6 Zelkova serrata
6.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.h94sq6
Format: SIMPLE_CSV
Download key: 0251905-230224095556074
Created: 2023-05-20T08:50:55.352+00:00
Modified: 2023-05-20T08:52:07.546+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0251905-230224095556074.zip
Total records: 50781Conversion 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 1845 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.30861 ymin: 22.166213 xmax: 141.9818 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,845 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
2 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
3 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
4 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
5 3.e9 5f06e39d-… USFS - New … Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
6 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
7 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
8 3.e9 c4e1739b-… BISON:New Y… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
9 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
10 3.e9 d1e9202b-… NYCstreetTr… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
# ℹ 1,835 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …Il y a 1 845 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 6.1: Occurrences de Zelkova serrata dans le monde.
6.1.1 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] 0.04552845528[1] 0.1035230352[1] 0.8509485095
Figure 6.2: Occurrence de Zelkova serrata dans la région d’endémisme.
6.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
809 757 4 [1] 51.78343949
Figure 6.3: Occurrence de Zelkova serrata 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] 8136.1.3 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 813 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 115.98 ymin: 22.166213 xmax: 141.9818 ymax: 43.189
Geodetic CRS: WGS 84
# A tibble: 813 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 6e8 80fc4302-… eaec172e-f1… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
2 6e8 80fc4302-… eaebef42-f1… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
3 6e8 80fc4302-… e9a1a6cc-f1… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
4 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
5 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
6 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
7 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
8 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
9 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
10 4e9 2507f17c-… urn:catalog… Plantae Trach… Magn… Rosa… Ulmac… Zelk… Zelkov… NA
# ℹ 803 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 <lgl>, depthAccuracy <lgl>, eventDate <dttm>,
# day <int>, month <int>, year <int>, taxonKey <int>, speciesKey <int>, basisOfRecord <chr>, …
6.2 Modélisation de la niche climatique
6.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 813, 0 (geometries, attributes)
extent : 115.98, 141.9818, 22.166213, 43.189 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= zese 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 = zese
806 presences, 0 true absences and 2439 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart
Min. : 5.03600 Min. :-42.883999 Min. :-13.55800 Min. : 30.04011 Min. : 12.000
1st Qu.:22.38800 1st Qu.:-21.500000 1st Qu.: 15.74800 1st Qu.: 733.99078 1st Qu.: 204.000
Median :27.13200 Median : -6.604000 Median : 20.61533 Median : 856.20105 Median : 415.000
Mean :25.69301 Mean : -8.936503 Mean : 19.19649 Mean : 928.66897 Mean : 473.522
3rd Qu.:29.80000 3rd Qu.: 0.748000 3rd Qu.: 23.60133 3rd Qu.:1273.84497 3rd Qu.: 648.000
Max. :39.30000 Max. : 22.992001 Max. : 33.96733 Max. :1908.30566 Max. :3293.000
prec_season
Min. : 13.66652
1st Qu.: 49.60432
Median : 75.84658
Mean : 76.53159
3rd Qu.:100.97007
Max. :167.35172
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 6.5: 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 : 5663, 2 (geometries, attributes)
extent : 68.02083333, 144.8958333, 3.020833333, 56.97916667 (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 11
"**Presences**" "Presences (calibration)" "Presences (validation)"
12 19 20
"Presences (evaluation)" "**True Absences**" "True Absences (calibration)"
21 22 29
"True Absences (validation)" "True Absences (evaluation)" "**Pseudo-Absences**"
30 31 1
"Pseudo-Absences (calibration)" "Pseudo-Absences (validation)" "Background"
$data.plot
Figure 6.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
6.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for zese_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for zese_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for zese_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= zese 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 : zese_PA1
-=-=-=--=-=-=- zese_PA1_RUN1
-=-=-=- Run : zese_PA2
-=-=-=--=-=-=- zese_PA2_RUN1
-=-=-=- Run : zese_PA3
-=-=-=--=-=-=- zese_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=6.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity specificity calibration
1 zese_PA1_RUN1_GAM PA1 RUN1 GAM TSS 520.0 100.000 77.231 0.772
2 zese_PA1_RUN1_GAM PA1 RUN1 GAM ROC 517.5 100.000 77.231 0.883
3 zese_PA1_RUN1_MARS PA1 RUN1 MARS TSS 636.0 97.674 96.615 0.943
4 zese_PA1_RUN1_MARS PA1 RUN1 MARS ROC 641.5 97.674 96.769 0.989
5 zese_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 313.0 98.760 93.692 0.925
6 zese_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 383.5 96.899 95.692 0.987
validation evaluation
1 0.705 NA
