265 Prunus lusitanica
265.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.pcusnr
Format: SIMPLE_CSV
Download key: 0018080-230828120925497
Created: 2023-09-15T18:49:46.454+00:00
Modified: 2023-09-15T18:50:37.792+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018080-230828120925497.zip
Total records: 8073Conversion 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 8073 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -125.0146 ymin: -46.53067 xmax: 177.7186 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 8,073 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932704468 ebd49d9b-696b… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
2 932704458 ebd49d9b-696b… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
3 932704434 ebd49d9b-696b… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
4 910483829 837acfc2-f762… "HSS:HSS:51… Plantae Trach… Magn… Rosa… Rosac… Prun…
5 910473738 837acfc2-f762… "HSS:HSS:29… Plantae Trach… Magn… Rosa… Rosac… Prun…
6 910473648 837acfc2-f762… "HSS:HSS:29… Plantae Trach… Magn… Rosa… Rosac… Prun…
7 910473086 837acfc2-f762… "HSS:HSS:28… Plantae Trach… Magn… Rosa… Rosac… Prun…
8 910473025 837acfc2-f762… "HSS:HSS:28… Plantae Trach… Magn… Rosa… Rosac… Prun…
9 910469053 837acfc2-f762… "HSS:HSS:24… Plantae Trach… Magn… Rosa… Rosac… Prun…
10 910469011 837acfc2-f762… "HSS:HSS:24… Plantae Trach… Magn… Rosa… Rosac… Prun…
# ℹ 8,063 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 8 073 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 265.1: Occurrences de Prunus lusitanica dans le monde.
265.1.1 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] 0.923944[1] 0.05351171[1] 0.0001238697
Figure 265.2: Occurrence de Prunus lusitanica dans la région d’endémisme.
265.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
5545
CC_BY_NC_4_0
337
CC0_1_0
34
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1181
https://creativecommons.org/licenses/by/4.0/legalcode
321
https://creativecommons.org/publicdomain/zero/1.0/legalcode
41 [1] 79.64875
Figure 265.3: Occurrence de Prunus lusitanica 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] 5941265.1.3 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 5941 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.983844 ymin: 34.95 xmax: 39.74268 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 5,941 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 871991248 271c444f-f8d8… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Prun…
2 871981291 271c444f-f8d8… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Prun…
3 871980917 271c444f-f8d8… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Prun…
4 870724520 271c444f-f8d8… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Prun…
5 870724496 271c444f-f8d8… "INBO:FLORA… Plantae Trach… Magn… Rosa… Rosac… Prun…
6 416138248 857aa892-f762… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
7 416136336 857aa892-f762… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
8 416136334 857aa892-f762… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
9 416136333 857aa892-f762… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
10 416136332 857aa892-f762… "" Plantae Trach… Magn… Rosa… Rosac… Prun…
# ℹ 5,931 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>, …
265.2 Modélisation de la niche climatique
265.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 5941, 0 (geometries, attributes)
extent : -9.983844, 39.74268, 34.95, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= prlu 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 = prlu
5938 presences, 0 true absences and 17700 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 4.864 Min. :-22.000 Min. :-9.231 Min. : 208.2
1st Qu.:20.472 1st Qu.: -8.704 1st Qu.: 7.826 1st Qu.: 567.2
Median :23.874 Median : -1.284 Median :12.091 Median : 715.0
Mean :24.951 Mean : -3.476 Mean :11.833 Mean : 732.9
3rd Qu.:28.100 3rd Qu.: 1.808 3rd Qu.:16.011 3rd Qu.: 895.7
Max. :44.900 Max. : 10.472 Max. :24.817 Max. :1383.7
prec_wet_quart prec_season
Min. : 3.0 Min. : 6.861
1st Qu.: 174.0 1st Qu.: 20.761
Median : 215.0 Median : 30.589
Mean : 219.1 Mean : 34.565
3rd Qu.: 256.0 3rd Qu.: 39.642
Max. :1245.0 Max. :122.576
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 265.5: 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 : 41575, 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 265.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
265.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for prlu_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for prlu_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for prlu_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= prlu 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 : prlu_PA1
-=-=-=--=-=-=- prlu_PA1_RUN1
-=-=-=- Run : prlu_PA2
-=-=-=--=-=-=- prlu_PA2_RUN1
-=-=-=- Run : prlu_PA3
-=-=-=--=-=-=- prlu_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=265.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 prlu_PA1_RUN1_GAM PA1 RUN1 GAM TSS 626.0 98.505
2 prlu_PA1_RUN1_GAM PA1 RUN1 GAM ROC 628.0 98.505
3 prlu_PA1_RUN1_MARS PA1 RUN1 MARS TSS 495.0 81.832
4 prlu_PA1_RUN1_MARS PA1 RUN1 MARS ROC 500.0 81.832
5 prlu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 355.0 96.295
6 prlu_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 357.5 96.168
specificity calibration validation evaluation
