195 Carya illinoinensis
195.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2xjyj6
Format: SIMPLE_CSV
Download key: 0260765-230224095556074
Created: 2023-05-25T09:31:37.879+00:00
Modified: 2023-05-25T09:32:38.507+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260765-230224095556074.zip
Total records: 3697Conversion 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 3697 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.3513 ymin: -34.392713 xmax: 151.547222 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 3,697 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3050997649 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
2 3051283612 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
3 930742955 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
4 930742950 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
5 930742939 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
6 930741035 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
7 930741000 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
8 930740623 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
9 930739847 0096dfc0-9925-47… http://bioi… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
10 923918580 50c9509d-22c7-4a… http://www.… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
# ℹ 3,687 more rows
# ℹ 41 more variables: 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …Il y a 3 697 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 195.1: Occurrences de Carya illinoinensis dans le monde.
195.1.1 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] 0.005950770895[1] 0.9826886665[1] 0.001352447931
Figure 195.2: Occurrence de Carya illinoinensis dans la région d’endémisme.
195.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
821 2586 226 [1] 28.81915772
Figure 195.3: Occurrence de Carya illinoinensis 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] 1047195.1.3 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 1047 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.3513 ymin: 16.98556 xmax: -73.839841 ymax: 47.6499
Geodetic CRS: WGS 84
# A tibble: 1,047 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3050997649 c4e1739b-e225-47… "BISON:New … Plantae Trach… Magn… Faga… Jugla… Carya Carya …
2 3051283612 c4e1739b-e225-47… "BISON:New … Plantae Trach… Magn… Faga… Jugla… Carya Carya …
3 930742955 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
4 930742950 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
5 930742939 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
6 930741035 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
7 930741000 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
8 930740623 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
9 930739847 0096dfc0-9925-47… "http://bio… Plantae Trach… Magn… Faga… Jugla… Carya Carya …
10 920928633 6ac3f774-d9fb-47… "" Plantae Trach… Magn… Faga… Jugla… Carya Carya …
# ℹ 1,037 more rows
# ℹ 41 more variables: 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …
195.2 Modélisation de la niche climatique
195.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1047, 0 (geometries, attributes)
extent : -122.3513, -73.83984, 16.98556, 47.6499 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= cail 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 = cail
1047 presences, 0 true absences and 3139 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.596 Min. :-10.78 Min. : 0.0
1st Qu.:24.31 1st Qu.:-14.434 1st Qu.: 13.20 1st Qu.: 670.0
Median :29.86 Median : -5.174 Median : 18.67 Median : 819.4
Mean :28.68 Mean : -6.194 Mean : 17.38 Mean : 830.7
3rd Qu.:33.12 3rd Qu.: 2.168 3rd Qu.: 22.93 3rd Qu.:1027.3
Max. :44.24 Max. : 22.600 Max. : 32.89 Max. :1458.4
prec_wet_quart prec_season
Min. : 27.0 Min. : 6.36
1st Qu.: 207.0 1st Qu.: 24.34
Median : 290.0 Median : 38.99
Mean : 309.7 Mean : 44.79
3rd Qu.: 346.0 3rd Qu.: 61.23
Max. :1859.0 Max. :132.06
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 195.5: 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 : 7329, 2 (geometries, attributes)
extent : -129.7708, -53.14583, 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 195.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
195.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for cail_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for cail_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for cail_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= cail 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 : cail_PA1
-=-=-=--=-=-=- cail_PA1_RUN1
-=-=-=- Run : cail_PA2
-=-=-=--=-=-=- cail_PA2_RUN1
-=-=-=- Run : cail_PA3
-=-=-=--=-=-=- cail_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=195.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 cail_PA1_RUN1_GAM PA1 RUN1 GAM TSS 914.0 97.375
2 cail_PA1_RUN1_GAM PA1 RUN1 GAM ROC 898.5 97.494
3 cail_PA1_RUN1_MARS PA1 RUN1 MARS TSS 515.0 93.437
4 cail_PA1_RUN1_MARS PA1 RUN1 MARS ROC 512.5 93.675
5 cail_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 368.0 96.897
6 cail_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 367.5 96.897
specificity calibration validation evaluation
1 70.406 0.678 0.684 NA
2 70.286 0.858 0.857 NA
3 84.368 0.779 0.770 NA
4 84.368 0.948 0.941 NA
