234 Ulmus minor
234.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.g4pk6j
Format: SIMPLE_CSV
Download key: 0261019-230224095556074
Created: 2023-05-25T13:28:32.098+00:00
Modified: 2023-05-25T13:39:25.665+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0261019-230224095556074.zip
Total records: 139683Conversion 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 139683 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.849688 ymin: -43.575412 xmax: 174.854435 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 139,683 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 2827424967 9360958c-3534-4d… adc798ac-cf… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
2 2829643127 9360958c-3534-4d… d5f6bfe5-3e… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
3 1108093739 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
4 1108521786 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
5 1106431059 75956ee6-1a2b-4f… http://digi… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
6 1106562177 75956ee6-1a2b-4f… http://digi… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
7 1110457778 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
8 1110608446 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
9 1110831546 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
10 1108068801 75956ee6-1a2b-4f… http://cbnb… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
# ℹ 139,673 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 139 683 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 234.1: Occurrences de Ulmus minor dans le monde.
234.1.1 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] 0.9986898907[1] 0.0005154528468[1] 7.159067317e-06
Figure 234.2: Occurrence de Ulmus minor dans la région d’endémisme.
234.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
117814 11065 10621 [1] 92.06810036
Figure 234.3: Occurrence de Ulmus minor 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] 128435234.1.3 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: -9.472778 ymin: 31.793848 xmax: 46.38027 ymax: 63.434
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 1106433226 75956ee6-1a2b-4f… "http://dig… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
2 1109437107 75956ee6-1a2b-4f… "http://cbn… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
3 2610987046 50c9509d-22c7-4a… "https://ww… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
4 2506515117 dd238f50-f594-4e… "df7e8e4d-6… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
5 1286310119 740df67d-5663-41… "F0253B82-8… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
6 22725930 857aa892-f762-11… "" Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
7 22689138 857aa892-f762-11… "" Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
8 871511077 271c444f-f8d8-49… "INBO:FLORA… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
9 1121911907 75956ee6-1a2b-4f… "http://cbn… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus …
10 3488032219 dd238f50-f594-4e… "3f64c63f-9… 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>, …
234.2 Modélisation de la niche climatique
234.2.1 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 : -9.472778, 46.38027, 31.79385, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulmi 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 = ulmi
24957 presences, 0 true absences and 72853 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-12.091 Min. : 0.0
1st Qu.:20.71 1st Qu.: -8.708 1st Qu.: 8.199 1st Qu.: 586.6
Median :24.32 Median : -1.664 Median : 12.633 Median : 717.1
Mean :25.16 Mean : -3.718 Mean : 12.131 Mean : 745.3
3rd Qu.:28.18 3rd Qu.: 1.332 3rd Qu.: 16.136 3rd Qu.: 894.9
Max. :45.60 Max. : 12.124 Max. : 26.293 Max. :1375.5
prec_wet_quart prec_season
Min. : 5.0 Min. : 5.671
1st Qu.: 172.0 1st Qu.: 20.252
Median : 210.0 Median : 30.668
Mean : 212.3 Mean : 34.138
3rd Qu.: 245.0 3rd Qu.: 39.451
Max. :1260.0 Max. :123.521
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 234.5: 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 : 174828, 2 (geometries, attributes)
extent : -10.52083, 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 234.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
234.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ulmi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ulmi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ulmi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulmi 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 : ulmi_PA1
-=-=-=--=-=-=- ulmi_PA1_RUN1
-=-=-=- Run : ulmi_PA2
-=-=-=--=-=-=- ulmi_PA2_RUN1
-=-=-=- Run : ulmi_PA3
-=-=-=--=-=-=- ulmi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=234.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 636.0 96.078
2 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 634.5 96.103
3 ulmi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 398.0 97.090
4 ulmi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 402.5 97.005
5 ulmi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 349.0 96.759
6 ulmi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 353.5 96.589
specificity calibration validation evaluation