1 67.999 0.665 0.684 NA
2 68.062 0.739 0.755 NA
3 86.745 0.686 0.686 NA
4 86.745 0.843 0.843 NA
5 89.796 0.861 0.864 NA
6 90.027 0.964 0.964 NA
Figure 265.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
265.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 prlu_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.314772
2 prlu_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.196338
3 prlu_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.004358
4 prlu_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.573319
5 prlu_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.005954
6 prlu_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.014151
Figure 265.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 265.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
265.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : prlu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prlu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=265.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 prlu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prlu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 539.0 96.733 92.486
2 mergedAlgo TSS EMwmean ROC 541.5 96.733 92.525
calibration validation evaluation
1 0.892 NA NA
2 0.989 NA NA
Figure 265.11: 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 prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 prlu_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 0.150961
2 mergedAlgo TSS EMcv temp_min 1 0.352590
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.021858
4 mergedAlgo TSS EMcv temp_season 1 0.292532
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.083084
6 mergedAlgo TSS EMcv prec_season 1 0.183583Par variable :
Figure 265.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 265.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
265.3 Projections
265.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prlu/current
sp.name : prlu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prlu/prlu.AllModels.models.out )
models.projected :
prlu_PA1_RUN1_GAM, prlu_PA1_RUN1_MARS, prlu_PA1_RUN1_MAXNET, prlu_PA1_RUN1_GBM, prlu_PA1_RUN1_ANN, prlu_PA1_RUN1_RF, prlu_PA2_RUN1_GAM, prlu_PA2_RUN1_MARS, prlu_PA2_RUN1_MAXNET, prlu_PA2_RUN1_GBM, prlu_PA2_RUN1_ANN, prlu_PA2_RUN1_RF, prlu_PA3_RUN1_GAM, prlu_PA3_RUN1_MARS, prlu_PA3_RUN1_MAXNET, prlu_PA3_RUN1_GBM, prlu_PA3_RUN1_ANN, prlu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 265.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 265.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/prlu/current
sp.name : prlu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prlu/prlu.AllModels.ensemble.models.out )
models.projected :
prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prlu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 265.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
265.3.2 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/prlu/cont_gre
sp.name : prlu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prlu/prlu.AllModels.models.out )
models.projected :
prlu_PA1_RUN1_GAM, prlu_PA1_RUN1_MARS, prlu_PA1_RUN1_MAXNET, prlu_PA1_RUN1_GBM, prlu_PA1_RUN1_ANN, prlu_PA1_RUN1_RF, prlu_PA2_RUN1_GAM, prlu_PA2_RUN1_MARS, prlu_PA2_RUN1_MAXNET, prlu_PA2_RUN1_GBM, prlu_PA2_RUN1_ANN, prlu_PA2_RUN1_RF, prlu_PA3_RUN1_GAM, prlu_PA3_RUN1_MARS, prlu_PA3_RUN1_MAXNET, prlu_PA3_RUN1_GBM, prlu_PA3_RUN1_ANN, prlu_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 265.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 265.18: 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/prlu/cont_gre
sp.name : prlu
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/prlu/prlu.AllModels.ensemble.models.out )
models.projected :
prlu_EMcvByTSS_mergedData_mergedRun_mergedAlgo, prlu_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 265.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
265.3.3 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 265.20: 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 265.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 265.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 265.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
265.4 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)
265.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 265.24: 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 265.25: 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 265.26: 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 265.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
265.4.2 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 74 348 503 494.9215 656 815 0 2000
2 181 434 564 556.6311 680 831 126 2040
3 203 429 553 545.0925 673 832 126 2060
4 207 422 549 545.8830 671 821 126 2080
5 230 503 616 590.9257 695 822 126 2100
6 200 456 604 583.6746 712 838 245 2040
7 209 386 479 494.5571 620 795 245 2060
8 258 415 523 529.3342 662 812 245 2080
9 264 394 457 480.3030 587 731 245 2100
10 172 403 512 514.7104 641 820 370 2040
11 229 425 534 533.0062 662 816 370 2060
12 277 383 450 479.1578 609 740 370 2080
13 156 273 326 323.3746 372 443 370 2100
14 186 410 525 522.8112 638 817 585 2040
15 232 380 458 493.3196 622 789 585 2060
16 186 279 348 335.4762 381 470 585 2080
17 103 242 253 258.3529 260 347 585 2100
Figure 265.28: 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.