177 Salix alba L
177.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.fqpqb6
Format: SIMPLE_CSV
Download key: 0260074-230224095556074
Created: 2023-05-24T19:30:30.364+00:00
Modified: 2023-05-24T19:38:08.229+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260074-230224095556074.zip
Total records: 152635Conversion 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 152635 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.097561 ymin: -46.543518 xmax: 175.660449 ymax: 66.615448
Geodetic CRS: WGS 84
# A tibble: 152,635 × 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 837381f4-… EMMA:EMMA:4… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
2 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
3 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
4 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
5 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
7 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
8 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
9 3.e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
10 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
# ℹ 152,625 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 152 635 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 177.1: Occurrences de Salix alba L dans le monde.
177.1.1 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] 0.9918891473[1] 0.002266845743[1] 0.001067907099
Figure 177.2: Occurrence de Salix alba L dans la région d’endémisme.
177.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
112797 21564 17036 [1] 85.75665304
Figure 177.3: Occurrence de Salix alba L 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] 129833177.1.3 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: -9.538206 ymin: 36.201454 xmax: 46.519315 ymax: 66.615448
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 1.e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
2 1.e9 8ea4250e-… "http://id.… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
3 4 e8 857aa892-… "" Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
4 3.e9 bd8ee748-… "c92362a0-8… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
5 2 e9 dd238f50-… "41ccb169-1… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
6 2 e9 5629f624-… "a6d63d1c-2… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
7 2 e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
8 3.e9 14d81697-… "3ee1c7ea-8… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
9 1 e9 bfc6fe18-… "Natuurpunt… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
10 3.e9 bd8ee748-… "9525f691-5… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
# 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>, …
177.2 Modélisation de la niche climatique
177.2.1 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 : -9.538206, 46.51931, 36.20145, 66.61545 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= saal 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 = saal
24984 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. :-11.803 Min. : 0.0
1st Qu.:20.60 1st Qu.: -8.760 1st Qu.: 8.649 1st Qu.: 604.3
Median :23.72 Median : -2.728 Median : 12.840 Median : 722.7
Mean :24.97 Mean : -4.013 Mean : 12.276 Mean : 752.1
3rd Qu.:28.07 3rd Qu.: 0.952 3rd Qu.: 16.258 3rd Qu.: 895.5
Max. :45.86 Max. : 12.376 Max. : 26.215 Max. :1395.3
prec_wet_quart prec_season
Min. : 3 Min. : 4.911
1st Qu.: 175 1st Qu.: 20.750
Median : 216 Median : 30.628
Mean : 218 Mean : 34.433
3rd Qu.: 251 3rd Qu.: 39.213
Max. :1248 Max. :122.931
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 177.5: 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 : 174936, 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 177.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
177.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for saal_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for saal_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for saal_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= saal 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 : saal_PA1
-=-=-=--=-=-=- saal_PA1_RUN1
-=-=-=- Run : saal_PA2
-=-=-=--=-=-=- saal_PA2_RUN1
-=-=-=- Run : saal_PA3
-=-=-=--=-=-=- saal_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=177.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 saal_PA1_RUN1_GAM PA1 RUN1 GAM TSS 566.0 95.342
2 saal_PA1_RUN1_GAM PA1 RUN1 GAM ROC 571.5 95.292
3 saal_PA1_RUN1_MARS PA1 RUN1 MARS TSS 559.0 93.106
4 saal_PA1_RUN1_MARS PA1 RUN1 MARS ROC 566.5 92.940
5 saal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 347.0 95.412
6 saal_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 348.5 95.337
specificity calibration validation evaluation
1 56.495 0.519 0.519 NA
2 56.565 0.682 0.678 NA
3 87.305 0.804 0.811 NA
4 87.485 0.948 0.949 NA
5 84.960 0.804 0.814 NA
6 85.055 0.948 0.948 NA
Figure 177.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
177.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 saal_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.464996
2 saal_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.080071
3 saal_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.023729
4 saal_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.612612
5 saal_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.051406
6 saal_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.040289
Figure 177.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 177.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
177.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : saal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, saal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=177.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 saal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 saal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 623.0 93.324 93.960
2 mergedAlgo TSS EMwmean ROC 624.5 93.288 94.013
calibration validation evaluation
1 0.873 NA NA
2 0.985 NA NA
Figure 177.11: 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 saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 saal_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 0.249852
2 mergedAlgo TSS EMcv temp_min 1 0.086223
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.057280
4 mergedAlgo TSS EMcv temp_season 1 0.258122
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.126644
6 mergedAlgo TSS EMcv prec_season 1 0.276733Par variable :
Figure 177.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 177.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
177.3 Projections
177.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/saal/current
sp.name : saal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/saal/saal.AllModels.models.out )
models.projected :
saal_PA1_RUN1_GAM, saal_PA1_RUN1_MARS, saal_PA1_RUN1_MAXNET, saal_PA1_RUN1_GBM, saal_PA1_RUN1_RF, saal_PA2_RUN1_GAM, saal_PA2_RUN1_MARS, saal_PA2_RUN1_MAXNET, saal_PA2_RUN1_GBM, saal_PA2_RUN1_RF, saal_PA3_RUN1_GAM, saal_PA3_RUN1_MARS, saal_PA3_RUN1_MAXNET, saal_PA3_RUN1_GBM, saal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 177.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 177.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/saal/current
sp.name : saal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/saal/saal.AllModels.ensemble.models.out )
models.projected :
saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, saal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 177.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
177.3.2 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/saal/cont_gre
sp.name : saal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/saal/saal.AllModels.models.out )
models.projected :
saal_PA1_RUN1_GAM, saal_PA1_RUN1_MARS, saal_PA1_RUN1_MAXNET, saal_PA1_RUN1_GBM, saal_PA1_RUN1_RF, saal_PA2_RUN1_GAM, saal_PA2_RUN1_MARS, saal_PA2_RUN1_MAXNET, saal_PA2_RUN1_GBM, saal_PA2_RUN1_RF, saal_PA3_RUN1_GAM, saal_PA3_RUN1_MARS, saal_PA3_RUN1_MAXNET, saal_PA3_RUN1_GBM, saal_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 177.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 177.18: 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/saal/cont_gre
sp.name : saal
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/saal/saal.AllModels.ensemble.models.out )
models.projected :
saal_EMcvByTSS_mergedData_mergedRun_mergedAlgo, saal_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 177.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
177.3.3 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 177.20: 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 177.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 177.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 177.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
177.4 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)
177.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 177.24: 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 177.25: 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 177.26: 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 177.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
177.4.2 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>
1 378 670 756 723.6432 799 856 0 2000
2 234 545 699 644.0696 775 856 126 2040
3 219 494 646 597.2096 729 854 126 2060
4 228 501 649 598.1715 721 849 126 2080
5 240 518 659 608.1671 727 834 126 2100
6 230 541 690 640.0453 778 855 245 2040
7 190 450 592 554.9307 694 831 245 2060
8 197 430 570 537.6059 670 820 245 2080
9 173 375 526 489.1808 608 742 245 2100
10 201 515 678 625.5586 772 855 370 2040
11 201 469 607 565.7165 698 836 370 2060
12 147 336 506 470.9886 592 735 370 2080
13 116 172 284 270.4387 347 522 370 2100
14 226 527 676 621.4443 744 846 585 2040
15 191 427 566 530.2898 665 781 585 2060
16 126 194 326 308.2231 405 563 585 2080
17 101 136 163 177.1049 217 364 585 2100
Figure 177.28: 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.