300 Buddleja globosa
300.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.ndduja
Format: SIMPLE_CSV
Download key: 0018405-230828120925497
Created: 2023-09-16T12:26:03.584+00:00
Modified: 2023-09-16T12:26:58.183+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018405-230828120925497.zip
Total records: 991Conversion 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 991 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -176.5595 ymin: -51.72655 xmax: 175.4396 ymax: 60.15523
Geodetic CRS: WGS 84
# A tibble: 991 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 890181472 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
2 790013901 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
3 790003818 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
4 575316791 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
5 575169928 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
6 574880204 bf2a4bf0-5f3… http://data… Plantae Trach… Magn… Lami… Scrop… Budd…
7 4407386752 50c9509d-22c… https://www… Plantae Trach… Magn… Lami… Scrop… Budd…
8 4404999014 50c9509d-22c… https://www… Plantae Trach… Magn… Lami… Scrop… Budd…
9 4403288704 ad973bc4-c2b… UCh:AGUCH:5… Plantae Trach… Magn… Lami… Scrop… Budd…
10 4403288686 ad973bc4-c2b… UCh:AGUCH:3… Plantae Trach… Magn… Lami… Scrop… Budd…
# ℹ 981 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <lgl>,
# 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>, …Il y a 991 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 300.1: Occurrences de Buddleja globosa dans le monde.
300.1.1 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] 0.8365288[1] 0[1] 0
Figure 300.2: Occurrence de Buddleja globosa dans la région d’endémisme.
300.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
557
CC_BY_NC_4_0
31
CC0_1_0
8
https://creativecommons.org/licenses/by-nc/4.0/legalcode
197
https://creativecommons.org/licenses/by/4.0/legalcode
33
https://creativecommons.org/publicdomain/zero/1.0/legalcode
3 [1] 72.49698
Figure 300.3: Occurrence de Buddleja globosa 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] 601300.1.3 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 601 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -7.218117 ymin: 43.255 xmax: 2.42118 ymax: 60.15523
Geodetic CRS: WGS 84
# A tibble: 601 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3958786162 14d5676a-2c5… q-101865191… Plantae Trach… Magn… Lami… Scrop… Budd…
2 3958743236 14d5676a-2c5… q-101820289… Plantae Trach… Magn… Lami… Scrop… Budd…
3 3958743103 14d5676a-2c5… q-101816789… Plantae Trach… Magn… Lami… Scrop… Budd…
4 3958742738 14d5676a-2c5… q-101802815… Plantae Trach… Magn… Lami… Scrop… Budd…
5 3958742652 14d5676a-2c5… q-101799443… Plantae Trach… Magn… Lami… Scrop… Budd…
6 3958585897 14d5676a-2c5… q-102337869… Plantae Trach… Magn… Lami… Scrop… Budd…
7 3958565738 14d5676a-2c5… q-101817868… Plantae Trach… Magn… Lami… Scrop… Budd…
8 3958477796 14d5676a-2c5… q-101520344… Plantae Trach… Magn… Lami… Scrop… Budd…
9 3958402373 14d5676a-2c5… q-101821319… Plantae Trach… Magn… Lami… Scrop… Budd…
10 3958330648 14d5676a-2c5… q-102144096… Plantae Trach… Magn… Lami… Scrop… Budd…
# ℹ 591 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <lgl>,
# 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>, …
300.2 Modélisation de la niche climatique
300.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 601, 0 (geometries, attributes)
extent : -7.218117, 2.42118, 43.255, 60.15523 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= bugl 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 = bugl
600 presences, 0 true absences and 1801 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 8.12 Min. :-21.600 Min. :-9.456 Min. : 300.0
1st Qu.:19.72 1st Qu.: -8.112 1st Qu.: 7.053 1st Qu.: 492.2
Median :22.32 Median : -0.508 Median :11.377 Median : 715.2
Mean :24.19 Mean : -3.388 Mean :11.271 Mean : 711.0
3rd Qu.:27.54 3rd Qu.: 1.628 3rd Qu.:15.789 3rd Qu.: 887.3
Max. :45.70 Max. : 9.400 Max. :23.391 Max. :1289.3
prec_wet_quart prec_season
Min. : 7.0 Min. : 8.161
1st Qu.: 172.0 1st Qu.: 19.880
Median : 212.0 Median : 29.887
Mean : 217.2 Mean : 33.761
3rd Qu.: 252.0 3rd Qu.: 39.439
Max. :1210.0 Max. :119.379
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 300.5: 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 : 4203, 2 (geometries, attributes)
extent : -10.0625, 46.97917, 29.02083, 70.9375 (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 300.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
300.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for bugl_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for bugl_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for bugl_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= bugl 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 : bugl_PA1
-=-=-=--=-=-=- bugl_PA1_RUN1
-=-=-=- Run : bugl_PA2
-=-=-=--=-=-=- bugl_PA2_RUN1
-=-=-=- Run : bugl_PA3
-=-=-=--=-=-=- bugl_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=300.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 bugl_PA1_RUN1_GAM PA1 RUN1 GAM TSS 672 99.583
2 bugl_PA1_RUN1_GAM PA1 RUN1 GAM ROC 674 99.583
3 bugl_PA1_RUN1_MARS PA1 RUN1 MARS TSS 409 99.792
4 bugl_PA1_RUN1_MARS PA1 RUN1 MARS ROC 691 99.167
5 bugl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 388 99.583