2 0.845 NA
3 0.926 NA
4 0.989 NA
5 0.902 NA
6 0.986 NA
Figure 6.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
6.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 zese_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.268631
2 zese_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.637591
3 zese_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.159488
4 zese_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.183520
5 zese_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.431368
6 zese_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.450361
Figure 6.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 6.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
6.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : zese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
models computed:
zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, zese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=6.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run merged.by.algo
1 zese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
2 zese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo
filtered.by algo metric.eval cutoff sensitivity specificity calibration validation evaluation
1 TSS EMwmean TSS 564.0 98.015 97.54 0.956 NA NA
2 TSS EMwmean ROC 564.5 98.015 97.54 0.997 NA NA
Figure 6.11: 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 merged.by.algo filtered.by
1 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
2 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
3 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
4 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
5 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
6 zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun mergedAlgo TSS
algo expl.var rand var.imp
1 EMcv temp_max_august 1 0.050111
2 EMcv temp_min 1 0.330643
3 EMcv temp_wet_quart 1 0.072588
4 EMcv temp_season 1 0.117912
5 EMcv prec_wet_quart 1 0.240918
6 EMcv prec_season 1 0.151144Par variable :
Figure 6.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 6.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
6.3 Projections
6.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/zese/current
sp.name : zese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/zese/zese.AllModels.models.out )
models.projected :
zese_PA1_RUN1_GAM, zese_PA1_RUN1_MARS, zese_PA1_RUN1_MAXNET, zese_PA1_RUN1_GBM, zese_PA1_RUN1_RF, zese_PA2_RUN1_GAM, zese_PA2_RUN1_MARS, zese_PA2_RUN1_MAXNET, zese_PA2_RUN1_GBM, zese_PA2_RUN1_RF, zese_PA3_RUN1_GAM, zese_PA3_RUN1_MARS, zese_PA3_RUN1_MAXNET, zese_PA3_RUN1_GBM, zese_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 6.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 6.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/zese/current
sp.name : zese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/zese/zese.AllModels.ensemble.models.out )
models.projected :
zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, zese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 6.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
6.3.2 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/zese/cont_gre
sp.name : zese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/zese/zese.AllModels.models.out )
models.projected :
zese_PA1_RUN1_GAM, zese_PA1_RUN1_MARS, zese_PA1_RUN1_MAXNET, zese_PA1_RUN1_GBM, zese_PA1_RUN1_RF, zese_PA2_RUN1_GAM, zese_PA2_RUN1_MARS, zese_PA2_RUN1_MAXNET, zese_PA2_RUN1_GBM, zese_PA2_RUN1_RF, zese_PA3_RUN1_GAM, zese_PA3_RUN1_MARS, zese_PA3_RUN1_MAXNET, zese_PA3_RUN1_GBM, zese_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 6.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 6.18: 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/zese/cont_gre
sp.name : zese
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season prec_wet_quart prec_season
modeling.id : AllModels ( Output/zese/zese.AllModels.ensemble.models.out )
models.projected :
zese_EMcvByTSS_mergedData_mergedRun_mergedAlgo, zese_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 6.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
6.3.3 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 6.20: 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 6.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 6.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 6.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
6.4 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)
6.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 6.24: 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 6.25: 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 6.26: 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 6.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
6.4.2 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>
1 261 325 345 351.3203 372 599 0 2000
2 185 269 302 309.8161 340 526 126 2040
3 161 220 260 270.0572 323 516 126 2060
4 167 235 283 288.6528 334 586 126 2080
5 160 211 254 269.0469 324 576 126 2100
6 172 254 296 301.0684 337 512 245 2040
7 173 236 281 286.0936 334 537 245 2060
8 164 207 249 258.8713 318 419 245 2080
9 162 196 213 240.1829 292 419 245 2100
10 193 277 310 317.0394 345 533 370 2040
11 160 207 245 258.8968 315 498 370 2060
12 162 196 209 236.4469 287 367 370 2080
13 141 184 204 235.5459 320 362 370 2100
14 172 254 294 302.7403 338 587 585 2040
15 163 200 234 252.7169 312 497 585 2060
16 158 193 207 238.6585 321 375 585 2080
17 127 179 275 252.4910 319 347 585 2100
Figure 6.28: 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.