176 Rhus typhina
176.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.fpqpxr
Format: SIMPLE_CSV
Download key: 0252787-230224095556074
Created: 2023-05-20T19:05:07.568+00:00
Modified: 2023-05-20T19:06:19.742+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252787-230224095556074.zip
Total records: 41885Conversion 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 41885 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -125.311667 ymin: -45.903712 xmax: 176.892779 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 41,885 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
# ℹ 41,875 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 41 885 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 176.1: Occurrences de Rhus typhina dans le monde.
176.1.1 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] 0.7030440492[1] 0.2949743345[1] 0.001169869882
Figure 176.2: Occurrence de Rhus typhina dans la région d’endémisme.
176.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
24835
CC_BY_NC_4_0
1995
CC0_1_0
1472
https://creativecommons.org/licenses/by-nc/4.0/legalcode
904
https://creativecommons.org/licenses/by/4.0/legalcode
227
https://creativecommons.org/publicdomain/zero/1.0/legalcode
14 [1] 90.15519408
Figure 176.3: Occurrence de Rhus typhina 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] 26548176.1.3 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: -7.55658 ymin: 37.86 xmax: 46.1659 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 14d5676a-… "q-10183346… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
2 2 e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
3 2 e9 14d5676a-… "q-10236422… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
4 2 e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
5 2 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
6 2 e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
7 2 e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
8 2 e9 ebf3c079-… "" Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
9 2 e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
10 3.e9 14d5676a-… "q-10288057… Plantae Trach… Magn… Sapi… Anaca… Rhus Rhus t… ""
# 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
176.2 Modélisation de la niche climatique
176.2.1 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 : -7.55658, 46.1659, 37.86, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= rhty 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 = rhty
24993 presences, 0 true absences and 72894 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-12.087 Min. : 0.0
1st Qu.:20.62 1st Qu.: -8.746 1st Qu.: 9.413 1st Qu.: 637.1
Median :23.61 Median : -3.068 Median : 13.722 Median : 728.0
Mean :24.94 Mean : -4.222 Mean : 12.754 Mean : 759.4
3rd Qu.:28.13 3rd Qu.: 0.848 3rd Qu.: 16.741 3rd Qu.: 896.5
Max. :46.10 Max. : 11.156 Max. : 26.126 Max. :1393.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 177.0 1st Qu.: 22.05
Median : 220.0 Median : 30.71
Mean : 230.6 Mean : 35.02
3rd Qu.: 277.0 3rd Qu.: 39.53
Max. :1241.0 Max. :123.60
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 176.5: 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 : 174972, 2 (geometries, attributes)
extent : -10.35417, 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 176.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
176.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for rhty_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for rhty_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for rhty_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= rhty 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 : rhty_PA1
-=-=-=--=-=-=- rhty_PA1_RUN1
-=-=-=- Run : rhty_PA2
-=-=-=--=-=-=- rhty_PA2_RUN1
-=-=-=- Run : rhty_PA3
-=-=-=--=-=-=- rhty_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=176.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 rhty_PA1_RUN1_GAM PA1 RUN1 GAM TSS 626.0 94.138
2 rhty_PA1_RUN1_GAM PA1 RUN1 GAM ROC 632.5 93.953
3 rhty_PA1_RUN1_MARS PA1 RUN1 MARS TSS 490.0 93.628
4 rhty_PA1_RUN1_MARS PA1 RUN1 MARS ROC 466.5 94.218
5 rhty_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 380.0 93.088
6 rhty_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 381.5 92.998
specificity calibration validation evaluation
1 69.805 0.639 0.651 NA
2 70.040 0.827 0.830 NA
3 84.600 0.782 0.792 NA
4 84.035 0.953 0.953 NA
5 85.200 0.783 0.792 NA
6 85.370 0.952 0.952 NA
Figure 176.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
176.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 rhty_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.306731
2 rhty_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.030887
3 rhty_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.005143
4 rhty_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.496132
