235 Vitex agnus-castus
235.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.j42k5d
Format: SIMPLE_CSV
Download key: 0261037-230224095556074
Created: 2023-05-25T13:40:14.411+00:00
Modified: 2023-05-25T13:41:32.861+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0261037-230224095556074.zip
Total records: 10479Conversion 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 10479 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.4 ymin: -41.533333 xmax: 147.116667 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 10,479 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 923917271 50c9509d-22c7-4a2… http://www.… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
2 911505957 50c9509d-22c7-4a2… http://www.… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
3 910471975 837acfc2-f762-11e… HSS:HSS:274… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
4 910471963 837acfc2-f762-11e… HSS:HSS:274… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
5 910471878 837acfc2-f762-11e… HSS:HSS:273… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
6 910471826 837acfc2-f762-11e… HSS:HSS:273… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
7 910471766 837acfc2-f762-11e… HSS:HSS:273… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
8 910461135 837acfc2-f762-11e… HSS:HSS:494… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
9 895293856 834a4794-f762-11e… 36C0AA4A-DE… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
10 895233907 834a4794-f762-11e… D2FF5AC6-74… Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
# ℹ 10,469 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 10 479 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 235.1: Occurrences de Vitex agnus-castus dans le monde.
235.1.1 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] 0.8303273213[1] 0.158889207[1] 0.0007634316252
Figure 235.2: Occurrence de Vitex agnus-castus dans la région d’endémisme.
235.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
7776 833 92 [1] 90.42638777
Figure 235.3: Occurrence de Vitex agnus-castus 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] 7868235.1.3 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 7868 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -10.057403 ymin: 29.398861 xmax: 45.858378 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 7,868 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 86425969 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
2 86425966 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
3 86425964 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
4 86425950 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
5 86424718 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
6 48921243 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
7 48889321 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
8 48885758 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
9 48884605 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
10 48883330 8582b50a-f762-11e1… "" Plantae Trach… Magn… Lami… Lamia… Vitex Vitex …
# ℹ 7,858 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>, …
235.2 Modélisation de la niche climatique
235.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 7868, 0 (geometries, attributes)
extent : -10.0574, 45.85838, 29.39886, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= viag 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 = viag
7708 presences, 0 true absences and 23393 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 2.484 Min. :-21.980 Min. :-12.310 Min. : 182.8
1st Qu.:20.956 1st Qu.: -8.736 1st Qu.: 9.607 1st Qu.: 583.7
Median :25.828 Median : -0.980 Median : 12.861 Median : 721.4
Mean :25.970 Mean : -2.927 Mean : 12.476 Mean : 746.4
3rd Qu.:29.682 3rd Qu.: 3.400 3rd Qu.: 15.934 3rd Qu.: 894.4
Max. :46.104 Max. : 11.980 Max. : 25.377 Max. :1358.0
prec_wet_quart prec_season
Min. : 5.0 Min. : 7.417
1st Qu.: 175.0 1st Qu.: 26.384
Median : 217.0 Median : 33.581
Mean : 223.3 Mean : 39.674
3rd Qu.: 265.0 3rd Qu.: 46.923
Max. :1261.0 Max. :121.589
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 235.5: 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 : 54436, 2 (geometries, attributes)
extent : -10.47917, 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 235.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
235.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for viag_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for viag_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for viag_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= viag 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 : viag_PA1
-=-=-=--=-=-=- viag_PA1_RUN1
-=-=-=- Run : viag_PA2
-=-=-=--=-=-=- viag_PA2_RUN1
-=-=-=- Run : viag_PA3
-=-=-=--=-=-=- viag_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=235.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 viag_PA1_RUN1_GAM PA1 RUN1 GAM TSS 616.0 97.713
2 viag_PA1_RUN1_GAM PA1 RUN1 GAM ROC 619.5 97.697
3 viag_PA1_RUN1_MARS PA1 RUN1 MARS TSS 534.0 94.389
4 viag_PA1_RUN1_MARS PA1 RUN1 MARS ROC 536.5 94.324
5 viag_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 353.0 95.475
6 viag_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 352.5 95.475
specificity calibration validation evaluation
1 67.541 0.652 0.645 NA
