258 Morus nigra
258.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.dksw2m
Format: SIMPLE_CSV
Download key: 0015670-230828120925497
Created: 2023-09-13T14:17:26.073+00:00
Modified: 2023-09-13T14:18:30.163+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0015670-230828120925497.zip
Total records: 1615Conversion 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 1615 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.7433 ymin: -43.57186 xmax: 172.6266 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 1,615 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 986394024 2429287b-ef65… "urn:catalo… Plantae Trach… Magn… Rosa… Morac… Morus
2 922409520 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
3 922408920 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
4 922407580 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
5 922406848 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
6 922406725 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
7 922406024 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
8 922405208 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
9 922403915 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
10 922403110 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
# ℹ 1,605 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 1 615 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 258.1: Occurrences de Morus nigra dans le monde.
258.1.1 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] 0.7634675[1] 0.03467492[1] 0.009907121
Figure 258.2: Occurrence de Morus nigra dans la région d’endémisme.
258.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
831
CC_BY_NC_4_0
209
CC0_1_0
38
https://creativecommons.org/licenses/by-nc/4.0/legalcode
73
https://creativecommons.org/licenses/by/4.0/legalcode
79
https://creativecommons.org/publicdomain/zero/1.0/legalcode
3 [1] 77.12895
Figure 258.3: Occurrence de Morus nigra 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] 951258.1.3 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 951 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.238889 ymin: 31.2 xmax: 44.80144 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 951 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 922409520 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
2 922408920 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
3 922407580 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
4 922406848 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
5 922406725 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
6 922406024 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
7 922405208 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
8 922403915 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
9 922403110 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
10 922402877 6ac3f774-d9fb… "" Plantae Trach… Magn… Rosa… Morac… Morus
# ℹ 941 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>, …
258.2 Modélisation de la niche climatique
258.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 951, 0 (geometries, attributes)
extent : -9.238889, 44.80144, 31.2, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= moni 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 = moni
950 presences, 0 true absences and 2850 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.564 Min. :-21.592 Min. :-8.183 Min. : 202.1
1st Qu.:20.935 1st Qu.: -8.569 1st Qu.: 9.399 1st Qu.: 628.1
Median :25.068 Median : -1.982 Median :13.117 Median : 731.2
Mean :25.645 Mean : -3.619 Mean :12.517 Mean : 756.1
3rd Qu.:29.112 3rd Qu.: 1.589 3rd Qu.:16.412 3rd Qu.: 899.9
Max. :44.756 Max. : 10.417 Max. :23.019 Max. :1309.8
prec_wet_quart prec_season
Min. : 7.0 Min. : 8.038
1st Qu.: 174.0 1st Qu.: 23.488
Median : 217.0 Median : 31.809
Mean : 221.1 Mean : 36.685
3rd Qu.: 263.0 3rd Qu.: 42.434
Max. :1121.0 Max. :121.810
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 258.5: 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 : 6653, 2 (geometries, attributes)
extent : -10.1875, 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 258.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
258.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for moni_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for moni_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for moni_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= moni 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 : moni_PA1
-=-=-=--=-=-=- moni_PA1_RUN1
-=-=-=- Run : moni_PA2
-=-=-=--=-=-=- moni_PA2_RUN1
-=-=-=- Run : moni_PA3
-=-=-=--=-=-=- moni_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=258.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 moni_PA1_RUN1_GAM PA1 RUN1 GAM TSS 525.0 96.447
2 moni_PA1_RUN1_GAM PA1 RUN1 GAM ROC 526.0 96.447
3 moni_PA1_RUN1_MARS PA1 RUN1 MARS TSS 451.0 87.895
4 moni_PA1_RUN1_MARS PA1 RUN1 MARS ROC 449.5 88.026
5 moni_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 403.0 89.342
6 moni_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 402.5 89.342
specificity calibration validation evaluation
1 55.979 0.524 0.553 NA
