91 Sinomalus sieboldii
91.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.nb5xq9
Format: SIMPLE_CSV
Download key: 0252261-230224095556074
Created: 2023-05-20T13:08:51.271+00:00
Modified: 2023-05-20T13:09:33.429+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252261-230224095556074.zip
Total records: 1996Conversion 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 1996 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.374292 ymin: -34.555722 xmax: 151.15622 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,996 × 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:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
2 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
3 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
5 9e8 30bc94f2-… "urn:catalo… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
6 9e8 30bc94f2-… "urn:catalo… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
7 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
8 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
9 8e5 aab0cf80-… "LD:General… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… "sargentii"
10 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
# ℹ 1,986 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 996 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 91.1: Occurrences de Sinomalus sieboldii dans le monde.
91.1.1 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] 0.6317635271[1] 0.1097194389[1] 0.25501002
Figure 91.2: Occurrence de Sinomalus sieboldii dans la région d’endémisme.
91.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
927
CC_BY_NC_4_0
62
CC0_1_0
224
https://creativecommons.org/licenses/by-nc/4.0/legalcode
30
https://creativecommons.org/licenses/by/4.0/legalcode
3
https://creativecommons.org/publicdomain/zero/1.0/legalcode
15 [1] 92.70420301
Figure 91.3: Occurrence de Sinomalus sieboldii 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] 116991.1.3 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 1169 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -4.406901 ymin: 47.749 xmax: 37.4285 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,169 × 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:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
2 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
3 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
4 9e8 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
5 9e8 30bc94f2-… "urn:catalo… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
6 9e8 30bc94f2-… "urn:catalo… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
7 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
8 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
9 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
10 8e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Rosa… Rosac… Sino… Sinoma… ""
# ℹ 1,159 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
91.2 Modélisation de la niche climatique
91.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1169, 0 (geometries, attributes)
extent : -4.406901, 37.4285, 47.749, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= sisi 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 = sisi
1168 presences, 0 true absences and 3501 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.244 Min. :-21.580 Min. :-9.294 Min. : 205.1
1st Qu.:19.928 1st Qu.: -8.486 1st Qu.: 8.659 1st Qu.: 600.1
Median :21.480 Median : -3.272 Median :12.034 Median : 725.4
Mean :24.171 Mean : -4.403 Mean :11.893 Mean : 753.6
3rd Qu.:28.172 3rd Qu.: -0.132 3rd Qu.:15.701 3rd Qu.: 896.4
Max. :45.488 Max. : 11.700 Max. :25.766 Max. :1281.8
prec_wet_quart prec_season
Min. : 5.0 Min. : 8.443
1st Qu.: 178.0 1st Qu.: 24.073
Median : 218.0 Median : 30.779
Mean : 218.2 Mean : 36.200
3rd Qu.: 260.0 3rd Qu.: 39.232
Max. :1070.0 Max. :121.780
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 91.5: 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 : 8179, 2 (geometries, attributes)
extent : -9.770833, 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 91.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
91.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for sisi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for sisi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for sisi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= sisi 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 : sisi_PA1
-=-=-=--=-=-=- sisi_PA1_RUN1
-=-=-=- Run : sisi_PA2
-=-=-=--=-=-=- sisi_PA2_RUN1
-=-=-=- Run : sisi_PA3
-=-=-=--=-=-=- sisi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=91.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 sisi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 667.0 95.610
2 sisi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 673.0 95.610
3 sisi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 545.0 95.396
4 sisi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 544.5 95.396
5 sisi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 317.0 96.574
6 sisi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 320.0 96.574
specificity calibration validation evaluation
1 95.615 0.912 0.876 NA
2 95.722 0.988 0.981 NA
3 95.187 0.905 0.889 NA
