187 Ulmus laevis
187.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.mntapm
Format: SIMPLE_CSV
Download key: 0260240-230224095556074
Created: 2023-05-24T21:31:24.505+00:00
Modified: 2023-05-24T21:32:21.404+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260240-230224095556074.zip
Total records: 12656Conversion 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 12656 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -93.413668 ymin: 25.02 xmax: 116.47 ymax: 65.02931
Geodetic CRS: WGS 84
# A tibble: 12,656 × 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… Ulmac… Ulmus Ulmus … NA
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
6 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
7 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
10 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
# ℹ 12,646 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 12 656 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 187.1: Occurrences de Ulmus laevis dans le monde.
187.1.1 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] 0.8841656131[1] 7.901390645e-05[1] 0.0048988622
Figure 187.2: Occurrence de Ulmus laevis dans la région d’endémisme.
187.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
8511
CC_BY_NC_4_0
1459
CC0_1_0
1208
https://creativecommons.org/licenses/by-nc/4.0/legalcode
9
https://creativecommons.org/licenses/by/4.0/legalcode
3 [1] 86.88114388
Figure 187.3: Occurrence de Ulmus laevis 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] 9722187.1.3 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 9722 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -7.51667 ymin: 38.44 xmax: 46.96063 ymax: 65.02931
Geodetic CRS: WGS 84
# A tibble: 9,722 × 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… Ulmac… Ulmus Ulmus … NA
2 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
3 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
4 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
5 9e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
6 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
7 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
8 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
9 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
10 8e8 38b4c89f-… urn:lsid:ar… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … NA
# ℹ 9,712 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>, …
187.2 Modélisation de la niche climatique
187.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 9722, 0 (geometries, attributes)
extent : -7.51667, 46.96063, 38.44, 65.02931 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulla 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 = ulla
9719 presences, 0 true absences and 28861 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.036 Min. :-10.428 Min. : 0.0
1st Qu.:20.74 1st Qu.: -9.140 1st Qu.: 9.062 1st Qu.: 611.4
Median :24.25 Median : -3.142 Median : 13.617 Median : 735.6
Mean :25.05 Mean : -4.201 Mean : 12.633 Mean : 761.1
3rd Qu.:27.91 3rd Qu.: 0.780 3rd Qu.: 16.605 3rd Qu.: 905.5
Max. :44.96 Max. : 11.484 Max. : 24.703 Max. :1345.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.328
1st Qu.: 172.0 1st Qu.: 20.354
Median : 210.0 Median : 30.911
Mean : 210.5 Mean : 34.560
3rd Qu.: 241.0 3rd Qu.: 39.684
Max. :1227.0 Max. :121.858
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 187.5: 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 : 68042, 2 (geometries, attributes)
extent : -10.3125, 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 187.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
187.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ulla_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ulla_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ulla_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulla 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 : ulla_PA1
-=-=-=--=-=-=- ulla_PA1_RUN1
-=-=-=- Run : ulla_PA2
-=-=-=--=-=-=- ulla_PA2_RUN1
-=-=-=- Run : ulla_PA3
-=-=-=--=-=-=- ulla_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=187.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ulla_PA1_RUN1_GAM PA1 RUN1 GAM TSS 485.0 94.894
2 ulla_PA1_RUN1_GAM PA1 RUN1 GAM ROC 482.5 94.984
3 ulla_PA1_RUN1_MARS PA1 RUN1 MARS TSS 603.0 88.862
4 ulla_PA1_RUN1_MARS PA1 RUN1 MARS ROC 607.5 88.733
5 ulla_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 405.0 89.621
6 ulla_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 409.5 89.466
specificity calibration validation evaluation
1 57.007 0.518 0.507 NA
2 56.968 0.691 0.700 NA
3 90.782 0.796 0.772 NA
4 90.923 0.945 0.937 NA
5 89.753 0.794 0.771 NA
6 90.023 0.950 0.944 NA
Figure 187.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
187.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ulla_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.557542
