183 Torminalis glaberrima
183.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xp2yjt
Format: SIMPLE_CSV
Download key: 0260120-230224095556074
Created: 2023-05-24T20:01:31.988+00:00
Modified: 2023-05-24T20:03:17.640+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260120-230224095556074.zip
Total records: 81888Conversion 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 81888 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.3 ymin: 33.3 xmax: 85.74881 ymax: 61.43256
Geodetic CRS: WGS 84
# A tibble: 81,888 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
2 9e8 837acfc2-… HSS:HSS:384… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
3 9e8 837acfc2-… HSS:HSS:286… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
4 9e8 837acfc2-… HSS:HSS:272… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
5 9e8 837acfc2-… HSS:HSS:272… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
6 9e8 837acfc2-… HSS:HSS:272… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
7 9e8 837acfc2-… HSS:HSS:272… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
8 9e8 837acfc2-… HSS:HSS:272… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
9 9e8 837acfc2-… HSS:HSS:232… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
10 9e8 837acfc2-… HSS:HSS:232… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
# ℹ 81,878 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 81 888 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 183.1: Occurrences de Torminalis glaberrima dans le monde.
183.1.1 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] 0.999816823[1] 6.105900742e-05[1] 2.442360297e-05
Figure 183.2: Occurrence de Torminalis glaberrima dans la région d’endémisme.
183.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
76683
CC_BY_NC_4_0
1441
CC0_1_0
979
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1553
https://creativecommons.org/licenses/by/4.0/legalcode
1070
https://creativecommons.org/publicdomain/zero/1.0/legalcode
147 [1] 96.34311678
Figure 183.3: Occurrence de Torminalis glaberrima 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] 78879183.1.3 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: -6.831466 ymin: 38.17 xmax: 46.415 ymax: 59.052
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> <lgl>
1 1.e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
2 2 e9 6ac3f774-… "" Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
3 3.e9 e5f16d86-… "7ccd69bd-4… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
4 3.e9 bd8ee748-… "a6eae415-3… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
5 2 e9 64dabd3c-… "http://id.… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
6 1 e9 75956ee6-… "http://dig… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
7 3.e9 e5f16d86-… "694aeae6-f… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
8 3.e9 dd238f50-… "526c0019-c… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
9 2 e9 dd238f50-… "f33b722f-f… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
10 3.e9 e5f16d86-… "3722eda2-7… Plantae Trach… Magn… Rosa… Rosac… Torm… Tormin… NA
# 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>, …
183.2 Modélisation de la niche climatique
183.2.1 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 : -6.831466, 46.415, 38.17, 59.052 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= togl 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 = togl
24995 presences, 0 true absences and 72868 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.272 Min. :-21.980 Min. :-9.918 Min. : 202.1
1st Qu.:20.872 1st Qu.: -8.690 1st Qu.: 7.833 1st Qu.: 594.3
Median :24.256 Median : -1.784 Median :12.445 Median : 716.0
Mean :25.150 Mean : -3.794 Mean :11.918 Mean : 747.0
3rd Qu.:27.940 3rd Qu.: 1.267 3rd Qu.:16.049 3rd Qu.: 894.9
Max. :45.976 Max. : 11.700 Max. :26.407 Max. :1380.9
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 175.0 1st Qu.: 18.68
Median : 213.0 Median : 30.16
Mean : 214.4 Mean : 33.68
3rd Qu.: 246.0 3rd Qu.: 39.06
Max. :1260.0 Max. :124.09
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 183.5: 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 : 174980, 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 183.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
183.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for togl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for togl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for togl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= togl 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 : togl_PA1
-=-=-=--=-=-=- togl_PA1_RUN1
-=-=-=- Run : togl_PA2
-=-=-=--=-=-=- togl_PA2_RUN1
-=-=-=- Run : togl_PA3
-=-=-=--=-=-=- togl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=183.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 togl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 596.0 97.690
2 togl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 602.5 97.635
3 togl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 433.0 98.245
4 togl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 460.5 97.950
5 togl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 284.0 98.530
6 togl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 280.5 98.720
specificity calibration validation evaluation
