230 Tamarix africana
230.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.kbrpxg
Format: SIMPLE_CSV
Download key: 0260984-230224095556074
Created: 2023-05-25T13:11:05.542+00:00
Modified: 2023-05-25T13:12:14.536+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260984-230224095556074.zip
Total records: 3941Conversion 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 3941 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -80.913607 ymin: -34.138167 xmax: 36.820221 ymax: 52.443671
Geodetic CRS: WGS 84
# A tibble: 3,941 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 910489882 837acfc2-f762-11e… HSS:HSS:531… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
2 910489641 837acfc2-f762-11e… HSS:HSS:524… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
3 910487444 837acfc2-f762-11e… HSS:HSS:565… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
4 910482892 837acfc2-f762-11e… HSS:HSS:502… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
5 910479401 837acfc2-f762-11e… HSS:HSS:356… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
6 910475519 837acfc2-f762-11e… HSS:HSS:317… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
7 910475496 837acfc2-f762-11e… HSS:HSS:317… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
8 910464845 837acfc2-f762-11e… HSS:HSS:199… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
9 910450623 962cceea-f762-11e… MGC:MGC-Cor… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
10 910450619 962cceea-f762-11e… MGC:MGC-Cor… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
# ℹ 3,931 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …Il y a 3 941 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 230.1: Occurrences de Tamarix africana dans le monde.
230.1.1 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] 0.8447094646[1] 0.0002537427049[1] 0
Figure 230.2: Occurrence de Tamarix africana dans la région d’endémisme.
230.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
2714
CC_BY_NC_4_0
597
https://creativecommons.org/licenses/by-nc/4.0/legalcode
18 [1] 81.52598378
Figure 230.3: Occurrence de Tamarix africana 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] 2714230.1.3 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 2714 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -10.05515 ymin: 29.170683 xmax: 36.820221 ymax: 52.141695
Geodetic CRS: WGS 84
# A tibble: 2,714 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 4089644763 7f5260c2-f762-11… https://w.j… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
2 4067191458 50c9509d-22c7-4a… https://www… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
3 4062054641 e053ff53-c156-4e… urn:catalog… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
4 4051152498 017f23ba-bf04-4e… 11e8bdfd-56… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
5 4050743323 017f23ba-bf04-4e… 6da7b425-ec… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
6 4039001373 040c5662-da76-47… http://bins… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
7 4038999377 040c5662-da76-47… http://bins… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
8 4038988374 040c5662-da76-47… http://bins… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
9 4038698367 040c5662-da76-47… http://bins… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
10 4038692378 040c5662-da76-47… http://bins… Plantae Trach… Magn… Cary… Tamar… Tama… Tamari…
# ℹ 2,704 more rows
# ℹ 41 more variables: infraspecificEpithet <chr>, 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>, …
230.2 Modélisation de la niche climatique
230.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 2714, 0 (geometries, attributes)
extent : -10.05515, 36.82022, 29.17068, 52.14169 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= taaf 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 = taaf
2544 presences, 0 true absences and 8124 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.404 Min. :-21.940 Min. :-9.433 Min. : 225.5
1st Qu.:20.876 1st Qu.: -8.724 1st Qu.:10.712 1st Qu.: 560.2
Median :26.861 Median : -0.874 Median :13.617 Median : 715.4
Mean :26.136 Mean : -2.478 Mean :12.811 Mean : 738.7
3rd Qu.:29.744 3rd Qu.: 4.936 3rd Qu.:15.634 3rd Qu.: 899.1
Max. :46.104 Max. : 11.547 Max. :25.169 Max. :1367.3
prec_wet_quart prec_season
Min. : 6.0 Min. : 7.319
1st Qu.: 176.0 1st Qu.: 29.040
Median : 215.0 Median : 36.129
Mean : 218.4 Mean : 41.082
3rd Qu.: 261.0 3rd Qu.: 48.753
Max. :1148.0 Max. :120.948
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 230.5: 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 : 18318, 2 (geometries, attributes)
extent : -10.47917, 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 230.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
230.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for taaf_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for taaf_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for taaf_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= taaf 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 : taaf_PA1
-=-=-=--=-=-=- taaf_PA1_RUN1
-=-=-=- Run : taaf_PA2
-=-=-=--=-=-=- taaf_PA2_RUN1
-=-=-=- Run : taaf_PA3
-=-=-=--=-=-=- taaf_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=230.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 taaf_PA1_RUN1_GAM PA1 RUN1 GAM TSS 980.0 99.361
2 taaf_PA1_RUN1_GAM PA1 RUN1 GAM ROC 978.5 99.361
3 taaf_PA1_RUN1_MARS PA1 RUN1 MARS TSS 646.0 96.020
4 taaf_PA1_RUN1_MARS PA1 RUN1 MARS ROC 639.0 96.118
