226 Quercus pyrenaica
226.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.p4gsct
Format: SIMPLE_CSV
Download key: 0260967-230224095556074
Created: 2023-05-25T13:00:43.016+00:00
Modified: 2023-05-25T13:01:41.031+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260967-230224095556074.zip
Total records: 13512Conversion 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 13512 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -93.73036 ymin: 30.30762 xmax: 24.35352 ymax: 58.90898
Geodetic CRS: WGS 84
# A tibble: 13,512 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932706847 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 932704708 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 932704520 ebd49d9b-696b-4db… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 910487684 837acfc2-f762-11e… "HSS:HSS:56… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 910487497 837acfc2-f762-11e… "HSS:HSS:56… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 910486561 837acfc2-f762-11e… "HSS:HSS:55… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 910486514 837acfc2-f762-11e… "HSS:HSS:55… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 910486331 837acfc2-f762-11e… "HSS:HSS:55… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 910485781 837acfc2-f762-11e… "HSS:HSS:54… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 910485761 837acfc2-f762-11e… "HSS:HSS:54… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 13,502 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 <dbl>, depthAccuracy <dbl>, …Il y a 13 512 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 226.1: Occurrences de Quercus pyrenaica dans le monde.
226.1.1 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] 0.9997779751[1] 0.0002220248668[1] 0
Figure 226.2: Occurrence de Quercus pyrenaica dans la région d’endémisme.
226.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
8023
CC_BY_NC_4_0
5395
CC0_1_0
84
https://creativecommons.org/licenses/by-nc/4.0/legalcode
5
https://creativecommons.org/licenses/by/4.0/legalcode
1
https://creativecommons.org/publicdomain/zero/1.0/legalcode
1 [1] 60.0266489
Figure 226.3: Occurrence de Quercus pyrenaica 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] 8109226.1.3 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 8109 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.389338 ymin: 36.34 xmax: 24.35352 ymax: 58.90898
Geodetic CRS: WGS 84
# A tibble: 8,109 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 474601250 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 474601239 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 474601212 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 474601210 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 474601206 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 416147137 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 416147136 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 416147134 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 416147132 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 416147085 857aa892-f762-11e… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 8,099 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 <dbl>, depthAccuracy <dbl>, …
226.2 Modélisation de la niche climatique
226.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 8109, 0 (geometries, attributes)
extent : -9.389338, 24.35352, 36.34, 58.90898 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupy 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 = qupy
8107 presences, 0 true absences and 24100 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.924 Min. :-21.908 Min. :-9.411 Min. : 202.8
1st Qu.:20.986 1st Qu.: -8.704 1st Qu.: 7.121 1st Qu.: 544.1
Median :25.112 Median : -1.020 Median :11.185 Median : 715.5
Mean :25.379 Mean : -3.420 Mean :11.334 Mean : 734.0
3rd Qu.:27.994 3rd Qu.: 2.016 3rd Qu.:15.524 3rd Qu.: 896.4
Max. :44.900 Max. : 11.500 Max. :24.973 Max. :1375.5
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 178.0 1st Qu.: 21.09
Median : 220.0 Median : 30.09
Mean : 226.7 Mean : 34.83
3rd Qu.: 287.0 3rd Qu.: 39.47
Max. :1214.0 Max. :124.09
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 226.5: 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 : 56755, 2 (geometries, attributes)
extent : -10.3125, 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 226.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
226.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qupy_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qupy_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qupy_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qupy 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 : qupy_PA1
-=-=-=--=-=-=- qupy_PA1_RUN1
-=-=-=- Run : qupy_PA2
-=-=-=--=-=-=- qupy_PA2_RUN1
-=-=-=- Run : qupy_PA3
-=-=-=--=-=-=- qupy_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=226.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qupy_PA1_RUN1_GAM PA1 RUN1 GAM TSS 848.0 96.731
2 qupy_PA1_RUN1_GAM PA1 RUN1 GAM ROC 849.0 96.731
3 qupy_PA1_RUN1_MARS PA1 RUN1 MARS TSS 703.0 94.095
4 qupy_PA1_RUN1_MARS PA1 RUN1 MARS ROC 704.0 94.095
5 qupy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 351.0 95.035
