184 Styrax japonicus
184.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.pz5e5w
Format: SIMPLE_CSV
Download key: 0260125-230224095556074
Created: 2023-05-24T20:04:08.770+00:00
Modified: 2023-05-24T20:04:59.389+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260125-230224095556074.zip
Total records: 3143Conversion 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 2720 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.233333 ymin: 22.05 xmax: 141.54353 ymax: 52.538074
Geodetic CRS: WGS 84
# A tibble: 2,720 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
2 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
# ℹ 2,710 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 <lgl>,
# 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 2 720 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 184.1: Occurrences de Styrax japonicus dans le monde.
184.1.1 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] 0.0007352941176[1] 0.06764705882[1] 0.9316176471
Figure 184.2: Occurrence de Styrax japonicus dans la région d’endémisme.
184.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1233 1270 31 [1] 49.8816101
Figure 184.3: Occurrence de Styrax japonicus 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] 1264184.1.3 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 1264 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 97.7471 ymin: 22.05 xmax: 141.54353 ymax: 41.7325
Geodetic CRS: WGS 84
# A tibble: 1,264 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 7e8 86185376-… 7b5b488a-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
2 7e8 86185376-… 7b502dec-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
3 7e8 86185376-… 7b4b9110-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
4 7e8 86185376-… 7aac50e6-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
5 7e8 86185376-… 7746343a-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
6 7e8 86185376-… 771da880-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
7 7e8 86185376-… 75e26064-f8… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
8 6e8 80fc4302-… eaa3ab06-f1… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
9 6e8 80fc4302-… eaa38040-f1… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
10 6e8 80fc4302-… eaa35c1e-f1… Plantae Trach… Magn… Eric… Styra… Styr… Styrax… ""
# ℹ 1,254 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
184.2 Modélisation de la niche climatique
184.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1264, 0 (geometries, attributes)
extent : 97.7471, 141.5435, 22.05, 41.7325 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= stjp 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 = stjp
1257 presences, 0 true absences and 3788 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.532 Min. :-42.012 Min. :-18.16 Min. : 28.25
1st Qu.:22.560 1st Qu.:-21.700 1st Qu.: 15.79 1st Qu.: 729.31
Median :27.564 Median : -5.816 Median : 20.88 Median : 858.42
Mean :25.865 Mean : -8.901 Mean : 19.29 Mean : 935.47
3rd Qu.:29.996 3rd Qu.: 1.068 3rd Qu.: 23.65 3rd Qu.:1283.08
Max. :39.880 Max. : 23.610 Max. : 34.78 Max. :1892.96
prec_wet_quart prec_season
Min. : 10.0 Min. : 8.436
1st Qu.: 203.0 1st Qu.: 47.992
Median : 417.0 Median : 77.063
Mean : 474.2 Mean : 76.059
3rd Qu.: 658.0 3rd Qu.:101.349
Max. :4532.0 Max. :167.042
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 184.5: 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 : 8820, 2 (geometries, attributes)
extent : 68.02083, 147.9792, 3.020833, 56.97917 (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 184.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
184.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for stjp_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for stjp_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for stjp_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= stjp 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 : stjp_PA1
-=-=-=--=-=-=- stjp_PA1_RUN1
-=-=-=- Run : stjp_PA2
-=-=-=--=-=-=- stjp_PA2_RUN1
-=-=-=- Run : stjp_PA3
-=-=-=--=-=-=- stjp_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=184.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 stjp_PA1_RUN1_GAM PA1 RUN1 GAM TSS 662.0 99.602
2 stjp_PA1_RUN1_GAM PA1 RUN1 GAM ROC 599.0 99.801
3 stjp_PA1_RUN1_MARS PA1 RUN1 MARS TSS 419.0 98.310
4 stjp_PA1_RUN1_MARS PA1 RUN1 MARS ROC 421.5 98.310
5 stjp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 279.0 98.608
6 stjp_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 279.0 98.608
specificity calibration validation evaluation
1 68.546 0.681 0.644 NA
2 68.348 0.770 0.745 NA
3 95.351 0.937 0.968 NA
4 95.351 0.993 0.997 NA
5 93.769 0.924 0.937 NA
6 93.769 0.989 0.993 NA
Figure 184.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
184.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 stjp_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.202544
2 stjp_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.127576