5 taaf_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 283.0 97.690
6 taaf_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 303.5 97.297
specificity calibration validation evaluation
1 74.988 0.743 0.723 NA
2 74.988 0.873 0.864 NA
3 97.374 0.934 0.934 NA
4 97.282 0.995 0.994 NA
5 95.532 0.932 0.938 NA
6 95.947 0.994 0.995 NA
Figure 230.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
230.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 taaf_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.007233
2 taaf_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.672262
3 taaf_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.000727
4 taaf_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.097815
5 taaf_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.068248
6 taaf_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.072296
Figure 230.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 230.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
230.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : taaf
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taaf_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=230.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 taaf_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taaf_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 425.0 97.602 97.095
2 mergedAlgo TSS EMwmean ROC 423.5 97.642 97.095
calibration validation evaluation
1 0.947 NA NA
2 0.998 NA NA
Figure 230.11: 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 taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 taaf_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 0.231309
2 mergedAlgo TSS EMcv temp_min 1 0.442210
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.090425
4 mergedAlgo TSS EMcv temp_season 1 0.233528
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.118761
6 mergedAlgo TSS EMcv prec_season 1 0.109089Par variable :
Figure 230.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 230.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
230.3 Projections
230.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taaf/current
sp.name : taaf
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taaf/taaf.AllModels.models.out )
models.projected :
taaf_PA1_RUN1_GAM, taaf_PA1_RUN1_MARS, taaf_PA1_RUN1_MAXNET, taaf_PA1_RUN1_GBM, taaf_PA1_RUN1_ANN, taaf_PA1_RUN1_RF, taaf_PA2_RUN1_GAM, taaf_PA2_RUN1_MARS, taaf_PA2_RUN1_MAXNET, taaf_PA2_RUN1_GBM, taaf_PA2_RUN1_ANN, taaf_PA2_RUN1_RF, taaf_PA3_RUN1_GAM, taaf_PA3_RUN1_MARS, taaf_PA3_RUN1_MAXNET, taaf_PA3_RUN1_GBM, taaf_PA3_RUN1_ANN, taaf_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 230.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 230.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taaf/current
sp.name : taaf
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taaf/taaf.AllModels.ensemble.models.out )
models.projected :
taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taaf_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 230.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
230.3.2 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/taaf/cont_gre
sp.name : taaf
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taaf/taaf.AllModels.models.out )
models.projected :
taaf_PA1_RUN1_GAM, taaf_PA1_RUN1_MARS, taaf_PA1_RUN1_MAXNET, taaf_PA1_RUN1_GBM, taaf_PA1_RUN1_ANN, taaf_PA1_RUN1_RF, taaf_PA2_RUN1_GAM, taaf_PA2_RUN1_MARS, taaf_PA2_RUN1_MAXNET, taaf_PA2_RUN1_GBM, taaf_PA2_RUN1_ANN, taaf_PA2_RUN1_RF, taaf_PA3_RUN1_GAM, taaf_PA3_RUN1_MARS, taaf_PA3_RUN1_MAXNET, taaf_PA3_RUN1_GBM, taaf_PA3_RUN1_ANN, taaf_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 230.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 230.18: 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/taaf/cont_gre
sp.name : taaf
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taaf/taaf.AllModels.ensemble.models.out )
models.projected :
taaf_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taaf_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 230.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
230.3.3 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 230.20: 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 230.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 230.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 230.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
230.4 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)
230.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 230.24: 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 230.25: 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 230.26: 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 230.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
230.4.2 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 16 20 23 41.54831 59 176 0 2000
2 18 30 55 86.23442 146 251 126 2040
3 19 40 118 128.20364 205 403 126 2060
4 19 43 116 125.33333 193 392 126 2080
5 19 44 148 153.66484 237 465 126 2100
6 18 35 73 97.10543 160 292 245 2040
7 19 51 143 139.36052 217 387 245 2060
8 23 136 274 248.30803 357 517 245 2080
9 26 178 353 301.17631 411 535 245 2100
10 17 29 51 77.56461 128 223 370 2040
11 20 69 196 185.60206 278 466 370 2060
12 30 265 390 338.27565 432 586 370 2080
13 106 351 426 397.83788 491 654 370 2100
14 18 33 67 94.46469 158 271 585 2040
15 21 136 285 255.18799 369 510 585 2060
16 59 321 390 354.85716 426 589 585 2080
17 94 370 397 392.58356 446 596 585 2100
Figure 230.28: 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.