50 Tilia cordata
50.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.zy47re
Format: SIMPLE_CSV
Download key: 0232238-230224095556074
Created: 2023-05-11T08:36:45.695+00:00
Modified: 2023-05-11T08:42:56.215+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0232238-230224095556074.zip
Total records: 181826Conversion 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 99910 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.203333 ymin: -43.644316 xmax: 172.579588 ymax: 67.71242
Geodetic CRS: WGS 84
# A tibble: 99,910 × 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 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
3 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
7 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
9 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
10 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
# ℹ 99,900 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 99 910 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 50.1: Occurrences de Tilia cordata dans le monde.
50.1.1 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] 0.9722250025[1] 0.004454008608[1] 0.0022219998
Figure 50.2: Occurrence de Tilia cordata dans la région d’endémisme.
50.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
58026 8184 30925 [1] 91.57461265
Figure 50.3: Occurrence de Tilia cordata 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] 8895150.1.3 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: -9.057763 ymin: 37.17384 xmax: 46.94427 ymax: 65.6295
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 2 e9 dd238f50-… ba525a5e-b3… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
2 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
3 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
4 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
5 3.e9 e6a27867-… 16697 Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
6 8 e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
7 1.e9 8ea4250e-… http://id.s… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
8 3.e9 7a3679ef-… o-1007228077 Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
9 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
10 2 e9 b124e1e0-… urn:uuid:e7… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
# 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>, …
50.2 Modélisation de la niche climatique
50.2.1 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 : -9.057763, 46.94427, 37.17384, 65.6295 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= tico 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 = tico
24993 presences, 0 true absences and 72904 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. : 199.4
1st Qu.:19.978 1st Qu.: -9.448 1st Qu.: 8.921 1st Qu.: 641.4
Median :22.992 Median : -4.296 Median : 13.512 Median : 742.9
Mean :24.494 Mean : -4.735 Mean : 12.441 Mean : 768.3
3rd Qu.:27.900 3rd Qu.: 0.532 3rd Qu.: 16.202 3rd Qu.: 905.7
Max. :45.660 Max. : 11.696 Max. : 26.293 Max. :1393.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.688
1st Qu.: 175.0 1st Qu.: 22.465
Median : 214.0 Median : 30.869
Mean : 217.8 Mean : 35.203
3rd Qu.: 248.0 3rd Qu.: 39.159
Max. :1261.0 Max. :123.656
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 50.5: 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 : 174972, 2 (geometries, attributes)
extent : -10.4375, 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 50.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
50.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for tico_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for tico_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for tico_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= tico 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 : tico_PA1
-=-=-=--=-=-=- tico_PA1_RUN1
-=-=-=- Run : tico_PA2
-=-=-=--=-=-=- tico_PA2_RUN1
-=-=-=- Run : tico_PA3
-=-=-=--=-=-=- tico_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=50.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 tico_PA1_RUN1_GAM PA1 RUN1 GAM TSS 556.0 92.843
2 tico_PA1_RUN1_GAM PA1 RUN1 GAM ROC 559.5 92.773
3 tico_PA1_RUN1_MARS PA1 RUN1 MARS TSS 422.0 91.662
4 tico_PA1_RUN1_MARS PA1 RUN1 MARS ROC 423.5 91.622
5 tico_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 398.0 90.557
6 tico_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 400.5 90.362
specificity calibration validation evaluation
1 60.555 0.534 0.531 NA
2 60.750 0.735 0.739 NA
3 81.040 0.727 0.731 NA
4 81.165 0.925 0.926 NA
5 82.930 0.735 0.741 NA
6 83.205 0.923 0.925 NA
Figure 50.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
50.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 tico_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.497000
2 tico_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.134739
3 tico_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.080437
4 tico_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.235648
5 tico_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.121525
6 tico_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.279974
Figure 50.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 50.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
50.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : tico
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tico_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=50.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 tico_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tico_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 656.0 96.615 96.458
2 mergedAlgo TSS EMwmean ROC 657.5 96.587 96.494
calibration validation evaluation
1 0.931 NA NA
2 0.996 NA NA
Figure 50.11: 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 tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 tico_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 0.620508
2 mergedAlgo TSS EMcv temp_min 1 0.541904
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.427383
4 mergedAlgo TSS EMcv temp_season 1 0.485621
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.395696
6 mergedAlgo TSS EMcv prec_season 1 0.495892Par variable :
Figure 50.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 50.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
50.3 Projections
50.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tico/current
sp.name : tico
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tico/tico.AllModels.models.out )
models.projected :
tico_PA1_RUN1_GAM, tico_PA1_RUN1_MARS, tico_PA1_RUN1_MAXNET, tico_PA1_RUN1_GBM, tico_PA1_RUN1_RF, tico_PA2_RUN1_GAM, tico_PA2_RUN1_MARS, tico_PA2_RUN1_MAXNET, tico_PA2_RUN1_GBM, tico_PA2_RUN1_RF, tico_PA3_RUN1_GAM, tico_PA3_RUN1_MARS, tico_PA3_RUN1_MAXNET, tico_PA3_RUN1_GBM, tico_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 50.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 50.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tico/current
sp.name : tico
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tico/tico.AllModels.ensemble.models.out )
models.projected :
tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tico_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 50.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
50.3.2 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/tico/cont_gre
sp.name : tico
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tico/tico.AllModels.models.out )
models.projected :
tico_PA1_RUN1_GAM, tico_PA1_RUN1_MARS, tico_PA1_RUN1_MAXNET, tico_PA1_RUN1_GBM, tico_PA1_RUN1_RF, tico_PA2_RUN1_GAM, tico_PA2_RUN1_MARS, tico_PA2_RUN1_MAXNET, tico_PA2_RUN1_GBM, tico_PA2_RUN1_RF, tico_PA3_RUN1_GAM, tico_PA3_RUN1_MARS, tico_PA3_RUN1_MAXNET, tico_PA3_RUN1_GBM, tico_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 50.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 50.18: 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/tico/cont_gre
sp.name : tico
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tico/tico.AllModels.ensemble.models.out )
models.projected :
tico_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tico_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 50.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
50.3.3 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 50.20: 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 50.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 50.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 50.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
50.4 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)
50.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 50.24: 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 50.25: 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 50.26: 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 50.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
50.4.2 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>
1 235 595 682 680.3849 801 998 0 2000
2 111 286 506 496.9868 704 974 126 2040
3 95 193 363 402.0798 583 926 126 2060
4 79 185 333 373.2079 549 916 126 2080
5 133 206 334 377.8531 535 906 126 2100
6 92 271 498 488.7796 689 966 245 2040
7 99 189 274 337.3139 459 885 245 2060
8 100 195 217 287.3348 347 820 245 2080
9 74 191 215 229.9393 240 609 245 2100
10 111 278 481 481.1860 677 954 370 2040
11 117 198 264 337.7053 483 864 370 2060
12 111 206 232 240.9400 255 586 370 2080
13 14 121 209 192.4683 273 319 370 2100
14 87 229 435 427.6593 607 935 585 2040
15 83 193 217 278.6742 361 716 585 2060
16 13 119 202 186.2548 256 321 585 2080
17 40 226 255 233.0946 278 382 585 2100
Figure 50.28: 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.