172 Quercus pubescens
172.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.byuzwd
Format: SIMPLE_CSV
Download key: 0252744-230224095556074
Created: 2023-05-20T18:38:59.011+00:00
Modified: 2023-05-20T18:43:46.656+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252744-230224095556074.zip
Total records: 169621Conversion 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 169621 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.17 ymin: 34.468611 xmax: 47.080161 ymax: 54.36
Geodetic CRS: WGS 84
# A tibble: 169,621 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2e9 835613da-… 99A628F0-C2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3e7 835613da-… 8C38BD5D-E3… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3e7 835613da-… BF9D6634-15… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 2e9 835613da-… 6BD39EFF-B2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 2e9 835613da-… 5F3EDA5D-69… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 2e9 835613da-… 3B48849C-05… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 169,611 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 169 621 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 172.1: Occurrences de Quercus pubescens dans le monde.
172.1.1 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] 0.999988209[1] 0[1] 0
Figure 172.2: Occurrence de Quercus pubescens dans la région d’endémisme.
172.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
150231 2793 16595 [1] 98.35336843
Figure 172.3: Occurrence de Quercus pubescens 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] 166826172.1.3 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: -4.77 ymin: 35.22 xmax: 38.538962 ymax: 53.662287
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 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 2 e9 fe4baa57-… 42609ab6-9c… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 1 e9 75956ee6-… http://ofsa… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 1579cabf-… 4685c4c4-ec… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 2 e9 14c7ada0-… 55C06E4D-5C… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 f7e109bd-… 170fd15c-89… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 d6414950-… 4daead87-42… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 2 e9 86306e4b-… 5b56e21f-99… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 2 e9 0d8cc344-… a4584768-8d… 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>, …
172.2 Modélisation de la niche climatique
172.2.1 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 : -4.77, 38.53896, 35.22, 53.66229 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupu 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 = qupu
24987 presences, 0 true absences and 72865 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.104 Min. :-12.310 Min. : 0.0
1st Qu.:20.89 1st Qu.: -8.676 1st Qu.: 8.818 1st Qu.: 614.1
Median :24.94 Median : -2.040 Median : 12.263 Median : 713.5
Mean :25.49 Mean : -3.757 Mean : 12.005 Mean : 752.3
3rd Qu.:28.54 3rd Qu.: 1.464 3rd Qu.: 15.717 3rd Qu.: 895.5
Max. :46.10 Max. : 12.376 Max. : 26.293 Max. :1379.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 178.0 1st Qu.: 23.85
Median : 223.0 Median : 31.21
Mean : 226.3 Mean : 35.73
3rd Qu.: 275.0 3rd Qu.: 39.62
Max. :1251.0 Max. :123.76
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 172.5: 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 : 174948, 2 (geometries, attributes)
extent : -10.5625, 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 172.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
172.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qupu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qupu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qupu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupu 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 : qupu_PA1
-=-=-=--=-=-=- qupu_PA1_RUN1
-=-=-=- Run : qupu_PA2
-=-=-=--=-=-=- qupu_PA2_RUN1
-=-=-=- Run : qupu_PA3
-=-=-=--=-=-=- qupu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=172.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qupu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 737.0 96.868
2 qupu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 722.5 97.079
3 qupu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 454.0 98.104
4 qupu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 420.0 98.449
5 qupu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 325.0 98.274
6 qupu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 330.5 98.109
specificity calibration validation evaluation
1 68.255 0.651 0.657 NA
2 68.080 0.778 0.779 NA
3 91.775 0.899 0.905 NA
4 91.445 0.981 0.981 NA
5 92.225 0.905 0.907 NA
6 92.495 0.980 0.978 NA
Figure 172.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
172.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qupu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.451048
2 qupu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.229585
3 qupu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.017081
4 qupu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.548762
5 qupu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.037302
6 qupu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.001080
Figure 172.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 172.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
172.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qupu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=172.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qupu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 586.0 97.983 96.546
2 mergedAlgo TSS EMwmean ROC 587.5 97.975 96.584
calibration validation evaluation
1 0.946 NA NA
2 0.996 NA NA
Figure 172.11: 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 qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qupu_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 0.119390
2 mergedAlgo TSS EMcv temp_min 1 0.086575
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.018878
4 mergedAlgo TSS EMcv temp_season 1 0.476636
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.093726
6 mergedAlgo TSS EMcv prec_season 1 0.124955Par variable :
Figure 172.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 172.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
172.3 Projections
172.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupu/current
sp.name : qupu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupu/qupu.AllModels.models.out )
models.projected :
qupu_PA1_RUN1_GAM, qupu_PA1_RUN1_MARS, qupu_PA1_RUN1_MAXNET, qupu_PA1_RUN1_GBM, qupu_PA1_RUN1_RF, qupu_PA2_RUN1_GAM, qupu_PA2_RUN1_MARS, qupu_PA2_RUN1_MAXNET, qupu_PA2_RUN1_GBM, qupu_PA2_RUN1_RF, qupu_PA3_RUN1_GAM, qupu_PA3_RUN1_MARS, qupu_PA3_RUN1_MAXNET, qupu_PA3_RUN1_GBM, qupu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 172.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 172.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupu/current
sp.name : qupu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupu/qupu.AllModels.ensemble.models.out )
models.projected :
qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 172.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
172.3.2 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/qupu/cont_gre
sp.name : qupu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupu/qupu.AllModels.models.out )
models.projected :
qupu_PA1_RUN1_GAM, qupu_PA1_RUN1_MARS, qupu_PA1_RUN1_MAXNET, qupu_PA1_RUN1_GBM, qupu_PA1_RUN1_RF, qupu_PA2_RUN1_GAM, qupu_PA2_RUN1_MARS, qupu_PA2_RUN1_MAXNET, qupu_PA2_RUN1_GBM, qupu_PA2_RUN1_RF, qupu_PA3_RUN1_GAM, qupu_PA3_RUN1_MARS, qupu_PA3_RUN1_MAXNET, qupu_PA3_RUN1_GBM, qupu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 172.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 172.18: 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/qupu/cont_gre
sp.name : qupu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupu/qupu.AllModels.ensemble.models.out )
models.projected :
qupu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 172.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
172.3.3 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 172.20: 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 172.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 172.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 172.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
172.4 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)
172.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 172.24: 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 172.25: 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 172.26: 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 172.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
172.4.2 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>
1 134 486 698 638.6506 783 869 0 2000
2 153 435 654 592.8201 741 861 126 2040
3 152 393 629 557.5827 728 843 126 2060
4 154 414 643 582.6215 738 841 126 2080
5 168 495 662 599.5005 736 835 126 2100
6 156 444 663 605.4960 759 859 245 2040
7 137 367 566 504.8193 694 825 245 2060
8 135 362 564 505.5729 703 812 245 2080
9 128 312 421 456.2513 663 774 245 2100
10 150 404 616 552.4215 715 856 370 2040
11 144 374 581 524.3758 711 820 370 2060
12 115 190 390 424.6367 632 762 370 2080
13 89 117 247 253.3959 385 621 370 2100
14 155 431 645 586.9062 733 848 585 2040
15 128 346 488 477.3775 677 788 585 2060
16 104 123 288 277.4569 397 629 585 2080
17 72 83 103 150.3469 168 367 585 2100
Figure 172.28: 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.