80 Robinia pseudoacacia
80.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xg7zmw
Format: SIMPLE_CSV
Download key: 0252158-230224095556074
Created: 2023-05-20T12:04:19.670+00:00
Modified: 2023-05-20T12:10:44.060+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252158-230224095556074.zip
Total records: 201812Conversion 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 195523 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -125.907733 ymin: -44.994285 xmax: 176.879958 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 195,523 × 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… Faba… Fabac… Robi… Robini… ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
4 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
5 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
# ℹ 195,513 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 195 523 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 80.1: Occurrences de Robinia pseudoacacia dans le monde.
80.1.1 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] 0.9448658214[1] 0.04051697243[1] 0.007779135958
Figure 80.2: Occurrence de Robinia pseudoacacia dans la région d’endémisme.
80.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
153109 18415 13219 [1] 90.03209865
Figure 80.3: Occurrence de Robinia pseudoacacia 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] 16632880.1.3 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: -9.336579 ymin: 33.244714 xmax: 46.8002 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 e5f16d86-… 784f9f40-e2… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
2 1.e9 64dabd3c-… http://id.s… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
3 3.e9 bd8ee748-… 254f063d-b9… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
4 3.e9 bd8ee748-… 51ab1b47-5e… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
5 3.e9 e13c8785-… feb124e1-c2… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
6 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
7 3.e9 ca89af9a-… DSS00439000… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
8 2 e9 86306e4b-… b13e7867-7f… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
9 2 e9 629befd5-… Natagora:Ob… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
10 2 e9 dd238f50-… 6279d8c9-87… Plantae Trach… Magn… Faba… Fabac… Robi… Robini… ""
# 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>, …
80.2 Modélisation de la niche climatique
80.2.1 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 : -9.336579, 46.8002, 33.24471, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= rops 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 = rops
24983 presences, 0 true absences and 72879 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.224 Min. :-22.000 Min. :-14.857 Min. : 182.8
1st Qu.:20.832 1st Qu.: -8.732 1st Qu.: 8.921 1st Qu.: 609.9
Median :24.304 Median : -2.364 Median : 12.890 Median : 719.4
Mean :25.183 Mean : -3.916 Mean : 12.348 Mean : 752.6
3rd Qu.:28.196 3rd Qu.: 1.092 3rd Qu.: 16.238 3rd Qu.: 895.7
Max. :45.976 Max. : 12.400 Max. : 26.126 Max. :1385.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.773
1st Qu.: 175.0 1st Qu.: 20.655
Median : 217.0 Median : 30.629
Mean : 220.3 Mean : 34.395
3rd Qu.: 259.0 3rd Qu.: 39.445
Max. :1261.0 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 80.5: 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 : 174932, 2 (geometries, attributes)
extent : -10.4375, 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 80.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
80.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for rops_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for rops_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for rops_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= rops 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 : rops_PA1
-=-=-=--=-=-=- rops_PA1_RUN1
-=-=-=- Run : rops_PA2
-=-=-=--=-=-=- rops_PA2_RUN1
-=-=-=- Run : rops_PA3
-=-=-=--=-=-=- rops_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=80.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 rops_PA1_RUN1_GAM PA1 RUN1 GAM TSS 626.0 94.496
2 rops_PA1_RUN1_GAM PA1 RUN1 GAM ROC 623.5 94.561
3 rops_PA1_RUN1_MARS PA1 RUN1 MARS TSS 552.0 93.776
4 rops_PA1_RUN1_MARS PA1 RUN1 MARS ROC 552.5 93.761
5 rops_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 368.0 94.161
6 rops_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 363.5 94.381
specificity calibration validation evaluation
1 60.780 0.553 0.545 NA
2 60.735 0.696 0.689 NA
3 89.605 0.834 0.836 NA
4 89.645 0.965 0.966 NA
5 90.300 0.845 0.846 NA
6 90.135 0.965 0.965 NA
Figure 80.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
80.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 rops_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.409028
2 rops_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.160880
