233 Ulmus glabra
233.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.xjhbfr
Format: SIMPLE_CSV
Download key: 0260999-230224095556074
Created: 2023-05-25T13:14:39.842+00:00
Modified: 2023-05-25T13:27:36.050+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260999-230224095556074.zip
Total records: 135230Conversion 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 135230 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.806144 ymin: -45.899014 xmax: 172.678961 ymax: 70.286807
Geodetic CRS: WGS 84
# A tibble: 135,230 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1106527421 75956ee6-1a2b-4f… http://digi… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
2 1114145262 75956ee6-1a2b-4f… http://cbnm… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
3 1111809376 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
4 1113778315 75956ee6-1a2b-4f… http://cbnm… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
5 1119421687 75956ee6-1a2b-4f… http://cbnp… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
6 1119908587 75956ee6-1a2b-4f… http://cbnp… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
7 1112142131 75956ee6-1a2b-4f… http://sigo… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
8 1114074601 75956ee6-1a2b-4f… http://cbnm… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
9 1114588220 75956ee6-1a2b-4f… http://pifh… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
10 1102661976 75956ee6-1a2b-4f… http://pifh… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
# ℹ 135,220 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 135 230 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 233.1: Occurrences de Ulmus glabra dans le monde.
233.1.1 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] 0.9980995341[1] 0.0006581379871[1] 2.218442653e-05
Figure 233.2: Occurrence de Ulmus glabra dans la région d’endémisme.
233.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
64623 31285 39065 [1] 76.82129018
Figure 233.3: Occurrence de Ulmus glabra 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] 103688233.1.3 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: -10.130696 ymin: 37.33 xmax: 46.60708 ymax: 69.656523
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1884181293 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
2 2924325897 5e43a220-a91d-48… 6418057 Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
3 2974286156 7a3679ef-5582-4a… o-1006088350 Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
4 1434394634 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
5 1268761307 3cf0df27-6416-46… 37D628BD-57… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
6 2876695877 83fdfd3d-3a25-47… INFOFLORA-T… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
7 856394873 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
8 2401998450 b124e1e0-4755-43… urn:uuid:80… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
9 2604830929 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
10 1926081549 8ea4250e-0ff0-44… http://id.s… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
# ℹ 24,990 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>, …
233.2 Modélisation de la niche climatique
233.2.1 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 : -10.1307, 46.60708, 37.33, 69.65652 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulgl 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 = ulgl
24980 presences, 0 true absences and 72865 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.656 Min. :-22.0360 Min. :-12.253 Min. : 202.1
1st Qu.:19.825 1st Qu.: -9.0440 1st Qu.: 8.575 1st Qu.: 634.7
Median :22.232 Median : -4.3960 Median : 13.151 Median : 740.8
Mean :24.212 Mean : -4.7659 Mean : 12.139 Mean : 763.4
3rd Qu.:27.860 3rd Qu.: 0.2667 3rd Qu.: 15.951 3rd Qu.: 899.2
Max. :45.800 Max. : 12.3760 Max. : 26.344 Max. :1394.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.911
1st Qu.: 178.0 1st Qu.: 23.356
Median : 215.0 Median : 30.783
Mean : 224.7 Mean : 35.587
3rd Qu.: 255.0 3rd Qu.: 39.134
Max. :1248.0 Max. :122.900
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 233.5: 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 : 174920, 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 233.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
233.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ulgl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ulgl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ulgl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulgl 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 : ulgl_PA1
-=-=-=--=-=-=- ulgl_PA1_RUN1
-=-=-=- Run : ulgl_PA2
-=-=-=--=-=-=- ulgl_PA2_RUN1
-=-=-=- Run : ulgl_PA3
-=-=-=--=-=-=- ulgl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=233.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 485.0 96.462
2 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 490.5 96.382
3 ulgl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 510.0 92.874
4 ulgl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 506.5 92.944
5 ulgl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 386.0 92.944
6 ulgl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 389.5 92.659
specificity calibration validation evaluation
