260 Pinus ponderosa
260.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.j7s7w2
Format: SIMPLE_CSV
Download key: 0015755-230828120925497
Created: 2023-09-13T16:07:41.788+00:00
Modified: 2023-09-13T16:09:24.368+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0015755-230828120925497.zip
Total records: 22788Conversion 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 22788 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.9087 ymin: -45.296 xmax: 172.961 ymax: 59.65678
Geodetic CRS: WGS 84
# A tibble: 22,788 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 997427003 95c938a8-f762… "5f0bc724-2… Plantae Trach… Pino… Pina… Pinac… Pinus
2 930741617 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
3 930740112 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
4 930740107 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
5 930740073 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
6 930740067 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
7 930740065 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
8 930740039 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
9 930740016 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
10 923034578 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Pinus
# ℹ 22,778 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 <dbl>, …Il y a 22 788 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 260.1: Occurrences de Pinus ponderosa dans le monde.
260.1.1 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] 0.008381604[1] 0.9889415[1] 4.388275e-05
Figure 260.2: Occurrence de Pinus ponderosa dans la région d’endémisme.
260.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
9277 12421 838 [1] 44.88374
Figure 260.3: Occurrence de Pinus ponderosa 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] 10115260.1.3 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 10115 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.9083 ymin: 26.46972 xmax: -73.6012 ymax: 51.22236
Geodetic CRS: WGS 84
# A tibble: 10,115 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 997427003 95c938a8-f762… "5f0bc724-2… Plantae Trach… Pino… Pina… Pinac… Pinus
2 930741617 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
3 930740112 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
4 930740107 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
5 930740073 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
6 930740067 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
7 930740065 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
8 930740039 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
9 930740016 0096dfc0-9925… "http://bio… Plantae Trach… Pino… Pina… Pinac… Pinus
10 923018351 6ac3f774-d9fb… "" Plantae Trach… Pino… Pina… Pinac… Pinus
# ℹ 10,105 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 <dbl>, …
260.2 Modélisation de la niche climatique
260.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 10115, 0 (geometries, attributes)
extent : -123.9083, -73.6012, 26.46972, 51.22236 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pipo 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 = pipo
10115 presences, 0 true absences and 29999 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-30.752 Min. :-12.67 Min. : 0.0
1st Qu.:22.82 1st Qu.:-14.563 1st Qu.: 12.42 1st Qu.: 666.6
Median :26.38 Median : -7.500 Median : 16.50 Median : 800.2
Mean :26.59 Mean : -8.361 Mean : 15.49 Mean : 835.2
3rd Qu.:30.45 3rd Qu.: -3.440 3rd Qu.: 19.77 3rd Qu.:1027.4
Max. :44.07 Max. : 23.000 Max. : 33.54 Max. :1465.5
prec_wet_quart prec_season
Min. : 22.0 Min. : 5.439
1st Qu.: 200.0 1st Qu.: 27.833
Median : 275.0 Median : 49.080
Mean : 297.1 Mean : 48.541
3rd Qu.: 327.0 3rd Qu.: 66.779
Max. :2213.0 Max. :138.815
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 260.5: 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 : 70805, 2 (geometries, attributes)
extent : -129.9792, -52.8125, 13.02083, 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 260.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
260.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pipo_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pipo_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pipo_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pipo 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 : pipo_PA1
-=-=-=--=-=-=- pipo_PA1_RUN1
-=-=-=- Run : pipo_PA2
-=-=-=--=-=-=- pipo_PA2_RUN1
-=-=-=- Run : pipo_PA3
-=-=-=--=-=-=- pipo_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=260.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pipo_PA1_RUN1_GAM PA1 RUN1 GAM TSS 758.0 92.845
2 pipo_PA1_RUN1_GAM PA1 RUN1 GAM ROC 853.5 90.818
3 pipo_PA1_RUN1_MARS PA1 RUN1 MARS TSS 578.0 93.302
4 pipo_PA1_RUN1_MARS PA1 RUN1 MARS ROC 608.5 92.944
5 pipo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 334.0 94.204
6 pipo_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 334.5 94.142
specificity calibration validation evaluation
1 73.789 0.666 0.665 NA
2 75.865 0.822 0.822 NA
3 94.711 0.880 0.884 NA
4 95.119 0.986 0.988 NA
5 94.192 0.884 0.892 NA
