175 Quercus suber
175.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.8ypwcm
Format: SIMPLE_CSV
Download key: 0252773-230224095556074
Created: 2023-05-20T18:57:39.518+00:00
Modified: 2023-05-20T19:03:43.287+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252773-230224095556074.zip
Total records: 263187Conversion 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 263187 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.282215 ymin: -41.282308 xmax: 174.767451 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 263,187 × 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 e7 835613da-… 78217489-B6… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3 e7 835613da-… 0A41EDE0-E3… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3 e7 835613da-… 2D67950A-28… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3 e7 835613da-… EC0DC140-17… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3 e7 835613da-… 332C1C89-11… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 2 e9 835613da-… 89994459-3C… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 2 e9 835613da-… 05E3C10A-A5… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3 e7 835613da-… 6ADD3B71-B4… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 f795a11a-… 7d4ca855-e7… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 fd77b374-… 304CEA68-F6… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
# ℹ 263,177 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 263 187 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 175.1: Occurrences de Quercus suber dans le monde.
175.1.1 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] 0.9995592487[1] 0.0001937785681[1] 0
Figure 175.2: Occurrence de Quercus suber dans la région d’endémisme.
175.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
257829 4835 407 [1] 98.16209312
Figure 175.3: Occurrence de Quercus suber 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] 258236175.1.3 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: -9.429703 ymin: 36.113491 xmax: 16.565791 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 3.e9 cfac873c-… ae7808c2-cd… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
2 3.e9 7dccad9d-… 8fc6621e-22… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
3 3.e9 cfac873c-… c941cea1-0e… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
4 3.e9 eb97768a-… dd5356ed-d1… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
5 3.e9 eb97768a-… 1ef7799e-e8… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
6 3.e9 0fe87daf-… 325a346e-20… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
7 3.e9 eb97768a-… 22e49db1-06… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
8 3.e9 0fe87daf-… 3d30707f-60… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
9 3.e9 cfac873c-… c8e67555-b9… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… ""
10 3.e9 7dccad9d-… fbc453c0-d0… 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>, …
175.2 Modélisation de la niche climatique
175.2.1 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 : -9.429703, 16.56579, 36.11349, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= qusu 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 = qusu
24982 presences, 0 true absences and 72997 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.180 Min. :-12.25 Min. : 0.0
1st Qu.:21.02 1st Qu.: -8.684 1st Qu.: 10.33 1st Qu.: 519.5
Median :27.41 Median : -0.380 Median : 11.95 Median : 710.9
Mean :26.53 Mean : -2.295 Mean : 12.22 Mean : 719.6
3rd Qu.:30.75 3rd Qu.: 5.216 3rd Qu.: 15.43 3rd Qu.: 893.9
Max. :45.30 Max. : 11.848 Max. : 25.65 Max. :1393.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.126
1st Qu.: 183.0 1st Qu.: 29.582
Median : 229.0 Median : 38.778
Mean : 229.3 Mean : 45.102
3rd Qu.: 284.0 3rd Qu.: 61.115
Max. :1264.0 Max. :123.000
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 175.5: 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 : 174928, 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 175.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
175.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for qusu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for qusu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for qusu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= qusu 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 : qusu_PA1
-=-=-=--=-=-=- qusu_PA1_RUN1
-=-=-=- Run : qusu_PA2
-=-=-=--=-=-=- qusu_PA2_RUN1
-=-=-=- Run : qusu_PA3
-=-=-=--=-=-=- qusu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=175.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 qusu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 990.0 99.159
2 qusu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 999.5 98.689
3 qusu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 737.0 98.494
4 qusu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 731.5 98.519
5 qusu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 358.0 98.729
6 qusu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 353.5 98.769
specificity calibration validation evaluation
1 82.555 0.818 0.817 NA
2 84.105 0.919 0.919 NA
3 99.005 0.975 0.974 NA
