268 Punica granatum
268.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.dfu7ht
Format: SIMPLE_CSV
Download key: 0018140-230828120925497
Created: 2023-09-15T21:05:47.833+00:00
Modified: 2023-09-15T21:06:55.938+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018140-230828120925497.zip
Total records: 16699Conversion 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 16699 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -159.7851 ymin: -43.60219 xmax: 179.2859 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 16,699 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932007300 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
2 919608678 1b412457-43cf… 6840376 Plantae Trach… Magn… Myrt… Lythr… Puni…
3 919608659 1b412457-43cf… 6840377 Plantae Trach… Magn… Myrt… Lythr… Puni…
4 919608658 1b412457-43cf… 6840375 Plantae Trach… Magn… Myrt… Lythr… Puni…
5 911795698 85714c48-f762… https://her… Plantae Trach… Magn… Myrt… Lythr… Puni…
6 910488629 837acfc2-f762… HSS:HSS:580… Plantae Trach… Magn… Myrt… Lythr… Puni…
7 910471128 837acfc2-f762… HSS:HSS:262… Plantae Trach… Magn… Myrt… Lythr… Puni…
8 910470337 837acfc2-f762… HSS:HSS:257… Plantae Trach… Magn… Myrt… Lythr… Puni…
9 895287981 834a4794-f762… 87AA0F92-5F… Plantae Trach… Magn… Myrt… Lythr… Puni…
10 895242120 834a4794-f762… E9C0A6EB-AF… Plantae Trach… Magn… Myrt… Lythr… Puni…
# ℹ 16,689 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 16 699 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 268.1: Occurrences de Punica granatum dans le monde.
268.1.1 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] 0.8940655[1] 0.04611055[1] 0.02413318
Figure 268.2: Occurrence de Punica granatum dans la région d’endémisme.
268.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
12911 1867 152 [1] 87.49498
Figure 268.3: Occurrence de Punica granatum 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] 13063268.1.3 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 13063 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.591832 ymin: 29.3925 xmax: 46.57497 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 13,063 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932007300 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
2 875475164 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
3 875474766 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
4 875371274 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
5 875365003 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
6 859674830 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
7 859667641 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
8 859667268 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
9 855580714 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
10 855574124 38b4c89f-584c… urn:lsid:ar… Plantae Trach… Magn… Myrt… Lythr… Puni…
# ℹ 13,053 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>, …
268.2 Modélisation de la niche climatique
268.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 13063, 0 (geometries, attributes)
extent : -9.591832, 46.57497, 29.3925, 63.434 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= pugr 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 = pugr
13053 presences, 0 true absences and 38624 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.084 Min. :-24.584 Min. :-12.087 Min. : 228.0
1st Qu.:20.960 1st Qu.: -8.668 1st Qu.: 9.761 1st Qu.: 603.9
Median :25.832 Median : -1.396 Median : 12.989 Median : 733.1
Mean :25.970 Mean : -3.244 Mean : 12.560 Mean : 752.3
3rd Qu.:29.640 3rd Qu.: 2.528 3rd Qu.: 16.041 3rd Qu.: 896.3
Max. :45.856 Max. : 10.972 Max. : 24.687 Max. :1393.6
prec_wet_quart prec_season
Min. : 4.0 Min. : 5.227
1st Qu.: 175.0 1st Qu.: 25.470
Median : 218.0 Median : 32.875
Mean : 221.6 Mean : 38.128
3rd Qu.: 263.0 3rd Qu.: 43.882
Max. :1243.0 Max. :123.314
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 268.5: 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 : 91401, 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 268.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
268.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for pugr_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for pugr_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for pugr_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= pugr 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 : pugr_PA1
-=-=-=--=-=-=- pugr_PA1_RUN1
-=-=-=- Run : pugr_PA2
-=-=-=--=-=-=- pugr_PA2_RUN1
-=-=-=- Run : pugr_PA3
-=-=-=--=-=-=- pugr_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=268.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 pugr_PA1_RUN1_GAM PA1 RUN1 GAM TSS 586.0 96.849
2 pugr_PA1_RUN1_GAM PA1 RUN1 GAM ROC 587.5 96.840
3 pugr_PA1_RUN1_MARS PA1 RUN1 MARS TSS 400.0 95.997
4 pugr_PA1_RUN1_MARS PA1 RUN1 MARS ROC 407.5 95.911
5 pugr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 392.0 92.885
6 pugr_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 392.5 92.750
specificity calibration validation evaluation
1 64.641 0.615 0.609 NA
2 64.660 0.788 0.786 NA
3 85.120 0.812 0.807 NA
4 85.368 0.957 0.956 NA
5 88.670 0.816 0.814 NA
6 88.813 0.960 0.958 NA
