188 Abies concolor
188.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.dt3k49
Format: SIMPLE_CSV
Download key: 0260722-230224095556074
Created: 2023-05-25T09:00:31.115+00:00
Modified: 2023-05-25T09:01:43.138+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260722-230224095556074.zip
Total records: 4456Conversion 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 4456 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124 ymin: -39.885362 xmax: 174.870809 ymax: 63.7405
Geodetic CRS: WGS 84
# A tibble: 4,456 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3051299578 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
2 3118088142 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
3 3118074141 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
4 3051065145 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
5 3117895780 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
6 932164738 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
7 932008138 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
8 931290700 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
9 931265034 38b4c89f-584c-41… urn:lsid:ar… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
10 930741857 0096dfc0-9925-47… http://bioi… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
# ℹ 4,446 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …Il y a 4 456 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 188.1: Occurrences de Abies concolor dans le monde.
188.1.1 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] 0.3496409336[1] 0.6501346499[1] 0
Figure 188.2: Occurrence de Abies concolor dans la région d’endémisme.
188.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
841 1695 361 [1] 41.49119779
Figure 188.3: Occurrence de Abies concolor 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] 1202188.1.3 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 1202 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124 ymin: 28.256 xmax: -71.32946 ymax: 47.781256
Geodetic CRS: WGS 84
# A tibble: 1,202 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3051299578 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
2 3118088142 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
3 3118074141 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
4 3051065145 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
5 3117895780 5f06e39d-81cf-46… USFS - New … Plantae Trach… Pino… Pina… Pinac… Abies Abies …
6 930741857 0096dfc0-9925-47… http://bioi… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
7 899961005 50c9509d-22c7-4a… http://www.… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
8 891745043 50c9509d-22c7-4a… http://www.… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
9 891131954 50c9509d-22c7-4a… http://www.… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
10 891100862 50c9509d-22c7-4a… http://www.… Plantae Trach… Pino… Pina… Pinac… Abies Abies …
# ℹ 1,192 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …
188.2 Modélisation de la niche climatique
188.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1202, 0 (geometries, attributes)
extent : -124, -71.32946, 28.256, 47.78126 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= abco 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 = abco
1202 presences, 0 true absences and 3603 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :13.48 Min. :-30.536 Min. :-12.367 Min. : 57.99
1st Qu.:22.76 1st Qu.:-14.480 1st Qu.: 8.838 1st Qu.: 651.01
Median :26.42 Median : -7.152 Median : 15.363 Median : 803.02
Mean :26.68 Mean : -8.097 Mean : 13.993 Mean : 827.79
3rd Qu.:30.69 3rd Qu.: -2.116 3rd Qu.: 19.621 3rd Qu.:1021.02
Max. :44.08 Max. : 22.272 Max. : 33.180 Max. :1458.27
prec_wet_quart prec_season
Min. : 29.0 Min. : 5.664
1st Qu.: 203.0 1st Qu.: 26.869
Median : 298.0 Median : 50.092
Mean : 312.1 Mean : 49.332
3rd Qu.: 359.0 3rd Qu.: 67.167
Max. :1773.0 Max. :132.751
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 188.5: 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 : 8414, 2 (geometries, attributes)
extent : -129.7292, -52.85417, 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 188.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
188.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for abco_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for abco_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for abco_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= abco 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 : abco_PA1
-=-=-=--=-=-=- abco_PA1_RUN1
-=-=-=- Run : abco_PA2
-=-=-=--=-=-=- abco_PA2_RUN1
-=-=-=- Run : abco_PA3
-=-=-=--=-=-=- abco_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=188.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 abco_PA1_RUN1_GAM PA1 RUN1 GAM TSS 677.0 95.114
2 abco_PA1_RUN1_GAM PA1 RUN1 GAM ROC 678.5 95.114
3 abco_PA1_RUN1_MARS PA1 RUN1 MARS TSS 622.0 92.931
4 abco_PA1_RUN1_MARS PA1 RUN1 MARS ROC 623.5 92.931
5 abco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 338.0 94.802
6 abco_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 334.5 95.114
specificity calibration validation evaluation
