22 Quercus petraea
22.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.uxm4bk
Format: SIMPLE_CSV
Download key: 0231976-230224095556074
Created: 2023-05-11T06:12:26.721+00:00
Modified: 2023-05-11T06:23:23.431+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0231976-230224095556074.zip
Total records: 176263Conversion 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 176263 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -89.933 ymin: -34.9989 xmax: 149.382222 ymax: 69.6461
Geodetic CRS: WGS 84
# A tibble: 176,263 × 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 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 1cd10854-… EHS00001000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 1 e9 75956ee6-… http://cbnm… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 176,253 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 176 263 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 22.1: Occurrences de Quercus petraea dans le monde.
22.1.1 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] 0.9999205732[1] 0[1] 0
Figure 22.2: Occurrence de Quercus petraea dans la région d’endémisme.
22.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
150804 13488 11957 [1] 92.34719062
Figure 22.3: Occurrence de Quercus petraea 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] 16276122.1.3 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: -9.640175 ymin: 40.48361 xmax: 46.1859 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 86306e4b-… 1770e94b-06… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 c7d7f268-… DSS00439000… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 4551f85c-… a2752277-ee… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 e5f16d86-… 1c3c0c1b-a4… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
5 3.e9 14d81697-… 5e806bdd-16… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
6 3.e9 e5f16d86-… 32734742-5e… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
7 1 e9 75956ee6-… http://cbnp… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 f82bba08-… 0692f97a-09… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
9 3.e9 bd8ee748-… ea219b5d-bc… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
10 3.e9 e93da5bb-… 1e11dd37-f5… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… "petraea"
# 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>, …
22.2 Modélisation de la niche climatique
22.2.1 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 : -9.640175, 46.1859, 40.48361, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupe 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 = qupe
24996 presences, 0 true absences and 72859 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.992 Min. :-12.310 Min. : 0.0
1st Qu.:20.61 1st Qu.: -8.700 1st Qu.: 7.795 1st Qu.: 601.0
Median :23.72 Median : -2.224 Median : 12.494 Median : 717.2
Mean :24.88 Mean : -3.997 Mean : 11.869 Mean : 748.6
3rd Qu.:27.85 3rd Qu.: 0.804 3rd Qu.: 16.048 3rd Qu.: 894.5
Max. :45.66 Max. : 11.808 Max. : 25.885 Max. :1392.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.006
1st Qu.: 175.0 1st Qu.: 18.929
Median : 215.0 Median : 29.962
Mean : 216.9 Mean : 33.619
3rd Qu.: 250.0 3rd Qu.: 38.985
Max. :1264.0 Max. :122.887
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 22.5: 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 : -10.4375, 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 22.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
22.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qupe_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qupe_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qupe_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupe 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 : qupe_PA1
-=-=-=--=-=-=- qupe_PA1_RUN1
-=-=-=- Run : qupe_PA2
-=-=-=--=-=-=- qupe_PA2_RUN1
-=-=-=- Run : qupe_PA3
-=-=-=--=-=-=- qupe_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=22.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qupe_PA1_RUN1_GAM PA1 RUN1 GAM TSS 595.0 95.904
2 qupe_PA1_RUN1_GAM PA1 RUN1 GAM ROC 591.5 95.989
3 qupe_PA1_RUN1_MARS PA1 RUN1 MARS TSS 479.0 96.279
4 qupe_PA1_RUN1_MARS PA1 RUN1 MARS ROC 478.5 96.279
5 qupe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 344.0 95.984
6 qupe_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 347.5 95.899
specificity calibration validation evaluation
1 88.165 0.841 0.849 NA
2 88.120 0.969 0.970 NA
3 89.265 0.855 0.860 NA
4 89.265 0.973 0.972 NA
5 89.385 0.854 0.859 NA
6 89.525 0.973 0.973 NA
Figure 22.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
22.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qupe_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.140337
2 qupe_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.146266
3 qupe_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.014369
4 qupe_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.363608
5 qupe_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.018472
6 qupe_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.227251
Figure 22.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 22.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
22.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qupe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=22.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qupe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 547.0 96.775 92.649
2 mergedAlgo TSS EMwmean ROC 550.5 96.703 92.748
calibration validation evaluation
1 0.894 NA NA
2 0.990 NA NA
Figure 22.11: 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 qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qupe_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 0.189196
2 mergedAlgo TSS EMcv temp_min 1 0.191741
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.014391
4 mergedAlgo TSS EMcv temp_season 1 0.232889
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.021448
6 mergedAlgo TSS EMcv prec_season 1 0.115601Par variable :
Figure 22.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 22.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
22.3 Projections
22.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupe/current
sp.name : qupe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupe/qupe.AllModels.models.out )
models.projected :
qupe_PA1_RUN1_GAM, qupe_PA1_RUN1_MARS, qupe_PA1_RUN1_MAXNET, qupe_PA1_RUN1_GBM, qupe_PA1_RUN1_RF, qupe_PA2_RUN1_GAM, qupe_PA2_RUN1_MARS, qupe_PA2_RUN1_MAXNET, qupe_PA2_RUN1_GBM, qupe_PA2_RUN1_RF, qupe_PA3_RUN1_GAM, qupe_PA3_RUN1_MARS, qupe_PA3_RUN1_MAXNET, qupe_PA3_RUN1_GBM, qupe_PA3_RUN1_ANN, qupe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 22.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 22.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupe/current
sp.name : qupe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupe/qupe.AllModels.ensemble.models.out )
models.projected :
qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 22.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
22.3.2 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/qupe/cont_gre
sp.name : qupe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupe/qupe.AllModels.models.out )
models.projected :
qupe_PA1_RUN1_GAM, qupe_PA1_RUN1_MARS, qupe_PA1_RUN1_MAXNET, qupe_PA1_RUN1_GBM, qupe_PA1_RUN1_RF, qupe_PA2_RUN1_GAM, qupe_PA2_RUN1_MARS, qupe_PA2_RUN1_MAXNET, qupe_PA2_RUN1_GBM, qupe_PA2_RUN1_RF, qupe_PA3_RUN1_GAM, qupe_PA3_RUN1_MARS, qupe_PA3_RUN1_MAXNET, qupe_PA3_RUN1_GBM, qupe_PA3_RUN1_ANN, qupe_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 22.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 22.18: 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/qupe/cont_gre
sp.name : qupe
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupe/qupe.AllModels.ensemble.models.out )
models.projected :
qupe_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupe_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 22.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
22.3.3 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 22.20: 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 22.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 22.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 22.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
22.4 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)
22.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 22.24: 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 22.25: 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 22.26: 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 22.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
22.4.2 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>
1 213 486 754 663.67855 815 878 0 2000
2 117 306 641 563.14725 798 863 126 2040
3 110 260 546 506.40183 745 863 126 2060
4 115 246 529 495.40127 731 857 126 2080
5 146 281 571 521.16714 747 840 126 2100
6 117 301 627 558.41421 800 866 245 2040
7 106 214 435 439.72967 660 834 245 2060
8 113 202 349 395.34961 587 824 245 2080
9 113 175 268 317.46704 446 744 245 2100
10 105 287 606 541.70090 778 858 370 2040
11 123 230 450 454.99042 682 841 370 2060
12 111 159 240 288.12898 399 767 370 2080
13 59 87 107 115.05022 135 436 370 2100
14 114 269 602 526.79122 754 854 585 2040
15 107 188 353 393.35555 595 791 585 2060
16 59 94 118 136.20084 169 533 585 2080
17 38 53 60 61.86813 70 236 585 2100
Figure 22.28: 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.