2 55.979 0.707 0.727 NA
3 80.026 0.679 0.658 NA
4 80.026 0.914 0.891 NA
5 79.238 0.684 0.674 NA
6 79.238 0.915 0.900 NA
Figure 258.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
258.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 moni_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.393278
2 moni_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.362169
3 moni_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.060253
4 moni_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.195261
5 moni_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.036050
6 moni_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.000148
Figure 258.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 258.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
258.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : moni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=258.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 moni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 636.0 94.526 95.579
2 mergedAlgo TSS EMwmean ROC 638.5 94.526 95.719
calibration validation evaluation
1 0.902 NA NA
2 0.990 NA NA
Figure 258.11: 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 moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 moni_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 0.494527
2 mergedAlgo TSS EMcv temp_min 1 0.536192
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.281643
4 mergedAlgo TSS EMcv temp_season 1 0.434142
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.458030
6 mergedAlgo TSS EMcv prec_season 1 0.358251Par variable :
Figure 258.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 258.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
258.3 Projections
258.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moni/current
sp.name : moni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moni/moni.AllModels.models.out )
models.projected :
moni_PA1_RUN1_GAM, moni_PA1_RUN1_MARS, moni_PA1_RUN1_MAXNET, moni_PA1_RUN1_GBM, moni_PA1_RUN1_ANN, moni_PA1_RUN1_RF, moni_PA2_RUN1_GAM, moni_PA2_RUN1_MARS, moni_PA2_RUN1_MAXNET, moni_PA2_RUN1_GBM, moni_PA2_RUN1_RF, moni_PA3_RUN1_GAM, moni_PA3_RUN1_MARS, moni_PA3_RUN1_MAXNET, moni_PA3_RUN1_GBM, moni_PA3_RUN1_ANN, moni_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 258.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 258.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moni/current
sp.name : moni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moni/moni.AllModels.ensemble.models.out )
models.projected :
moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 258.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
258.3.2 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/moni/cont_gre
sp.name : moni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moni/moni.AllModels.models.out )
models.projected :
moni_PA1_RUN1_GAM, moni_PA1_RUN1_MARS, moni_PA1_RUN1_MAXNET, moni_PA1_RUN1_GBM, moni_PA1_RUN1_ANN, moni_PA1_RUN1_RF, moni_PA2_RUN1_GAM, moni_PA2_RUN1_MARS, moni_PA2_RUN1_MAXNET, moni_PA2_RUN1_GBM, moni_PA2_RUN1_RF, moni_PA3_RUN1_GAM, moni_PA3_RUN1_MARS, moni_PA3_RUN1_MAXNET, moni_PA3_RUN1_GBM, moni_PA3_RUN1_ANN, moni_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 258.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 258.18: 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/moni/cont_gre
sp.name : moni
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moni/moni.AllModels.ensemble.models.out )
models.projected :
moni_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moni_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 258.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
258.3.3 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 258.20: 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 258.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 258.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 258.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
258.4 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)
258.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 258.24: 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 258.25: 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 258.26: 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 258.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
258.4.2 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>
1 190 527 670 640.6169 747 947 0 2000
2 228 574 747 717.0185 838 942 126 2040
3 301 535 709 677.6273 798 960 126 2060
4 320 565 768 721.2751 841 972 126 2080
5 297 531 705 672.5088 789 965 126 2100
6 327 633 756 724.9909 824 944 245 2040
7 336 544 737 697.6408 829 926 245 2060
8 412 552 767 708.7120 815 948 245 2080
9 402 525 688 659.6199 775 888 245 2100
10 235 576 727 710.4395 830 943 370 2040
11 339 534 715 675.8355 795 947 370 2060
12 382 513 674 648.8523 761 886 370 2080
13 368 530 594 624.8163 726 851 370 2100
14 226 578 764 725.3086 847 958 585 2040
15 382 541 749 690.9738 801 939 585 2060
16 378 530 663 657.0023 776 878 585 2080
17 326 521 553 562.2719 603 830 585 2100
Figure 258.28: 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.