185 Syringa vulgaris
185.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.t9pjus
Format: SIMPLE_CSV
Download key: 0260127-230224095556074
Created: 2023-05-24T20:05:11.541+00:00
Modified: 2023-05-24T20:06:37.897+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260127-230224095556074.zip
Total records: 67211Conversion 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 67211 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -149.939012 ymin: -53.783819 xmax: 174.792853 ymax: 69.7409
Geodetic CRS: WGS 84
# A tibble: 67,211 × 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:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
6 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
7 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
8 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
9 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
10 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
# ℹ 67,201 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 67 211 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 185.1: Occurrences de Syringa vulgaris dans le monde.
185.1.1 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] 0.9171415393[1] 0.08007617801[1] 0.0007736828793
Figure 185.2: Occurrence de Syringa vulgaris dans la région d’endémisme.
185.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
40901
CC_BY_NC_4_0
4266
CC0_1_0
10397
https://creativecommons.org/licenses/by-nc/4.0/legalcode
4573
https://creativecommons.org/licenses/by/4.0/legalcode
1462
https://creativecommons.org/publicdomain/zero/1.0/legalcode
43 [1] 85.66075079
Figure 185.3: Occurrence de Syringa vulgaris 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] 52803185.1.3 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: -9.102913 ymin: 36.7169 xmax: 46.545488 ymax: 69.697251
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> <chr>
1 1 e9 8df9af24-… "urn:catalo… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
2 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
3 8 e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
4 2 e9 14d5676a-… "q-10154578… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
5 3.e9 25d4f82b-… "urn:catalo… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
6 3.e9 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
7 2 e7 857aa892-… "" Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
8 1 e9 75956ee6-… "http://cbn… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
9 3.e9 14d5676a-… "q-10182822… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
10 2 e9 14d5676a-… "q-10260876… Plantae Trach… Magn… Lami… Oleac… Syri… Syring… ""
# 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>, …
185.2 Modélisation de la niche climatique
185.2.1 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 : -9.102913, 46.54549, 36.7169, 69.69725 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= syvu 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 = syvu
24978 presences, 0 true absences and 72912 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.292 Min. :-22.180 Min. :-13.553 Min. : 202.5
1st Qu.:20.164 1st Qu.: -9.048 1st Qu.: 8.753 1st Qu.: 626.9
Median :23.252 Median : -3.568 Median : 13.215 Median : 740.2
Mean :24.745 Mean : -4.357 Mean : 12.368 Mean : 760.8
3rd Qu.:28.216 3rd Qu.: 0.928 3rd Qu.: 16.249 3rd Qu.: 901.1
Max. :45.924 Max. : 12.096 Max. : 24.869 Max. :1385.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.202
1st Qu.: 175.0 1st Qu.: 22.396
Median : 214.0 Median : 30.957
Mean : 215.8 Mean : 35.347
3rd Qu.: 248.0 3rd Qu.: 39.654
Max. :1238.0 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 185.5: 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 : 174912, 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 185.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
185.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for syvu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for syvu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for syvu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= syvu 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 : syvu_PA1
-=-=-=--=-=-=- syvu_PA1_RUN1
-=-=-=- Run : syvu_PA2
-=-=-=--=-=-=- syvu_PA2_RUN1
-=-=-=- Run : syvu_PA3
-=-=-=--=-=-=- syvu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=185.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 syvu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 727.0 88.630
2 syvu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 727.5 88.575
3 syvu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 484.0 90.617
4 syvu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 489.5 90.451
5 syvu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 427.0 87.924
6 syvu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 425.5 87.999
specificity calibration validation evaluation
1 71.990 0.606 0.606 NA
2 72.055 0.814 0.818 NA
3 80.780 0.714 0.715 NA
4 81.000 0.915 0.917 NA
5 83.335 0.712 0.721 NA
6 83.265 0.912 0.914 NA
Figure 185.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
185.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 syvu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.220312
