224 Quercus ithaburensis
224.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.b8jyz2
Format: SIMPLE_CSV
Download key: 0260961-230224095556074
Created: 2023-05-25T12:58:11.945+00:00
Modified: 2023-05-25T12:59:08.531+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0260961-230224095556074.zip
Total records: 789Conversion 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 789 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.763611 ymin: 31.800036 xmax: 41.231369 ymax: 51.01
Geodetic CRS: WGS 84
# A tibble: 789 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 85587685 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 85587680 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 85587672 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 85587670 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 85587664 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 85587656 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 85587650 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 85587635 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 85587629 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 85587626 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 779 more rows
# ℹ 41 more variables: 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …Il y a 789 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 224.1: Occurrences de Quercus ithaburensis dans le monde.
224.1.1 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] 0.9949302915[1] 0.005069708492[1] 0
Figure 224.2: Occurrence de Quercus ithaburensis dans la région d’endémisme.
224.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
614 93 78 [1] 88.15286624
Figure 224.3: Occurrence de Quercus ithaburensis 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] 692224.1.3 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 692 features and 50 fields
Attribute-geometry relationship: 50 constant, 0 aggregate, 0 identity
Geometry type: POINT
Dimension: XY
Bounding box: xmin: 5.88432 ymin: 31.833522 xmax: 41.231369 ymax: 49.21417
Geodetic CRS: WGS 84
# A tibble: 692 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus species
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 85587685 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
2 85587680 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
3 85587672 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
4 85587670 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
5 85587664 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
6 85587656 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
7 85587650 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
8 85587635 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
9 85587629 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
10 85587626 8582b50a-f762-11e1… "" Plantae Trach… Magn… Faga… Fagac… Quer… Quercu…
# ℹ 682 more rows
# ℹ 41 more variables: 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 <lgl>,
# elevation <dbl>, elevationAccuracy <dbl>, depth <lgl>, depthAccuracy <lgl>, …
224.2 Modélisation de la niche climatique
224.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 692, 0 (geometries, attributes)
extent : 5.88432, 41.23137, 31.83352, 49.21417 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quit 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 = quit
691 presences, 0 true absences and 2075 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 8.824 Min. :-21.900 Min. :-5.835 Min. : 295.5
1st Qu.:20.996 1st Qu.: -8.432 1st Qu.: 9.917 1st Qu.: 599.3
Median :27.420 Median : -0.860 Median :11.974 Median : 717.1
Mean :26.723 Mean : -2.264 Mean :12.195 Mean : 745.8
3rd Qu.:31.964 3rd Qu.: 5.542 3rd Qu.:15.409 3rd Qu.: 884.4
Max. :45.704 Max. : 9.232 Max. :23.828 Max. :1341.6
prec_wet_quart prec_season
Min. : 7.0 Min. : 8.471
1st Qu.:182.0 1st Qu.: 28.666
Median :228.5 Median : 37.286
Mean :249.0 Mean : 53.310
3rd Qu.:350.0 3rd Qu.: 79.388
Max. :999.0 Max. :119.480
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 224.5: 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 : 4840, 2 (geometries, attributes)
extent : -9.6875, 46.97917, 29.02083, 70.9375 (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 224.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
224.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quit_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quit_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quit_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quit 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 : quit_PA1
-=-=-=--=-=-=- quit_PA1_RUN1
-=-=-=- Run : quit_PA2
-=-=-=--=-=-=- quit_PA2_RUN1
-=-=-=- Run : quit_PA3
-=-=-=--=-=-=- quit_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=224.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quit_PA1_RUN1_GAM PA1 RUN1 GAM TSS 859.0 100.000
2 quit_PA1_RUN1_GAM PA1 RUN1 GAM ROC 998.0 100.000
3 quit_PA1_RUN1_MARS PA1 RUN1 MARS TSS 469.0 94.937
4 quit_PA1_RUN1_MARS PA1 RUN1 MARS ROC 623.5 93.309
5 quit_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 340.0 96.926
6 quit_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 339.0 96.926
specificity calibration validation evaluation
