263 Pistacia terebinthus
263.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.cqmagt
Format: SIMPLE_CSV
Download key: 0017058-230828120925497
Created: 2023-09-14T20:35:54.784+00:00
Modified: 2023-09-14T20:37:02.301+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0017058-230828120925497.zip
Total records: 24604Conversion 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 24604 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -112.1881 ymin: 5.668225 xmax: 139.3414 ymax: 49.00253
Geodetic CRS: WGS 84
# A tibble: 24,604 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932706894 ebd49d9b-696b… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
2 932705417 ebd49d9b-696b… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
3 932705291 ebd49d9b-696b… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
4 932705276 ebd49d9b-696b… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
5 923053117 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
6 923052454 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
7 923050713 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
8 923045850 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
9 923040538 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
10 923040009 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
# ℹ 24,594 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 24 604 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 263.1: Occurrences de Pistacia terebinthus dans le monde.
263.1.1 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] 0.9997561[1] 4.06438e-05[1] 8.12876e-05
Figure 263.2: Occurrence de Pistacia terebinthus dans la région d’endémisme.
263.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
20982 3532 84 [1] 85.64111
Figure 263.3: Occurrence de Pistacia terebinthus 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] 21066263.1.3 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 21066 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.208884 ymin: 30.33028 xmax: 46.493 ymax: 49.00253
Geodetic CRS: WGS 84
# A tibble: 21,066 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 923053117 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
2 923052454 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
3 923050713 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
4 923045850 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
5 923040538 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
6 923040009 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
7 923035598 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
8 923034927 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
9 923032266 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
10 923030275 6ac3f774-d9fb… "" Plantae Trach… Magn… Sapi… Anaca… Pist…
# ℹ 21,056 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>, …
263.2 Modélisation de la niche climatique
263.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 21066, 0 (geometries, attributes)
extent : -9.208884, 46.493, 30.33028, 49.00253 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pite 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 = pite
21034 presences, 0 true absences and 61681 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-22.000 Min. :-10.076 Min. : 0.0
1st Qu.:21.00 1st Qu.: -8.656 1st Qu.: 9.704 1st Qu.: 608.5
Median :26.22 Median : -1.192 Median : 12.732 Median : 714.9
Mean :25.95 Mean : -3.361 Mean : 12.343 Mean : 752.0
3rd Qu.:29.31 3rd Qu.: 2.136 3rd Qu.: 15.583 3rd Qu.: 895.8
Max. :45.74 Max. : 12.376 Max. : 26.407 Max. :1394.1
prec_wet_quart prec_season
Min. : 3.0 Min. : 5.227
1st Qu.: 180.0 1st Qu.: 27.265
Median : 224.0 Median : 33.429
Mean : 226.3 Mean : 38.980
3rd Qu.: 269.0 3rd Qu.: 42.458
Max. :1260.0 Max. :123.648
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 263.5: 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 : 147334, 2 (geometries, attributes)
extent : -10.3125, 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 263.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
263.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pite_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pite_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pite_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pite 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 : pite_PA1
-=-=-=--=-=-=- pite_PA1_RUN1
-=-=-=- Run : pite_PA2
-=-=-=--=-=-=- pite_PA2_RUN1
-=-=-=- Run : pite_PA3
-=-=-=--=-=-=- pite_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=263.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pite_PA1_RUN1_GAM PA1 RUN1 GAM TSS 717.0 99.097
2 pite_PA1_RUN1_GAM PA1 RUN1 GAM ROC 706.5 99.168
3 pite_PA1_RUN1_MARS PA1 RUN1 MARS TSS 514.0 95.561
4 pite_PA1_RUN1_MARS PA1 RUN1 MARS ROC 517.5 95.531
5 pite_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 411.0 92.215
6 pite_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 411.5 92.167
specificity calibration validation evaluation
1 67.294 0.664 0.662 NA
2 67.264 0.814 0.814 NA
3 91.752 0.873 0.878 NA
4 91.800 0.980 0.979 NA
5 95.241 0.875 0.882 NA
6 95.301 0.981 0.981 NA
Figure 263.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