1 61.445 0.575 0.569 NA
2 61.425 0.694 0.688 NA
3 87.040 0.841 0.838 NA
4 87.140 0.968 0.965 NA
5 88.915 0.857 0.853 NA
6 89.125 0.970 0.968 NA
Figure 234.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
234.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.393594
2 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.164972
3 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.034836
4 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.523580
5 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.011579
6 ulmi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.022801
Figure 234.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 234.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
234.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ulmi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulmi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=234.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ulmi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulmi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 586.0 95.785 94.854
2 mergedAlgo TSS EMwmean ROC 527.5 96.963 93.724
calibration validation evaluation
1 0.907 NA NA
2 0.991 NA NA
Figure 234.11: 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 ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ulmi_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 0.165716
2 mergedAlgo TSS EMcv temp_min 1 0.164136
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.030573
4 mergedAlgo TSS EMcv temp_season 1 0.339697
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.077220
6 mergedAlgo TSS EMcv prec_season 1 0.169036Par variable :
Figure 234.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 234.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
234.3 Projections
234.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulmi/current
sp.name : ulmi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulmi/ulmi.AllModels.models.out )
models.projected :
ulmi_PA1_RUN1_GAM, ulmi_PA1_RUN1_MARS, ulmi_PA1_RUN1_MAXNET, ulmi_PA1_RUN1_GBM, ulmi_PA1_RUN1_RF, ulmi_PA2_RUN1_GAM, ulmi_PA2_RUN1_MARS, ulmi_PA2_RUN1_MAXNET, ulmi_PA2_RUN1_GBM, ulmi_PA2_RUN1_RF, ulmi_PA3_RUN1_GAM, ulmi_PA3_RUN1_MARS, ulmi_PA3_RUN1_MAXNET, ulmi_PA3_RUN1_GBM, ulmi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 234.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 234.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulmi/current
sp.name : ulmi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulmi/ulmi.AllModels.ensemble.models.out )
models.projected :
ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulmi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 234.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
234.3.2 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/ulmi/cont_gre
sp.name : ulmi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulmi/ulmi.AllModels.models.out )
models.projected :
ulmi_PA1_RUN1_GAM, ulmi_PA1_RUN1_MARS, ulmi_PA1_RUN1_MAXNET, ulmi_PA1_RUN1_GBM, ulmi_PA1_RUN1_RF, ulmi_PA2_RUN1_GAM, ulmi_PA2_RUN1_MARS, ulmi_PA2_RUN1_MAXNET, ulmi_PA2_RUN1_GBM, ulmi_PA2_RUN1_RF, ulmi_PA3_RUN1_GAM, ulmi_PA3_RUN1_MARS, ulmi_PA3_RUN1_MAXNET, ulmi_PA3_RUN1_GBM, ulmi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 234.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 234.18: 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/ulmi/cont_gre
sp.name : ulmi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulmi/ulmi.AllModels.ensemble.models.out )
models.projected :
ulmi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, ulmi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 234.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
234.3.3 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 234.20: 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 234.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 234.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 234.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
234.4 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)
234.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 234.24: 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 234.25: 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 234.26: 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 234.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
234.4.2 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>
1 190 522 586 589.7692 688 826 0 2000
2 216 444 580 552.9482 682 825 126 2040
3 183 404 552 519.0916 645 805 126 2060
4 195 397 544 520.7380 653 801 126 2080
5 217 427 576 542.2483 671 811 126 2100
6 219 440 581 558.3143 695 812 245 2040
7 125 340 490 457.4535 565 754 245 2060
8 130 327 489 462.7881 581 789 245 2080
9 121 284 432 402.7684 505 701 245 2100
10 142 404 544 516.5742 642 815 370 2040
11 134 362 513 484.4824 598 798 370 2060
12 114 255 421 386.5333 497 709 370 2080
13 92 137 207 203.2459 255 444 370 2100
14 217 418 555 530.1960 656 799 585 2040
15 122 316 471 438.9313 547 724 585 2060
16 107 141 231 225.4809 287 457 585 2080
17 76 137 156 157.7531 175 280 585 2100
Figure 234.28: 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.