216 Pinus halepensis
216.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.a64n4r
Format: SIMPLE_CSV
Download key: 0260903-230224095556074
Created: 2023-05-25T12:06:56.041+00:00
Modified: 2023-05-25T12:08:26.676+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260903-230224095556074.zip
Total records: 59515Conversion 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 59515 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.717 ymin: -43.5872 xmax: 174.940736 ymax: 51.39495
Geodetic CRS: WGS 84
# A tibble: 59,515 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 923056071 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
2 923055560 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
3 923055555 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
4 923054812 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
5 923054129 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
6 923054059 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
7 923050475 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
8 923046610 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
9 923045786 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
10 923044402 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
# ℹ 59,505 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 <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …Il y a 59 515 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 216.1: Occurrences de Pinus halepensis dans le monde.
216.1.1 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] 0.9559606822[1] 0.003293287407[1] 0
Figure 216.2: Occurrence de Pinus halepensis dans la région d’endémisme.
216.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
24167 32643 84 [1] 42.62488136
Figure 216.3: Occurrence de Pinus halepensis 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] 24251216.1.3 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 24251 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.496167 ymin: 30.666333 xmax: 36.18 ymax: 50.531573
Geodetic CRS: WGS 84
# A tibble: 24,251 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 923056071 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
2 923055560 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
3 923055555 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
4 923054812 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
5 923054129 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
6 923054059 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
7 923050475 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
8 923046610 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
9 923045786 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
10 923044402 6ac3f774-d9fb-479… "" Plantae Trach… Pino… Pina… Pinac… Pinus Pinus …
# ℹ 24,241 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 <dbl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <dbl>, depthAccuracy <dbl>, …
216.2 Modélisation de la niche climatique
216.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 24251, 0 (geometries, attributes)
extent : -9.496167, 36.18, 30.66633, 50.53157 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= piha 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 = piha
23632 presences, 0 true absences and 70752 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.004 Min. :-11.80 Min. : 0.0
1st Qu.:21.00 1st Qu.: -8.667 1st Qu.: 10.20 1st Qu.: 603.1
Median :26.69 Median : -0.804 Median : 13.11 Median : 714.6
Mean :26.05 Mean : -3.209 Mean : 12.62 Mean : 750.4
3rd Qu.:29.34 3rd Qu.: 2.648 3rd Qu.: 15.77 3rd Qu.: 894.9
Max. :46.10 Max. : 11.100 Max. : 26.41 Max. :1386.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.63
1st Qu.: 180.0 1st Qu.: 28.09
Median : 222.0 Median : 33.89
Mean : 219.3 Mean : 38.88
3rd Qu.: 260.0 3rd Qu.: 43.40
Max. :1240.0 Max. :123.00
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 216.5: 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 : 167281, 2 (geometries, attributes)
extent : -10.39583, 46.97917, 29.02083, 70.97917 (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 216.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
216.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for piha_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for piha_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for piha_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= piha 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 : piha_PA1
-=-=-=--=-=-=- piha_PA1_RUN1
-=-=-=- Run : piha_PA2
-=-=-=--=-=-=- piha_PA2_RUN1
-=-=-=- Run : piha_PA3
-=-=-=--=-=-=- piha_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=216.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 piha_PA1_RUN1_GAM PA1 RUN1 GAM TSS 879.0 99.170
2 piha_PA1_RUN1_GAM PA1 RUN1 GAM ROC 937.5 98.805
3 piha_PA1_RUN1_MARS PA1 RUN1 MARS TSS 666.0 96.398
4 piha_PA1_RUN1_MARS PA1 RUN1 MARS ROC 674.5 96.356
5 piha_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 367.0 95.800
6 piha_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 371.5 95.784
specificity calibration validation evaluation
1 68.594 0.678 0.670 NA
2 68.986 0.843 0.838 NA
3 96.825 0.932 0.935 NA
4 96.897 0.992 0.992 NA
5 97.129 0.930 0.934 NA
