222 Quercus glauca
222.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.h2qegg
Format: SIMPLE_CSV
Download key: 0260948-230224095556074
Created: 2023-05-25T12:55:43.644+00:00
Modified: 2023-05-25T12:56:24.028+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260948-230224095556074.zip
Total records: 2505Conversion 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 2505 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: 21.977222 xmax: 140.54694 ymax: 47.630064
Geodetic CRS: WGS 84
# A tibble: 2,505 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 919462971 1b412457-43cf-4a6… 5419716 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 919462959 1b412457-43cf-4a6… 5419728 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 919462933 1b412457-43cf-4a6… 5419729 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 919462930 1b412457-43cf-4a6… 5419730 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 919462920 1b412457-43cf-4a6… 5419715 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 919462917 1b412457-43cf-4a6… 5419711 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 919462863 1b412457-43cf-4a6… 5419627 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 919462854 1b412457-43cf-4a6… 5419629 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 919462851 1b412457-43cf-4a6… 5419633 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 895177931 834a4794-f762-11e… 5DEA6298-EE… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 2,495 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …Il y a 2 505 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 222.1: Occurrences de Quercus glauca dans le monde.
222.1.1 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] 0.001596806387[1] 0.007185628743[1] 0.9912175649
Figure 222.2: Occurrence de Quercus glauca dans la région d’endémisme.
222.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1026 1422 35 [1] 42.73056786
Figure 222.3: Occurrence de Quercus glauca 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] 1061222.1.3 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 1061 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 85.4 ymin: 22.242222 xmax: 140.54694 ymax: 39.82
Geodetic CRS: WGS 84
# A tibble: 1,061 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 919462971 1b412457-43cf-4a6… 5419716 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 919462959 1b412457-43cf-4a6… 5419728 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 919462933 1b412457-43cf-4a6… 5419729 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 919462930 1b412457-43cf-4a6… 5419730 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 919462920 1b412457-43cf-4a6… 5419715 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 919462917 1b412457-43cf-4a6… 5419711 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 919462863 1b412457-43cf-4a6… 5419627 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 919462854 1b412457-43cf-4a6… 5419629 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 919462851 1b412457-43cf-4a6… 5419633 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 736077535 86185376-f762-11e… 7d12c59a-f8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 1,051 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …
222.2 Modélisation de la niche climatique
222.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1061, 0 (geometries, attributes)
extent : 85.4, 140.5469, 22.24222, 39.82 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qugl 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 = qugl
1023 presences, 0 true absences and 3180 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-42.884 Min. :-17.64 Min. : 0.0
1st Qu.:22.57 1st Qu.:-21.604 1st Qu.: 15.94 1st Qu.: 674.3
Median :28.05 Median : -4.352 Median : 21.10 Median : 839.8
Mean :26.02 Mean : -8.141 Mean : 19.54 Mean : 915.8
3rd Qu.:30.22 3rd Qu.: 3.136 3rd Qu.: 24.20 3rd Qu.:1288.5
Max. :40.53 Max. : 25.300 Max. : 34.50 Max. :1923.0
prec_wet_quart prec_season
Min. : 10.0 Min. : 11.83
1st Qu.: 200.0 1st Qu.: 50.89
Median : 426.0 Median : 77.53
Mean : 510.1 Mean : 77.91
3rd Qu.: 704.0 3rd Qu.:101.66
Max. :4155.0 Max. :164.43
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 222.5: 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 : 7275, 2 (geometries, attributes)
extent : 68.02083, 146.8542, 3.020833, 56.97917 (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 222.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
222.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qugl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qugl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qugl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qugl 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 : qugl_PA1
-=-=-=--=-=-=- qugl_PA1_RUN1
-=-=-=- Run : qugl_PA2
-=-=-=--=-=-=- qugl_PA2_RUN1
-=-=-=- Run : qugl_PA3
-=-=-=--=-=-=- qugl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=222.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qugl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 904.0 99.633
2 qugl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 907.0 99.633
