274 Quercus velutina
274.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.2xg2yk
Format: SIMPLE_CSV
Download key: 0018182-230828120925497
Created: 2023-09-15T23:59:52.221+00:00
Modified: 2023-09-16T00:00:37.435+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018182-230828120925497.zip
Total records: 4162Conversion 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 2914 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.8 ymin: -38.56258 xmax: 177.7151 ymax: 53.35654
Geodetic CRS: WGS 84
# A tibble: 2,914 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393668495 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
2 3393441948 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
3 3393769380 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
4 3393457207 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
5 3393682255 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
6 3393415193 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
7 3393469946 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
8 3393559864 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
9 3393530473 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
10 3393759442 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
# ℹ 2,904 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <lgl>,
# 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>, …Il y a 2 914 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 274.1: Occurrences de Quercus velutina dans le monde.
274.1.1 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] 0.05044612[1] 0.947838[1] 0
Figure 274.2: Occurrence de Quercus velutina dans la région d’endémisme.
274.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
388 1873 501 [1] 32.18682
Figure 274.3: Occurrence de Quercus velutina 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] 889274.1.3 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 889 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -105 ymin: 30.25853 xmax: -69.95842 ymax: 45.34347
Geodetic CRS: WGS 84
# A tibble: 889 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393668495 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
2 3393441948 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
3 3393769380 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
4 3393457207 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
5 3393682255 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
6 3393415193 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
7 3393469946 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
8 3393559864 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
9 3393530473 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
10 3393759442 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Faga… Fagac… Quer…
# ℹ 879 more rows
# ℹ 42 more variables: species <chr>, infraspecificEpithet <lgl>,
# 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>, …
274.2 Modélisation de la niche climatique
274.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 889, 0 (geometries, attributes)
extent : -105, -69.95842, 30.25853, 45.34347 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= quve 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 = quve
885 presences, 0 true absences and 2661 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.567 Min. :-30.596 Min. :-9.678 Min. : 56.55
1st Qu.:24.336 1st Qu.:-14.533 1st Qu.:11.245 1st Qu.: 769.10
Median :27.782 Median : -7.970 Median :16.973 Median : 899.11
Mean :27.459 Mean : -8.247 Mean :15.800 Mean : 886.85
3rd Qu.:31.184 3rd Qu.: -2.694 3rd Qu.:21.184 3rd Qu.:1053.50
Max. :42.960 Max. : 23.500 Max. :32.661 Max. :1457.65
prec_wet_quart prec_season
Min. : 28.0 Min. : 5.523
1st Qu.: 229.0 1st Qu.: 17.344
Median : 299.0 Median : 31.740
Mean : 313.6 Mean : 38.352
3rd Qu.: 344.0 3rd Qu.: 55.345
Max. :1788.0 Max. :133.646
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 274.5: 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 : 6207, 2 (geometries, attributes)
extent : -129.6875, -52.72917, 13.0625, 54.97917 (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 274.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
274.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for quve_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for quve_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for quve_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= quve 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 : quve_PA1
-=-=-=--=-=-=- quve_PA1_RUN1
-=-=-=- Run : quve_PA2
-=-=-=--=-=-=- quve_PA2_RUN1
-=-=-=- Run : quve_PA3
-=-=-=--=-=-=- quve_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=274.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 quve_PA1_RUN1_GAM PA1 RUN1 GAM TSS 606 98.446
2 quve_PA1_RUN1_GAM PA1 RUN1 GAM ROC 608 98.446
3 quve_PA1_RUN1_MARS PA1 RUN1 MARS TSS 461 95.904
4 quve_PA1_RUN1_MARS PA1 RUN1 MARS ROC 466 95.904
5 quve_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 364 94.774
6 quve_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 361 95.056
specificity calibration validation evaluation
1 74.121 0.727 0.741 NA
2 74.262 0.827 0.825 NA
3 80.872 0.768 0.815 NA
