229 Sequoiadendron giganteum
229.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.9ch5xz
Format: SIMPLE_CSV
Download key: 0260980-230224095556074
Created: 2023-05-25T13:09:34.129+00:00
Modified: 2023-05-25T13:10:28.628+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260980-230224095556074.zip
Total records: 4496Conversion 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 4496 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.2 ymin: -45.565 xmax: 172.881667 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 4,496 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 930742310 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
2 930742293 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
3 930742292 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
4 930742288 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
5 930742275 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
6 930742274 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
7 930742273 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
8 930742271 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
9 930742265 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
10 930742255 0096dfc0-9925-47e… http://bioi… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
# ℹ 4,486 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …Il y a 4 496 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 229.1: Occurrences de Sequoiadendron giganteum dans le monde.
229.1.1 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] 0.727980427[1] 0.2697953737[1] 0.0002224199288
Figure 229.2: Occurrence de Sequoiadendron giganteum dans la région d’endémisme.
229.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
1891
CC_BY_NC_4_0
136
CC0_1_0
14
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1006
https://creativecommons.org/licenses/by/4.0/legalcode
143
https://creativecommons.org/publicdomain/zero/1.0/legalcode
83 [1] 65.10846318
Figure 229.3: Occurrence de Sequoiadendron giganteum 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] 2131229.1.3 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 2131 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.518896 ymin: 34.95 xmax: 39.742677 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 2,131 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 728978417 f6f1d320-d9cd-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
2 416192528 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
3 416192526 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
4 416192522 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
5 416192521 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
6 416192519 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
7 416192518 857aa892-f762-11… "" Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
8 4051830232 017f23ba-bf04-4e… "83025b34-6… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
9 4051816380 017f23ba-bf04-4e… "48345ffe-5… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
10 4051781618 017f23ba-bf04-4e… "43c7f2d2-d… Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi…
# ℹ 2,121 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …
229.2 Modélisation de la niche climatique
229.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2131, 0 (geometries, attributes)
extent : -9.518896, 39.74268, 34.95, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= segi 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 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 = segi
2131 presences, 0 true absences and 6380 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.004 Min. :-21.856 Min. :-8.873 Min. : 269.6
1st Qu.:20.664 1st Qu.: -8.496 1st Qu.: 8.373 1st Qu.: 589.5
Median :23.852 Median : -2.088 Median :13.135 Median : 715.2
Mean :24.927 Mean : -3.803 Mean :12.311 Mean : 744.4
3rd Qu.:27.958 3rd Qu.: 1.400 3rd Qu.:16.351 3rd Qu.: 897.9
Max. :45.452 Max. : 10.148 Max. :24.869 Max. :1349.4
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.372
1st Qu.: 174.0 1st Qu.: 19.591
Median : 216.0 Median : 30.258
Mean : 218.6 Mean : 33.715
3rd Qu.: 254.0 3rd Qu.: 38.583
Max. :1231.0 Max. :121.859
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 229.5: 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 : 14917, 2 (geometries, attributes)
extent : -9.854167, 46.97917, 29.02083, 70.9375 (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 229.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
229.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for segi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for segi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for segi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= segi 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 : segi_PA1
-=-=-=--=-=-=- segi_PA1_RUN1
-=-=-=- Run : segi_PA2
-=-=-=--=-=-=- segi_PA2_RUN1
-=-=-=- Run : segi_PA3
-=-=-=--=-=-=- segi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=229.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 segi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 717.0 94.018
2 segi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 701.5 94.721
3 segi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 553.0 94.663
4 segi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 567.0 94.487
5 segi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 395.0 93.490
6 segi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 398.5 93.431
