76 Calocedrus decurrens
76.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.h8efta
Format: SIMPLE_CSV
Download key: 0252148-230224095556074
Created: 2023-05-20T11:59:45.664+00:00
Modified: 2023-05-20T12:00:39.194+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0252148-230224095556074.zip
Total records: 2553Conversion 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 2553 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -124.320367 ymin: -45.572 xmax: 168.503 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 2,553 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 6ac3f774-… "" Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
2 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
3 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
4 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
5 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
6 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
7 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
8 9e8 0096dfc0-… "http://bio… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
9 9e8 50c9509d-… "http://www… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
10 9e8 50c9509d-… "http://www… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
# ℹ 2,543 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 2 553 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 76.1: Occurrences de Calocedrus decurrens dans le monde.
76.1.1 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] 0.04661182922[1] 0.9510379945[1] 0
Figure 76.2: Occurrence de Calocedrus decurrens dans la région d’endémisme.
76.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
340 1808 280 [1] 25.5354201
Figure 76.3: Occurrence de Calocedrus decurrens 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] 62076.1.3 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 620 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.795 ymin: 19.31789 xmax: -73.88 ymax: 49.25
Geodetic CRS: WGS 84
# A tibble: 620 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species infraspecificEpithet
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <lgl>
1 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
2 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
3 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
4 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
5 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
6 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
7 9e8 0096dfc0-… http://bioi… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
8 9e8 50c9509d-… http://www.… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
9 9e8 cd6e21c8-… http://spec… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
10 9e8 50c9509d-… http://www.… Plantae Trach… Pino… Pina… Cupre… Calo… Caloce… NA
# ℹ 610 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>, …
76.2 Modélisation de la niche climatique
76.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 620, 0 (geometries, attributes)
extent : -123.795, -73.88, 19.31789, 49.25 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cade 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 = cade
620 presences, 0 true absences and 1858 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :12.68 Min. :-30.628 Min. :-10.640 Min. : 61.08
1st Qu.:24.00 1st Qu.:-14.276 1st Qu.: 5.547 1st Qu.: 617.61
Median :27.95 Median : -5.994 Median : 13.710 Median : 791.23
Mean :27.39 Mean : -7.263 Mean : 12.724 Mean : 816.48
3rd Qu.:30.99 3rd Qu.: -0.356 3rd Qu.: 19.442 3rd Qu.:1018.37
Max. :42.10 Max. : 21.500 Max. : 33.019 Max. :1450.42
prec_wet_quart prec_season
Min. : 27.0 Min. : 7.733
1st Qu.: 217.2 1st Qu.: 27.939
Median : 311.0 Median : 54.593
Mean : 342.9 Mean : 53.064
3rd Qu.: 419.8 3rd Qu.: 74.903
Max. :1971.0 Max. :133.514
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 76.5: 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 : 4340, 2 (geometries, attributes)
extent : -129.6042, -53.77083, 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 76.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
76.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cade_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cade_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cade_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cade 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 : cade_PA1
-=-=-=--=-=-=- cade_PA1_RUN1
-=-=-=- Run : cade_PA2
-=-=-=--=-=-=- cade_PA2_RUN1
-=-=-=- Run : cade_PA3
-=-=-=--=-=-=- cade_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=76.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cade_PA1_RUN1_GAM PA1 RUN1 GAM TSS 889.0 93.952
2 cade_PA1_RUN1_GAM PA1 RUN1 GAM ROC 891.0 93.952
3 cade_PA1_RUN1_MARS PA1 RUN1 MARS TSS 454.0 96.774
4 cade_PA1_RUN1_MARS PA1 RUN1 MARS ROC 411.5 96.976
5 cade_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 315.0 97.177
6 cade_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 331.5 96.976
specificity calibration validation evaluation
1 88.105 0.821 0.831 NA
2 88.306 0.934 0.927 NA
3 95.968 0.927 0.919 NA
4 95.766 0.988 0.977 NA
5 95.565 0.927 0.935 NA
6 96.169 0.988 0.977 NA
Figure 76.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
76.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cade_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.027899
2 cade_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.254307
3 cade_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.000519
4 cade_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.334864
5 cade_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.030036
6 cade_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.137703
Figure 76.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 76.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
76.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cade
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cade_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=76.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cade_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cade_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 356.0 98.871 96.071
2 mergedAlgo TSS EMwmean ROC 370.5 98.710 96.286
calibration validation evaluation
1 0.949 NA NA
2 0.996 NA NA
Figure 76.11: 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 cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cade_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 0.089827
2 mergedAlgo TSS EMcv temp_min 1 0.267420
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.558609
4 mergedAlgo TSS EMcv temp_season 1 0.208150
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.058623
6 mergedAlgo TSS EMcv prec_season 1 0.131457Par variable :
Figure 76.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 76.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
76.3 Projections
76.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cade/current
sp.name : cade
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cade/cade.AllModels.models.out )
models.projected :
cade_PA1_RUN1_GAM, cade_PA1_RUN1_MARS, cade_PA1_RUN1_MAXNET, cade_PA1_RUN1_GBM, cade_PA1_RUN1_RF, cade_PA2_RUN1_GAM, cade_PA2_RUN1_MARS, cade_PA2_RUN1_MAXNET, cade_PA2_RUN1_GBM, cade_PA2_RUN1_RF, cade_PA3_RUN1_GAM, cade_PA3_RUN1_MARS, cade_PA3_RUN1_MAXNET, cade_PA3_RUN1_GBM, cade_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 76.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 76.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cade/current
sp.name : cade
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cade/cade.AllModels.ensemble.models.out )
models.projected :
cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cade_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 76.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
76.3.2 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/cade/cont_gre
sp.name : cade
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cade/cade.AllModels.models.out )
models.projected :
cade_PA1_RUN1_GAM, cade_PA1_RUN1_MARS, cade_PA1_RUN1_MAXNET, cade_PA1_RUN1_GBM, cade_PA1_RUN1_RF, cade_PA2_RUN1_GAM, cade_PA2_RUN1_MARS, cade_PA2_RUN1_MAXNET, cade_PA2_RUN1_GBM, cade_PA2_RUN1_RF, cade_PA3_RUN1_GAM, cade_PA3_RUN1_MARS, cade_PA3_RUN1_MAXNET, cade_PA3_RUN1_GBM, cade_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 76.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 76.18: 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/cade/cont_gre
sp.name : cade
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cade/cade.AllModels.ensemble.models.out )
models.projected :
cade_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cade_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 76.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
76.3.3 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 76.20: 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 76.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 76.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 76.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
76.4 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)
76.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 76.24: 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 76.25: 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 76.26: 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 76.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
76.4.2 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>
1 101 177 209 224.24552 250 517 0 2000
2 87 135 159 194.94653 220 510 126 2040
3 83 124 150 200.57377 241 517 126 2060
4 85 130 154 191.47920 213 515 126 2080
5 89 132 156 208.80201 252 519 126 2100
6 89 137 162 182.63372 204 524 245 2040
7 78 116 140 184.93779 206 503 245 2060
8 76 109 129 160.83725 171 512 245 2080
9 68 101 115 175.84930 192 525 245 2100
10 86 133 161 194.40135 223 503 370 2040
11 78 115 139 188.32922 216 515 370 2060
12 68 99 110 160.56630 159 517 370 2080
13 44 69 84 116.81188 130 448 370 2100
14 86 136 161 195.78668 220 509 585 2040
15 72 105 123 159.20670 168 507 585 2060
16 52 78 90 124.02558 119 485 585 2080
17 33 48 62 81.84256 87 328 585 2100
Figure 76.28: 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.