81 Tilia platyphyllos
81.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6kzwvn
Format: SIMPLE_CSV
Download key: 0252167-230224095556074
Created: 2023-05-20T12:11:56.878+00:00
Modified: 2023-05-20T12:13:34.431+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252167-230224095556074.zip
Total records: 66671Conversion 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 66671 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.281291 ymin: -38.402183 xmax: 146.051275 ymax: 69.6359
Geodetic CRS: WGS 84
# A tibble: 66,671 × 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… Malv… Malva… Tilia Tilia … ""
2 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
3 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
4 9e8 e6c97f6e-… "" Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
5 9e8 e6c97f6e-… "" Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
6 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
7 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
8 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
9 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
10 9e8 38b4c89f-… "urn:lsid:a… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
# ℹ 66,661 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 66 671 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 81.1: Occurrences de Tilia platyphyllos dans le monde.
81.1.1 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] 0.9992500487[1] 0.0003749756266[1] 0
Figure 81.2: Occurrence de Tilia platyphyllos dans la région d’endémisme.
81.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
59953
CC_BY_NC_4_0
1831
CC0_1_0
2579
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1836
https://creativecommons.org/licenses/by/4.0/legalcode
391
https://creativecommons.org/publicdomain/zero/1.0/legalcode
31 [1] 94.49572957
Figure 81.3: Occurrence de Tilia platyphyllos 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] 6295481.1.3 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: -9.32 ymin: 37.650859 xmax: 45.35806 ymax: 63.82251
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 75956ee6-… http://cbnb… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
2 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
3 1 e9 75956ee6-… http://cbnb… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
4 1 e9 75956ee6-… http://flor… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
5 4 e9 017f23ba-… 6112fecd-31… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
6 2 e9 83fdfd3d-… INFOFLORA-T… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
7 3.e9 e5f16d86-… 91367406-2d… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … "platyphyllos"
8 3.e9 e5f16d86-… 83940775-4e… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … "platyphyllos"
9 2 e9 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Malv… Malva… Tilia Tilia … ""
10 1 e9 75956ee6-… http://flor… 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>, …
81.2 Modélisation de la niche climatique
81.2.1 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 : -9.32, 45.35806, 37.65086, 63.82251 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= tipl 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 = tipl
24993 presences, 0 true absences and 72881 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-11.523 Min. : 0.0
1st Qu.:20.62 1st Qu.: -8.744 1st Qu.: 8.768 1st Qu.: 621.9
Median :23.64 Median : -3.037 Median : 12.660 Median : 718.2
Mean :24.92 Mean : -4.195 Mean : 12.126 Mean : 754.9
3rd Qu.:27.98 3rd Qu.: 0.688 3rd Qu.: 16.088 3rd Qu.: 895.0
Max. :45.70 Max. : 11.700 Max. : 26.407 Max. :1380.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 177.0 1st Qu.: 20.27
Median : 220.0 Median : 30.39
Mean : 225.7 Mean : 34.20
3rd Qu.: 271.0 3rd Qu.: 39.14
Max. :1255.0 Max. :124.09
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 81.5: 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 : -10.5625, 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 81.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
81.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for tipl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for tipl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for tipl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= tipl 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 : tipl_PA1
-=-=-=--=-=-=- tipl_PA1_RUN1
-=-=-=- Run : tipl_PA2
-=-=-=--=-=-=- tipl_PA2_RUN1
-=-=-=- Run : tipl_PA3
-=-=-=--=-=-=- tipl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=81.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 tipl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 798.0 90.067
2 tipl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 784.5 90.652
3 tipl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 533.0 95.219
4 tipl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 538.5 95.149
5 tipl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 356.0 95.589
6 tipl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 353.5 95.709
specificity calibration validation evaluation
1 80.195 0.703 0.707 NA
2 79.665 0.895 0.894 NA
3 88.765 0.840 0.843 NA
4 88.850 0.964 0.963 NA
