101 Quercus ilex
101.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.q9bt4x
Format: SIMPLE_CSV
Download key: 0252304-230224095556074
Created: 2023-05-20T13:32:10.675+00:00
Modified: 2023-05-20T13:37:08.104+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252304-230224095556074.zip
Total records: 101765Conversion 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 101765 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: -45.600294 xmax: 176.91081 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 101,765 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3e7 835613da-… F7B14F76-B2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 2e9 835613da-… 457478BF-28… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3e7 835613da-… 4FC1EE7D-17… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 2e9 835613da-… 7F1AD145-FD… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3e7 835613da-… 2CACB59D-72… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 2e9 835613da-… E33CA425-44… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3e7 835613da-… 921C4DB3-1B… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 2e9 835613da-… 92D4F07D-D0… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 2e9 835613da-… 3A45CACB-72… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 101,755 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 <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 101 765 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 101.1: Occurrences de Quercus ilex dans le monde.
101.1.1 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] 0.9979069425[1] 0.001424851373[1] 0
Figure 101.2: Occurrence de Quercus ilex dans la région d’endémisme.
101.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
78832 8602 14118 [1] 91.52946274
Figure 101.3: Occurrence de Quercus ilex 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] 92950101.1.3 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: -9.42058 ymin: 32.96056 xmax: 39.713372 ymax: 63.434
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… "ilex"
2 2 e9 0d8cc344-… "9bbfddbd-8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 e5f16d86-… "909f533b-2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 1 e9 75956ee6-… "http://ofs… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 e5f16d86-… "f842af76-7… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 2 e9 0d8cc344-… "ea586136-8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 2 e9 0d8cc344-… "859b6f9b-8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 1 e9 75956ee6-… "http://flo… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 2 e9 0d8cc344-… "b0f30d8e-8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 23f9546d-… "f9db6230-a… 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 <dbl>, depthAccuracy <dbl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
101.2 Modélisation de la niche climatique
101.2.1 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 : -9.42058, 39.71337, 32.96056, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quil 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 = quil
24809 presences, 0 true absences and 72908 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.180 Min. :-11.038 Min. : 0.0
1st Qu.:20.90 1st Qu.: -8.676 1st Qu.: 9.675 1st Qu.: 601.2
Median :25.86 Median : -0.848 Median : 12.868 Median : 715.1
Mean :25.79 Mean : -3.286 Mean : 12.402 Mean : 748.4
3rd Qu.:28.98 3rd Qu.: 2.412 3rd Qu.: 15.693 3rd Qu.: 894.4
Max. :45.74 Max. : 12.400 Max. : 26.027 Max. :1394.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.852
1st Qu.: 181.0 1st Qu.: 26.992
Median : 223.0 Median : 33.015
Mean : 223.1 Mean : 37.828
3rd Qu.: 267.0 3rd Qu.: 42.145
Max. :1250.0 Max. :123.408
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 101.5: 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 : 174236, 2 (geometries, attributes)
extent : -10.52083, 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 101.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
101.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quil_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quil_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quil_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quil 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 : quil_PA1
-=-=-=--=-=-=- quil_PA1_RUN1
-=-=-=- Run : quil_PA2
-=-=-=--=-=-=- quil_PA2_RUN1
-=-=-=- Run : quil_PA3
-=-=-=--=-=-=- quil_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=101.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quil_PA1_RUN1_GAM PA1 RUN1 GAM TSS 667.0 97.153
2 quil_PA1_RUN1_GAM PA1 RUN1 GAM ROC 662.5 97.188
3 quil_PA1_RUN1_MARS PA1 RUN1 MARS TSS 624.0 94.478
4 quil_PA1_RUN1_MARS PA1 RUN1 MARS ROC 627.5 94.473
5 quil_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 329.0 96.095
6 quil_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 327.5 96.161
specificity calibration validation evaluation
1 74.455 0.716 0.710 NA
2 74.435 0.852 0.851 NA
3 94.600 0.891 0.893 NA
4 94.645 0.985 0.986 NA
5 92.745 0.888 0.891 NA
6 92.695 0.987 0.988 NA
Figure 101.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