2 syvu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.080997
3 syvu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.013261
4 syvu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.516653
5 syvu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.043948
6 syvu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.306293
Figure 185.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 185.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
185.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : syvu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, syvu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=185.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 syvu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 syvu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 626.0 95.380 94.26
2 mergedAlgo TSS EMwmean ROC 621.5 95.492 94.17
calibration validation evaluation
1 0.896 NA NA
2 0.991 NA NA
Figure 185.11: 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 syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 syvu_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 0.621529
2 mergedAlgo TSS EMcv temp_min 1 0.605509
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.440445
4 mergedAlgo TSS EMcv temp_season 1 0.571575
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.444563
6 mergedAlgo TSS EMcv prec_season 1 0.534824Par variable :
Figure 185.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 185.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
185.3 Projections
185.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/syvu/current
sp.name : syvu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/syvu/syvu.AllModels.models.out )
models.projected :
syvu_PA1_RUN1_GAM, syvu_PA1_RUN1_MARS, syvu_PA1_RUN1_MAXNET, syvu_PA1_RUN1_GBM, syvu_PA1_RUN1_ANN, syvu_PA1_RUN1_RF, syvu_PA2_RUN1_GAM, syvu_PA2_RUN1_MARS, syvu_PA2_RUN1_MAXNET, syvu_PA2_RUN1_GBM, syvu_PA2_RUN1_ANN, syvu_PA2_RUN1_RF, syvu_PA3_RUN1_GAM, syvu_PA3_RUN1_MARS, syvu_PA3_RUN1_MAXNET, syvu_PA3_RUN1_GBM, syvu_PA3_RUN1_ANN, syvu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 185.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 185.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/syvu/current
sp.name : syvu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/syvu/syvu.AllModels.ensemble.models.out )
models.projected :
syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, syvu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 185.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
185.3.2 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/syvu/cont_gre
sp.name : syvu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/syvu/syvu.AllModels.models.out )
models.projected :
syvu_PA1_RUN1_GAM, syvu_PA1_RUN1_MARS, syvu_PA1_RUN1_MAXNET, syvu_PA1_RUN1_GBM, syvu_PA1_RUN1_ANN, syvu_PA1_RUN1_RF, syvu_PA2_RUN1_GAM, syvu_PA2_RUN1_MARS, syvu_PA2_RUN1_MAXNET, syvu_PA2_RUN1_GBM, syvu_PA2_RUN1_ANN, syvu_PA2_RUN1_RF, syvu_PA3_RUN1_GAM, syvu_PA3_RUN1_MARS, syvu_PA3_RUN1_MAXNET, syvu_PA3_RUN1_GBM, syvu_PA3_RUN1_ANN, syvu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 185.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 185.18: 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/syvu/cont_gre
sp.name : syvu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/syvu/syvu.AllModels.ensemble.models.out )
models.projected :
syvu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, syvu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 185.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
185.3.3 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 185.20: 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 185.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 185.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 185.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
185.4 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)
185.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 185.24: 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 185.25: 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 185.26: 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 185.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
185.4.2 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>
1 316 629 741 725.8195 810 995 0 2000
2 323 534 652 644.7656 747 981 126 2040
3 315 498 579 593.5133 681 909 126 2060
4 285 499 599 591.6866 680 860 126 2080
5 313 491 575 583.2659 669 868 126 2100
6 347 540 653 648.3137 747 935 245 2040
7 295 457 531 552.6870 637 850 245 2060
8 318 462 569 562.9584 655 818 245 2080
9 279 429 489 506.3129 593 783 245 2100
10 299 504 618 620.3449 723 957 370 2040
11 301 459 539 559.8413 653 862 370 2060
12 273 416 494 508.3939 597 807 370 2080
13 223 369 391 399.1268 442 617 370 2100
14 274 511 608 605.1953 691 901 585 2040
15 299 446 511 527.7095 604 789 585 2060
16 191 387 414 424.9396 473 634 585 2080
17 215 335 409 412.3241 498 653 585 2100
Figure 185.28: 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.