4 81.153 0.950 0.967 NA
5 82.419 0.773 0.820 NA
6 82.419 0.948 0.968 NA
Figure 274.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
274.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 quve_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.217794
2 quve_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.421569
3 quve_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006830
4 quve_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.122993
5 quve_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.086471
6 quve_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.519847
Figure 274.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 274.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
274.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : quve
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quve_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=274.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 quve_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quve_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 498.0 97.288 87.298
2 mergedAlgo TSS EMwmean ROC 499.5 97.175 87.599
calibration validation evaluation
1 0.847 NA NA
2 0.980 NA NA
Figure 274.11: 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 quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 quve_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 0.200534
2 mergedAlgo TSS EMcv temp_min 1 0.308734
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.036200
4 mergedAlgo TSS EMcv temp_season 1 0.096038
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.122159
6 mergedAlgo TSS EMcv prec_season 1 0.298634Par variable :
Figure 274.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 274.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
274.3 Projections
274.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quve/current
sp.name : quve
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quve/quve.AllModels.models.out )
models.projected :
quve_PA1_RUN1_GAM, quve_PA1_RUN1_MARS, quve_PA1_RUN1_MAXNET, quve_PA1_RUN1_GBM, quve_PA1_RUN1_RF, quve_PA2_RUN1_GAM, quve_PA2_RUN1_MARS, quve_PA2_RUN1_MAXNET, quve_PA2_RUN1_GBM, quve_PA2_RUN1_RF, quve_PA3_RUN1_GAM, quve_PA3_RUN1_MARS, quve_PA3_RUN1_MAXNET, quve_PA3_RUN1_GBM, quve_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 274.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 274.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/quve/current
sp.name : quve
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quve/quve.AllModels.ensemble.models.out )
models.projected :
quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quve_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 274.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
274.3.2 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/quve/cont_gre
sp.name : quve
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quve/quve.AllModels.models.out )
models.projected :
quve_PA1_RUN1_GAM, quve_PA1_RUN1_MARS, quve_PA1_RUN1_MAXNET, quve_PA1_RUN1_GBM, quve_PA1_RUN1_RF, quve_PA2_RUN1_GAM, quve_PA2_RUN1_MARS, quve_PA2_RUN1_MAXNET, quve_PA2_RUN1_GBM, quve_PA2_RUN1_RF, quve_PA3_RUN1_GAM, quve_PA3_RUN1_MARS, quve_PA3_RUN1_MAXNET, quve_PA3_RUN1_GBM, quve_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 274.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 274.18: 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/quve/cont_gre
sp.name : quve
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/quve/quve.AllModels.ensemble.models.out )
models.projected :
quve_EMcvByTSS_mergedData_mergedRun_mergedAlgo, quve_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 274.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
274.3.3 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 274.20: 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 274.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 274.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 274.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
274.4 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)
274.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 274.24: 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 274.25: 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 274.26: 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 274.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
274.4.2 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>
1 138 200 274 320.2229 429 682 0 2000
2 157 337 447 440.0365 541 704 126 2040
3 146 368 483 468.2192 574 669 126 2060
4 134 351 464 451.2408 550 658 126 2080
5 135 365 485 469.5633 574 668 126 2100
6 182 363 473 463.1560 566 702 245 2040
7 157 384 500 480.0876 579 661 245 2060
8 194 396 522 492.1498 592 668 245 2080
9 217 379 512 478.8271 567 655 245 2100
10 156 349 459 450.5067 553 706 370 2040
11 154 399 511 493.6461 592 672 370 2060
12 214 373 511 481.3012 575 682 370 2080
13 148 310 454 410.1149 506 610 370 2100
14 131 316 435 421.5920 524 662 585 2040
15 190 413 527 497.8949 595 669 585 2060
16 165 333 482 430.4364 517 628 585 2080
17 147 274 372 355.5816 426 536 585 2100
Figure 274.28: 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.