1 80.769 0.759 0.700 NA
2 80.769 0.896 0.871 NA
3 94.075 0.870 0.833 NA
4 94.075 0.978 0.967 NA
5 93.243 0.883 0.842 NA
6 93.243 0.982 0.963 NA
Figure 188.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
188.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 abco_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.061047
2 abco_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.288507
3 abco_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.102701
4 abco_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.905124
5 abco_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.079302
6 abco_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.096946
Figure 188.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 188.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
188.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : abco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=188.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 abco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 496.0 94.759 95.309
2 mergedAlgo TSS EMwmean ROC 490.5 94.925 95.282
calibration validation evaluation
1 0.901 NA NA
2 0.991 NA NA
Figure 188.11: 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 abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 abco_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 0.089249
2 mergedAlgo TSS EMcv temp_min 1 0.134135
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.080420
4 mergedAlgo TSS EMcv temp_season 1 0.631479
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.067016
6 mergedAlgo TSS EMcv prec_season 1 0.062317Par variable :
Figure 188.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 188.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
188.3 Projections
188.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abco/current
sp.name : abco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abco/abco.AllModels.models.out )
models.projected :
abco_PA1_RUN1_GAM, abco_PA1_RUN1_MARS, abco_PA1_RUN1_MAXNET, abco_PA1_RUN1_GBM, abco_PA1_RUN1_ANN, abco_PA1_RUN1_RF, abco_PA2_RUN1_GAM, abco_PA2_RUN1_MARS, abco_PA2_RUN1_MAXNET, abco_PA2_RUN1_GBM, abco_PA2_RUN1_ANN, abco_PA2_RUN1_RF, abco_PA3_RUN1_GAM, abco_PA3_RUN1_MARS, abco_PA3_RUN1_MAXNET, abco_PA3_RUN1_GBM, abco_PA3_RUN1_ANN, abco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 188.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 188.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/abco/current
sp.name : abco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abco/abco.AllModels.ensemble.models.out )
models.projected :
abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 188.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
188.3.2 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/abco/cont_gre
sp.name : abco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abco/abco.AllModels.models.out )
models.projected :
abco_PA1_RUN1_GAM, abco_PA1_RUN1_MARS, abco_PA1_RUN1_MAXNET, abco_PA1_RUN1_GBM, abco_PA1_RUN1_ANN, abco_PA1_RUN1_RF, abco_PA2_RUN1_GAM, abco_PA2_RUN1_MARS, abco_PA2_RUN1_MAXNET, abco_PA2_RUN1_GBM, abco_PA2_RUN1_ANN, abco_PA2_RUN1_RF, abco_PA3_RUN1_GAM, abco_PA3_RUN1_MARS, abco_PA3_RUN1_MAXNET, abco_PA3_RUN1_GBM, abco_PA3_RUN1_ANN, abco_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 188.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 188.18: 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/abco/cont_gre
sp.name : abco
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/abco/abco.AllModels.ensemble.models.out )
models.projected :
abco_EMcvByTSS_mergedData_mergedRun_mergedAlgo, abco_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 188.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
188.3.3 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 188.20: 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 188.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 188.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 188.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
188.4 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)
188.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 188.24: 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 188.25: 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 188.26: 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 188.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
188.4.2 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 61 454 562 497.83072 602 631 0 2000
2 40 265 556 444.77232 583 615 126 2040
3 35 189 491 399.67096 560 608 126 2060
4 35 182 502 399.83998 562 607 126 2080
5 35 184 480 387.76927 544 598 126 2100
6 35 230 542 429.58582 576 612 245 2040
7 34 148 468 377.41883 552 601 245 2060
8 32 107 406 326.74475 483 579 245 2080
9 31 86 335 286.74950 441 556 245 2100
10 39 253 558 444.09429 584 613 370 2040
11 32 144 453 363.13548 521 594 370 2060
12 32 77 294 263.23271 419 562 370 2080
13 27 47 104 128.77238 193 450 370 2100
14 36 234 546 430.92128 573 611 585 2040
15 31 111 409 326.65544 474 568 585 2060
16 30 51 136 166.32414 264 497 585 2080
17 28 36 54 59.58924 73 279 585 2100
Figure 188.28: 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.