Figure 268.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
268.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 pugr_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.603703
2 pugr_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.236340
3 pugr_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006988
4 pugr_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.327793
5 pugr_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.006842
6 pugr_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.004209
Figure 268.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 268.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
268.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : pugr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pugr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=268.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 pugr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pugr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 526.0 95.212 91.945
2 mergedAlgo TSS EMwmean ROC 527.5 95.197 91.989
calibration validation evaluation
1 0.872 NA NA
2 0.984 NA NA
Figure 268.11: 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 pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 pugr_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 0.214651
2 mergedAlgo TSS EMcv temp_min 1 0.436776
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.045735
4 mergedAlgo TSS EMcv temp_season 1 0.102141
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.151829
6 mergedAlgo TSS EMcv prec_season 1 0.060831Par variable :
Figure 268.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 268.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
268.3 Projections
268.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pugr/current
sp.name : pugr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pugr/pugr.AllModels.models.out )
models.projected :
pugr_PA1_RUN1_GAM, pugr_PA1_RUN1_MARS, pugr_PA1_RUN1_MAXNET, pugr_PA1_RUN1_GBM, pugr_PA1_RUN1_ANN, pugr_PA1_RUN1_RF, pugr_PA2_RUN1_GAM, pugr_PA2_RUN1_MARS, pugr_PA2_RUN1_MAXNET, pugr_PA2_RUN1_GBM, pugr_PA2_RUN1_ANN, pugr_PA2_RUN1_RF, pugr_PA3_RUN1_GAM, pugr_PA3_RUN1_MARS, pugr_PA3_RUN1_MAXNET, pugr_PA3_RUN1_GBM, pugr_PA3_RUN1_ANN, pugr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 268.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 268.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/pugr/current
sp.name : pugr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pugr/pugr.AllModels.ensemble.models.out )
models.projected :
pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pugr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 268.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
268.3.2 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/pugr/cont_gre
sp.name : pugr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pugr/pugr.AllModels.models.out )
models.projected :
pugr_PA1_RUN1_GAM, pugr_PA1_RUN1_MARS, pugr_PA1_RUN1_MAXNET, pugr_PA1_RUN1_GBM, pugr_PA1_RUN1_ANN, pugr_PA1_RUN1_RF, pugr_PA2_RUN1_GAM, pugr_PA2_RUN1_MARS, pugr_PA2_RUN1_MAXNET, pugr_PA2_RUN1_GBM, pugr_PA2_RUN1_ANN, pugr_PA2_RUN1_RF, pugr_PA3_RUN1_GAM, pugr_PA3_RUN1_MARS, pugr_PA3_RUN1_MAXNET, pugr_PA3_RUN1_GBM, pugr_PA3_RUN1_ANN, pugr_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 268.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 268.18: 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/pugr/cont_gre
sp.name : pugr
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/pugr/pugr.AllModels.ensemble.models.out )
models.projected :
pugr_EMcvByTSS_mergedData_mergedRun_mergedAlgo, pugr_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 268.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
268.3.3 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 268.20: 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 268.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 268.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 268.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
268.4 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)
268.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 268.24: 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 268.25: 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 268.26: 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 268.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
268.4.2 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 51 255 418 469.5073 706 845 0 2000
2 130 572 705 668.5371 807 856 126 2040
3 152 643 728 696.4267 812 853 126 2060
4 177 658 760 718.0938 819 856 126 2080
5 172 646 728 700.9485 813 858 126 2100
6 145 656 745 707.1068 812 851 245 2040
7 194 655 761 720.9921 818 852 245 2060
8 355 667 798 753.8709 824 861 245 2080
9 363 660 781 738.4795 824 858 245 2100
10 131 575 700 664.2998 803 853 370 2040
11 213 655 756 722.6592 816 855 370 2060
12 416 662 798 745.3594 826 858 370 2080
13 478 651 712 722.8025 816 839 370 2100
14 137 631 720 684.0259 811 855 585 2040
15 284 666 783 744.5119 820 851 585 2060
16 438 654 731 733.0256 822 840 585 2080
17 388 600 636 637.9879 669 832 585 2100
Figure 268.28: 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.