5 88.290 0.838 0.838 NA
6 88.235 0.962 0.961 NA
Figure 81.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
81.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 tipl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.326349
2 tipl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.021397
3 tipl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.017151
4 tipl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.615649
5 tipl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.227235
6 tipl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.049017
Figure 81.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 81.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
81.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : tipl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tipl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=81.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 tipl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tipl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 599.0 94.687 94.025
2 mergedAlgo TSS EMwmean ROC 600.5 94.634 94.092
calibration validation evaluation
1 0.887 NA NA
2 0.989 NA NA
Figure 81.11: 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 tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 tipl_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 0.123097
2 mergedAlgo TSS EMcv temp_min 1 0.093668
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.033028
4 mergedAlgo TSS EMcv temp_season 1 0.322971
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.077385
6 mergedAlgo TSS EMcv prec_season 1 0.201224Par variable :
Figure 81.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 81.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
81.3 Projections
81.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tipl/current
sp.name : tipl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tipl/tipl.AllModels.models.out )
models.projected :
tipl_PA1_RUN1_GAM, tipl_PA1_RUN1_MARS, tipl_PA1_RUN1_MAXNET, tipl_PA1_RUN1_GBM, tipl_PA1_RUN1_ANN, tipl_PA1_RUN1_RF, tipl_PA2_RUN1_GAM, tipl_PA2_RUN1_MARS, tipl_PA2_RUN1_MAXNET, tipl_PA2_RUN1_GBM, tipl_PA2_RUN1_RF, tipl_PA3_RUN1_GAM, tipl_PA3_RUN1_MARS, tipl_PA3_RUN1_MAXNET, tipl_PA3_RUN1_GBM, tipl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 81.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 81.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tipl/current
sp.name : tipl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tipl/tipl.AllModels.ensemble.models.out )
models.projected :
tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tipl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 81.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
81.3.2 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/tipl/cont_gre
sp.name : tipl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tipl/tipl.AllModels.models.out )
models.projected :
tipl_PA1_RUN1_GAM, tipl_PA1_RUN1_MARS, tipl_PA1_RUN1_MAXNET, tipl_PA1_RUN1_GBM, tipl_PA1_RUN1_ANN, tipl_PA1_RUN1_RF, tipl_PA2_RUN1_GAM, tipl_PA2_RUN1_MARS, tipl_PA2_RUN1_MAXNET, tipl_PA2_RUN1_GBM, tipl_PA2_RUN1_RF, tipl_PA3_RUN1_GAM, tipl_PA3_RUN1_MARS, tipl_PA3_RUN1_MAXNET, tipl_PA3_RUN1_GBM, tipl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 81.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 81.18: 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/tipl/cont_gre
sp.name : tipl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tipl/tipl.AllModels.ensemble.models.out )
models.projected :
tipl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tipl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 81.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
81.3.3 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 81.20: 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 81.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 81.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 81.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
81.4 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)
81.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 81.24: 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 81.25: 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 81.26: 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 81.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
81.4.2 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>
1 449 680 807 764.0104 841 866 0 2000
2 233 550 736 668.1116 821 864 126 2040
3 209 462 647 607.1255 775 849 126 2060
4 205 476 645 607.0490 758 851 126 2080
5 265 498 669 622.1690 769 837 126 2100
6 216 545 731 665.6477 823 864 245 2040
7 197 396 568 552.6738 727 842 245 2060
8 199 376 530 527.2349 698 829 245 2080
9 196 322 463 451.6225 588 747 245 2100
10 214 515 693 643.7497 811 861 370 2040
11 203 407 577 560.5640 733 834 370 2060
12 183 277 424 423.8861 552 756 370 2080
13 140 173 204 219.9813 262 448 370 2100
14 215 522 696 636.8469 778 857 585 2040
15 194 352 518 507.8033 679 802 585 2060
16 148 186 237 253.9517 316 511 585 2080
17 123 150 160 160.8965 172 257 585 2100
Figure 81.28: 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.