259 Morus rubra
259.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.u8t3da
Format: SIMPLE_CSV
Download key: 0015705-230828120925497
Created: 2023-09-13T14:59:06.594+00:00
Modified: 2023-09-13T15:00:12.900+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0015705-230828120925497.zip
Total records: 2360Conversion 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 2214 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -111.9483 ymin: -36.9 xmax: 174.8167 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 2,214 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3117691268 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
2 3118110303 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
3 3118119505 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
4 3117619644 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
5 3118063516 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
6 3117981771 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
7 3117646384 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
8 3117598709 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
9 3117938616 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
10 3118060034 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
# ℹ 2,204 more rows
# ℹ 42 more variables: species <chr>, 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>, …Il y a 2 214 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 259.1: Occurrences de Morus rubra dans le monde.
259.1.1 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] 0.001806685[1] 0.9945799[1] 0.001355014
Figure 259.2: Occurrence de Morus rubra dans la région d’endémisme.
259.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
767 1166 269 [1] 47.04814
Figure 259.3: Occurrence de Morus rubra 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] 1036259.1.3 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 1036 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -111.9483 ymin: 25.609 xmax: -71.01799 ymax: 45.52505
Geodetic CRS: WGS 84
# A tibble: 1,036 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3117691268 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
2 3118110303 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
3 3118119505 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
4 3117619644 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
5 3118063516 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
6 3117981771 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
7 3117646384 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
8 3117598709 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
9 3117938616 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
10 3118060034 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Rosa… Morac… Morus
# ℹ 1,026 more rows
# ℹ 42 more variables: species <chr>, 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>, …
259.2 Modélisation de la niche climatique
259.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1036, 0 (geometries, attributes)
extent : -111.9483, -71.01799, 25.609, 45.52505 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= moru 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 = moru
1036 presences, 0 true absences and 3106 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :11.47 Min. :-30.628 Min. :-11.70 Min. : 65.18
1st Qu.:24.37 1st Qu.:-14.387 1st Qu.: 11.83 1st Qu.: 731.76
Median :29.26 Median : -6.416 Median : 17.14 Median : 861.15
Mean :28.12 Mean : -7.216 Mean : 16.30 Mean : 862.72
3rd Qu.:32.02 3rd Qu.: 0.018 3rd Qu.: 22.11 3rd Qu.:1037.72
Max. :44.25 Max. : 22.400 Max. : 31.55 Max. :1456.54
prec_wet_quart prec_season
Min. : 26.0 Min. : 5.865
1st Qu.: 230.0 1st Qu.: 19.220
Median : 307.0 Median : 32.981
Mean : 324.9 Mean : 39.671
3rd Qu.: 367.0 3rd Qu.: 56.129
Max. :1652.0 Max. :129.363
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 259.5: 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 : 7252, 2 (geometries, attributes)
extent : -129.8542, -53.10417, 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 259.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
259.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for moru_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for moru_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for moru_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= moru 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 : moru_PA1
-=-=-=--=-=-=- moru_PA1_RUN1
-=-=-=- Run : moru_PA2
-=-=-=--=-=-=- moru_PA2_RUN1
-=-=-=- Run : moru_PA3
-=-=-=--=-=-=- moru_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=259.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 moru_PA1_RUN1_GAM PA1 RUN1 GAM TSS 576.0 97.587
2 moru_PA1_RUN1_GAM PA1 RUN1 GAM ROC 589.5 97.467
3 moru_PA1_RUN1_MARS PA1 RUN1 MARS TSS 535.0 95.054
4 moru_PA1_RUN1_MARS PA1 RUN1 MARS ROC 538.5 95.054
5 moru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 359.0 95.657
6 moru_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 359.5 95.657
specificity calibration validation evaluation
1 74.065 0.717 0.710 NA
2 74.186 0.845 0.848 NA
