182 Scandosorbus intermedia
182.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.bx7rgv
Format: SIMPLE_CSV
Download key: 0260117-230224095556074
Created: 2023-05-24T19:59:53.783+00:00
Modified: 2023-05-24T20:01:01.899+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260117-230224095556074.zip
Total records: 44100Conversion 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 44100 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.08472 ymin: 37.06 xmax: 37.609839 ymax: 69.6487
Geodetic CRS: WGS 84
# A tibble: 44,100 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
# ℹ 44,090 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 44 100 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 182.1: Occurrences de Scandosorbus intermedia dans le monde.
182.1.1 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] 0.999047619[1] 0.0008843537415[1] 0
Figure 182.2: Occurrence de Scandosorbus intermedia dans la région d’endémisme.
182.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
11353
CC_BY_NC_4_0
1490
CC0_1_0
28610
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1739
https://creativecommons.org/licenses/by/4.0/legalcode
851
https://creativecommons.org/publicdomain/zero/1.0/legalcode
15 [1] 92.67102456
Figure 182.3: Occurrence de Scandosorbus intermedia 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] 40829182.1.3 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: -7.5595 ymin: 37.09944 xmax: 36.193724 ymax: 69.6487
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> <lgl>
1 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
2 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
3 2 e9 67fabcac-… 15972809 Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
4 2 e9 67fabcac-… 14184027 Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
5 3.e9 67fabcac-… 22413703 Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
6 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
7 2 e9 67fabcac-… 10700316 Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
8 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
9 2 e9 b124e1e0-… urn:uuid:4f… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
10 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Scan… Scando… NA
# 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>, …
182.2 Modélisation de la niche climatique
182.2.1 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 : -7.5595, 36.19372, 37.09944, 69.6487 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= scin 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 = scin
24909 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. :-22.104 Min. :-12.205 Min. : 0.0
1st Qu.:19.82 1st Qu.: -8.800 1st Qu.: 8.886 1st Qu.: 645.9
Median :21.32 Median : -4.856 Median : 13.281 Median : 738.5
Mean :24.13 Mean : -4.868 Mean : 12.302 Mean : 767.3
3rd Qu.:27.86 3rd Qu.: -0.135 3rd Qu.: 15.698 3rd Qu.: 898.6
Max. :45.86 Max. : 11.320 Max. : 26.344 Max. :1393.2
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.126
1st Qu.: 173.0 1st Qu.: 23.560
Median : 208.0 Median : 30.405
Mean : 210.7 Mean : 35.847
3rd Qu.: 241.0 3rd Qu.: 39.011
Max. :1257.0 Max. :123.722
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 182.5: 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 : 174636, 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 182.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
182.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for scin_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for scin_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for scin_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= scin 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 : scin_PA1
-=-=-=--=-=-=- scin_PA1_RUN1
-=-=-=- Run : scin_PA2
-=-=-=--=-=-=- scin_PA2_RUN1
-=-=-=- Run : scin_PA3
-=-=-=--=-=-=- scin_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=182.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 scin_PA1_RUN1_GAM PA1 RUN1 GAM TSS 566.0 96.281
2 scin_PA1_RUN1_GAM PA1 RUN1 GAM ROC 565.5 96.281
3 scin_PA1_RUN1_MARS PA1 RUN1 MARS TSS 726.0 92.623
4 scin_PA1_RUN1_MARS PA1 RUN1 MARS ROC 657.5 93.521
5 scin_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 395.0 93.050
6 scin_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 382.5 93.536
specificity calibration validation evaluation
1 73.595 0.699 0.692 NA
2 73.595 0.783 0.783 NA
3 96.180 0.888 0.884 NA
4 95.315 0.986 0.983 NA
5 96.200 0.892 0.887 NA
6 95.730 0.987 0.984 NA
Figure 182.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
182.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 scin_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.477871
2 scin_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.230402
3 scin_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.074707
4 scin_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.162413
5 scin_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.055621
6 scin_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.168910
Figure 182.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 182.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
182.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : scin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, scin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=182.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 scin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 scin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 445.0 97.471 96.28
2 mergedAlgo TSS EMwmean ROC 444.5 97.471 96.28
calibration validation evaluation
1 0.937 NA NA
2 0.996 NA NA
Figure 182.11: 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 scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 scin_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 0.477855
2 mergedAlgo TSS EMcv temp_min 1 0.200613
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.035539
4 mergedAlgo TSS EMcv temp_season 1 0.142866
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.021264
6 mergedAlgo TSS EMcv prec_season 1 0.054069Par variable :
Figure 182.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 182.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
182.3 Projections
182.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/scin/current
sp.name : scin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/scin/scin.AllModels.models.out )
models.projected :
scin_PA1_RUN1_GAM, scin_PA1_RUN1_MARS, scin_PA1_RUN1_MAXNET, scin_PA1_RUN1_GBM, scin_PA1_RUN1_RF, scin_PA2_RUN1_GAM, scin_PA2_RUN1_MARS, scin_PA2_RUN1_MAXNET, scin_PA2_RUN1_GBM, scin_PA2_RUN1_RF, scin_PA3_RUN1_GAM, scin_PA3_RUN1_MARS, scin_PA3_RUN1_MAXNET, scin_PA3_RUN1_GBM, scin_PA3_RUN1_ANN, scin_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 182.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 182.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/scin/current
sp.name : scin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/scin/scin.AllModels.ensemble.models.out )
models.projected :
scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, scin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 182.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
182.3.2 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/scin/cont_gre
sp.name : scin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/scin/scin.AllModels.models.out )
models.projected :
scin_PA1_RUN1_GAM, scin_PA1_RUN1_MARS, scin_PA1_RUN1_MAXNET, scin_PA1_RUN1_GBM, scin_PA1_RUN1_RF, scin_PA2_RUN1_GAM, scin_PA2_RUN1_MARS, scin_PA2_RUN1_MAXNET, scin_PA2_RUN1_GBM, scin_PA2_RUN1_RF, scin_PA3_RUN1_GAM, scin_PA3_RUN1_MARS, scin_PA3_RUN1_MAXNET, scin_PA3_RUN1_GBM, scin_PA3_RUN1_ANN, scin_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 182.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 182.18: 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/scin/cont_gre
sp.name : scin
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/scin/scin.AllModels.ensemble.models.out )
models.projected :
scin_EMcvByTSS_mergedData_mergedRun_mergedAlgo, scin_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 182.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
182.3.3 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 182.20: 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 182.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 182.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 182.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
182.4 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)
182.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 182.24: 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 182.25: 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 182.26: 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 182.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
182.4.2 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 17 27 160 210.60199 352 705 0 2000
2 15 22 40 71.85163 93 645 126 2040
3 16 22 33 49.54437 54 549 126 2060
4 15 18 29 41.05959 46 559 126 2080
5 16 22 32 46.12528 50 540 126 2100
6 15 22 37 63.05857 71 594 245 2040
7 15 20 28 34.93448 40 471 245 2060
8 16 21 25 28.08559 33 343 245 2080
9 15 22 25 25.96068 29 233 245 2100
10 15 22 39 69.53554 87 627 370 2040
11 16 22 29 36.29314 41 462 370 2060
12 16 24 27 27.45336 30 184 370 2080
13 14 17 18 17.95308 19 34 370 2100
14 15 19 34 57.17488 66 610 585 2040
15 16 20 26 29.61413 35 365 585 2060
16 14 18 19 18.90488 20 47 585 2080
17 14 15 16 15.57341 16 22 585 2100
Figure 182.28: 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.