264 Populus canescens
264.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6cps9z
Format: SIMPLE_CSV
Download key: 0017209-230828120925497
Created: 2023-09-15T02:26:32.057+00:00
Modified: 2023-09-15T02:27:20.787+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0017209-230828120925497.zip
Total records: 14046Conversion 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 14046 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.0117 ymin: -43.57947 xmax: 175.3321 ymax: 62.46134
Geodetic CRS: WGS 84
# A tibble: 14,046 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3117586995 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
2 3117582992 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
3 3117586923 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
4 3117584028 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
5 3117689319 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
6 3117681333 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
7 3117583914 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
8 3117952001 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
9 3118036256 5f06e39d-81c… USFS - New … Plantae Trach… Magn… Malp… Salic… Popu…
10 997740966 38b4c89f-584… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
# ℹ 14,036 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 14 046 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 264.1: Occurrences de Populus canescens dans le monde.
264.1.1 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] 0.9831269[1] 0.002135839[1] 7.119465e-05
Figure 264.2: Occurrence de Populus canescens dans la région d’endémisme.
264.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
10919
CC_BY_NC_4_0
680
CC0_1_0
2162
https://creativecommons.org/licenses/by-nc/4.0/legalcode
42
https://creativecommons.org/licenses/by/4.0/legalcode
6 [1] 94.77153
Figure 264.3: Occurrence de Populus canescens 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] 13087264.1.3 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 13087 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.01378 ymin: 37.25 xmax: 46.85 ymax: 62.46134
Geodetic CRS: WGS 84
# A tibble: 13,087 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 997740966 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
2 932643813 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
3 932008012 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
4 932006089 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
5 932004762 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
6 931966869 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Malp… Salic… Popu…
7 930766735 271c444f-f8d8… INBO:FLORA:… Plantae Trach… Magn… Malp… Salic… Popu…
8 930763495 271c444f-f8d8… INBO:FLORA:… Plantae Trach… Magn… Malp… Salic… Popu…
9 930760899 271c444f-f8d8… INBO:FLORA:… Plantae Trach… Magn… Malp… Salic… Popu…
10 930759540 271c444f-f8d8… INBO:FLORA:… Plantae Trach… Magn… Malp… Salic… Popu…
# ℹ 13,077 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>, …
264.2 Modélisation de la niche climatique
264.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 13087, 0 (geometries, attributes)
extent : -9.01378, 46.85, 37.25, 62.46134 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= poca 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 = poca
13066 presences, 0 true absences and 38682 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.50 Min. :-21.960 Min. :-11.199 Min. : 0.0
1st Qu.:20.49 1st Qu.: -8.777 1st Qu.: 8.495 1st Qu.: 579.9
Median :23.58 Median : -1.587 Median : 12.569 Median : 716.9
Mean :24.88 Mean : -3.796 Mean : 12.223 Mean : 744.8
3rd Qu.:28.00 3rd Qu.: 0.944 3rd Qu.: 16.131 3rd Qu.: 897.5
Max. :45.52 Max. : 12.036 Max. : 25.885 Max. :1385.6
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.496
1st Qu.: 172.0 1st Qu.: 20.102
Median : 210.0 Median : 30.076
Mean : 211.3 Mean : 33.864
3rd Qu.: 244.0 3rd Qu.: 38.853
Max. :1240.0 Max. :123.656
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 264.5: 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 : 91525, 2 (geometries, attributes)
extent : -10.27083, 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 264.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
264.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for poca_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for poca_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for poca_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= poca 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 : poca_PA1
-=-=-=--=-=-=- poca_PA1_RUN1
-=-=-=- Run : poca_PA2
-=-=-=--=-=-=- poca_PA2_RUN1
-=-=-=- Run : poca_PA3
-=-=-=--=-=-=- poca_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=264.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 poca_PA1_RUN1_GAM PA1 RUN1 GAM TSS 697.0 94.375
2 poca_PA1_RUN1_GAM PA1 RUN1 GAM ROC 693.5 94.432
3 poca_PA1_RUN1_MARS PA1 RUN1 MARS TSS 630.0 93.648
4 poca_PA1_RUN1_MARS PA1 RUN1 MARS ROC 608.5 93.935
5 poca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 390.0 93.925
6 poca_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 388.5 93.944
specificity calibration validation evaluation
1 68.042 0.624 0.640 NA
2 67.994 0.767 0.781 NA