6 97.242 0.992 0.991 NA
Figure 216.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
216.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 piha_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.529168
2 piha_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.012709
3 piha_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.020126
4 piha_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.429995
5 piha_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.001787
6 piha_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.066810
Figure 216.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 216.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
216.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : piha
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piha_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=216.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 piha_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 piha_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 551.0 97.228 98.201
2 mergedAlgo TSS EMwmean ROC 547.5 97.262 98.174
calibration validation evaluation
1 0.954 NA NA
2 0.998 NA NA
Figure 216.11: 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 piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 piha_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 0.315569
2 mergedAlgo TSS EMcv temp_min 1 0.367045
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.052542
4 mergedAlgo TSS EMcv temp_season 1 0.326971
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.245897
6 mergedAlgo TSS EMcv prec_season 1 0.270646Par variable :
Figure 216.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 216.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
216.3 Projections
216.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/piha/current
sp.name : piha
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piha/piha.AllModels.models.out )
models.projected :
piha_PA1_RUN1_GAM, piha_PA1_RUN1_MARS, piha_PA1_RUN1_MAXNET, piha_PA1_RUN1_GBM, piha_PA1_RUN1_ANN, piha_PA1_RUN1_RF, piha_PA2_RUN1_GAM, piha_PA2_RUN1_MARS, piha_PA2_RUN1_MAXNET, piha_PA2_RUN1_GBM, piha_PA2_RUN1_ANN, piha_PA2_RUN1_RF, piha_PA3_RUN1_GAM, piha_PA3_RUN1_MARS, piha_PA3_RUN1_MAXNET, piha_PA3_RUN1_GBM, piha_PA3_RUN1_ANN, piha_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 216.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 216.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/piha/current
sp.name : piha
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piha/piha.AllModels.ensemble.models.out )
models.projected :
piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piha_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 216.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
216.3.2 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/piha/cont_gre
sp.name : piha
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piha/piha.AllModels.models.out )
models.projected :
piha_PA1_RUN1_GAM, piha_PA1_RUN1_MARS, piha_PA1_RUN1_MAXNET, piha_PA1_RUN1_GBM, piha_PA1_RUN1_ANN, piha_PA1_RUN1_RF, piha_PA2_RUN1_GAM, piha_PA2_RUN1_MARS, piha_PA2_RUN1_MAXNET, piha_PA2_RUN1_GBM, piha_PA2_RUN1_ANN, piha_PA2_RUN1_RF, piha_PA3_RUN1_GAM, piha_PA3_RUN1_MARS, piha_PA3_RUN1_MAXNET, piha_PA3_RUN1_GBM, piha_PA3_RUN1_ANN, piha_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 216.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 216.18: 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/piha/cont_gre
sp.name : piha
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/piha/piha.AllModels.ensemble.models.out )
models.projected :
piha_EMcvByTSS_mergedData_mergedRun_mergedAlgo, piha_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 216.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
216.3.3 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 216.20: 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 216.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 216.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 216.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
216.4 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)
216.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 216.24: 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 216.25: 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 216.26: 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 216.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
216.4.2 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 21 81 112 179.9277 323 490 0 2000
2 76 148 253 263.0161 372 506 126 2040
3 82 205 299 289.6568 377 500 126 2060
4 86 243 354 334.5993 424 542 126 2080
5 91 233 336 316.9498 400 512 126 2100
6 78 183 282 279.4381 378 508 245 2040
7 87 237 321 307.5124 376 507 245 2060
8 112 318 370 363.3160 416 517 245 2080
9 123 311 361 358.6709 408 529 245 2100
10 25 136 233 238.4798 332 499 370 2040
11 89 248 328 314.4688 382 502 370 2060
12 118 300 345 343.6688 392 512 370 2080
13 179 298 322 325.9333 353 435 370 2100
14 81 186 296 296.3091 405 531 585 2040
15 95 291 347 337.9509 392 524 585 2060
16 170 297 328 328.7143 361 454 585 2080
17 169 290 318 320.0390 352 440 585 2100
Figure 216.28: 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.