1 71.040 0.687 0.672 NA
2 71.160 0.846 0.837 NA
3 91.115 0.894 0.885 NA
4 91.480 0.978 0.976 NA
5 90.065 0.886 0.874 NA
6 89.970 0.978 0.975 NA
Figure 183.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
183.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 togl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.289439
2 togl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.230751
3 togl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.036754
4 togl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.425028
5 togl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.114416
6 togl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.057241
Figure 183.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 183.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
183.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : togl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, togl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=183.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 togl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 togl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 563.0 97.988 95.743
2 mergedAlgo TSS EMwmean ROC 563.5 97.980 95.759
calibration validation evaluation
1 0.937 NA NA
2 0.995 NA NA
Figure 183.11: 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 togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 togl_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 0.141463
2 mergedAlgo TSS EMcv temp_min 1 0.140879
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.013981
4 mergedAlgo TSS EMcv temp_season 1 0.249264
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.063245
6 mergedAlgo TSS EMcv prec_season 1 0.112654Par variable :
Figure 183.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 183.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
183.3 Projections
183.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/togl/current
sp.name : togl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/togl/togl.AllModels.models.out )
models.projected :
togl_PA1_RUN1_GAM, togl_PA1_RUN1_MARS, togl_PA1_RUN1_MAXNET, togl_PA1_RUN1_GBM, togl_PA1_RUN1_RF, togl_PA2_RUN1_GAM, togl_PA2_RUN1_MARS, togl_PA2_RUN1_MAXNET, togl_PA2_RUN1_GBM, togl_PA2_RUN1_RF, togl_PA3_RUN1_GAM, togl_PA3_RUN1_MARS, togl_PA3_RUN1_MAXNET, togl_PA3_RUN1_GBM, togl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 183.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 183.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/togl/current
sp.name : togl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/togl/togl.AllModels.ensemble.models.out )
models.projected :
togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, togl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 183.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
183.3.2 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/togl/cont_gre
sp.name : togl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/togl/togl.AllModels.models.out )
models.projected :
togl_PA1_RUN1_GAM, togl_PA1_RUN1_MARS, togl_PA1_RUN1_MAXNET, togl_PA1_RUN1_GBM, togl_PA1_RUN1_RF, togl_PA2_RUN1_GAM, togl_PA2_RUN1_MARS, togl_PA2_RUN1_MAXNET, togl_PA2_RUN1_GBM, togl_PA2_RUN1_RF, togl_PA3_RUN1_GAM, togl_PA3_RUN1_MARS, togl_PA3_RUN1_MAXNET, togl_PA3_RUN1_GBM, togl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 183.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 183.18: 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/togl/cont_gre
sp.name : togl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/togl/togl.AllModels.ensemble.models.out )
models.projected :
togl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, togl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 183.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
183.3.3 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 183.20: 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 183.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 183.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 183.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
183.4 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)
183.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 183.24: 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 183.25: 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 183.26: 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 183.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
183.4.2 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 85 410 565 567.27927 723 844 0 2000
2 70 461 627 566.45639 717 816 126 2040
3 58 418 604 525.61132 680 788 126 2060
4 66 398 585 519.78910 672 785 126 2080
5 117 455 624 547.57138 681 767 126 2100
6 74 461 628 568.60362 726 808 245 2040
7 49 294 539 462.34650 622 769 245 2060
8 48 279 528 464.40635 633 730 245 2080
9 52 255 471 403.39708 566 704 245 2100
10 51 427 613 540.46814 704 812 370 2040
11 57 319 572 492.09894 648 743 370 2060
12 54 239 453 387.85696 559 706 370 2080
13 33 52 137 143.35113 215 498 370 2100
14 66 423 599 533.48708 678 797 585 2040
15 47 268 513 442.80879 611 712 585 2060
16 34 58 192 183.80812 272 525 585 2080
17 26 36 44 50.41168 52 182 585 2100
Figure 183.28: 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.