2 67.572 0.815 0.812 NA
3 89.784 0.842 0.843 NA
4 89.879 0.969 0.968 NA
5 88.370 0.838 0.837 NA
6 88.370 0.969 0.969 NA
Figure 235.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
235.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 viag_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.198583
2 viag_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.567440
3 viag_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.002414
4 viag_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.112126
5 viag_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.001288
6 viag_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.002146
Figure 235.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 235.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
235.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : viag
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo, viag_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=235.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 viag_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 viag_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 510.0 96.497 90.933
2 mergedAlgo TSS EMwmean ROC 509.5 96.497 90.933
calibration validation evaluation
1 0.874 NA NA
2 0.986 NA NA
Figure 235.11: 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 viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 viag_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 0.116399
2 mergedAlgo TSS EMcv temp_min 1 0.678741
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.019635
4 mergedAlgo TSS EMcv temp_season 1 0.054151
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.120010
6 mergedAlgo TSS EMcv prec_season 1 0.059620Par variable :
Figure 235.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 235.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
235.3 Projections
235.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/viag/current
sp.name : viag
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/viag/viag.AllModels.models.out )
models.projected :
viag_PA1_RUN1_GAM, viag_PA1_RUN1_MARS, viag_PA1_RUN1_MAXNET, viag_PA1_RUN1_GBM, viag_PA1_RUN1_ANN, viag_PA1_RUN1_RF, viag_PA2_RUN1_GAM, viag_PA2_RUN1_MARS, viag_PA2_RUN1_MAXNET, viag_PA2_RUN1_GBM, viag_PA2_RUN1_RF, viag_PA3_RUN1_GAM, viag_PA3_RUN1_MARS, viag_PA3_RUN1_MAXNET, viag_PA3_RUN1_GBM, viag_PA3_RUN1_ANN, viag_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 235.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 235.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/viag/current
sp.name : viag
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/viag/viag.AllModels.ensemble.models.out )
models.projected :
viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo, viag_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 235.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
235.3.2 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/viag/cont_gre
sp.name : viag
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/viag/viag.AllModels.models.out )
models.projected :
viag_PA1_RUN1_GAM, viag_PA1_RUN1_MARS, viag_PA1_RUN1_MAXNET, viag_PA1_RUN1_GBM, viag_PA1_RUN1_ANN, viag_PA1_RUN1_RF, viag_PA2_RUN1_GAM, viag_PA2_RUN1_MARS, viag_PA2_RUN1_MAXNET, viag_PA2_RUN1_GBM, viag_PA2_RUN1_RF, viag_PA3_RUN1_GAM, viag_PA3_RUN1_MARS, viag_PA3_RUN1_MAXNET, viag_PA3_RUN1_GBM, viag_PA3_RUN1_ANN, viag_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 235.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 235.18: 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/viag/cont_gre
sp.name : viag
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/viag/viag.AllModels.ensemble.models.out )
models.projected :
viag_EMcvByTSS_mergedData_mergedRun_mergedAlgo, viag_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 235.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
235.3.3 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 235.20: 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 235.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 235.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 235.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
235.4 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)
235.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 235.24: 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 235.25: 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 235.26: 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 235.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
235.4.2 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 24 111 265 321.7416 544 782 0 2000
2 59 495 631 589.2436 745 821 126 2040
3 104 565 702 651.0562 772 832 126 2060
4 106 573 701 654.9439 771 839 126 2080
5 118 591 717 669.4669 781 840 126 2100
6 92 549 670 634.9338 759 827 245 2040
7 137 564 713 657.7142 771 828 245 2060
8 263 633 771 720.7994 804 853 245 2080
9 281 630 773 724.6510 816 857 245 2100
10 57 475 607 569.9056 728 809 370 2040
11 174 604 742 690.6213 787 844 370 2060
12 285 633 792 731.2004 820 856 370 2080
13 281 602 729 701.9739 810 854 370 2100
14 66 515 645 604.2346 752 829 585 2040
15 271 632 767 720.0016 802 850 585 2060
16 279 606 743 711.9135 818 852 585 2080
17 245 570 628 626.1630 677 839 585 2100
Figure 235.28: 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.