ℹ 542 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>, …
37.2 Modélisation de la niche climatique
37.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 552, 0 (geometries, attributes)
extent : -8.55787, 37.50067, 37.28139, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qufr 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 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 = qufr
552 presences, 0 true absences and 1655 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 6.528 Min. :-21.144 Min. :-5.549 Min. : 303.2
1st Qu.:21.032 1st Qu.: -8.204 1st Qu.: 9.683 1st Qu.: 675.6
Median :26.132 Median : -3.116 Median :14.376 Median : 747.6
Mean :25.676 Mean : -4.249 Mean :13.379 Mean : 779.1
3rd Qu.:28.364 3rd Qu.: 0.174 3rd Qu.:18.186 3rd Qu.: 891.5
Max. :44.660 Max. : 9.064 Max. :22.928 Max. :1275.3
prec_wet_quart prec_season
Min. : 7.0 Min. : 8.408
1st Qu.:175.0 1st Qu.: 24.896
Median :224.0 Median : 30.396
Mean :222.7 Mean : 35.819
3rd Qu.:262.0 3rd Qu.: 40.793
Max. :972.0 Max. :118.527
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 37.5: 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 : 3864, 2 (geometries, attributes)
extent : -9.979167, 46.97917, 29.02083, 70.9375 (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 37.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
37.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qufr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qufr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qufr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qufr 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 : qufr_PA1
-=-=-=--=-=-=- qufr_PA1_RUN1
-=-=-=- Run : qufr_PA2
-=-=-=--=-=-=- qufr_PA2_RUN1
-=-=-=- Run : qufr_PA3
-=-=-=--=-=-=- qufr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=37.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qufr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 465.0 98.869
2 qufr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 463.5 98.869
3 qufr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 423.0 92.986
4 qufr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 420.0 93.213
5 qufr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 448.0 87.557
6 qufr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 447.0 87.557
specificity calibration validation evaluation
1 64.027 0.627 0.600 NA
2 64.027 0.723 0.748 NA
3 90.950 0.839 0.845 NA
4 90.950 0.978 0.960 NA
5 97.511 0.848 0.855 NA
6 97.511 0.976 0.967 NA
Figure 37.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
37.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qufr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.671647
2 qufr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.280422
3 qufr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.063417
4 qufr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.272479
5 qufr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.176757
6 qufr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.048497
Figure 37.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 37.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
37.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qufr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=37.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qufr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qufr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 486.0 95.109 94.985
2 mergedAlgo TSS EMwmean ROC 483.5 95.290 94.924
calibration validation evaluation
1 0.902 NA NA
2 0.990 NA NA
Figure 37.11: 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 qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qufr_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 0.175255
2 mergedAlgo TSS EMcv temp_min 1 0.299770
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.068228
4 mergedAlgo TSS EMcv temp_season 1 0.155018
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.139986
6 mergedAlgo TSS EMcv prec_season 1 0.072440Par variable :
Figure 37.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 37.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
37.3 Projections
37.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qufr/current
sp.name : qufr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufr/qufr.AllModels.models.out )
models.projected :
qufr_PA1_RUN1_GAM, qufr_PA1_RUN1_MARS, qufr_PA1_RUN1_MAXNET, qufr_PA1_RUN1_GBM, qufr_PA1_RUN1_ANN, qufr_PA1_RUN1_RF, qufr_PA2_RUN1_GAM, qufr_PA2_RUN1_MARS, qufr_PA2_RUN1_MAXNET, qufr_PA2_RUN1_GBM, qufr_PA2_RUN1_ANN, qufr_PA2_RUN1_RF, qufr_PA3_RUN1_GAM, qufr_PA3_RUN1_MARS, qufr_PA3_RUN1_MAXNET, qufr_PA3_RUN1_GBM, qufr_PA3_RUN1_ANN, qufr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 37.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 37.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qufr/current
sp.name : qufr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufr/qufr.AllModels.ensemble.models.out )
models.projected :
qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 37.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
37.3.2 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/qufr/cont_gre
sp.name : qufr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufr/qufr.AllModels.models.out )
models.projected :
qufr_PA1_RUN1_GAM, qufr_PA1_RUN1_MARS, qufr_PA1_RUN1_MAXNET, qufr_PA1_RUN1_GBM, qufr_PA1_RUN1_ANN, qufr_PA1_RUN1_RF, qufr_PA2_RUN1_GAM, qufr_PA2_RUN1_MARS, qufr_PA2_RUN1_MAXNET, qufr_PA2_RUN1_GBM, qufr_PA2_RUN1_ANN, qufr_PA2_RUN1_RF, qufr_PA3_RUN1_GAM, qufr_PA3_RUN1_MARS, qufr_PA3_RUN1_MAXNET, qufr_PA3_RUN1_GBM, qufr_PA3_RUN1_ANN, qufr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 37.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 37.18: 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/qufr/cont_gre
sp.name : qufr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qufr/qufr.AllModels.ensemble.models.out )
models.projected :
qufr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qufr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 37.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
37.3.3 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 37.20: 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 37.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 37.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 37.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
37.4 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)
37.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 37.24: 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 37.25: 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 37.26: 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 37.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
37.4.2 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 51 244.00 358 371.8499 493 712 0 2000
2 174 416.00 544 498.9505 621 757 126 2040
3 160 377.00 597 513.8280 639 757 126 2060
4 159 347.00 591 503.9806 630 754 126 2080
5 154 353.00 589 504.6992 631 746 126 2100
6 168 416.00 550 498.6180 623 750 245 2040
7 163 317.00 609 515.9086 642 756 245 2060
8 151 256.00 602 493.9985 634 750 245 2080
9 145 236.00 590 483.4015 628 756 245 2100
10 177 409.00 546 501.3380 625 759 370 2040
11 155 304.00 607 511.7685 640 755 370 2060
12 147 247.00 584 477.2774 625 752 370 2080
13 144 251.00 356 401.3627 576 735 370 2100
14 167 408.25 552 499.0573 623 755 585 2040
15 146 271.00 599 498.4954 631 753 585 2060
16 150 230.00 445 430.7279 601 751 585 2080
17 168 237.00 271 279.7608 308 699 585 2100
Figure 37.28: 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.