173 Quercus rubra
173.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.m6hgk3
Format: SIMPLE_CSV
Download key: 0252754-230224095556074
Created: 2023-05-20T18:44:53.259+00:00
Modified: 2023-05-20T18:46:27.399+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252754-230224095556074.zip
Total records: 90124Conversion 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 64988 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.3093 ymin: -44.293175 xmax: 176.887512 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 64,988 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 c4e1739b-… BISON:New Y… 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 5f06e39d-… USFS - New … Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 64,978 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 64 988 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 173.1: Occurrences de Quercus rubra dans le monde.
173.1.1 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] 0.8274758417[1] 0.1720933095[1] 7.693728073e-05
Figure 173.2: Occurrence de Quercus rubra dans la région d’endémisme.
173.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
28361
CC_BY_NC_4_0
15596
CC0_1_0
7839
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1483
https://creativecommons.org/licenses/by/4.0/legalcode
471
https://creativecommons.org/publicdomain/zero/1.0/legalcode
26 [1] 68.24047902
Figure 173.3: Occurrence de Quercus rubra 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] 36697173.1.3 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: -9.279748 ymin: 36.721905 xmax: 44.0138 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 8 e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 1.e9 f0c74a2c-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 2 e9 ebf3c079-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 2 e9 ebf3c079-… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 2 e9 7a3679ef-… "o-10089939… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 1.e9 740df67d-… "8B455F0C-9… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 2 e9 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 1.e9 740df67d-… "F5B5612C-6… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 1 e9 740df67d-… "8B1EC464-3… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 1 e9 740df67d-… "65723F7C-9… 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>, …
173.2 Modélisation de la niche climatique
173.2.1 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 : -9.279748, 44.0138, 36.7219, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quru 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 = quru
24999 presences, 0 true absences and 72854 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 3.048 Min. :-22.180 Min. :-11.467 Min. : 228.2
1st Qu.:20.648 1st Qu.: -8.768 1st Qu.: 7.569 1st Qu.: 576.6
Median :23.064 Median : -2.308 Median : 12.516 Median : 723.3
Mean :24.763 Mean : -3.977 Mean : 11.924 Mean : 747.5
3rd Qu.:27.867 3rd Qu.: 0.660 3rd Qu.: 16.163 3rd Qu.: 895.9
Max. :45.968 Max. : 11.700 Max. : 26.380 Max. :1393.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.698
1st Qu.: 179.0 1st Qu.: 19.092
Median : 217.0 Median : 30.034
Mean : 216.1 Mean : 33.998
3rd Qu.: 245.0 3rd Qu.: 39.141
Max. :1240.0 Max. :122.948
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 173.5: 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 : 174996, 2 (geometries, attributes)
extent : -10.60417, 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 173.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
173.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quru_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quru_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quru_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quru 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 : quru_PA1
-=-=-=--=-=-=- quru_PA1_RUN1
-=-=-=- Run : quru_PA2
-=-=-=--=-=-=- quru_PA2_RUN1
-=-=-=- Run : quru_PA3
-=-=-=--=-=-=- quru_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=173.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quru_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 95.355
2 quru_PA1_RUN1_GAM PA1 RUN1 GAM ROC 614.5 95.410
3 quru_PA1_RUN1_MARS PA1 RUN1 MARS TSS 363.0 96.190
4 quru_PA1_RUN1_MARS PA1 RUN1 MARS ROC 362.5 96.190
5 quru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 375.0 94.830
6 quru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 378.5 94.740
specificity calibration validation evaluation
1 62.605 0.580 0.591 NA
2 62.575 0.737 0.738 NA
3 86.410 0.826 0.833 NA
4 86.410 0.967 0.969 NA
5 89.155 0.840 0.851 NA
6 89.285 0.967 0.969 NA
Figure 173.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
173.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quru_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.289968
2 quru_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.399108
3 quru_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.002999
4 quru_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.094865
5 quru_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.111496
6 quru_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.041117
Figure 173.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 173.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
173.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=173.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 505.0 96.244 91.624
2 mergedAlgo TSS EMwmean ROC 510.5 96.168 91.725
calibration validation evaluation
1 0.879 NA NA
2 0.989 NA NA
Figure 173.11: 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 quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quru_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 0.392202
2 mergedAlgo TSS EMcv temp_min 1 0.291707
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.034051
4 mergedAlgo TSS EMcv temp_season 1 0.111414
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.043107
6 mergedAlgo TSS EMcv prec_season 1 0.113164Par variable :
Figure 173.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 173.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
173.3 Projections
173.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quru/current
sp.name : quru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quru/quru.AllModels.models.out )
models.projected :
quru_PA1_RUN1_GAM, quru_PA1_RUN1_MARS, quru_PA1_RUN1_MAXNET, quru_PA1_RUN1_GBM, quru_PA1_RUN1_RF, quru_PA2_RUN1_GAM, quru_PA2_RUN1_MARS, quru_PA2_RUN1_MAXNET, quru_PA2_RUN1_GBM, quru_PA2_RUN1_RF, quru_PA3_RUN1_GAM, quru_PA3_RUN1_MARS, quru_PA3_RUN1_MAXNET, quru_PA3_RUN1_GBM, quru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 173.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 173.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quru/current
sp.name : quru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quru/quru.AllModels.ensemble.models.out )
models.projected :
quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 173.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
173.3.2 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/quru/cont_gre
sp.name : quru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quru/quru.AllModels.models.out )
models.projected :
quru_PA1_RUN1_GAM, quru_PA1_RUN1_MARS, quru_PA1_RUN1_MAXNET, quru_PA1_RUN1_GBM, quru_PA1_RUN1_RF, quru_PA2_RUN1_GAM, quru_PA2_RUN1_MARS, quru_PA2_RUN1_MAXNET, quru_PA2_RUN1_GBM, quru_PA2_RUN1_RF, quru_PA3_RUN1_GAM, quru_PA3_RUN1_MARS, quru_PA3_RUN1_MAXNET, quru_PA3_RUN1_GBM, quru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 173.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 173.18: 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/quru/cont_gre
sp.name : quru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quru/quru.AllModels.ensemble.models.out )
models.projected :
quru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 173.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
173.3.3 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 173.20: 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 173.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 173.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 173.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
173.4 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)
173.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 173.24: 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 173.25: 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 173.26: 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 173.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
173.4.2 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>
1 183 312 613 533.6397 690 751 0 2000
2 159 266 604 504.0198 694 794 126 2040
3 121 241 475 464.6675 674 812 126 2060
4 153 232 463 456.6112 666 806 126 2080
5 169 247 469 467.7800 677 777 126 2100
6 160 262 554 496.3914 697 803 245 2040
7 119 220 411 421.4519 637 782 245 2060
8 129 226 341 376.8962 492 755 245 2080
9 135 222 304 328.8766 420 712 245 2100
10 109 260 577 490.2324 677 787 370 2040
11 137 234 412 428.9295 640 782 370 2060
12 138 224 293 306.5025 382 705 370 2080
13 99 139 162 171.6830 199 635 370 2100
14 156 248 564 487.6162 680 784 585 2040
15 130 218 368 391.2965 535 743 585 2060
16 103 146 186 195.7564 231 699 585 2080
17 73 111 131 131.4509 150 253 585 2100
Figure 173.28: 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.