227 Quercus rotundifolia
227.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.zsx6dv
Format: SIMPLE_CSV
Download key: 0260971-230224095556074
Created: 2023-05-25T13:02:16.028+00:00
Modified: 2023-05-25T13:07:19.530+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260971-230224095556074.zip
Total records: 152828Conversion 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 152828 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.763611 ymin: 29.077567 xmax: 11.0425 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 152,828 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3031847660 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 2873794390 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 3031624034 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 3320838386 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 3039203452 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 3383848574 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 2873843402 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 3044640784 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 2826373336 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 3031661565 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 152,818 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 152 828 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 227.1: Occurrences de Quercus rotundifolia dans le monde.
227.1.1 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] 0.9999934567[1] 6.543303583e-06[1] 0
Figure 227.2: Occurrence de Quercus rotundifolia dans la région d’endémisme.
227.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
132196 20609 22 [1] 86.51481741
Figure 227.3: Occurrence de Quercus rotundifolia 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] 132218227.1.3 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: -9.21101 ymin: 32.802222 xmax: 10.671 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3401375430 cfac873c-696e-4a… 4327e966-96… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 3403026221 0fe87daf-ed3c-45… 0863e014-f4… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 3402033504 7dccad9d-1339-4a… 7dd0b78f-c2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 3402677271 7dccad9d-1339-4a… b0c9824a-cd… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 3401556170 cfac873c-696e-4a… e6fed221-a2… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 3402611298 7dccad9d-1339-4a… 8f6563e2-78… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 3401207634 cfac873c-696e-4a… aa6144ec-41… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 3402548707 7dccad9d-1339-4a… 5c80d0e2-24… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 3401504453 cfac873c-696e-4a… bc24b5ba-8e… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 3401400029 cfac873c-696e-4a… 5ad4f4be-98… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 24,990 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>, …
227.2 Modélisation de la niche climatique
227.2.1 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 : -9.21101, 10.671, 32.80222, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qurt 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 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 = qurt
25000 presences, 0 true absences and 73005 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.272 Min. :-22.084 Min. :-12.31 Min. : 204.6
1st Qu.:21.020 1st Qu.: -8.692 1st Qu.: 10.30 1st Qu.: 545.9
Median :27.756 Median : -0.408 Median : 11.71 Median : 712.6
Mean :26.938 Mean : -2.454 Mean : 12.17 Mean : 731.0
3rd Qu.:31.820 3rd Qu.: 4.824 3rd Qu.: 15.44 3rd Qu.: 894.4
Max. :45.856 Max. : 12.400 Max. : 26.03 Max. :1393.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.845
1st Qu.: 182.0 1st Qu.: 29.703
Median : 228.0 Median : 39.128
Mean : 221.4 Mean : 44.867
3rd Qu.: 260.0 3rd Qu.: 60.257
Max. :1261.0 Max. :123.656
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 227.5: 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 : 175000, 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 227.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
227.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qurt_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qurt_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qurt_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qurt 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 : qurt_PA1
-=-=-=--=-=-=- qurt_PA1_RUN1
-=-=-=- Run : qurt_PA2
-=-=-=--=-=-=- qurt_PA2_RUN1
-=-=-=- Run : qurt_PA3
-=-=-=--=-=-=- qurt_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=227.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qurt_PA1_RUN1_GAM PA1 RUN1 GAM TSS 990.0 99.985
2 qurt_PA1_RUN1_GAM PA1 RUN1 GAM ROC 999.5 99.975
3 qurt_PA1_RUN1_MARS PA1 RUN1 MARS TSS 566.0 99.360
4 qurt_PA1_RUN1_MARS PA1 RUN1 MARS ROC 570.0 99.360
5 qurt_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 367.0 99.330
6 qurt_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 344.5 99.640
specificity calibration validation evaluation
1 70.580 0.706 0.707 NA
2 70.625 0.853 0.854 NA
