179 Sequoia sempervirens
179.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.fy8uz5
Format: SIMPLE_CSV
Download key: 0260102-230224095556074
Created: 2023-05-24T19:49:11.167+00:00
Modified: 2023-05-24T19:50:01.581+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260102-230224095556074.zip
Total records: 6983Conversion 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 6983 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.285856 ymin: -44.237961 xmax: 176.268551 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 6,983 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
# ℹ 6,973 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 6 983 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 179.1: Occurrences de Sequoia sempervirens dans le monde.
179.1.1 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] 0.2140913647[1] 0.7787483889[1] 0.002148073894
Figure 179.2: Occurrence de Sequoia sempervirens dans la région d’endémisme.
179.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
646 4557 235 [1] 16.20080912
Figure 179.3: Occurrence de Sequoia sempervirens 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] 881179.1.3 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 881 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.26 ymin: 14.810278 xmax: -73.746651 ymax: 53.516667
Geodetic CRS: WGS 84
# A tibble: 881 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
3 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
4 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
6 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
8 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
9 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Pino… Pina… Cupre… Sequ… Sequoi… NA
# ℹ 871 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>, …
179.2 Modélisation de la niche climatique
179.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 881, 0 (geometries, attributes)
extent : -124.26, -73.74665, 14.81028, 53.51667 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= sese 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 = sese
881 presences, 0 true absences and 2640 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :12.49 Min. :-30.500 Min. :-10.126 Min. : 56.4
1st Qu.:22.97 1st Qu.:-14.147 1st Qu.: 9.471 1st Qu.: 411.5
Median :26.57 Median : -4.392 Median : 13.591 Median : 788.2
Mean :26.83 Mean : -5.753 Mean : 14.008 Mean : 757.0
3rd Qu.:30.72 3rd Qu.: 3.564 3rd Qu.: 19.459 3rd Qu.:1017.8
Max. :42.24 Max. : 22.204 Max. : 33.178 Max. :1459.0
prec_wet_quart prec_season
Min. : 24.0 Min. : 6.322
1st Qu.: 224.0 1st Qu.: 27.826
Median : 314.0 Median : 54.030
Mean : 359.4 Mean : 55.695
3rd Qu.: 440.0 3rd Qu.: 87.275
Max. :1676.0 Max. :127.046
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 179.5: 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 : 6167, 2 (geometries, attributes)
extent : -129.6875, -53.72917, 13.0625, 54.97917 (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 179.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
179.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for sese_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for sese_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for sese_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= sese 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 : sese_PA1
-=-=-=--=-=-=- sese_PA1_RUN1
-=-=-=- Run : sese_PA2
-=-=-=--=-=-=- sese_PA2_RUN1
-=-=-=- Run : sese_PA3
-=-=-=--=-=-=- sese_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=179.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 sese_PA1_RUN1_GAM PA1 RUN1 GAM TSS 985.0 100.000
2 sese_PA1_RUN1_GAM PA1 RUN1 GAM ROC 999.5 100.000
3 sese_PA1_RUN1_MARS PA1 RUN1 MARS TSS 707.0 96.454
4 sese_PA1_RUN1_MARS PA1 RUN1 MARS ROC 612.5 97.305
5 sese_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 337.0 98.156
6 sese_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 334.0 98.156
specificity calibration validation evaluation
1 74.752 0.748 0.705 NA
2 74.894 0.874 0.854 NA
3 98.723 0.952 0.949 NA
4 97.872 0.996 0.995 NA
5 97.163 0.953 0.955 NA
6 97.163 0.995 0.995 NA
Figure 179.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
179.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 sese_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.337036
2 sese_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 1.000000
3 sese_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.218816
4 sese_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.232993
5 sese_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.111653
6 sese_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.514956
Figure 179.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 179.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
179.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : sese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=179.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 sese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 482.0 98.638 98.485
2 mergedAlgo TSS EMwmean ROC 484.5 98.638 98.523
calibration validation evaluation
1 0.971 NA NA
2 0.998 NA NA
Figure 179.11: 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 sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 sese_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 0.188581
2 mergedAlgo TSS EMcv temp_min 1 0.458869
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.410708
4 mergedAlgo TSS EMcv temp_season 1 0.228459
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.141648
6 mergedAlgo TSS EMcv prec_season 1 0.280830Par variable :
Figure 179.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 179.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
179.3 Projections
179.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sese/current
sp.name : sese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sese/sese.AllModels.models.out )
models.projected :
sese_PA1_RUN1_GAM, sese_PA1_RUN1_MARS, sese_PA1_RUN1_MAXNET, sese_PA1_RUN1_GBM, sese_PA1_RUN1_ANN, sese_PA1_RUN1_RF, sese_PA2_RUN1_GAM, sese_PA2_RUN1_MARS, sese_PA2_RUN1_MAXNET, sese_PA2_RUN1_GBM, sese_PA2_RUN1_ANN, sese_PA2_RUN1_RF, sese_PA3_RUN1_GAM, sese_PA3_RUN1_MARS, sese_PA3_RUN1_MAXNET, sese_PA3_RUN1_GBM, sese_PA3_RUN1_ANN, sese_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 179.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 179.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sese/current
sp.name : sese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sese/sese.AllModels.ensemble.models.out )
models.projected :
sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 179.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
179.3.2 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/sese/cont_gre
sp.name : sese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sese/sese.AllModels.models.out )
models.projected :
sese_PA1_RUN1_GAM, sese_PA1_RUN1_MARS, sese_PA1_RUN1_MAXNET, sese_PA1_RUN1_GBM, sese_PA1_RUN1_ANN, sese_PA1_RUN1_RF, sese_PA2_RUN1_GAM, sese_PA2_RUN1_MARS, sese_PA2_RUN1_MAXNET, sese_PA2_RUN1_GBM, sese_PA2_RUN1_ANN, sese_PA2_RUN1_RF, sese_PA3_RUN1_GAM, sese_PA3_RUN1_MARS, sese_PA3_RUN1_MAXNET, sese_PA3_RUN1_GBM, sese_PA3_RUN1_ANN, sese_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 179.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 179.18: 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/sese/cont_gre
sp.name : sese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sese/sese.AllModels.ensemble.models.out )
models.projected :
sese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 179.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
179.3.3 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 179.20: 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 179.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 179.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 179.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
179.4 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)
179.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 179.24: 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 179.25: 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 179.26: 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 179.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
179.4.2 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 32 49 71 67.99363 81 151 0 2000
2 36 48 82 79.11451 99 191 126 2040
3 39 62 102 103.09170 137 240 126 2060
4 41 60 93 92.48690 116 237 126 2080
5 43 65 113 113.55762 154 237 126 2100
6 37 51 87 85.17314 107 199 245 2040
7 39 58 92 93.15724 119 229 245 2060
8 42 61 102 105.18420 143 231 245 2080
9 46 65 114 127.80960 187 279 245 2100
10 35 46 80 77.12881 97 185 370 2040
11 42 63 114 113.87399 156 244 370 2060
12 47 64 104 122.14621 179 280 370 2080
13 52 76 117 139.11475 204 299 370 2100
14 37 51 87 84.33527 106 197 585 2040
15 44 64 123 123.03329 172 273 585 2060
16 50 72 100 123.30267 166 288 585 2080
17 67 85 119 141.25507 194 313 585 2100
Figure 179.28: 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.