3 qugl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 556.0 98.044
4 qugl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 555.5 98.044
5 qugl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 358.0 97.922
6 qugl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 356.0 97.922
specificity calibration validation evaluation
1 71.025 0.707 0.717 NA
2 71.025 0.814 0.826 NA
3 94.817 0.929 0.914 NA
4 94.817 0.986 0.991 NA
5 93.168 0.911 0.924 NA
6 93.168 0.984 0.989 NA
Figure 222.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
222.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.260550
2 qugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.138255
3 qugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.051205
4 qugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.852260
5 qugl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.243988
6 qugl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.070461
Figure 222.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 222.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
222.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=222.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 598.0 97.752 96.981
2 mergedAlgo TSS EMwmean ROC 603.5 97.752 97.170
calibration validation evaluation
1 0.949 NA NA
2 0.996 NA NA
Figure 222.11: 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 qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qugl_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 0.027624
2 mergedAlgo TSS EMcv temp_min 1 0.282244
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.066450
4 mergedAlgo TSS EMcv temp_season 1 0.179144
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.342069
6 mergedAlgo TSS EMcv prec_season 1 0.182916Par variable :
Figure 222.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 222.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
222.3 Projections
222.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qugl/current
sp.name : qugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qugl/qugl.AllModels.models.out )
models.projected :
qugl_PA1_RUN1_GAM, qugl_PA1_RUN1_MARS, qugl_PA1_RUN1_MAXNET, qugl_PA1_RUN1_GBM, qugl_PA1_RUN1_RF, qugl_PA2_RUN1_GAM, qugl_PA2_RUN1_MARS, qugl_PA2_RUN1_MAXNET, qugl_PA2_RUN1_GBM, qugl_PA2_RUN1_ANN, qugl_PA2_RUN1_RF, qugl_PA3_RUN1_GAM, qugl_PA3_RUN1_MARS, qugl_PA3_RUN1_MAXNET, qugl_PA3_RUN1_GBM, qugl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 222.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 222.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qugl/current
sp.name : qugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qugl/qugl.AllModels.ensemble.models.out )
models.projected :
qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 222.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
222.3.2 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/qugl/cont_gre
sp.name : qugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qugl/qugl.AllModels.models.out )
models.projected :
qugl_PA1_RUN1_GAM, qugl_PA1_RUN1_MARS, qugl_PA1_RUN1_MAXNET, qugl_PA1_RUN1_GBM, qugl_PA1_RUN1_RF, qugl_PA2_RUN1_GAM, qugl_PA2_RUN1_MARS, qugl_PA2_RUN1_MAXNET, qugl_PA2_RUN1_GBM, qugl_PA2_RUN1_ANN, qugl_PA2_RUN1_RF, qugl_PA3_RUN1_GAM, qugl_PA3_RUN1_MARS, qugl_PA3_RUN1_MAXNET, qugl_PA3_RUN1_GBM, qugl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 222.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 222.18: 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/qugl/cont_gre
sp.name : qugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qugl/qugl.AllModels.ensemble.models.out )
models.projected :
qugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 222.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
222.3.3 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 222.20: 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 222.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 222.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 222.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
222.4 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)
222.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 222.24: 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 222.25: 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 222.26: 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 222.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
222.4.2 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>
1 161 189 192 192.2650 197 220 0 2000
2 167 194 201 199.0906 206 223 126 2040
3 155 177 186 185.4046 194 216 126 2060
4 159 183 196 193.8237 205 229 126 2080
5 152 173 181 184.0342 197 224 126 2100
6 164 190 202 197.8629 208 228 245 2040
7 163 187 196 195.2987 204 229 245 2060
8 160 178 184 187.1403 194 231 245 2080
9 142 172 180 179.0985 185 214 245 2100
10 168 195 202 200.3097 207 225 370 2040
11 153 176 183 184.8547 193 223 370 2060
12 139 172 179 177.3705 184 203 370 2080
13 143 170 189 182.4747 192 207 370 2100
14 164 192 201 197.6358 206 226 585 2040
15 151 179 184 186.7391 191 235 585 2060
16 139 179 189 185.1934 193 206 585 2080
17 143 187 192 188.0369 195 214 585 2100
Figure 222.28: 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.