3 rops_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.002413
4 rops_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.476181
5 rops_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.013382
6 rops_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.063837
Figure 80.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 80.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
80.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : rops
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rops_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=80.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 rops_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 rops_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 556.0 94.760 93.614
2 mergedAlgo TSS EMwmean ROC 551.5 94.865 93.536
calibration validation evaluation
1 0.884 NA NA
2 0.988 NA NA
Figure 80.11: 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 rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 rops_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 0.168044
2 mergedAlgo TSS EMcv temp_min 1 0.090893
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.040765
4 mergedAlgo TSS EMcv temp_season 1 0.300483
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.115775
6 mergedAlgo TSS EMcv prec_season 1 0.193156Par variable :
Figure 80.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 80.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
80.3 Projections
80.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/rops/current
sp.name : rops
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rops/rops.AllModels.models.out )
models.projected :
rops_PA1_RUN1_GAM, rops_PA1_RUN1_MARS, rops_PA1_RUN1_MAXNET, rops_PA1_RUN1_GBM, rops_PA1_RUN1_ANN, rops_PA1_RUN1_RF, rops_PA2_RUN1_GAM, rops_PA2_RUN1_MARS, rops_PA2_RUN1_MAXNET, rops_PA2_RUN1_GBM, rops_PA2_RUN1_RF, rops_PA3_RUN1_GAM, rops_PA3_RUN1_MARS, rops_PA3_RUN1_MAXNET, rops_PA3_RUN1_GBM, rops_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 80.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 80.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/rops/current
sp.name : rops
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rops/rops.AllModels.ensemble.models.out )
models.projected :
rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rops_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 80.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
80.3.2 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/rops/cont_gre
sp.name : rops
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rops/rops.AllModels.models.out )
models.projected :
rops_PA1_RUN1_GAM, rops_PA1_RUN1_MARS, rops_PA1_RUN1_MAXNET, rops_PA1_RUN1_GBM, rops_PA1_RUN1_ANN, rops_PA1_RUN1_RF, rops_PA2_RUN1_GAM, rops_PA2_RUN1_MARS, rops_PA2_RUN1_MAXNET, rops_PA2_RUN1_GBM, rops_PA2_RUN1_RF, rops_PA3_RUN1_GAM, rops_PA3_RUN1_MARS, rops_PA3_RUN1_MAXNET, rops_PA3_RUN1_GBM, rops_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 80.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 80.18: 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/rops/cont_gre
sp.name : rops
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/rops/rops.AllModels.ensemble.models.out )
models.projected :
rops_EMcvByTSS_mergedData_mergedRun_mergedAlgo, rops_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 80.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
80.3.3 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 80.20: 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 80.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 80.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 80.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
80.4 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)
80.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 80.24: 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 80.25: 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 80.26: 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 80.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
80.4.2 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>
1 239 585 683 679.0415 783 866 0 2000
2 300 513 709 641.3365 777 864 126 2040
3 310 478 643 600.3531 745 859 126 2060
4 322 501 660 617.7619 753 858 126 2080
5 349 528 680 633.0448 749 846 126 2100
6 296 516 706 646.1946 790 863 245 2040
7 317 426 539 562.6769 716 843 245 2060
8 330 451 569 572.8349 705 834 245 2080
9 291 413 523 521.0973 629 751 245 2100
10 273 473 656 611.3810 767 859 370 2040
11 339 466 575 580.9394 717 843 370 2060
12 268 390 502 500.0564 606 758 370 2080
13 205 239 278 288.0496 329 492 370 2100
14 296 502 687 625.4040 756 857 585 2040
15 328 425 535 549.7625 683 812 585 2060
16 211 258 324 326.7159 384 567 585 2080
17 140 202 225 223.8609 240 368 585 2100
Figure 80.28: 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.