3 92.770 0.864 0.865 NA
4 92.512 0.974 0.972 NA
5 92.245 0.862 0.865 NA
6 92.235 0.971 0.969 NA
Figure 264.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
264.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 poca_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.092075
2 poca_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.436404
3 poca_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.018946
4 poca_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.160357
5 poca_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.030407
6 poca_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.049349
Figure 264.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 264.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
264.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : poca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=264.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 poca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 poca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 654.0 93.808 95.835
2 mergedAlgo TSS EMwmean ROC 657.5 93.739 95.905
calibration validation evaluation
1 0.896 NA NA
2 0.991 NA NA
Figure 264.11: 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 poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 poca_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 0.220972
2 mergedAlgo TSS EMcv temp_min 1 0.221921
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.047177
4 mergedAlgo TSS EMcv temp_season 1 0.317695
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.060029
6 mergedAlgo TSS EMcv prec_season 1 0.262990Par variable :
Figure 264.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 264.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
264.3 Projections
264.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/poca/current
sp.name : poca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poca/poca.AllModels.models.out )
models.projected :
poca_PA1_RUN1_GAM, poca_PA1_RUN1_MARS, poca_PA1_RUN1_MAXNET, poca_PA1_RUN1_GBM, poca_PA1_RUN1_ANN, poca_PA1_RUN1_RF, poca_PA2_RUN1_GAM, poca_PA2_RUN1_MARS, poca_PA2_RUN1_MAXNET, poca_PA2_RUN1_GBM, poca_PA2_RUN1_ANN, poca_PA2_RUN1_RF, poca_PA3_RUN1_GAM, poca_PA3_RUN1_MARS, poca_PA3_RUN1_MAXNET, poca_PA3_RUN1_GBM, poca_PA3_RUN1_ANN, poca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 264.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 264.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/poca/current
sp.name : poca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poca/poca.AllModels.ensemble.models.out )
models.projected :
poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 264.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
264.3.2 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/poca/cont_gre
sp.name : poca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poca/poca.AllModels.models.out )
models.projected :
poca_PA1_RUN1_GAM, poca_PA1_RUN1_MARS, poca_PA1_RUN1_MAXNET, poca_PA1_RUN1_GBM, poca_PA1_RUN1_ANN, poca_PA1_RUN1_RF, poca_PA2_RUN1_GAM, poca_PA2_RUN1_MARS, poca_PA2_RUN1_MAXNET, poca_PA2_RUN1_GBM, poca_PA2_RUN1_ANN, poca_PA2_RUN1_RF, poca_PA3_RUN1_GAM, poca_PA3_RUN1_MARS, poca_PA3_RUN1_MAXNET, poca_PA3_RUN1_GBM, poca_PA3_RUN1_ANN, poca_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 264.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 264.18: 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/poca/cont_gre
sp.name : poca
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/poca/poca.AllModels.ensemble.models.out )
models.projected :
poca_EMcvByTSS_mergedData_mergedRun_mergedAlgo, poca_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 264.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
264.3.3 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 264.20: 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 264.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 264.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 264.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
264.4 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)
264.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 264.24: 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 264.25: 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 264.26: 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 264.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
264.4.2 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>
1 187 468 669 600.0531 737 822 0 2000
2 143 414 590 546.5430 704 806 126 2040
3 120 377 553 509.6470 656 764 126 2060
4 122 357 538 491.4352 634 750 126 2080
5 149 397 565 520.4773 658 738 126 2100
6 142 434 618 556.7274 708 785 245 2040
7 113 311 489 449.2497 590 722 245 2060
8 108 298 482 448.1366 599 718 245 2080
9 96 253 399 383.1108 506 682 245 2100
10 128 386 562 518.1678 665 783 370 2040
11 112 338 521 475.1369 620 742 370 2060
12 90 236 382 376.1594 510 693 370 2080
13 64 121 203 194.4448 257 436 370 2100
14 129 381 559 510.2389 654 768 585 2040
15 106 288 470 432.6634 578 696 585 2060
16 70 130 227 216.9162 289 461 585 2080
17 51 76 113 116.7797 153 286 585 2100
Figure 264.28: 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.