4 98.985 0.999 0.998 NA
5 98.610 0.973 0.971 NA
6 98.570 0.998 0.997 NA
Figure 175.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
175.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 qusu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.276979
2 qusu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.009364
3 qusu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.001409
4 qusu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.503923
5 qusu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.010182
6 qusu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.118658
Figure 175.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 175.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
175.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : qusu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qusu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=175.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 qusu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qusu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 584.0 99.175 99.162
2 mergedAlgo TSS EMwmean ROC 583.5 99.175 99.162
calibration validation evaluation
1 0.983 NA NA
2 1.000 NA NA
Figure 175.11: 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 qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 qusu_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 0.149526
2 mergedAlgo TSS EMcv temp_min 1 0.090122
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.013374
4 mergedAlgo TSS EMcv temp_season 1 0.427500
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.161650
6 mergedAlgo TSS EMcv prec_season 1 0.046116Par variable :
Figure 175.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 175.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
175.3 Projections
175.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qusu/current
sp.name : qusu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qusu/qusu.AllModels.models.out )
models.projected :
qusu_PA1_RUN1_GAM, qusu_PA1_RUN1_MARS, qusu_PA1_RUN1_MAXNET, qusu_PA1_RUN1_GBM, qusu_PA1_RUN1_RF, qusu_PA2_RUN1_GAM, qusu_PA2_RUN1_MARS, qusu_PA2_RUN1_MAXNET, qusu_PA2_RUN1_GBM, qusu_PA2_RUN1_RF, qusu_PA3_RUN1_GAM, qusu_PA3_RUN1_MARS, qusu_PA3_RUN1_MAXNET, qusu_PA3_RUN1_GBM, qusu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 175.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 175.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/qusu/current
sp.name : qusu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qusu/qusu.AllModels.ensemble.models.out )
models.projected :
qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qusu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 175.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
175.3.2 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/qusu/cont_gre
sp.name : qusu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qusu/qusu.AllModels.models.out )
models.projected :
qusu_PA1_RUN1_GAM, qusu_PA1_RUN1_MARS, qusu_PA1_RUN1_MAXNET, qusu_PA1_RUN1_GBM, qusu_PA1_RUN1_RF, qusu_PA2_RUN1_GAM, qusu_PA2_RUN1_MARS, qusu_PA2_RUN1_MAXNET, qusu_PA2_RUN1_GBM, qusu_PA2_RUN1_RF, qusu_PA3_RUN1_GAM, qusu_PA3_RUN1_MARS, qusu_PA3_RUN1_MAXNET, qusu_PA3_RUN1_GBM, qusu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 175.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 175.18: 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/qusu/cont_gre
sp.name : qusu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/qusu/qusu.AllModels.ensemble.models.out )
models.projected :
qusu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, qusu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 175.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
175.3.3 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 175.20: 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 175.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 175.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 175.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
175.4 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)
175.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 175.24: 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 175.25: 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 175.26: 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 175.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
175.4.2 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 10 13 15 69.08333 143 341 0 2000
2 11 15 19 76.61799 202 249 126 2040
3 12 17 21 81.99665 204 229 126 2060
4 12 18 24 87.33575 208 239 126 2080
5 13 19 26 89.29931 210 229 126 2100
6 11 16 20 80.50779 206 250 245 2040
7 12 18 24 88.32001 207 233 245 2060
8 14 25 60 109.49217 217 259 245 2080
9 15 31 89 120.61298 220 264 245 2100
10 11 15 18 75.26249 201 237 370 2040
11 13 20 27 91.29726 211 238 370 2060
12 16 37 124 126.15979 214 252 370 2080
13 20 179 210 186.67144 217 246 370 2100
14 12 16 20 79.03946 206 244 585 2040
15 13 23 39 103.27267 217 266 585 2060
16 18 114 211 170.46424 223 257 585 2080
17 31 205 210 207.01202 214 233 585 2100
Figure 175.28: 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.