4 95.187 0.987 0.987 NA
5 93.583 0.903 0.889 NA
6 93.904 0.985 0.983 NA
Figure 91.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
91.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 sisi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.201744
2 sisi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.468968
3 sisi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.237349
4 sisi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.010746
5 sisi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.131214
6 sisi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.115014
Figure 91.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 91.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
91.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : sisi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sisi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=91.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 sisi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sisi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 451 96.918 95.230
2 mergedAlgo TSS EMwmean ROC 452 96.918 95.287
calibration validation evaluation
1 0.922 NA NA
2 0.993 NA NA
Figure 91.11: 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 sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 sisi_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 0.487329
2 mergedAlgo TSS EMcv temp_min 1 0.241199
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.122065
4 mergedAlgo TSS EMcv temp_season 1 0.116268
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.074465
6 mergedAlgo TSS EMcv prec_season 1 0.090091Par variable :
Figure 91.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 91.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
91.3 Projections
91.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sisi/current
sp.name : sisi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sisi/sisi.AllModels.models.out )
models.projected :
sisi_PA1_RUN1_GAM, sisi_PA1_RUN1_MARS, sisi_PA1_RUN1_MAXNET, sisi_PA1_RUN1_GBM, sisi_PA1_RUN1_ANN, sisi_PA1_RUN1_RF, sisi_PA2_RUN1_GAM, sisi_PA2_RUN1_MARS, sisi_PA2_RUN1_MAXNET, sisi_PA2_RUN1_GBM, sisi_PA2_RUN1_ANN, sisi_PA2_RUN1_RF, sisi_PA3_RUN1_GAM, sisi_PA3_RUN1_MARS, sisi_PA3_RUN1_MAXNET, sisi_PA3_RUN1_GBM, sisi_PA3_RUN1_ANN, sisi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 91.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 91.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/sisi/current
sp.name : sisi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sisi/sisi.AllModels.ensemble.models.out )
models.projected :
sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sisi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 91.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
91.3.2 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/sisi/cont_gre
sp.name : sisi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sisi/sisi.AllModels.models.out )
models.projected :
sisi_PA1_RUN1_GAM, sisi_PA1_RUN1_MARS, sisi_PA1_RUN1_MAXNET, sisi_PA1_RUN1_GBM, sisi_PA1_RUN1_ANN, sisi_PA1_RUN1_RF, sisi_PA2_RUN1_GAM, sisi_PA2_RUN1_MARS, sisi_PA2_RUN1_MAXNET, sisi_PA2_RUN1_GBM, sisi_PA2_RUN1_ANN, sisi_PA2_RUN1_RF, sisi_PA3_RUN1_GAM, sisi_PA3_RUN1_MARS, sisi_PA3_RUN1_MAXNET, sisi_PA3_RUN1_GBM, sisi_PA3_RUN1_ANN, sisi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 91.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 91.18: 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/sisi/cont_gre
sp.name : sisi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/sisi/sisi.AllModels.ensemble.models.out )
models.projected :
sisi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, sisi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 91.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
91.3.3 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 91.20: 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 91.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 91.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 91.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
91.4 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)
91.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 91.24: 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 91.25: 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 91.26: 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 91.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
91.4.2 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 30 88 247 278.71619 418 841 0 2000
2 18 38 99 127.10432 191 631 126 2040
3 20 33 65 91.76319 131 574 126 2060
4 17 28 52 74.42846 108 586 126 2080
5 22 35 57 79.58224 110 561 126 2100
6 19 37 88 113.80302 172 588 245 2040
7 18 31 46 65.23119 89 520 245 2060
8 19 31 38 46.24743 54 306 245 2080
9 18 32 35 37.39470 40 230 245 2100
10 20 40 102 127.88121 190 631 370 2040
11 21 33 47 64.66383 85 495 370 2060
12 23 33 36 39.09896 42 172 370 2080
13 15 20 22 22.31165 24 48 370 2100
14 17 29 75 103.12841 156 625 585 2040
15 18 30 37 46.71966 56 339 585 2060
16 15 21 23 23.58798 26 56 585 2080
17 15 17 20 19.70918 22 28 585 2100
Figure 91.28: 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.