232 Tipuana tipu
232.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.kgfxmw
Format: SIMPLE_CSV
Download key: 0260992-230224095556074
Created: 2023-05-25T13:13:34.992+00:00
Modified: 2023-05-25T13:14:17.475+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260992-230224095556074.zip
Total records: 1103Conversion 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 1103 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.2186 ymin: -37.371128 xmax: 159.069193 ymax: 43.6874
Geodetic CRS: WGS 84
# A tibble: 1,103 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 912260123 cd6e21c8-9e8a-493… "http://spe… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
2 912259762 cd6e21c8-9e8a-493… "http://spe… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
3 910472193 837acfc2-f762-11e… "HSS:HSS:27… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
4 910469616 837acfc2-f762-11e… "HSS:HSS:24… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
5 910469567 837acfc2-f762-11e… "HSS:HSS:25… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
6 910469557 837acfc2-f762-11e… "HSS:HSS:24… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
7 781078174 962cceea-f762-11e… "MGC:MGC-Co… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
8 575049947 bf2a4bf0-5f31-11d… "http://dat… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
9 48861033 8582b50a-f762-11e… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
10 48681545 8582b50a-f762-11e… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
# ℹ 1,093 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>, depthAccuracy <lgl>, …Il y a 1 103 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 232.1: Occurrences de Tipuana tipu dans le monde.
232.1.1 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] 0.508612874[1] 0.02901178604[1] 0.001813236627
Figure 232.2: Occurrence de Tipuana tipu dans la région d’endémisme.
232.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0
506 55 [1] 90.19607843
Figure 232.3: Occurrence de Tipuana tipu 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] 506232.1.3 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 506 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -8.640184 ymin: 31.200001 xmax: 35.687056 ymax: 43.49048
Geodetic CRS: WGS 84
# A tibble: 506 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 48861033 8582b50a-f762-11… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
2 48681545 8582b50a-f762-11… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
3 48624625 8582b50a-f762-11… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
4 42260475 8582b50a-f762-11… "" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
5 3987112020 d8cd16ba-bb74-44… "JX571906" Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
6 3959278770 14d5676a-2c54-4f… "q-10275011… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
7 3959234910 14d5676a-2c54-4f… "q-10264892… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
8 3959078635 14d5676a-2c54-4f… "q-10263142… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
9 3958995687 14d5676a-2c54-4f… "q-10250292… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
10 3958959950 14d5676a-2c54-4f… "q-10279125… Plantae Trach… Magn… Faba… Fabac… Tipu… Tipuan…
# ℹ 496 more rows
# ℹ 41 more variables: infraspecificEpithet <lgl>, 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 <lgl>, depthAccuracy <lgl>, …
232.2 Modélisation de la niche climatique
232.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 506, 0 (geometries, attributes)
extent : -8.640184, 35.68706, 31.2, 43.49048 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= titi 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 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 = titi
506 presences, 0 true absences and 1517 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.836 Min. :-21.144 Min. :-6.913 Min. : 301.6
1st Qu.:20.802 1st Qu.: -8.421 1st Qu.:10.323 1st Qu.: 555.3
Median :27.284 Median : -0.844 Median :13.833 Median : 702.6
Mean :26.391 Mean : -2.410 Mean :13.234 Mean : 728.3
3rd Qu.:31.090 3rd Qu.: 4.764 3rd Qu.:16.921 3rd Qu.: 881.6
Max. :44.744 Max. : 10.267 Max. :23.125 Max. :1373.7
prec_wet_quart prec_season
Min. : 7.0 Min. : 8.902
1st Qu.:167.0 1st Qu.: 28.239
Median :216.0 Median : 34.416
Mean :214.9 Mean : 40.919
3rd Qu.:249.0 3rd Qu.: 47.737
Max. :998.0 Max. :119.542
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 232.5: 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 : 3542, 2 (geometries, attributes)
extent : -9.6875, 46.97917, 29.02083, 70.9375 (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 232.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
232.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for titi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for titi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for titi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= titi 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 : titi_PA1
-=-=-=--=-=-=- titi_PA1_RUN1
-=-=-=- Run : titi_PA2
-=-=-=--=-=-=- titi_PA2_RUN1
-=-=-=- Run : titi_PA3
-=-=-=--=-=-=- titi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=232.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 titi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 990.0 100.000
2 titi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 994.5 100.000
3 titi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 515.0 99.259
4 titi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 588.0 98.765
