79 Quercus variabilis
79.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.kj57j8
Format: SIMPLE_CSV
Download key: 0252156-230224095556074
Created: 2023-05-20T12:03:17.456+00:00
Modified: 2023-05-20T12:04:08.339+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252156-230224095556074.zip
Total records: 1730Conversion 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 1730 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.294582 ymin: 22.32 xmax: 140.47559 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,730 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9 e8 1b412457-… 6674533 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
2 8 e8 29d56be4-… TAI220886 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
3 8 e8 29d56be4-… TAI222899 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
4 8 e8 29d56be4-… TAI223134 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
5 8 e8 29d56be4-… TAI223294 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
6 8 e8 29d56be4-… TAI255347 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
7 8 e8 29d56be4-… TAI255503 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
8 7.e8 bf2a4bf0-… http://data… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
9 7 e8 b5cdf794-… http://cold… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
10 7 e8 b5cdf794-… http://cold… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
# ℹ 1,720 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 730 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 79.1: Occurrences de Quercus variabilis dans le monde.
79.1.1 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] 0.001734104046[1] 0.003468208092[1] 0.9947976879
Figure 79.2: Occurrence de Quercus variabilis dans la région d’endémisme.
79.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
309 1207 205 [1] 29.86635677
Figure 79.3: Occurrence de Quercus variabilis 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] 51479.1.3 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 514 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 98.798637 ymin: 23.567943 xmax: 140.47559 ymax: 39.4533
Geodetic CRS: WGS 84
# A tibble: 514 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 1b412457-… 6674533 Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
2 7e8 b5cdf794-… http://cold… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
3 7e8 b5cdf794-… http://cold… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
4 7e8 b5cdf794-… http://cold… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
5 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
6 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
7 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
8 4e9 dfe29309-… 0e5c6217-2b… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
9 4e9 dc692432-… e5566652-b6… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
10 4e9 dc692432-… 4e494199-1e… Plantae Trach… Magn… Faga… Fagac… Quer… Quercu… NA
# ℹ 504 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
79.2 Modélisation de la niche climatique
79.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 514, 0 (geometries, attributes)
extent : 98.79864, 140.4756, 23.56794, 39.4533 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quva 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 = quva
493 presences, 0 true absences and 1542 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.368 Min. :-43.720 Min. :-10.94 Min. : 27.49
1st Qu.:22.378 1st Qu.:-21.850 1st Qu.: 15.82 1st Qu.: 736.08
Median :26.368 Median : -8.816 Median : 20.13 Median : 924.75
Mean :25.637 Mean : -9.599 Mean : 19.28 Mean : 949.66
3rd Qu.:29.993 3rd Qu.: 1.135 3rd Qu.: 23.49 3rd Qu.:1294.72
Max. :40.484 Max. : 23.536 Max. : 34.58 Max. :1915.54
prec_wet_quart prec_season
Min. : 11.0 Min. : 10.52
1st Qu.: 196.0 1st Qu.: 54.93
Median : 390.0 Median : 76.47
Mean : 472.8 Mean : 79.40
3rd Qu.: 641.5 3rd Qu.:101.65
Max. :3490.0 Max. :166.57
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 79.5: 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 : 3514, 2 (geometries, attributes)
extent : 68.10417, 144.5208, 3.020833, 56.97917 (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 79.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
79.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quva_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quva_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quva_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quva 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 : quva_PA1
-=-=-=--=-=-=- quva_PA1_RUN1
-=-=-=- Run : quva_PA2
-=-=-=--=-=-=- quva_PA2_RUN1
-=-=-=- Run : quva_PA3
-=-=-=--=-=-=- quva_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=79.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quva_PA1_RUN1_GAM PA1 RUN1 GAM TSS 949.0 97.208
2 quva_PA1_RUN1_GAM PA1 RUN1 GAM ROC 944.5 97.462
3 quva_PA1_RUN1_MARS PA1 RUN1 MARS TSS 616.0 95.685
4 quva_PA1_RUN1_MARS PA1 RUN1 MARS ROC 613.5 95.685
5 quva_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 333.0 96.701
6 quva_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 331.5 96.701
specificity calibration validation evaluation
1 75.426 0.726 0.680 NA
2 75.426 0.808 0.764 NA
3 95.377 0.911 0.881 NA
4 95.377 0.987 0.985 NA