2 ulla_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.144404
3 ulla_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.049989
4 ulla_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.591806
5 ulla_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.068513
6 ulla_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.049318
Figure 187.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 187.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
187.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ulla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=187.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ulla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 487.0 96.913 93.192
2 mergedAlgo TSS EMwmean ROC 570.5 95.216 94.927
calibration validation evaluation
1 0.901 NA NA
2 0.992 NA NA
Figure 187.11: 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 ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ulla_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 0.674689
2 mergedAlgo TSS EMcv temp_min 1 0.667557
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.254831
4 mergedAlgo TSS EMcv temp_season 1 0.254873
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.194397
6 mergedAlgo TSS EMcv prec_season 1 0.277821Par variable :
Figure 187.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 187.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
187.3 Projections
187.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulla/current
sp.name : ulla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulla/ulla.AllModels.models.out )
models.projected :
ulla_PA1_RUN1_GAM, ulla_PA1_RUN1_MARS, ulla_PA1_RUN1_MAXNET, ulla_PA1_RUN1_GBM, ulla_PA1_RUN1_ANN, ulla_PA1_RUN1_RF, ulla_PA2_RUN1_GAM, ulla_PA2_RUN1_MARS, ulla_PA2_RUN1_MAXNET, ulla_PA2_RUN1_GBM, ulla_PA2_RUN1_ANN, ulla_PA2_RUN1_RF, ulla_PA3_RUN1_GAM, ulla_PA3_RUN1_MARS, ulla_PA3_RUN1_MAXNET, ulla_PA3_RUN1_GBM, ulla_PA3_RUN1_ANN, ulla_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 187.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 187.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulla/current
sp.name : ulla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulla/ulla.AllModels.ensemble.models.out )
models.projected :
ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 187.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
187.3.2 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/ulla/cont_gre
sp.name : ulla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulla/ulla.AllModels.models.out )
models.projected :
ulla_PA1_RUN1_GAM, ulla_PA1_RUN1_MARS, ulla_PA1_RUN1_MAXNET, ulla_PA1_RUN1_GBM, ulla_PA1_RUN1_ANN, ulla_PA1_RUN1_RF, ulla_PA2_RUN1_GAM, ulla_PA2_RUN1_MARS, ulla_PA2_RUN1_MAXNET, ulla_PA2_RUN1_GBM, ulla_PA2_RUN1_ANN, ulla_PA2_RUN1_RF, ulla_PA3_RUN1_GAM, ulla_PA3_RUN1_MARS, ulla_PA3_RUN1_MAXNET, ulla_PA3_RUN1_GBM, ulla_PA3_RUN1_ANN, ulla_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 187.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 187.18: 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/ulla/cont_gre
sp.name : ulla
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulla/ulla.AllModels.ensemble.models.out )
models.projected :
ulla_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulla_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 187.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
187.3.3 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 187.20: 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 187.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 187.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 187.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
187.4 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)
187.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 187.24: 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 187.25: 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 187.26: 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 187.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
187.4.2 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>
1 212 417 513 529.3470 656 819 0 2000
2 238 365 529 503.1988 631 826 126 2040
3 135 339 487 467.4657 578 846 126 2060
4 186 339 474 471.7737 594 864 126 2080
5 292 355 493 487.0752 604 855 126 2100
6 244 367 540 517.9502 650 838 245 2040
7 106 301 409 411.4299 532 778 245 2060
8 122 315 390 417.4151 537 827 245 2080
9 124 306 337 348.6003 430 682 245 2100
10 99 354 496 476.3946 597 765 370 2040
11 126 318 443 438.7565 550 815 370 2060
12 123 284 324 325.5883 397 668 370 2080
13 113 131 137 156.1969 167 431 370 2100
14 219 354 495 481.7607 604 840 585 2040
15 121 310 389 397.4535 523 769 585 2060
16 114 133 140 170.9044 200 451 585 2080
17 116 133 157 174.6100 216 312 585 2100
Figure 187.28: 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.