101.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quil_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.337353
2 quil_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.214720
3 quil_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.008991
4 quil_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.499116
5 quil_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.032964
6 quil_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.033497
Figure 101.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 101.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
101.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quil
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quil_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=101.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quil_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quil_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 567.0 96.167 96.494
2 mergedAlgo TSS EMwmean ROC 569.5 96.138 96.535
calibration validation evaluation
1 0.927 NA NA
2 0.995 NA NA
Figure 101.11: 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 quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quil_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 0.199683
2 mergedAlgo TSS EMcv temp_min 1 0.427638
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036856
4 mergedAlgo TSS EMcv temp_season 1 0.206864
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.183876
6 mergedAlgo TSS EMcv prec_season 1 0.195229Par variable :
Figure 101.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 101.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
101.3 Projections
101.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quil/current
sp.name : quil
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quil/quil.AllModels.models.out )
models.projected :
quil_PA1_RUN1_GAM, quil_PA1_RUN1_MARS, quil_PA1_RUN1_MAXNET, quil_PA1_RUN1_GBM, quil_PA1_RUN1_ANN, quil_PA1_RUN1_RF, quil_PA2_RUN1_GAM, quil_PA2_RUN1_MARS, quil_PA2_RUN1_MAXNET, quil_PA2_RUN1_GBM, quil_PA2_RUN1_ANN, quil_PA2_RUN1_RF, quil_PA3_RUN1_GAM, quil_PA3_RUN1_MARS, quil_PA3_RUN1_MAXNET, quil_PA3_RUN1_GBM, quil_PA3_RUN1_ANN, quil_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 101.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 101.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quil/current
sp.name : quil
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quil/quil.AllModels.ensemble.models.out )
models.projected :
quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quil_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 101.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
101.3.2 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/quil/cont_gre
sp.name : quil
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quil/quil.AllModels.models.out )
models.projected :
quil_PA1_RUN1_GAM, quil_PA1_RUN1_MARS, quil_PA1_RUN1_MAXNET, quil_PA1_RUN1_GBM, quil_PA1_RUN1_ANN, quil_PA1_RUN1_RF, quil_PA2_RUN1_GAM, quil_PA2_RUN1_MARS, quil_PA2_RUN1_MAXNET, quil_PA2_RUN1_GBM, quil_PA2_RUN1_ANN, quil_PA2_RUN1_RF, quil_PA3_RUN1_GAM, quil_PA3_RUN1_MARS, quil_PA3_RUN1_MAXNET, quil_PA3_RUN1_GBM, quil_PA3_RUN1_ANN, quil_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 101.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 101.18: 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/quil/cont_gre
sp.name : quil
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quil/quil.AllModels.ensemble.models.out )
models.projected :
quil_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quil_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 101.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
101.3.3 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 101.20: 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 101.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 101.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 101.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
101.4 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)
101.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 101.24: 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 101.25: 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 101.26: 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 101.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
101.4.2 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 30 246 332 360.4311 480 660 0 2000
2 168 416 525 505.8447 588 739 126 2040
3 262 464 570 542.9970 633 761 126 2060
4 254 484 582 556.9114 647 768 126 2080
5 269 469 594 564.0221 661 770 126 2100
6 234 459 542 527.9907 603 739 245 2040
7 269 444 564 535.7773 633 760 245 2060
8 302 490 632 580.5060 682 767 245 2080
9 297 456 627 566.9872 688 771 245 2100
10 162 393 493 475.4993 553 710 370 2040
11 285 477 597 560.6201 657 767 370 2060
12 294 418 616 557.7127 687 768 370 2080
13 247 321 490 462.7526 559 685 370 2100
14 225 441 547 526.2735 610 748 585 2040
15 304 486 618 569.9354 668 768 585 2060
16 251 330 519 488.7192 599 700 585 2080
17 230 302 358 379.6790 458 637 585 2100
Figure 101.28: 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.