6 qupy_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 340.5 95.513
specificity calibration validation evaluation
1 80.268 0.770 0.774 NA
2 80.314 0.845 0.841 NA
3 97.241 0.914 0.914 NA
4 97.256 0.987 0.988 NA
5 96.208 0.913 0.922 NA
6 95.822 0.987 0.988 NA
Figure 226.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
226.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qupy_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.356887
2 qupy_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.249385
3 qupy_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.026901
4 qupy_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.564741
5 qupy_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.024106
6 qupy_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.119637
Figure 226.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 226.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
226.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qupy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=226.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qupy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 423.0 96.670 96.394
2 mergedAlgo TSS EMwmean ROC 425.5 96.633 96.436
calibration validation evaluation
1 0.931 NA NA
2 0.996 NA NA
Figure 226.11: 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 qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qupy_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 0.351877
2 mergedAlgo TSS EMcv temp_min 1 0.152480
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.064374
4 mergedAlgo TSS EMcv temp_season 1 0.368407
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.033389
6 mergedAlgo TSS EMcv prec_season 1 0.135349Par variable :
Figure 226.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 226.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
226.3 Projections
226.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupy/current
sp.name : qupy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupy/qupy.AllModels.models.out )
models.projected :
qupy_PA1_RUN1_GAM, qupy_PA1_RUN1_MARS, qupy_PA1_RUN1_MAXNET, qupy_PA1_RUN1_GBM, qupy_PA1_RUN1_ANN, qupy_PA1_RUN1_RF, qupy_PA2_RUN1_GAM, qupy_PA2_RUN1_MARS, qupy_PA2_RUN1_MAXNET, qupy_PA2_RUN1_GBM, qupy_PA2_RUN1_ANN, qupy_PA2_RUN1_RF, qupy_PA3_RUN1_GAM, qupy_PA3_RUN1_MARS, qupy_PA3_RUN1_MAXNET, qupy_PA3_RUN1_GBM, qupy_PA3_RUN1_ANN, qupy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 226.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 226.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qupy/current
sp.name : qupy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupy/qupy.AllModels.ensemble.models.out )
models.projected :
qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 226.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
226.3.2 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/qupy/cont_gre
sp.name : qupy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupy/qupy.AllModels.models.out )
models.projected :
qupy_PA1_RUN1_GAM, qupy_PA1_RUN1_MARS, qupy_PA1_RUN1_MAXNET, qupy_PA1_RUN1_GBM, qupy_PA1_RUN1_ANN, qupy_PA1_RUN1_RF, qupy_PA2_RUN1_GAM, qupy_PA2_RUN1_MARS, qupy_PA2_RUN1_MAXNET, qupy_PA2_RUN1_GBM, qupy_PA2_RUN1_ANN, qupy_PA2_RUN1_RF, qupy_PA3_RUN1_GAM, qupy_PA3_RUN1_MARS, qupy_PA3_RUN1_MAXNET, qupy_PA3_RUN1_GBM, qupy_PA3_RUN1_ANN, qupy_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 226.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 226.18: 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/qupy/cont_gre
sp.name : qupy
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qupy/qupy.AllModels.ensemble.models.out )
models.projected :
qupy_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qupy_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 226.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
226.3.3 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 226.20: 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 226.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 226.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 226.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
226.4 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)
226.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 226.24: 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 226.25: 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 226.26: 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 226.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
226.4.2 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 42 92 181 206.46426 295 703 0 2000
2 57 126 194 199.80729 240 544 126 2040
3 60 130 206 201.52121 237 522 126 2060
4 57 131 211 203.47374 239 529 126 2080
5 67 142 221 216.68840 254 540 126 2100
6 62 135 203 203.56188 241 537 245 2040
7 56 117 196 187.34272 228 484 245 2060
8 53 108 185 180.65855 225 476 245 2080
9 54 92 169 169.22416 224 423 245 2100
10 53 122 188 192.97670 235 531 370 2040
11 61 121 202 193.92595 233 492 370 2060
12 53 88 154 163.85594 226 402 370 2080
13 38 50 80 112.03309 201 268 370 2100
14 57 125 197 197.14242 235 540 585 2040
15 51 100 167 169.03682 220 459 585 2060
16 41 52 80 114.38878 205 293 585 2080
17 29 42 58 95.77053 172 226 585 2100
Figure 226.28: 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.