178 Sambucus nigra
178.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.83rr2b
Format: SIMPLE_CSV
Download key: 0260091-230224095556074
Created: 2023-05-24T19:39:20.246+00:00
Modified: 2023-05-24T19:47:18.546+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260091-230224095556074.zip
Total records: 472477Conversion 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 472477 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.555461 ymin: -53.789352 xmax: 178.043992 ymax: 68.801573
Geodetic CRS: WGS 84
# A tibble: 472,477 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2e8 8354ecee-… 204435848 Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
2 2e8 8354ecee-… 204435816 Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
3 8e8 837381f4-… EMMA:EMMA:1… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
4 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
5 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
6 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
7 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
8 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
9 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
10 2e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
# ℹ 472,467 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 472 477 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 178.1: Occurrences de Sambucus nigra dans le monde.
178.1.1 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] 0.9939150477[1] 0.0005354758009[1] 2.53980617e-05
Figure 178.2: Occurrence de Sambucus nigra dans la région d’endémisme.
178.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
308941 119646 41015 [1] 74.52182912
Figure 178.3: Occurrence de Sambucus nigra 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] 349956178.1.3 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: -9.836616 ymin: 33.822299 xmax: 41.736448 ymax: 65.3879
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 2 e9 dd238f50-… "39ba1e57-4… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
2 4 e9 017f23ba-… "53888c8e-b… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
3 1.e9 8ea4250e-… "http://id.… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
4 2 e9 14d5676a-… "q-10100898… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
5 2 e9 130eea59-… "304CEA6D-2… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
6 2 e9 67fabcac-… "12718094" Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
7 1 e9 bfc6fe18-… "Natuurpunt… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
8 8 e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
9 3.e9 f11a63fa-… "dffd56ed-f… Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
10 2 e7 857aa892-… "" Plantae Trach… Magn… Dips… Vibur… Samb… Sambuc… ""
# 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>, …
178.2 Modélisation de la niche climatique
178.2.1 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 : -9.836616, 41.73645, 33.8223, 65.3879 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= sani 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 = sani
24971 presences, 0 true absences and 72903 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.932 Min. :-12.27 Min. : 0.0
1st Qu.:20.40 1st Qu.: -8.736 1st Qu.: 8.47 1st Qu.: 599.4
Median :23.34 Median : -2.938 Median : 12.86 Median : 721.1
Mean :24.79 Mean : -4.061 Mean : 12.23 Mean : 750.2
3rd Qu.:27.94 3rd Qu.: 0.920 3rd Qu.: 16.21 3rd Qu.: 897.2
Max. :45.72 Max. : 11.948 Max. : 25.94 Max. :1369.0
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.779
1st Qu.: 176.0 1st Qu.: 20.795
Median : 216.0 Median : 30.530
Mean : 218.3 Mean : 34.525
3rd Qu.: 251.0 3rd Qu.: 39.238
Max. :1240.0 Max. :123.648
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 178.5: 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 : 174884, 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 178.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
178.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for sani_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for sani_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for sani_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= sani 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 : sani_PA1
-=-=-=--=-=-=- sani_PA1_RUN1
-=-=-=- Run : sani_PA2
-=-=-=--=-=-=- sani_PA2_RUN1
-=-=-=- Run : sani_PA3
-=-=-=--=-=-=- sani_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=178.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 sani_PA1_RUN1_GAM PA1 RUN1 GAM TSS 747.0 94.854
2 sani_PA1_RUN1_GAM PA1 RUN1 GAM ROC 746.5 94.854
3 sani_PA1_RUN1_MARS PA1 RUN1 MARS TSS 553.0 95.795
4 sani_PA1_RUN1_MARS PA1 RUN1 MARS ROC 558.5 95.730
5 sani_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 388.0 95.400
6 sani_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 389.5 95.330
specificity calibration validation evaluation
1 69.455 0.643 0.636 NA
2 69.455 0.805 0.806 NA
3 87.675 0.835 0.836 NA
4 87.780 0.953 0.952 NA
5 87.600 0.830 0.836 NA
6 87.675 0.952 0.952 NA
Figure 178.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