5 rhty_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.102515
6 rhty_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.012818
Figure 176.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 176.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
176.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : rhty
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rhty_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=176.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 rhty_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 rhty_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 666.0 95.891 95.504
2 mergedAlgo TSS EMwmean ROC 669.5 95.795 95.620
calibration validation evaluation
1 0.914 NA NA
2 0.994 NA NA
Figure 176.11: 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 rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 rhty_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 0.368143
2 mergedAlgo TSS EMcv temp_min 1 0.443372
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.194579
4 mergedAlgo TSS EMcv temp_season 1 0.384334
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.299199
6 mergedAlgo TSS EMcv prec_season 1 0.308597Par variable :
Figure 176.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 176.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
176.3 Projections
176.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/rhty/current
sp.name : rhty
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rhty/rhty.AllModels.models.out )
models.projected :
rhty_PA1_RUN1_GAM, rhty_PA1_RUN1_MARS, rhty_PA1_RUN1_MAXNET, rhty_PA1_RUN1_GBM, rhty_PA1_RUN1_ANN, rhty_PA1_RUN1_RF, rhty_PA2_RUN1_GAM, rhty_PA2_RUN1_MARS, rhty_PA2_RUN1_MAXNET, rhty_PA2_RUN1_GBM, rhty_PA2_RUN1_ANN, rhty_PA2_RUN1_RF, rhty_PA3_RUN1_GAM, rhty_PA3_RUN1_MARS, rhty_PA3_RUN1_MAXNET, rhty_PA3_RUN1_GBM, rhty_PA3_RUN1_ANN, rhty_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 176.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 176.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/rhty/current
sp.name : rhty
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rhty/rhty.AllModels.ensemble.models.out )
models.projected :
rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rhty_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 176.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
176.3.2 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/rhty/cont_gre
sp.name : rhty
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rhty/rhty.AllModels.models.out )
models.projected :
rhty_PA1_RUN1_GAM, rhty_PA1_RUN1_MARS, rhty_PA1_RUN1_MAXNET, rhty_PA1_RUN1_GBM, rhty_PA1_RUN1_ANN, rhty_PA1_RUN1_RF, rhty_PA2_RUN1_GAM, rhty_PA2_RUN1_MARS, rhty_PA2_RUN1_MAXNET, rhty_PA2_RUN1_GBM, rhty_PA2_RUN1_ANN, rhty_PA2_RUN1_RF, rhty_PA3_RUN1_GAM, rhty_PA3_RUN1_MARS, rhty_PA3_RUN1_MAXNET, rhty_PA3_RUN1_GBM, rhty_PA3_RUN1_ANN, rhty_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 176.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 176.18: 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/rhty/cont_gre
sp.name : rhty
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rhty/rhty.AllModels.ensemble.models.out )
models.projected :
rhty_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rhty_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 176.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
176.3.3 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 176.20: 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 176.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 176.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 176.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
176.4 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)
176.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 176.24: 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 176.25: 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 176.26: 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 176.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
176.4.2 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>
1 276 641 748 737.3334 822 966 0 2000
2 403 632 717 711.5847 781 948 126 2040
3 376 596 661 666.4171 733 907 126 2060
4 376 598 689 677.0466 748 887 126 2080
5 379 577 652 647.5235 713 880 126 2100
6 435 616 724 714.0190 792 913 245 2040
7 372 583 650 652.7665 725 873 245 2060
8 408 590 641 645.3657 698 850 245 2080
9 361 553 602 595.6600 644 774 245 2100
10 398 601 687 687.6763 768 933 370 2040
11 385 581 639 640.3559 700 873 370 2060
12 378 531 591 588.5654 640 798 370 2080
13 298 446 496 486.8416 535 685 370 2100
14 372 610 691 686.9164 763 894 585 2040
15 383 587 621 628.3631 671 838 585 2060
16 246 494 538 526.9045 572 707 585 2080
17 237 352 397 393.6382 431 635 585 2100
Figure 176.28: 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.