3 98.985 0.983 0.983 NA
4 98.990 0.999 0.999 NA
5 98.735 0.981 0.983 NA
6 98.445 0.999 0.999 NA
Figure 227.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
227.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qurt_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.664399
2 qurt_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.024903
3 qurt_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004090
4 qurt_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.354988
5 qurt_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.008600
6 qurt_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.090235
Figure 227.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 227.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
227.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qurt
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qurt_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=227.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qurt_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qurt_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 506.0 99.788 99.507
2 mergedAlgo TSS EMwmean ROC 505.5 99.788 99.507
calibration validation evaluation
1 0.993 NA NA
2 1.000 NA NA
Figure 227.11: 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 qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qurt_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 0.136500
2 mergedAlgo TSS EMcv temp_min 1 0.116358
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.068248
4 mergedAlgo TSS EMcv temp_season 1 0.271631
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.144040
6 mergedAlgo TSS EMcv prec_season 1 0.159614Par variable :
Figure 227.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 227.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
227.3 Projections
227.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qurt/current
sp.name : qurt
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qurt/qurt.AllModels.models.out )
models.projected :
qurt_PA1_RUN1_GAM, qurt_PA1_RUN1_MARS, qurt_PA1_RUN1_MAXNET, qurt_PA1_RUN1_GBM, qurt_PA1_RUN1_RF, qurt_PA2_RUN1_GAM, qurt_PA2_RUN1_MARS, qurt_PA2_RUN1_MAXNET, qurt_PA2_RUN1_GBM, qurt_PA2_RUN1_RF, qurt_PA3_RUN1_GAM, qurt_PA3_RUN1_MARS, qurt_PA3_RUN1_MAXNET, qurt_PA3_RUN1_GBM, qurt_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 227.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 227.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qurt/current
sp.name : qurt
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qurt/qurt.AllModels.ensemble.models.out )
models.projected :
qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qurt_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 227.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
227.3.2 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/qurt/cont_gre
sp.name : qurt
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qurt/qurt.AllModels.models.out )
models.projected :
qurt_PA1_RUN1_GAM, qurt_PA1_RUN1_MARS, qurt_PA1_RUN1_MAXNET, qurt_PA1_RUN1_GBM, qurt_PA1_RUN1_RF, qurt_PA2_RUN1_GAM, qurt_PA2_RUN1_MARS, qurt_PA2_RUN1_MAXNET, qurt_PA2_RUN1_GBM, qurt_PA2_RUN1_RF, qurt_PA3_RUN1_GAM, qurt_PA3_RUN1_MARS, qurt_PA3_RUN1_MAXNET, qurt_PA3_RUN1_GBM, qurt_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 227.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 227.18: 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/qurt/cont_gre
sp.name : qurt
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qurt/qurt.AllModels.ensemble.models.out )
models.projected :
qurt_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qurt_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 227.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
227.3.3 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 227.20: 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 227.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 227.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 227.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
227.4 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)
227.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 227.24: 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 227.25: 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 227.26: 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 227.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
227.4.2 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 11 12 12 19.72421 14 279 0 2000
2 11 12 12 14.95932 14 211 126 2040
3 11 12 12 14.09891 14 174 126 2060
4 11 12 13 14.66116 14 185 126 2080
5 11 12 12 14.53692 14 184 126 2100
6 11 12 12 14.77282 14 203 245 2040
7 12 12 12 13.58284 14 125 245 2060
8 12 12 13 13.46376 13 102 245 2080
9 12 12 13 13.38946 13 71 245 2100
10 11 12 12 14.41309 14 194 370 2040
11 12 12 12 13.55602 13 125 370 2060
12 11 12 13 13.24537 13 61 370 2080
13 12 13 15 14.56884 16 25 370 2100
14 11 12 12 14.97100 14 207 585 2040
15 12 12 13 13.15114 13 83 585 2060
16 12 13 13 13.44897 14 34 585 2080
17 12 15 16 16.08850 16 33 585 2100
Figure 227.28: 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.