200 Diospyros virginiana
200.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.uy7r5y
Format: SIMPLE_CSV
Download key: 0260804-230224095556074
Created: 2023-05-25T10:24:43.309+00:00
Modified: 2023-05-25T10:25:30.451+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260804-230224095556074.zip
Total records: 6343Conversion 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 6343 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.48676 ymin: -36.324714 xmax: 175.492526 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 6,343 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3051330821 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
2 3051257905 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
3 3051285616 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
4 3051318717 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
5 3051208630 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
6 3051038279 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
7 3051212603 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
8 3051325765 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
9 3051183391 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
10 3051314152 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
# ℹ 6,333 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 6 343 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 200.1: Occurrences de Diospyros virginiana dans le monde.
200.1.1 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] 0.007725051238[1] 0.99117137[1] 0.0001576541069
Figure 200.2: Occurrence de Diospyros virginiana dans la région d’endémisme.
200.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1335 4548 404 [1] 27.66025131
Figure 200.3: Occurrence de Diospyros virginiana 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] 1739200.1.3 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 1739 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.48676 ymin: 16.8135 xmax: -73.51642 ymax: 43.4205
Geodetic CRS: WGS 84
# A tibble: 1,739 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3051330821 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
2 3051257905 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
3 3051285616 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
4 3051318717 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
5 3051208630 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
6 3051038279 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
7 3051212603 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
8 3051325765 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
9 3051183391 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
10 3051314152 c4e1739b-e225-47… BISON:New Y… Plantae Trach… Magn… Eric… Ebena… Dios… Diospy…
# ℹ 1,729 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>, …
200.2 Modélisation de la niche climatique
200.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1739, 0 (geometries, attributes)
extent : -122.4868, -73.51642, 16.8135, 43.4205 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= divi 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 = divi
1739 presences, 0 true absences and 5208 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.792 Min. :-11.64 Min. : 0.0
1st Qu.:24.08 1st Qu.:-14.276 1st Qu.: 12.15 1st Qu.: 715.3
Median :29.57 Median : -6.148 Median : 17.41 Median : 849.5
Mean :28.15 Mean : -7.020 Mean : 16.54 Mean : 855.0
3rd Qu.:32.14 3rd Qu.: 0.382 3rd Qu.: 22.39 3rd Qu.:1019.6
Max. :44.12 Max. : 22.500 Max. : 33.11 Max. :1468.0
prec_wet_quart prec_season
Min. : 26.0 Min. : 6.527
1st Qu.: 228.0 1st Qu.: 19.140
Median : 306.0 Median : 32.685
Mean : 324.9 Mean : 39.539
3rd Qu.: 367.0 3rd Qu.: 55.864
Max. :1813.0 Max. :136.723
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 200.5: 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 : 12173, 2 (geometries, attributes)
extent : -129.9375, -53.47917, 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 200.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
200.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for divi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for divi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for divi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= divi 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 : divi_PA1
-=-=-=--=-=-=- divi_PA1_RUN1
-=-=-=- Run : divi_PA2
-=-=-=--=-=-=- divi_PA2_RUN1
-=-=-=- Run : divi_PA3
-=-=-=--=-=-=- divi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=200.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 divi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 601.0 99.137
2 divi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 592.5 99.137
3 divi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 367.0 97.196
4 divi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 370.0 97.196
5 divi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 415.0 94.105
6 divi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 416.5 94.105
specificity calibration validation evaluation
1 65.780 0.649 0.667 NA
2 65.780 0.811 0.835 NA
3 83.321 0.805 0.833 NA
4 83.321 0.936 0.947 NA
5 86.125 0.804 0.830 NA
6 86.341 0.934 0.946 NA
Figure 200.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
200.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 divi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.420601
2 divi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.084393
3 divi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.125163
4 divi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.231119
5 divi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.222448
6 divi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.127552
Figure 200.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 200.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
200.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : divi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, divi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=200.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 divi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 divi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 471.0 97.182 86.482
2 mergedAlgo TSS EMwmean ROC 418.5 97.872 85.829
calibration validation evaluation
1 0.837 NA NA
2 0.978 NA NA
Figure 200.11: 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 divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 divi_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 0.227713
2 mergedAlgo TSS EMcv temp_min 1 0.248409
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.063134
4 mergedAlgo TSS EMcv temp_season 1 0.108522
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.125338
6 mergedAlgo TSS EMcv prec_season 1 0.071832Par variable :
Figure 200.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 200.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
200.3 Projections
200.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/divi/current
sp.name : divi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/divi/divi.AllModels.models.out )
models.projected :
divi_PA1_RUN1_GAM, divi_PA1_RUN1_MARS, divi_PA1_RUN1_MAXNET, divi_PA1_RUN1_GBM, divi_PA1_RUN1_RF, divi_PA2_RUN1_GAM, divi_PA2_RUN1_MARS, divi_PA2_RUN1_MAXNET, divi_PA2_RUN1_GBM, divi_PA2_RUN1_RF, divi_PA3_RUN1_GAM, divi_PA3_RUN1_MARS, divi_PA3_RUN1_MAXNET, divi_PA3_RUN1_GBM, divi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 200.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 200.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/divi/current
sp.name : divi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/divi/divi.AllModels.ensemble.models.out )
models.projected :
divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, divi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 200.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
200.3.2 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/divi/cont_gre
sp.name : divi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/divi/divi.AllModels.models.out )
models.projected :
divi_PA1_RUN1_GAM, divi_PA1_RUN1_MARS, divi_PA1_RUN1_MAXNET, divi_PA1_RUN1_GBM, divi_PA1_RUN1_RF, divi_PA2_RUN1_GAM, divi_PA2_RUN1_MARS, divi_PA2_RUN1_MAXNET, divi_PA2_RUN1_GBM, divi_PA2_RUN1_RF, divi_PA3_RUN1_GAM, divi_PA3_RUN1_MARS, divi_PA3_RUN1_MAXNET, divi_PA3_RUN1_GBM, divi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 200.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 200.18: 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/divi/cont_gre
sp.name : divi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/divi/divi.AllModels.ensemble.models.out )
models.projected :
divi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, divi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 200.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
200.3.3 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 200.20: 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 200.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 200.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 200.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
200.4 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)
200.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 200.24: 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 200.25: 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 200.26: 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 200.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
200.4.2 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 78 183 223 336.9533 556 752 0 2000
2 120 277 400 449.0090 639 778 126 2040
3 138 321 498 490.8608 659 781 126 2060
4 133 325 510 500.6382 675 785 126 2080
5 139 330 513 501.1082 674 784 126 2100
6 137 296 448 471.6297 655 781 245 2040
7 150 388 535 532.3130 687 787 245 2060
8 211 504 602 597.3051 731 786 245 2080
9 190 528 635 621.4477 744 791 245 2100
10 119 278 406 451.5425 640 778 370 2040
11 164 403 542 539.6188 689 785 370 2060
12 240 533 611 612.3174 736 786 370 2080
13 335 583 745 663.3128 770 805 370 2100
14 117 283 421 460.8440 654 784 585 2040
15 194 478 589 584.7560 727 789 585 2060
16 344 619 750 685.2159 769 799 585 2080
17 326 524 626 624.4294 766 794 585 2100
Figure 200.28: 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.