5 81.623 0.784 0.789 NA
6 81.623 0.945 0.947 NA
Figure 195.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
195.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 cail_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.288748
2 cail_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.448510
3 cail_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.078978
4 cail_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.067510
5 cail_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.027688
6 cail_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.105267
Figure 195.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 195.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
195.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : cail
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cail_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=195.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 cail_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cail_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 646 93.696 94.521
2 mergedAlgo TSS EMwmean ROC 649 93.696 94.712
calibration validation evaluation
1 0.882 NA NA
2 0.987 NA NA
Figure 195.11: 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 cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 cail_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 0.322885
2 mergedAlgo TSS EMcv temp_min 1 0.499687
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.298890
4 mergedAlgo TSS EMcv temp_season 1 0.182282
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.120603
6 mergedAlgo TSS EMcv prec_season 1 0.082551Par variable :
Figure 195.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 195.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
195.3 Projections
195.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cail/current
sp.name : cail
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cail/cail.AllModels.models.out )
models.projected :
cail_PA1_RUN1_GAM, cail_PA1_RUN1_MARS, cail_PA1_RUN1_MAXNET, cail_PA1_RUN1_GBM, cail_PA1_RUN1_ANN, cail_PA1_RUN1_RF, cail_PA2_RUN1_GAM, cail_PA2_RUN1_MARS, cail_PA2_RUN1_MAXNET, cail_PA2_RUN1_GBM, cail_PA2_RUN1_ANN, cail_PA2_RUN1_RF, cail_PA3_RUN1_GAM, cail_PA3_RUN1_MARS, cail_PA3_RUN1_MAXNET, cail_PA3_RUN1_GBM, cail_PA3_RUN1_ANN, cail_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 195.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 195.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/cail/current
sp.name : cail
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cail/cail.AllModels.ensemble.models.out )
models.projected :
cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cail_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 195.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
195.3.2 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/cail/cont_gre
sp.name : cail
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cail/cail.AllModels.models.out )
models.projected :
cail_PA1_RUN1_GAM, cail_PA1_RUN1_MARS, cail_PA1_RUN1_MAXNET, cail_PA1_RUN1_GBM, cail_PA1_RUN1_ANN, cail_PA1_RUN1_RF, cail_PA2_RUN1_GAM, cail_PA2_RUN1_MARS, cail_PA2_RUN1_MAXNET, cail_PA2_RUN1_GBM, cail_PA2_RUN1_ANN, cail_PA2_RUN1_RF, cail_PA3_RUN1_GAM, cail_PA3_RUN1_MARS, cail_PA3_RUN1_MAXNET, cail_PA3_RUN1_GBM, cail_PA3_RUN1_ANN, cail_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 195.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 195.18: 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/cail/cont_gre
sp.name : cail
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/cail/cail.AllModels.ensemble.models.out )
models.projected :
cail_EMcvByTSS_mergedData_mergedRun_mergedAlgo, cail_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 195.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
195.3.3 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 195.20: 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 195.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 195.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 195.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
195.4 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)
195.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 195.24: 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 195.25: 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 195.26: 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 195.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
195.4.2 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 54 129 175 233.8014 232 634 0 2000
2 107 244 304 353.8548 498 681 126 2040
3 123 273 323 380.2122 495 700 126 2060
4 110 282 327 390.1550 518 721 126 2080
5 121 272 336 386.7363 501 703 126 2100
6 119 267 311 368.9537 509 695 245 2040
7 126 292 331 394.7333 514 705 245 2060
8 208 324 372 427.0111 535 708 245 2080
9 194 352 390 437.5481 570 724 245 2100
10 102 233 302 346.5377 492 682 370 2040
11 148 296 353 401.6608 502 707 370 2060
12 212 365 465 450.0410 573 706 370 2080
13 276 535 584 566.5471 635 739 370 2100
14 102 252 311 366.1586 522 709 585 2040
15 184 322 374 422.8552 519 712 585 2060
16 225 442 539 523.0112 620 722 585 2080
17 309 568 592 617.3855 688 757 585 2100
Figure 195.28: 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.