49 Quercus robur
49.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.q8swwz
Format: SIMPLE_CSV
Download key: 0232207-230224095556074
Created: 2023-05-11T08:16:20.005+00:00
Modified: 2023-05-11T08:32:43.159+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232207-230224095556074.zip
Total records: 781260Conversion 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 778823 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -151.05 ymin: -45.877833 xmax: 176.24617 ymax: 69.6461
Geodetic CRS: WGS 84
# A tibble: 778,823 × 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 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 778,813 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 778 823 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 49.1: Occurrences de Quercus robur dans le monde.
49.1.1 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] 0.9932038473[1] 0.0009488677145[1] 0.0001604985985
Figure 49.2: Occurrence de Quercus robur dans la région d’endémisme.
49.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
462286 110404 200840 [1] 85.7272504
Figure 49.3: Occurrence de Quercus robur 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] 66312649.1.3 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: -10.151533 ymin: 40.491245 xmax: 45.6191 ymax: 66.316356
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 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 1 e9 75956ee6-… http://digi… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 1 e9 75956ee6-… http://cbnm… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 1.e9 64dabd3c-… http://id.s… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 1 e9 740df67d-… 1A42AB81-46… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 1.e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 bc27185d-… dae40a58-16… 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>, …
49.2 Modélisation de la niche climatique
49.2.1 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 : -10.15153, 45.6191, 40.49124, 66.31636 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quro 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 = quro
24985 presences, 0 true absences and 72894 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.804 Min. :-22.004 Min. :-9.399 Min. : 193.2
1st Qu.:20.192 1st Qu.: -8.828 1st Qu.: 8.417 1st Qu.: 607.0
Median :22.956 Median : -3.684 Median :13.006 Median : 731.7
Mean :24.570 Mean : -4.331 Mean :12.188 Mean : 755.6
3rd Qu.:27.848 3rd Qu.: 0.772 3rd Qu.:16.009 3rd Qu.: 897.7
Max. :46.104 Max. : 12.376 Max. :25.217 Max. :1370.8
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.946
1st Qu.: 175.0 1st Qu.: 21.942
Median : 212.0 Median : 30.390
Mean : 213.8 Mean : 34.806
3rd Qu.: 244.0 3rd Qu.: 38.985
Max. :1261.0 Max. :123.656
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 49.5: 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 : 174940, 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 49.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
49.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quro_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quro_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quro_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quro 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 : quro_PA1
-=-=-=--=-=-=- quro_PA1_RUN1
-=-=-=- Run : quro_PA2
-=-=-=--=-=-=- quro_PA2_RUN1
-=-=-=- Run : quro_PA3
-=-=-=--=-=-=- quro_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=49.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quro_PA1_RUN1_GAM PA1 RUN1 GAM TSS 586.0 96.643
2 quro_PA1_RUN1_GAM PA1 RUN1 GAM ROC 585.5 96.643
3 quro_PA1_RUN1_MARS PA1 RUN1 MARS TSS 517.0 95.843
4 quro_PA1_RUN1_MARS PA1 RUN1 MARS ROC 512.5 95.928
5 quro_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 362.0 96.288
6 quro_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 364.5 96.158
specificity calibration validation evaluation
1 59.020 0.557 0.554 NA
2 59.020 0.711 0.706 NA
3 86.745 0.826 0.824 NA
4 86.690 0.945 0.945 NA
5 85.925 0.822 0.822 NA
6 86.090 0.951 0.952 NA
Figure 49.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
49.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quro_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.310770
2 quro_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.162892
3 quro_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.040918
4 quro_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.272725
5 quro_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.040809
6 quro_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.155540
Figure 49.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 49.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
49.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quro
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quro_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=49.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quro_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quro_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 609.0 95.633 92.517
2 mergedAlgo TSS EMwmean ROC 624.5 95.193 92.993
calibration validation evaluation
1 0.881 NA NA
2 0.986 NA NA
Figure 49.11: 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 quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quro_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 0.468960
2 mergedAlgo TSS EMcv temp_min 1 0.105417
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.033832
4 mergedAlgo TSS EMcv temp_season 1 0.172789
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.039943
6 mergedAlgo TSS EMcv prec_season 1 0.178999Par variable :
Figure 49.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 49.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
49.3 Projections
49.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quro/current
sp.name : quro
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quro/quro.AllModels.models.out )
models.projected :
quro_PA1_RUN1_GAM, quro_PA1_RUN1_MARS, quro_PA1_RUN1_MAXNET, quro_PA1_RUN1_GBM, quro_PA1_RUN1_RF, quro_PA2_RUN1_GAM, quro_PA2_RUN1_MARS, quro_PA2_RUN1_MAXNET, quro_PA2_RUN1_GBM, quro_PA2_RUN1_RF, quro_PA3_RUN1_GAM, quro_PA3_RUN1_MARS, quro_PA3_RUN1_MAXNET, quro_PA3_RUN1_GBM, quro_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 49.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 49.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quro/current
sp.name : quro
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quro/quro.AllModels.ensemble.models.out )
models.projected :
quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quro_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 49.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
49.3.2 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/quro/cont_gre
sp.name : quro
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quro/quro.AllModels.models.out )
models.projected :
quro_PA1_RUN1_GAM, quro_PA1_RUN1_MARS, quro_PA1_RUN1_MAXNET, quro_PA1_RUN1_GBM, quro_PA1_RUN1_RF, quro_PA2_RUN1_GAM, quro_PA2_RUN1_MARS, quro_PA2_RUN1_MAXNET, quro_PA2_RUN1_GBM, quro_PA2_RUN1_RF, quro_PA3_RUN1_GAM, quro_PA3_RUN1_MARS, quro_PA3_RUN1_MAXNET, quro_PA3_RUN1_GBM, quro_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 49.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 49.18: 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/quro/cont_gre
sp.name : quro
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quro/quro.AllModels.ensemble.models.out )
models.projected :
quro_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quro_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 49.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
49.3.3 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 49.20: 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 49.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 49.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 49.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
49.4 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)
49.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 49.24: 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 49.25: 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 49.26: 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 49.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
49.4.2 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 90 246 706 550.91705 736 773 0 2000
2 49 127 569 440.93524 694 767 126 2040
3 38 104 406 383.10908 644 760 126 2060
4 41 95 344 360.83328 621 745 126 2080
5 46 101 382 377.32220 638 735 126 2100
6 43 123 532 432.77007 695 761 245 2040
7 41 84 258 320.01860 565 731 245 2060
8 42 66 199 254.80947 401 718 245 2080
9 46 65 169 195.58122 260 684 245 2100
10 48 126 544 430.01882 679 763 370 2040
11 40 81 264 326.33840 579 732 370 2060
12 45 62 151 170.68512 233 685 370 2080
13 34 47 61 74.66203 91 490 370 2100
14 43 111 496 407.60226 657 749 585 2040
15 44 68 215 277.17486 464 708 585 2060
16 34 51 69 88.03346 122 561 585 2080
17 38 56 61 62.05082 67 128 585 2100
Figure 49.28: 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.