3 stjp_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.066886
4 stjp_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.688983
5 stjp_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.186126
6 stjp_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.257777
Figure 184.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 184.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
184.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : stjp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, stjp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=184.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 stjp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 stjp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 589 98.568 97.175
2 mergedAlgo TSS EMwmean ROC 594 98.568 97.281
calibration validation evaluation
1 0.958 NA NA
2 0.997 NA NA
Figure 184.11: 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 stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 stjp_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 0.164079
2 mergedAlgo TSS EMcv temp_min 1 0.414619
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.114753
4 mergedAlgo TSS EMcv temp_season 1 0.318952
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.355141
6 mergedAlgo TSS EMcv prec_season 1 0.232029Par variable :
Figure 184.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 184.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
184.3 Projections
184.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/stjp/current
sp.name : stjp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/stjp/stjp.AllModels.models.out )
models.projected :
stjp_PA1_RUN1_GAM, stjp_PA1_RUN1_MARS, stjp_PA1_RUN1_MAXNET, stjp_PA1_RUN1_GBM, stjp_PA1_RUN1_ANN, stjp_PA1_RUN1_RF, stjp_PA2_RUN1_GAM, stjp_PA2_RUN1_MARS, stjp_PA2_RUN1_MAXNET, stjp_PA2_RUN1_GBM, stjp_PA2_RUN1_ANN, stjp_PA2_RUN1_RF, stjp_PA3_RUN1_GAM, stjp_PA3_RUN1_MARS, stjp_PA3_RUN1_MAXNET, stjp_PA3_RUN1_GBM, stjp_PA3_RUN1_ANN, stjp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 184.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 184.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/stjp/current
sp.name : stjp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/stjp/stjp.AllModels.ensemble.models.out )
models.projected :
stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, stjp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 184.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
184.3.2 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/stjp/cont_gre
sp.name : stjp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/stjp/stjp.AllModels.models.out )
models.projected :
stjp_PA1_RUN1_GAM, stjp_PA1_RUN1_MARS, stjp_PA1_RUN1_MAXNET, stjp_PA1_RUN1_GBM, stjp_PA1_RUN1_ANN, stjp_PA1_RUN1_RF, stjp_PA2_RUN1_GAM, stjp_PA2_RUN1_MARS, stjp_PA2_RUN1_MAXNET, stjp_PA2_RUN1_GBM, stjp_PA2_RUN1_ANN, stjp_PA2_RUN1_RF, stjp_PA3_RUN1_GAM, stjp_PA3_RUN1_MARS, stjp_PA3_RUN1_MAXNET, stjp_PA3_RUN1_GBM, stjp_PA3_RUN1_ANN, stjp_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 184.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 184.18: 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/stjp/cont_gre
sp.name : stjp
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/stjp/stjp.AllModels.ensemble.models.out )
models.projected :
stjp_EMcvByTSS_mergedData_mergedRun_mergedAlgo, stjp_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 184.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
184.3.3 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 184.20: 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 184.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 184.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 184.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
184.4 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)
184.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 184.24: 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 184.25: 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 184.26: 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 184.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
184.4.2 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>
1 205 294 336 350.4602 399 645 0 2000
2 142 287 313 334.4153 379 612 126 2040
3 135 259 298 305.6320 345 601 126 2060
4 140 282 308 334.3536 374 641 126 2080
5 137 260 300 315.3845 353 634 126 2100
6 139 286 314 337.0208 380 612 245 2040
7 141 282 304 327.5698 364 619 245 2060
8 142 270 299 311.0407 343 600 245 2080
9 141 244 292 282.7763 302 585 245 2100
10 144 292 316 337.8924 381 613 370 2040
11 136 257 298 303.9581 337 606 370 2060
12 140 235 279 266.0486 298 513 370 2080
13 80 157 188 210.4572 260 462 370 2100
14 139 283 311 336.2352 380 637 585 2040
15 140 252 297 299.4358 326 606 585 2060
16 92 177 259 249.7675 299 482 585 2080
17 64 117 147 155.3671 184 327 585 2100
Figure 184.28: 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.