3 84.439 0.796 0.749 NA
4 84.680 0.928 0.902 NA
5 83.112 0.790 0.754 NA
6 83.353 0.926 0.896 NA
Figure 259.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
259.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 moru_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.159174
2 moru_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.787567
3 moru_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.001724
4 moru_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.105795
5 moru_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.138058
6 moru_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.354383
Figure 259.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 259.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
259.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : moru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=259.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 moru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 706.0 90.058 93.851
2 mergedAlgo TSS EMwmean ROC 711.5 89.768 94.398
calibration validation evaluation
1 0.839 NA NA
2 0.981 NA NA
Figure 259.11: 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 moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 moru_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 0.284035
2 mergedAlgo TSS EMcv temp_min 1 0.334639
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.189452
4 mergedAlgo TSS EMcv temp_season 1 0.147511
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.216882
6 mergedAlgo TSS EMcv prec_season 1 0.205828Par variable :
Figure 259.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 259.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
259.3 Projections
259.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moru/current
sp.name : moru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moru/moru.AllModels.models.out )
models.projected :
moru_PA1_RUN1_GAM, moru_PA1_RUN1_MARS, moru_PA1_RUN1_MAXNET, moru_PA1_RUN1_GBM, moru_PA1_RUN1_ANN, moru_PA1_RUN1_RF, moru_PA2_RUN1_GAM, moru_PA2_RUN1_MARS, moru_PA2_RUN1_MAXNET, moru_PA2_RUN1_GBM, moru_PA2_RUN1_ANN, moru_PA2_RUN1_RF, moru_PA3_RUN1_GAM, moru_PA3_RUN1_MARS, moru_PA3_RUN1_MAXNET, moru_PA3_RUN1_GBM, moru_PA3_RUN1_ANN, moru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 259.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 259.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/moru/current
sp.name : moru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moru/moru.AllModels.ensemble.models.out )
models.projected :
moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 259.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
259.3.2 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/moru/cont_gre
sp.name : moru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moru/moru.AllModels.models.out )
models.projected :
moru_PA1_RUN1_GAM, moru_PA1_RUN1_MARS, moru_PA1_RUN1_MAXNET, moru_PA1_RUN1_GBM, moru_PA1_RUN1_ANN, moru_PA1_RUN1_RF, moru_PA2_RUN1_GAM, moru_PA2_RUN1_MARS, moru_PA2_RUN1_MAXNET, moru_PA2_RUN1_GBM, moru_PA2_RUN1_ANN, moru_PA2_RUN1_RF, moru_PA3_RUN1_GAM, moru_PA3_RUN1_MARS, moru_PA3_RUN1_MAXNET, moru_PA3_RUN1_GBM, moru_PA3_RUN1_ANN, moru_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 259.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 259.18: 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/moru/cont_gre
sp.name : moru
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/moru/moru.AllModels.ensemble.models.out )
models.projected :
moru_EMcvByTSS_mergedData_mergedRun_mergedAlgo, moru_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 259.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
259.3.3 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 259.20: 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 259.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 259.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 259.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
259.4 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)
259.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 259.24: 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 259.25: 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 259.26: 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 259.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
259.4.2 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 71 106 118 292.9663 625 740 0 2000
2 79 137 274 390.7042 663 770 126 2040
3 82 172 452 430.0823 658 767 126 2060
4 79 202 491 442.8020 663 775 126 2080
5 78 191 463 435.8901 663 761 126 2100
6 93 147 392 407.5283 665 777 245 2040
7 86 245 600 484.5289 676 775 245 2060
8 108 434 628 557.5176 676 784 245 2080
9 96 550 629 591.3877 678 788 245 2100
10 78 141 310 397.0056 667 780 370 2040
11 84 252 596 483.2617 667 765 370 2060
12 118 535 593 589.4881 660 778 370 2080
13 236 569 654 643.9696 706 774 370 2100
14 75 138 370 400.0638 660 777 585 2040
15 106 383 632 533.0638 681 795 585 2060
16 206 620 660 658.2988 712 790 585 2080
17 506 560 602 617.7680 683 740 585 2100
Figure 259.28: 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.