96 Ulmus pumila
96.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.3v2fzf
Format: SIMPLE_CSV
Download key: 0252272-230224095556074
Created: 2023-05-20T13:14:26.031+00:00
Modified: 2023-05-20T13:15:14.181+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252272-230224095556074.zip
Total records: 5076Conversion 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 3438 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.361843 ymin: -38.885833 xmax: 143.87161 ymax: 60.968693
Geodetic CRS: WGS 84
# A tibble: 3,438 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
# ℹ 3,428 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 3 438 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 96.1: Occurrences de Ulmus pumila dans le monde.
96.1.1 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] 0.1771378709[1] 0.5703897615[1] 0.1352530541
Figure 96.2: Occurrence de Ulmus pumila dans la région d’endémisme.
96.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
425 949 587 [1] 51.6063233
Figure 96.3: Occurrence de Ulmus pumila 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] 101296.1.3 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 1012 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.161667 ymin: 24.82 xmax: -60.290122 ymax: 50.757672
Geodetic CRS: WGS 84
# A tibble: 1,012 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
2 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
5 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
6 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
8 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
10 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Ulmac… Ulmus Ulmus … ""
# ℹ 1,002 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>, …
96.2 Modélisation de la niche climatique
96.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1012, 0 (geometries, attributes)
extent : -123.1617, -60.29012, 24.82, 50.75767 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulpu 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 = ulpu
1012 presences, 0 true absences and 3035 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.596 Min. :-10.04 Min. : 0.0
1st Qu.:24.16 1st Qu.:-15.244 1st Qu.: 12.38 1st Qu.: 758.8
Median :28.38 Median : -8.900 Median : 17.37 Median : 888.9
Mean :27.66 Mean : -8.721 Mean : 16.08 Mean : 887.0
3rd Qu.:31.42 3rd Qu.: -2.872 3rd Qu.: 21.42 3rd Qu.:1074.8
Max. :42.85 Max. : 22.400 Max. : 33.30 Max. :1458.4
prec_wet_quart prec_season
Min. : 27.0 Min. : 5.865
1st Qu.: 184.0 1st Qu.: 23.154
Median : 275.0 Median : 42.288
Mean : 290.6 Mean : 43.836
3rd Qu.: 332.0 3rd Qu.: 59.209
Max. :1653.0 Max. :126.296
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 96.5: 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 : 7084, 2 (geometries, attributes)
extent : -129.7292, -52.89583, 13.0625, 54.97917 (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 96.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
96.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for ulpu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for ulpu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for ulpu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= ulpu 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 : ulpu_PA1
-=-=-=--=-=-=- ulpu_PA1_RUN1
-=-=-=- Run : ulpu_PA2
-=-=-=--=-=-=- ulpu_PA2_RUN1
-=-=-=- Run : ulpu_PA3
-=-=-=--=-=-=- ulpu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=96.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 576.0 90.864
2 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 575.0 90.864
3 ulpu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 599.0 79.136
4 ulpu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 585.0 80.000
5 ulpu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 445.0 88.025
6 ulpu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 445.5 88.025
specificity calibration validation evaluation
1 56.667 0.475 0.446 NA
2 56.667 0.718 0.685 NA
3 81.111 0.606 0.599 NA
4 80.741 0.886 0.881 NA
5 75.062 0.632 0.614 NA
6 75.185 0.894 0.881 NA
Figure 96.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
96.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.130104
2 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.627973
3 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.101010
4 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.126569
5 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.033056
6 ulpu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.186636
Figure 96.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 96.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
96.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : ulpu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed: ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: ulpu_EMcvByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=96.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 636 92.49 92.554
2 mergedAlgo TSS EMwmean ROC 637 92.49 92.586
calibration validation evaluation
1 0.851 NA NA
2 0.979 NA NA
Figure 96.11: 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 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo expl.var rand var.imp
1 mergedAlgo TSS EMwmean temp_max_august 1 0.194733
2 mergedAlgo TSS EMwmean temp_min 1 0.163337
3 mergedAlgo TSS EMwmean temp_wet_quart 1 0.086687
4 mergedAlgo TSS EMwmean temp_season 1 0.125640
5 mergedAlgo TSS EMwmean prec_wet_quart 1 0.126893
6 mergedAlgo TSS EMwmean prec_season 1 0.068886Par variable :
Figure 96.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 96.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
96.3 Projections
96.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulpu/current
sp.name : ulpu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulpu/ulpu.AllModels.models.out )
models.projected :
ulpu_PA1_RUN1_GAM, ulpu_PA1_RUN1_MARS, ulpu_PA1_RUN1_MAXNET, ulpu_PA1_RUN1_GBM, ulpu_PA1_RUN1_ANN, ulpu_PA1_RUN1_RF, ulpu_PA2_RUN1_GAM, ulpu_PA2_RUN1_MARS, ulpu_PA2_RUN1_MAXNET, ulpu_PA2_RUN1_GBM, ulpu_PA2_RUN1_ANN, ulpu_PA2_RUN1_RF, ulpu_PA3_RUN1_GAM, ulpu_PA3_RUN1_MARS, ulpu_PA3_RUN1_MAXNET, ulpu_PA3_RUN1_GBM, ulpu_PA3_RUN1_ANN, ulpu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 96.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 96.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/ulpu/current
sp.name : ulpu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulpu/ulpu.AllModels.ensemble.models.out )
models.projected : ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 96.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
96.3.2 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/ulpu/cont_gre
sp.name : ulpu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulpu/ulpu.AllModels.models.out )
models.projected :
ulpu_PA1_RUN1_GAM, ulpu_PA1_RUN1_MARS, ulpu_PA1_RUN1_MAXNET, ulpu_PA1_RUN1_GBM, ulpu_PA1_RUN1_ANN, ulpu_PA1_RUN1_RF, ulpu_PA2_RUN1_GAM, ulpu_PA2_RUN1_MARS, ulpu_PA2_RUN1_MAXNET, ulpu_PA2_RUN1_GBM, ulpu_PA2_RUN1_ANN, ulpu_PA2_RUN1_RF, ulpu_PA3_RUN1_GAM, ulpu_PA3_RUN1_MARS, ulpu_PA3_RUN1_MAXNET, ulpu_PA3_RUN1_GBM, ulpu_PA3_RUN1_ANN, ulpu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 96.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 96.18: 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/ulpu/cont_gre
sp.name : ulpu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/ulpu/ulpu.AllModels.ensemble.models.out )
models.projected : ulpu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 96.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
96.3.3 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 96.20: 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 96.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 96.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 96.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
96.4 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)
96.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 96.24: 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 96.25: 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 96.26: 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 96.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
96.4.2 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 2 106 200 211.4990 322 446 0 2000
2 16 202 290 259.6632 328 434 126 2040
3 36 214 294 266.9634 330 428 126 2060
4 28 218 278 261.3012 328 418 126 2080
5 24 208 280 260.1364 334 424 126 2100
6 22 208 278 259.8449 322 418 245 2040
7 40 214 278 262.5611 324 428 245 2060
8 54 232 256 265.6753 314 422 245 2080
9 44 216 238 239.8356 262 420 245 2100
10 36 198 286 256.0096 322 430 370 2040
11 38 222 274 269.0063 332 412 370 2060
12 64 206 234 241.9712 266 442 370 2080
13 52 216 234 234.7665 258 406 370 2100
14 24 206 276 254.1068 322 414 585 2040
15 48 222 248 247.7372 276 396 585 2060
16 28 232 250 246.5734 266 462 585 2080
17 94 234 254 253.3769 268 448 585 2100
Figure 96.28: 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.