1 57.640 0.541 0.543 NA
2 57.790 0.716 0.714 NA
3 84.910 0.777 0.779 NA
4 84.850 0.942 0.943 NA
5 84.095 0.770 0.770 NA
6 84.445 0.940 0.942 NA
Figure 233.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
233.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.404586
2 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.353907
3 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.068880
4 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.086865
5 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.021175
6 ulgl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.095222
Figure 233.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 233.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
233.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ulgl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulgl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=233.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ulgl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulgl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 645.0 95.276 95.239
2 mergedAlgo TSS EMwmean ROC 657.5 95.008 95.585
calibration validation evaluation
1 0.905 NA NA
2 0.992 NA NA
Figure 233.11: 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 ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ulgl_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 0.610675
2 mergedAlgo TSS EMcv temp_min 1 0.466749
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.225948
4 mergedAlgo TSS EMcv temp_season 1 0.347691
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.274986
6 mergedAlgo TSS EMcv prec_season 1 0.344266Par variable :
Figure 233.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 233.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
233.3 Projections
233.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulgl/current
sp.name : ulgl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulgl/ulgl.AllModels.models.out )
models.projected :
ulgl_PA1_RUN1_GAM, ulgl_PA1_RUN1_MARS, ulgl_PA1_RUN1_MAXNET, ulgl_PA1_RUN1_GBM, ulgl_PA1_RUN1_ANN, ulgl_PA1_RUN1_RF, ulgl_PA2_RUN1_GAM, ulgl_PA2_RUN1_MARS, ulgl_PA2_RUN1_MAXNET, ulgl_PA2_RUN1_GBM, ulgl_PA2_RUN1_ANN, ulgl_PA2_RUN1_RF, ulgl_PA3_RUN1_GAM, ulgl_PA3_RUN1_MARS, ulgl_PA3_RUN1_MAXNET, ulgl_PA3_RUN1_GBM, ulgl_PA3_RUN1_ANN, ulgl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 233.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 233.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulgl/current
sp.name : ulgl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulgl/ulgl.AllModels.ensemble.models.out )
models.projected :
ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulgl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 233.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
233.3.2 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/ulgl/cont_gre
sp.name : ulgl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulgl/ulgl.AllModels.models.out )
models.projected :
ulgl_PA1_RUN1_GAM, ulgl_PA1_RUN1_MARS, ulgl_PA1_RUN1_MAXNET, ulgl_PA1_RUN1_GBM, ulgl_PA1_RUN1_ANN, ulgl_PA1_RUN1_RF, ulgl_PA2_RUN1_GAM, ulgl_PA2_RUN1_MARS, ulgl_PA2_RUN1_MAXNET, ulgl_PA2_RUN1_GBM, ulgl_PA2_RUN1_ANN, ulgl_PA2_RUN1_RF, ulgl_PA3_RUN1_GAM, ulgl_PA3_RUN1_MARS, ulgl_PA3_RUN1_MAXNET, ulgl_PA3_RUN1_GBM, ulgl_PA3_RUN1_ANN, ulgl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 233.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 233.18: 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/ulgl/cont_gre
sp.name : ulgl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulgl/ulgl.AllModels.ensemble.models.out )
models.projected :
ulgl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulgl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 233.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
233.3.3 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 233.20: 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 233.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 233.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 233.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
233.4 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)
233.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 233.24: 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 233.25: 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 233.26: 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 233.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
233.4.2 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>
1 201 448 716 662.7046 861 941 0 2000
2 84 207 373 421.4955 656 864 126 2040
3 95 156 241 327.1173 512 778 126 2060
4 90 136 216 302.9576 452 787 126 2080
5 110 166 227 324.0195 499 767 126 2100
6 94 199 339 408.5917 641 873 245 2040
7 96 133 183 251.7330 309 748 245 2060
8 105 131 155 194.3941 218 736 245 2080
9 93 131 141 147.3200 153 675 245 2100
10 90 182 361 404.4381 627 857 370 2040
11 106 133 183 253.5167 310 749 370 2060
12 112 134 143 150.8420 158 624 370 2080
13 75 121 133 128.1746 139 179 370 2100
14 93 155 279 365.5723 610 826 585 2040
15 100 133 149 201.5208 214 717 585 2060
16 72 109 133 127.3119 142 349 585 2080
17 79 114 120 119.6875 127 164 585 2100
Figure 233.28: 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.