178.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 sani_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.220682
2 sani_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.162206
3 sani_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.014617
4 sani_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.544413
5 sani_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.015298
6 sani_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.029741
Figure 178.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 178.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
178.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : sani
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sani_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=178.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 sani_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sani_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 598.0 95.535 91.154
2 mergedAlgo TSS EMwmean ROC 603.5 95.427 91.266
calibration validation evaluation
1 0.867 NA NA
2 0.984 NA NA
Figure 178.11: 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 sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 sani_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 0.168634
2 mergedAlgo TSS EMcv temp_min 1 0.185261
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.034841
4 mergedAlgo TSS EMcv temp_season 1 0.250084
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.055292
6 mergedAlgo TSS EMcv prec_season 1 0.156976Par variable :
Figure 178.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 178.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
178.3 Projections
178.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sani/current
sp.name : sani
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sani/sani.AllModels.models.out )
models.projected :
sani_PA1_RUN1_GAM, sani_PA1_RUN1_MARS, sani_PA1_RUN1_MAXNET, sani_PA1_RUN1_GBM, sani_PA1_RUN1_ANN, sani_PA1_RUN1_RF, sani_PA2_RUN1_GAM, sani_PA2_RUN1_MARS, sani_PA2_RUN1_MAXNET, sani_PA2_RUN1_GBM, sani_PA2_RUN1_ANN, sani_PA2_RUN1_RF, sani_PA3_RUN1_GAM, sani_PA3_RUN1_MARS, sani_PA3_RUN1_MAXNET, sani_PA3_RUN1_GBM, sani_PA3_RUN1_ANN, sani_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 178.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 178.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sani/current
sp.name : sani
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sani/sani.AllModels.ensemble.models.out )
models.projected :
sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sani_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 178.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
178.3.2 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/sani/cont_gre
sp.name : sani
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sani/sani.AllModels.models.out )
models.projected :
sani_PA1_RUN1_GAM, sani_PA1_RUN1_MARS, sani_PA1_RUN1_MAXNET, sani_PA1_RUN1_GBM, sani_PA1_RUN1_ANN, sani_PA1_RUN1_RF, sani_PA2_RUN1_GAM, sani_PA2_RUN1_MARS, sani_PA2_RUN1_MAXNET, sani_PA2_RUN1_GBM, sani_PA2_RUN1_ANN, sani_PA2_RUN1_RF, sani_PA3_RUN1_GAM, sani_PA3_RUN1_MARS, sani_PA3_RUN1_MAXNET, sani_PA3_RUN1_GBM, sani_PA3_RUN1_ANN, sani_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 178.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 178.18: 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/sani/cont_gre
sp.name : sani
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sani/sani.AllModels.ensemble.models.out )
models.projected :
sani_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sani_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 178.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
178.3.3 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 178.20: 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 178.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 178.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 178.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
178.4 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)
178.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 178.24: 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 178.25: 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 178.26: 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 178.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
178.4.2 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>
1 199 550 791 697.2606 810 850 0 2000
2 139 437 694 601.7217 769 844 126 2040
3 123 388 630 552.5348 723 835 126 2060
4 134 397 629 554.5183 725 825 126 2080
5 151 421 646 566.4908 730 822 126 2100
6 137 434 689 597.5724 775 843 245 2040
7 121 346 555 508.4841 690 799 245 2060
8 118 313 502 487.3568 659 802 245 2080
9 116 249 446 428.3437 579 727 245 2100
10 110 407 665 579.5654 761 842 370 2040
11 121 365 578 520.8925 696 811 370 2060
12 117 235 421 402.1713 534 735 370 2080
13 73 158 219 212.4505 261 478 370 2100
14 132 414 669 577.7598 744 828 585 2040
15 116 319 502 482.5842 656 773 585 2060
16 85 167 260 248.2289 317 559 585 2080
17 62 109 141 138.8088 164 248 585 2100
Figure 178.28: 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.