278 Taxus baccata
278.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.6t9zyy
Format: SIMPLE_CSV
Download key: 0018242-230828120925497
Created: 2023-09-16T05:30:38.855+00:00
Modified: 2023-09-16T05:32:24.208+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018242-230828120925497.zip
Total records: 76972Conversion 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 76972 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.373 ymin: -46.45119 xmax: 177.716 ymax: 63.85876
Geodetic CRS: WGS 84
# A tibble: 76,972 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 998025594 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
2 998025411 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
3 998024939 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
4 997989914 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
5 997889797 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
6 997873425 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
7 997838755 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
8 997729721 38b4c89f-584c… "urn:lsid:a… Plantae Trach… Pino… Pina… Taxac… Taxus
9 991803372 e6c97f6e-e952… "" Plantae Trach… Pino… Pina… Taxac… Taxus
10 986394260 2429287b-ef65… "urn:catalo… Plantae Trach… Pino… Pina… Taxac… Taxus
# ℹ 76,962 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 76 972 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 278.1: Occurrences de Taxus baccata dans le monde.
278.1.1 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] 0.9956997[1] 0.001312165[1] 0.0001169256
Figure 278.2: Occurrence de Taxus baccata dans la région d’endémisme.
278.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
39514
CC_BY_NC_4_0
7556
CC0_1_0
6522
https://creativecommons.org/licenses/by-nc/4.0/legalcode
17295
https://creativecommons.org/licenses/by/4.0/legalcode
4951
https://creativecommons.org/publicdomain/zero/1.0/legalcode
803 [1] 67.5748
Figure 278.3: Occurrence de Taxus baccata 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] 51790278.1.3 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 25000 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -10.13074 ymin: 36.91 xmax: 45.11639 ymax: 63.85876
Geodetic CRS: WGS 84
# A tibble: 25,000 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 1104058343 75956ee6-1a2… http://pifh… Plantae Trach… Pino… Pina… Taxac… Taxus
2 1050308038 2e4cc37b-302… 360320 Plantae Trach… Pino… Pina… Taxac… Taxus
3 852261616 38b4c89f-584… urn:lsid:ar… Plantae Trach… Pino… Pina… Taxac… Taxus
4 2877290152 83fdfd3d-3a2… INFOFLORA-T… Plantae Trach… Pino… Pina… Taxac… Taxus
5 2961373553 efb3f1a0-43d… CI000233000… Plantae Trach… Pino… Pina… Taxac… Taxus
6 2925172276 5e43a220-a91… 28142 Plantae Trach… Pino… Pina… Taxac… Taxus
7 1824296547 b124e1e0-475… urn:uuid:98… Plantae Trach… Pino… Pina… Taxac… Taxus
8 3475682377 e5f16d86-e22… a1f7ca0c-35… Plantae Trach… Pino… Pina… Taxac… Taxus
9 2880260348 83fdfd3d-3a2… INFOFLORA-T… Plantae Trach… Pino… Pina… Taxac… Taxus
10 3043773308 2e4cc37b-302… 677340 Plantae Trach… Pino… Pina… Taxac… Taxus
# ℹ 24,990 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>, …
278.2 Modélisation de la niche climatique
278.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 25000, 0 (geometries, attributes)
extent : -10.13074, 45.11639, 36.91, 63.85876 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= taba 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 = taba
24934 presences, 0 true absences and 72887 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 0.084 Min. :-24.584 Min. :-12.253 Min. : 205.1
1st Qu.:19.920 1st Qu.: -8.716 1st Qu.: 7.766 1st Qu.: 612.5
Median :23.000 Median : -3.420 Median : 12.545 Median : 728.1
Mean :24.541 Mean : -4.175 Mean : 11.897 Mean : 749.4
3rd Qu.:27.960 3rd Qu.: 1.148 3rd Qu.: 16.125 3rd Qu.: 895.5
Max. :45.540 Max. : 12.036 Max. : 26.213 Max. :1393.9
prec_wet_quart prec_season
Min. : 3 Min. : 5.153
1st Qu.: 176 1st Qu.: 22.193
Median : 218 Median : 31.042
Mean : 230 Mean : 35.090
3rd Qu.: 271 3rd Qu.: 39.334
Max. :1250 Max. :124.090
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 278.5: 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 : 174736, 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 278.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
278.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for taba_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for taba_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for taba_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= taba 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 : taba_PA1
-=-=-=--=-=-=- taba_PA1_RUN1
-=-=-=- Run : taba_PA2
-=-=-=--=-=-=- taba_PA2_RUN1
-=-=-=- Run : taba_PA3
-=-=-=--=-=-=- taba_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=278.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 taba_PA1_RUN1_GAM PA1 RUN1 GAM TSS 646.0 94.801
2 taba_PA1_RUN1_GAM PA1 RUN1 GAM ROC 720.5 92.400
3 taba_PA1_RUN1_MARS PA1 RUN1 MARS TSS 482.0 95.242
4 taba_PA1_RUN1_MARS PA1 RUN1 MARS ROC 485.5 95.202
5 taba_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 376.0 95.709
6 taba_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 357.5 96.751
specificity calibration validation evaluation
1 72.845 0.677 0.680 NA