5 92.944 0.896 0.922 NA
6 92.944 0.984 0.982 NA
Figure 79.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
79.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quva_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.242194
2 quva_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.149990
3 quva_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006022
4 quva_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.838788
5 quva_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.267206
6 quva_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.147486
Figure 79.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 79.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
79.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quva
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quva_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=79.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quva_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quva_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 628.0 95.132 97.601
2 mergedAlgo TSS EMwmean ROC 631.5 95.132 97.665
calibration validation evaluation
1 0.927 NA NA
2 0.994 NA NA
Figure 79.11: 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 quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quva_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 0.115241
2 mergedAlgo TSS EMcv temp_min 1 0.256390
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.175430
4 mergedAlgo TSS EMcv temp_season 1 0.172387
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.330064
6 mergedAlgo TSS EMcv prec_season 1 0.308385Par variable :
Figure 79.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 79.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
79.3 Projections
79.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quva/current
sp.name : quva
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quva/quva.AllModels.models.out )
models.projected :
quva_PA1_RUN1_GAM, quva_PA1_RUN1_MARS, quva_PA1_RUN1_MAXNET, quva_PA1_RUN1_GBM, quva_PA1_RUN1_ANN, quva_PA1_RUN1_RF, quva_PA2_RUN1_GAM, quva_PA2_RUN1_MARS, quva_PA2_RUN1_MAXNET, quva_PA2_RUN1_GBM, quva_PA2_RUN1_ANN, quva_PA2_RUN1_RF, quva_PA3_RUN1_GAM, quva_PA3_RUN1_MARS, quva_PA3_RUN1_MAXNET, quva_PA3_RUN1_GBM, quva_PA3_RUN1_ANN, quva_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 79.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 79.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quva/current
sp.name : quva
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quva/quva.AllModels.ensemble.models.out )
models.projected :
quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quva_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 79.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
79.3.2 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/quva/cont_gre
sp.name : quva
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quva/quva.AllModels.models.out )
models.projected :
quva_PA1_RUN1_GAM, quva_PA1_RUN1_MARS, quva_PA1_RUN1_MAXNET, quva_PA1_RUN1_GBM, quva_PA1_RUN1_ANN, quva_PA1_RUN1_RF, quva_PA2_RUN1_GAM, quva_PA2_RUN1_MARS, quva_PA2_RUN1_MAXNET, quva_PA2_RUN1_GBM, quva_PA2_RUN1_ANN, quva_PA2_RUN1_RF, quva_PA3_RUN1_GAM, quva_PA3_RUN1_MARS, quva_PA3_RUN1_MAXNET, quva_PA3_RUN1_GBM, quva_PA3_RUN1_ANN, quva_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 79.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 79.18: 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/quva/cont_gre
sp.name : quva
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quva/quva.AllModels.ensemble.models.out )
models.projected :
quva_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quva_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 79.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
79.3.3 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 79.20: 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 79.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 79.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 79.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
79.4 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)
79.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 79.24: 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 79.25: 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 79.26: 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 79.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
79.4.2 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>
1 149 293 316 311.8356 339 424 0 2000
2 148 290 320 304.3330 340 424 126 2040
3 144 273 314 293.8580 330 416 126 2060
4 149 282 325 307.4938 348 434 126 2080
5 147 280 323 306.2131 342 428 126 2100
6 148 289 323 307.6609 346 427 245 2040
7 148 274 322 303.7181 344 425 245 2060
8 145 260 318 294.0232 339 432 245 2080
9 146 249 310 282.9604 326 426 245 2100
10 147 289 320 303.9130 339 424 370 2040
11 146 267 318 297.5773 335 424 370 2060
12 142 232 300 264.7281 312 403 370 2080
13 142 167 265 246.7042 303 415 370 2100
14 150 292 325 309.0188 347 427 585 2040
15 146 266 325 303.4547 348 437 585 2060
16 150 174 288 266.7490 324 412 585 2080
17 144 180 191 201.3382 209 382 585 2100
Figure 79.28: 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.