64 Salix viminalis
64.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.462yf6
Format: SIMPLE_CSV
Download key: 0252102-230224095556074
Created: 2023-05-20T11:32:05.651+00:00
Modified: 2023-05-20T11:33:45.525+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252102-230224095556074.zip
Total records: 58239Conversion 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 58239 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.948889 ymin: -46.175235 xmax: 175.660449 ymax: 72.73668
Geodetic CRS: WGS 84
# A tibble: 58,239 × 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… Malp… Salic… Salix Salix … ""
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
# ℹ 58,229 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 58 239 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 64.1: Occurrences de Salix viminalis dans le monde.
64.1.1 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] 0.9820223562[1] 0.0007383368533[1] 0.007314686035
Figure 64.2: Occurrence de Salix viminalis dans la région d’endémisme.
64.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
33854
CC_BY_NC_4_0
4833
CC0_1_0
6737
https://creativecommons.org/licenses/by-nc/4.0/legalcode
9895
https://creativecommons.org/licenses/by/4.0/legalcode
1769
https://creativecommons.org/publicdomain/zero/1.0/legalcode
104 [1] 74.24814659
Figure 64.3: Occurrence de Salix viminalis 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] 4246464.1.3 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: -10.025409 ymin: 37.14 xmax: 46.8163 ymax: 67.56119
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 8e8 271c444f-… "INBO:FLORA… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
2 2e9 6ac3f774-… "" Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
3 2e9 67fabcac-… "1624152" Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
4 2e9 83fdfd3d-… "INFOFLORA-… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
5 1e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
6 2e9 67fabcac-… "18837132" Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
7 2e9 dd238f50-… "8983b347-2… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
8 2e9 67fabcac-… "14308068" Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
9 1e9 75956ee6-… "http://dig… Plantae Trach… Magn… Malp… Salic… Salix Salix … ""
10 2e9 271c444f-… "INBO:FLORA… 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>, …
64.2 Modélisation de la niche climatique
64.2.1 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 : -10.02541, 46.8163, 37.14, 67.56119 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= savi 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 = savi
24967 presences, 0 true absences and 72870 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.272 Min. :-22.080 Min. :-12.267 Min. : 197.0
1st Qu.:20.196 1st Qu.: -8.908 1st Qu.: 8.568 1st Qu.: 616.2
Median :22.976 Median : -3.360 Median : 13.043 Median : 724.6
Mean :24.559 Mean : -4.298 Mean : 12.284 Mean : 755.9
3rd Qu.:27.836 3rd Qu.: 0.708 3rd Qu.: 16.207 3rd Qu.: 898.9
Max. :45.968 Max. : 11.980 Max. : 26.380 Max. :1392.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.61
1st Qu.: 176.0 1st Qu.: 21.47
Median : 213.0 Median : 30.32
Mean : 214.9 Mean : 34.76
3rd Qu.: 245.0 3rd Qu.: 39.04
Max. :1255.0 Max. :123.00
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 64.5: 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 : 174868, 2 (geometries, attributes)
extent : -10.39583, 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 64.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
64.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for savi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for savi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for savi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= savi 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 : savi_PA1
-=-=-=--=-=-=- savi_PA1_RUN1
-=-=-=- Run : savi_PA2
-=-=-=--=-=-=- savi_PA2_RUN1
-=-=-=- Run : savi_PA3
-=-=-=--=-=-=- savi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=64.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 savi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 737.0 92.660
2 savi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 734.5 92.766
3 savi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 500.0 95.114
4 savi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 507.5 95.019
5 savi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 392.0 93.837
6 savi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 392.5 93.812
specificity calibration validation evaluation
1 61.835 0.545 0.538 NA
2 61.780 0.702 0.695 NA
3 86.975 0.821 0.816 NA
4 87.105 0.949 0.947 NA
5 87.565 0.814 0.806 NA
6 87.615 0.947 0.945 NA
Figure 64.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
64.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 savi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.328481
2 savi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.094719
3 savi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.033513
4 savi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.285635
5 savi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.043517
6 savi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.120314
Figure 64.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 64.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
64.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : savi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, savi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=64.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 savi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 savi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 670.0 92.029 95.366
2 mergedAlgo TSS EMwmean ROC 672.5 91.925 95.481
calibration validation evaluation
1 0.874 NA NA
2 0.987 NA NA
Figure 64.11: 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 savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 savi_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 0.467637
2 mergedAlgo TSS EMcv temp_min 1 0.140862
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.040381
4 mergedAlgo TSS EMcv temp_season 1 0.193862
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.036423
6 mergedAlgo TSS EMcv prec_season 1 0.220314Par variable :
Figure 64.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 64.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
64.3 Projections
64.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/savi/current
sp.name : savi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/savi/savi.AllModels.models.out )
models.projected :
savi_PA1_RUN1_GAM, savi_PA1_RUN1_MARS, savi_PA1_RUN1_MAXNET, savi_PA1_RUN1_GBM, savi_PA1_RUN1_RF, savi_PA2_RUN1_GAM, savi_PA2_RUN1_MARS, savi_PA2_RUN1_MAXNET, savi_PA2_RUN1_GBM, savi_PA2_RUN1_RF, savi_PA3_RUN1_GAM, savi_PA3_RUN1_MARS, savi_PA3_RUN1_MAXNET, savi_PA3_RUN1_GBM, savi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 64.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 64.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/savi/current
sp.name : savi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/savi/savi.AllModels.ensemble.models.out )
models.projected :
savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, savi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 64.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
64.3.2 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/savi/cont_gre
sp.name : savi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/savi/savi.AllModels.models.out )
models.projected :
savi_PA1_RUN1_GAM, savi_PA1_RUN1_MARS, savi_PA1_RUN1_MAXNET, savi_PA1_RUN1_GBM, savi_PA1_RUN1_RF, savi_PA2_RUN1_GAM, savi_PA2_RUN1_MARS, savi_PA2_RUN1_MAXNET, savi_PA2_RUN1_GBM, savi_PA2_RUN1_RF, savi_PA3_RUN1_GAM, savi_PA3_RUN1_MARS, savi_PA3_RUN1_MAXNET, savi_PA3_RUN1_GBM, savi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 64.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 64.18: 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/savi/cont_gre
sp.name : savi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/savi/savi.AllModels.ensemble.models.out )
models.projected :
savi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, savi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 64.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
64.3.3 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 64.20: 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 64.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 64.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 64.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
64.4 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)
64.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 64.24: 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 64.25: 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 64.26: 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 64.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
64.4.2 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>
1 108 312 727 583.80561 762 807 0 2000
2 85 182 534 450.62451 683 766 126 2040
3 76 152 384 387.20999 612 745 126 2060
4 71 143 356 373.48537 594 738 126 2080
5 78 153 380 384.52231 602 724 126 2100
6 79 180 497 444.84787 688 761 245 2040
7 56 126 295 326.90772 525 725 245 2060
8 59 112 247 275.70044 387 696 245 2080
9 38 98 200 214.48623 291 662 245 2100
10 71 174 491 434.05545 666 771 370 2040
11 66 130 302 332.97124 534 710 370 2060
12 38 98 183 195.51887 272 658 370 2080
13 25 36 60 69.85770 98 358 370 2100
14 77 161 461 415.41816 640 744 585 2040
15 53 107 256 283.57655 424 690 585 2060
16 28 41 78 87.93293 126 465 585 2080
17 20 24 29 30.82821 35 113 585 2100
Figure 64.28: 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.