2 75.280 0.851 0.845 NA
3 83.485 0.787 0.796 NA
4 83.565 0.937 0.941 NA
5 82.810 0.785 0.794 NA
6 81.860 0.937 0.941 NA
Figure 278.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
278.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 taba_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.210096
2 taba_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.282449
3 taba_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.006724
4 taba_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.370784
5 taba_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.062714
6 taba_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.192371
Figure 278.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 278.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
278.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : taba
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taba_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=278.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 taba_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taba_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 700.0 95.268 96.152
2 mergedAlgo TSS EMwmean ROC 704.5 95.139 96.334
calibration validation evaluation
1 0.914 NA NA
2 0.993 NA NA
Figure 278.11: 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 taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 taba_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 0.312523
2 mergedAlgo TSS EMcv temp_min 1 0.410253
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.166791
4 mergedAlgo TSS EMcv temp_season 1 0.443272
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.263270
6 mergedAlgo TSS EMcv prec_season 1 0.284855Par variable :
Figure 278.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 278.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
278.3 Projections
278.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taba/current
sp.name : taba
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taba/taba.AllModels.models.out )
models.projected :
taba_PA1_RUN1_GAM, taba_PA1_RUN1_MARS, taba_PA1_RUN1_MAXNET, taba_PA1_RUN1_GBM, taba_PA1_RUN1_RF, taba_PA2_RUN1_GAM, taba_PA2_RUN1_MARS, taba_PA2_RUN1_MAXNET, taba_PA2_RUN1_GBM, taba_PA2_RUN1_RF, taba_PA3_RUN1_GAM, taba_PA3_RUN1_MARS, taba_PA3_RUN1_MAXNET, taba_PA3_RUN1_GBM, taba_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 278.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 278.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taba/current
sp.name : taba
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taba/taba.AllModels.ensemble.models.out )
models.projected :
taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taba_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 278.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
278.3.2 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/taba/cont_gre
sp.name : taba
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taba/taba.AllModels.models.out )
models.projected :
taba_PA1_RUN1_GAM, taba_PA1_RUN1_MARS, taba_PA1_RUN1_MAXNET, taba_PA1_RUN1_GBM, taba_PA1_RUN1_RF, taba_PA2_RUN1_GAM, taba_PA2_RUN1_MARS, taba_PA2_RUN1_MAXNET, taba_PA2_RUN1_GBM, taba_PA2_RUN1_RF, taba_PA3_RUN1_GAM, taba_PA3_RUN1_MARS, taba_PA3_RUN1_MAXNET, taba_PA3_RUN1_GBM, taba_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 278.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 278.18: 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/taba/cont_gre
sp.name : taba
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taba/taba.AllModels.ensemble.models.out )
models.projected :
taba_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taba_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 278.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
278.3.3 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 278.20: 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 278.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 278.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 278.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
278.4 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)
278.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 278.24: 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 278.25: 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 278.26: 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 278.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
278.4.2 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>
1 318 495 790 717.4351 865 930 0 2000
2 238 394 629 583.3650 769 905 126 2040
3 249 335 524 513.0555 662 839 126 2060
4 238 340 520 509.2352 651 866 126 2080
5 271 374 539 525.4714 666 811 126 2100
6 241 381 601 576.4378 761 906 245 2040
7 243 313 426 455.2718 588 844 245 2060
8 270 336 395 439.1199 533 781 245 2080
9 210 322 348 382.0378 432 696 245 2100
10 234 360 567 552.8513 724 907 370 2040
11 248 321 438 468.3677 603 806 370 2060
12 242 319 332 367.3408 399 717 370 2080
13 143 222 311 283.2270 340 410 370 2100
14 218 370 574 540.4185 692 882 585 2040
15 246 332 388 432.8461 533 766 585 2060
16 139 263 330 301.4156 347 487 585 2080
17 172 214 257 252.3017 286 354 585 2100
Figure 278.28: 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.