6 bugl_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 391 99.583
specificity calibration validation evaluation
1 94.802 0.944 0.925 NA
2 94.802 0.971 0.936 NA
3 96.050 0.958 0.967 NA
4 96.881 0.995 0.982 NA
5 95.842 0.956 0.967 NA
6 96.050 0.986 0.988 NA
Figure 300.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
300.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 bugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.110871
2 bugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.223067
3 bugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.099525
4 bugl_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.997863
5 bugl_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.128365
6 bugl_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.050251
Figure 300.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 300.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
300.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : bugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, bugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=300.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 bugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 bugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 693.5 98.833 97.89
2 mergedAlgo TSS EMwmean ROC 691.5 98.833 97.89
calibration validation evaluation
1 0.967 NA NA
2 0.997 NA NA
Figure 300.11: 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 bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 bugl_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 0.112242
2 mergedAlgo TSS EMcv temp_min 1 0.157862
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.060091
4 mergedAlgo TSS EMcv temp_season 1 0.575541
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.022015
6 mergedAlgo TSS EMcv prec_season 1 0.083069Par variable :
Figure 300.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 300.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
300.3 Projections
300.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/bugl/current
sp.name : bugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/bugl/bugl.AllModels.models.out )
models.projected :
bugl_PA1_RUN1_GAM, bugl_PA1_RUN1_MARS, bugl_PA1_RUN1_MAXNET, bugl_PA1_RUN1_GBM, bugl_PA1_RUN1_RF, bugl_PA2_RUN1_GAM, bugl_PA2_RUN1_MARS, bugl_PA2_RUN1_MAXNET, bugl_PA2_RUN1_GBM, bugl_PA2_RUN1_RF, bugl_PA3_RUN1_GAM, bugl_PA3_RUN1_MARS, bugl_PA3_RUN1_MAXNET, bugl_PA3_RUN1_GBM, bugl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 300.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 300.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/bugl/current
sp.name : bugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/bugl/bugl.AllModels.ensemble.models.out )
models.projected :
bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, bugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 300.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
300.3.2 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/bugl/cont_gre
sp.name : bugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/bugl/bugl.AllModels.models.out )
models.projected :
bugl_PA1_RUN1_GAM, bugl_PA1_RUN1_MARS, bugl_PA1_RUN1_MAXNET, bugl_PA1_RUN1_GBM, bugl_PA1_RUN1_RF, bugl_PA2_RUN1_GAM, bugl_PA2_RUN1_MARS, bugl_PA2_RUN1_MAXNET, bugl_PA2_RUN1_GBM, bugl_PA2_RUN1_RF, bugl_PA3_RUN1_GAM, bugl_PA3_RUN1_MARS, bugl_PA3_RUN1_MAXNET, bugl_PA3_RUN1_GBM, bugl_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 300.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 300.18: 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/bugl/cont_gre
sp.name : bugl
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/bugl/bugl.AllModels.ensemble.models.out )
models.projected :
bugl_EMcvByTSS_mergedData_mergedRun_mergedAlgo, bugl_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 300.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
300.3.3 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 300.20: 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 300.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 300.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 300.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
300.4 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)
300.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 300.24: 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 300.25: 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 300.26: 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 300.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
300.4.2 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 10 13 15 14.87645 17 56 0 2000
2 10 12 14 14.75019 16 92 126 2040
3 10 12 14 15.97220 18 103 126 2060
4 10 12 14 15.22575 17 97 126 2080
5 11 13 16 17.97390 20 107 126 2100
6 10 12 14 15.23242 17 97 245 2040
7 10 12 13 14.01399 15 68 245 2060
8 11 13 14 14.97204 16 98 245 2080
9 11 14 14 15.07618 15 88 245 2100
10 10 12 13 13.65030 15 66 370 2040
11 10 13 14 16.00450 17 99 370 2060
12 11 14 14 14.80522 15 80 370 2080
13 10 12 13 13.18799 14 17 370 2100
14 10 12 14 15.01421 17 91 585 2040
15 11 13 14 15.61538 16 89 585 2060
16 10 12 13 13.26705 14 24 585 2080
17 10 11 13 12.56267 14 17 585 2100
Figure 300.28: 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.