263.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pite_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.509718
2 pite_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.257478
3 pite_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.034399
4 pite_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.358902
5 pite_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.024143
6 pite_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.068085
Figure 263.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 263.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
263.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pite
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pite_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=263.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pite_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pite_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 506.0 96.896 94.948
2 mergedAlgo TSS EMwmean ROC 505.5 96.896 94.948
calibration validation evaluation
1 0.918 NA NA
2 0.995 NA NA
Figure 263.11: 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 pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pite_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 0.356665
2 mergedAlgo TSS EMcv temp_min 1 0.296906
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.034608
4 mergedAlgo TSS EMcv temp_season 1 0.311520
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.176699
6 mergedAlgo TSS EMcv prec_season 1 0.074691Par variable :
Figure 263.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 263.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
263.3 Projections
263.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pite/current
sp.name : pite
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pite/pite.AllModels.models.out )
models.projected :
pite_PA1_RUN1_GAM, pite_PA1_RUN1_MARS, pite_PA1_RUN1_MAXNET, pite_PA1_RUN1_GBM, pite_PA1_RUN1_ANN, pite_PA1_RUN1_RF, pite_PA2_RUN1_GAM, pite_PA2_RUN1_MARS, pite_PA2_RUN1_MAXNET, pite_PA2_RUN1_GBM, pite_PA2_RUN1_ANN, pite_PA2_RUN1_RF, pite_PA3_RUN1_GAM, pite_PA3_RUN1_MARS, pite_PA3_RUN1_MAXNET, pite_PA3_RUN1_GBM, pite_PA3_RUN1_ANN, pite_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 263.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 263.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pite/current
sp.name : pite
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pite/pite.AllModels.ensemble.models.out )
models.projected :
pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pite_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 263.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
263.3.2 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/pite/cont_gre
sp.name : pite
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pite/pite.AllModels.models.out )
models.projected :
pite_PA1_RUN1_GAM, pite_PA1_RUN1_MARS, pite_PA1_RUN1_MAXNET, pite_PA1_RUN1_GBM, pite_PA1_RUN1_ANN, pite_PA1_RUN1_RF, pite_PA2_RUN1_GAM, pite_PA2_RUN1_MARS, pite_PA2_RUN1_MAXNET, pite_PA2_RUN1_GBM, pite_PA2_RUN1_ANN, pite_PA2_RUN1_RF, pite_PA3_RUN1_GAM, pite_PA3_RUN1_MARS, pite_PA3_RUN1_MAXNET, pite_PA3_RUN1_GBM, pite_PA3_RUN1_ANN, pite_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 263.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 263.18: 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/pite/cont_gre
sp.name : pite
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pite/pite.AllModels.ensemble.models.out )
models.projected :
pite_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pite_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 263.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
263.3.3 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 263.20: 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 263.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 263.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 263.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
263.4 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)
263.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 263.24: 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 263.25: 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 263.26: 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 263.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
263.4.2 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 50 240 437 474.8808 725 855 0 2000
2 87 477 623 581.8117 715 840 126 2040
3 116 498 610 594.7775 709 815 126 2060
4 130 545 653 631.2994 727 811 126 2080
5 124 555 647 630.0573 719 807 126 2100
6 113 511 657 615.7854 729 820 245 2040
7 126 498 575 584.7610 685 797 245 2060
8 171 512 645 618.0418 714 797 245 2080
9 198 483 588 583.2320 698 792 245 2100
10 78 460 553 551.6161 677 840 370 2040
11 128 509 613 602.2335 701 807 370 2060
12 229 462 543 567.1755 703 806 370 2080
13 273 356 435 433.5371 519 619 370 2100
14 113 501 640 600.9185 718 813 585 2040
15 155 494 588 587.2459 693 789 585 2060
16 276 387 458 452.1063 527 668 585 2080
17 237 263 326 346.7531 436 529 585 2100
Figure 263.28: 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.