5 titi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 343.0 99.506
6 titi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 345.5 99.506
specificity calibration validation evaluation
1 73.086 0.731 0.693 NA
2 73.086 0.865 0.845 NA
3 97.531 0.968 0.950 NA
4 98.272 0.997 0.985 NA
5 95.556 0.953 0.931 NA
6 95.802 0.995 0.991 NA
Figure 232.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
232.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 titi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.443911
2 titi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.085526
3 titi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.010690
4 titi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.104450
5 titi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.007015
6 titi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.073513
Figure 232.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 232.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
232.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : titi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, titi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=232.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 titi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 titi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 599.0 98.024 98.088
2 mergedAlgo TSS EMwmean ROC 597.5 98.024 98.088
calibration validation evaluation
1 0.961 NA NA
2 0.998 NA NA
Figure 232.11: 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 titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 titi_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 0.363651
2 mergedAlgo TSS EMcv temp_min 1 0.682529
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.175974
4 mergedAlgo TSS EMcv temp_season 1 0.397260
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.252383
6 mergedAlgo TSS EMcv prec_season 1 0.079119Par variable :
Figure 232.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 232.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
232.3 Projections
232.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/titi/current
sp.name : titi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/titi/titi.AllModels.models.out )
models.projected :
titi_PA1_RUN1_GAM, titi_PA1_RUN1_MARS, titi_PA1_RUN1_MAXNET, titi_PA1_RUN1_GBM, titi_PA1_RUN1_ANN, titi_PA1_RUN1_RF, titi_PA2_RUN1_GAM, titi_PA2_RUN1_MARS, titi_PA2_RUN1_MAXNET, titi_PA2_RUN1_GBM, titi_PA2_RUN1_ANN, titi_PA2_RUN1_RF, titi_PA3_RUN1_GAM, titi_PA3_RUN1_MARS, titi_PA3_RUN1_MAXNET, titi_PA3_RUN1_GBM, titi_PA3_RUN1_ANN, titi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 232.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 232.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/titi/current
sp.name : titi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/titi/titi.AllModels.ensemble.models.out )
models.projected :
titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, titi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 232.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
232.3.2 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/titi/cont_gre
sp.name : titi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/titi/titi.AllModels.models.out )
models.projected :
titi_PA1_RUN1_GAM, titi_PA1_RUN1_MARS, titi_PA1_RUN1_MAXNET, titi_PA1_RUN1_GBM, titi_PA1_RUN1_ANN, titi_PA1_RUN1_RF, titi_PA2_RUN1_GAM, titi_PA2_RUN1_MARS, titi_PA2_RUN1_MAXNET, titi_PA2_RUN1_GBM, titi_PA2_RUN1_ANN, titi_PA2_RUN1_RF, titi_PA3_RUN1_GAM, titi_PA3_RUN1_MARS, titi_PA3_RUN1_MAXNET, titi_PA3_RUN1_GBM, titi_PA3_RUN1_ANN, titi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 232.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 232.18: 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/titi/cont_gre
sp.name : titi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/titi/titi.AllModels.ensemble.models.out )
models.projected :
titi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, titi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 232.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
232.3.3 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 232.20: 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 232.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 232.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 232.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
232.4 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)
232.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 232.24: 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 232.25: 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 232.26: 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 232.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
232.4.2 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 13 15 17 32.34892 22 365 0 2000
2 13 18 21 57.55858 33 402 126 2040
3 13 20 25 67.56696 47 444 126 2060
4 14 22 27 77.31017 58 427 126 2080
5 14 22 27 79.57156 62 455 126 2100
6 14 19 22 62.25972 39 410 245 2040
7 14 22 26 74.53142 53 432 245 2060
8 15 27 42 113.56052 125 499 245 2080
9 16 33 67 141.12304 186 516 245 2100
10 13 18 20 51.26830 28 390 370 2040
11 14 23 30 84.91652 69 454 370 2060
12 15 43 103 159.74708 218 533 370 2080
13 22 100 241 249.44635 334 600 370 2100
14 13 20 24 63.01368 39 409 585 2040
15 14 27 46 107.39744 115 505 585 2060
16 18 68 151 202.23054 280 600 585 2080
17 38 242 289 308.30222 377 597 585 2100
Figure 232.28: 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.