6 94.266 0.982 0.985 NA
Figure 260.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
260.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pipo_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.123828
2 pipo_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.224654
3 pipo_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.131790
4 pipo_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.321000
5 pipo_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.081251
6 pipo_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.100122
Figure 260.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 260.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
260.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pipo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=260.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pipo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pipo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 382.0 97.469 94.346
2 mergedAlgo TSS EMwmean ROC 383.5 97.430 94.393
calibration validation evaluation
1 0.918 NA NA
2 0.995 NA NA
Figure 260.11: 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 pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pipo_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 0.178548
2 mergedAlgo TSS EMcv temp_min 1 0.280893
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.121616
4 mergedAlgo TSS EMcv temp_season 1 0.448059
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.068633
6 mergedAlgo TSS EMcv prec_season 1 0.123334Par variable :
Figure 260.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 260.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
260.3 Projections
260.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pipo/current
sp.name : pipo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipo/pipo.AllModels.models.out )
models.projected :
pipo_PA1_RUN1_GAM, pipo_PA1_RUN1_MARS, pipo_PA1_RUN1_MAXNET, pipo_PA1_RUN1_GBM, pipo_PA1_RUN1_ANN, pipo_PA1_RUN1_RF, pipo_PA2_RUN1_GAM, pipo_PA2_RUN1_MARS, pipo_PA2_RUN1_MAXNET, pipo_PA2_RUN1_GBM, pipo_PA2_RUN1_ANN, pipo_PA2_RUN1_RF, pipo_PA3_RUN1_GAM, pipo_PA3_RUN1_MARS, pipo_PA3_RUN1_MAXNET, pipo_PA3_RUN1_GBM, pipo_PA3_RUN1_ANN, pipo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 260.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 260.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pipo/current
sp.name : pipo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipo/pipo.AllModels.ensemble.models.out )
models.projected :
pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 260.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
260.3.2 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/pipo/cont_gre
sp.name : pipo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipo/pipo.AllModels.models.out )
models.projected :
pipo_PA1_RUN1_GAM, pipo_PA1_RUN1_MARS, pipo_PA1_RUN1_MAXNET, pipo_PA1_RUN1_GBM, pipo_PA1_RUN1_ANN, pipo_PA1_RUN1_RF, pipo_PA2_RUN1_GAM, pipo_PA2_RUN1_MARS, pipo_PA2_RUN1_MAXNET, pipo_PA2_RUN1_GBM, pipo_PA2_RUN1_ANN, pipo_PA2_RUN1_RF, pipo_PA3_RUN1_GAM, pipo_PA3_RUN1_MARS, pipo_PA3_RUN1_MAXNET, pipo_PA3_RUN1_GBM, pipo_PA3_RUN1_ANN, pipo_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 260.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 260.18: 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/pipo/cont_gre
sp.name : pipo
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pipo/pipo.AllModels.ensemble.models.out )
models.projected :
pipo_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pipo_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 260.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
260.3.3 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 260.20: 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 260.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 260.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 260.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
260.4 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)
260.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 260.24: 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 260.25: 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 260.26: 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 260.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
260.4.2 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 58 166 273 258.33604 354 439 0 2000
2 30 120 319 257.71975 361 416 126 2040
3 26 94 327 251.22738 356 422 126 2060
4 25 90 338 261.87067 374 437 126 2080
5 24 89 323 246.92311 352 392 126 2100
6 30 102 322 252.39852 354 410 245 2040
7 24 71 327 244.57371 358 428 245 2060
8 23 48 283 220.27486 344 399 245 2080
9 24 40 233 202.83844 335 422 245 2100
10 30 115 315 254.51576 357 412 370 2040
11 24 66 321 238.32307 351 393 370 2060
12 24 36 188 177.62669 300 396 370 2080
13 22 29 67 92.57553 131 375 370 2100
14 29 115 339 269.18804 375 461 585 2040
15 23 53 302 225.56211 344 398 585 2060
16 22 28 95 124.63400 203 409 585 2080
17 24 30 36 45.20600 53 303 585 2100
Figure 260.28: 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.