1 67.148 0.671 0.717 NA
2 67.329 0.837 0.858 NA
3 93.502 0.884 0.855 NA
4 95.307 0.988 0.985 NA
5 92.960 0.899 0.884 NA
6 92.960 0.988 0.988 NA
Figure 224.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
224.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quit_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.119396
2 quit_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.379069
3 quit_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.086040
4 quit_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.050858
5 quit_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.106837
6 quit_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.460021
Figure 224.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 224.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
224.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quit
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quit_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=224.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quit_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quit_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 435 98.553 95.133
2 mergedAlgo TSS EMwmean ROC 439 98.553 95.229
calibration validation evaluation
1 0.937 NA NA
2 0.997 NA NA
Figure 224.11: 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 quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quit_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 0.282233
2 mergedAlgo TSS EMcv temp_min 1 0.265975
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.099639
4 mergedAlgo TSS EMcv temp_season 1 0.152442
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.181078
6 mergedAlgo TSS EMcv prec_season 1 0.066568Par variable :
Figure 224.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 224.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
224.3 Projections
224.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quit/current
sp.name : quit
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quit/quit.AllModels.models.out )
models.projected :
quit_PA1_RUN1_GAM, quit_PA1_RUN1_MARS, quit_PA1_RUN1_MAXNET, quit_PA1_RUN1_GBM, quit_PA1_RUN1_RF, quit_PA2_RUN1_GAM, quit_PA2_RUN1_MARS, quit_PA2_RUN1_MAXNET, quit_PA2_RUN1_GBM, quit_PA2_RUN1_RF, quit_PA3_RUN1_GAM, quit_PA3_RUN1_MARS, quit_PA3_RUN1_MAXNET, quit_PA3_RUN1_GBM, quit_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 224.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 224.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quit/current
sp.name : quit
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quit/quit.AllModels.ensemble.models.out )
models.projected :
quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quit_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 224.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
224.3.2 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/quit/cont_gre
sp.name : quit
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quit/quit.AllModels.models.out )
models.projected :
quit_PA1_RUN1_GAM, quit_PA1_RUN1_MARS, quit_PA1_RUN1_MAXNET, quit_PA1_RUN1_GBM, quit_PA1_RUN1_RF, quit_PA2_RUN1_GAM, quit_PA2_RUN1_MARS, quit_PA2_RUN1_MAXNET, quit_PA2_RUN1_GBM, quit_PA2_RUN1_RF, quit_PA3_RUN1_GAM, quit_PA3_RUN1_MARS, quit_PA3_RUN1_MAXNET, quit_PA3_RUN1_GBM, quit_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 224.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 224.18: 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/quit/cont_gre
sp.name : quit
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quit/quit.AllModels.ensemble.models.out )
models.projected :
quit_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quit_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 224.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
224.3.3 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 224.20: 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 224.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 224.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 224.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
224.4 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)
224.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 224.24: 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 224.25: 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 224.26: 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 224.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
224.4.2 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 20 79 125 148.5901 195 434 0 2000
2 68 145 187 194.4416 234 520 126 2040
3 63 164 242 232.2841 275 547 126 2060
4 67 156 232 222.0417 263 559 126 2080
5 68 162 244 235.3713 279 550 126 2100
6 71 156 192 201.1525 250 493 245 2040
7 69 148 245 240.4377 283 567 245 2060
8 62 119 247 229.3367 274 561 245 2080
9 61 111 272 267.9689 366 586 245 2100
10 71 156 202 209.5433 256 527 370 2040
11 62 148 254 245.1207 295 565 370 2060
12 60 101 267 250.0119 320 565 370 2080
13 58 89 208 270.7138 428 664 370 2100
14 70 159 212 212.4929 255 543 585 2040
15 68 135 269 248.4432 298 566 585 2060
16 61 94 215 256.6004 372 662 585 2080
17 59 81 128 196.3616 295 686 585 2100
Figure 224.28: 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.