specificity calibration validation evaluation
1 73.490 0.675 0.674 NA
2 72.845 0.826 0.825 NA
3 89.267 0.839 0.843 NA
4 89.560 0.960 0.962 NA
5 89.853 0.835 0.847 NA
6 90.147 0.961 0.962 NA
Figure 229.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
229.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 segi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.273331
2 segi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.030317
3 segi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.021166
4 segi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.867483
5 segi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.050268
6 segi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.074785
Figure 229.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 229.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
229.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : segi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, segi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=229.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 segi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 segi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 487.0 97.137 89.922
2 mergedAlgo TSS EMwmean ROC 483.5 97.278 89.875
calibration validation evaluation
1 0.871 NA NA
2 0.984 NA NA
Figure 229.11: 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 segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 segi_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 0.223668
2 mergedAlgo TSS EMcv temp_min 1 0.293060
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.022376
4 mergedAlgo TSS EMcv temp_season 1 0.245140
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.062825
6 mergedAlgo TSS EMcv prec_season 1 0.089217Par variable :
Figure 229.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 229.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
229.3 Projections
229.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/segi/current
sp.name : segi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/segi/segi.AllModels.models.out )
models.projected :
segi_PA1_RUN1_GAM, segi_PA1_RUN1_MARS, segi_PA1_RUN1_MAXNET, segi_PA1_RUN1_GBM, segi_PA1_RUN1_ANN, segi_PA1_RUN1_RF, segi_PA2_RUN1_GAM, segi_PA2_RUN1_MARS, segi_PA2_RUN1_MAXNET, segi_PA2_RUN1_GBM, segi_PA2_RUN1_ANN, segi_PA2_RUN1_RF, segi_PA3_RUN1_GAM, segi_PA3_RUN1_MARS, segi_PA3_RUN1_MAXNET, segi_PA3_RUN1_GBM, segi_PA3_RUN1_ANN, segi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 229.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 229.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/segi/current
sp.name : segi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/segi/segi.AllModels.ensemble.models.out )
models.projected :
segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, segi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 229.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
229.3.2 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/segi/cont_gre
sp.name : segi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/segi/segi.AllModels.models.out )
models.projected :
segi_PA1_RUN1_GAM, segi_PA1_RUN1_MARS, segi_PA1_RUN1_MAXNET, segi_PA1_RUN1_GBM, segi_PA1_RUN1_ANN, segi_PA1_RUN1_RF, segi_PA2_RUN1_GAM, segi_PA2_RUN1_MARS, segi_PA2_RUN1_MAXNET, segi_PA2_RUN1_GBM, segi_PA2_RUN1_ANN, segi_PA2_RUN1_RF, segi_PA3_RUN1_GAM, segi_PA3_RUN1_MARS, segi_PA3_RUN1_MAXNET, segi_PA3_RUN1_GBM, segi_PA3_RUN1_ANN, segi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 229.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 229.18: 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/segi/cont_gre
sp.name : segi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/segi/segi.AllModels.ensemble.models.out )
models.projected :
segi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, segi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 229.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
229.3.3 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 229.20: 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 229.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 229.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 229.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
229.4 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)
229.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 229.24: 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 229.25: 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 229.26: 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 229.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
229.4.2 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>
1 311 534.00 695 650.4999 772 848 0 2000
2 180 397.00 678 579.6690 767 851 126 2040
3 171 336.25 564 527.6483 731 843 126 2060
4 175 343.00 579 529.4332 724 835 126 2080
5 187 378.00 630 554.1659 731 826 126 2100
6 177 395.00 693 583.9589 776 849 245 2040
7 170 257.00 460 468.1411 673 823 245 2060
8 168 253.00 419 454.2366 663 821 245 2080
9 163 224.00 334 367.2159 499 764 245 2100
10 176 357.00 587 544.9239 747 847 370 2040
11 172 287.00 483 487.6344 690 826 370 2060
12 157 211.00 305 345.1635 457 773 370 2080
13 96 133.00 146 149.3133 162 301 370 2100
14 176 363.00 632 548.6998 734 821 585 2040
15 161 233.00 404 434.2192 643 796 585 2060
16 106 158.00 173 179.3575 194 389 585 2080
17 50 77.00 108 108.7236 126 265 585 2100
Figure 229.28: 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.