277 Taxodium distichum
277.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.akwzxk
Format: SIMPLE_CSV
Download key: 0018232-230828120925497
Created: 2023-09-16T04:05:00.979+00:00
Modified: 2023-09-16T04:05:55.120+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018232-230828120925497.zip
Total records: 15190Conversion 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 12326 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.248 ymin: -43.52128 xmax: 177.72 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 12,326 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393551237 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
2 3051239023 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
3 3393919358 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
4 3393561573 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
5 3393550412 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
6 3393688920 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
7 3393442843 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
8 3050923558 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
9 3051084733 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
10 3393364284 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
# ℹ 12,316 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 12 326 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 277.1: Occurrences de Taxodium distichum dans le monde.
277.1.1 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] 0.4333117[1] 0.5438098[1] 0.006409216
Figure 277.2: Occurrence de Taxodium distichum dans la région d’endémisme.
277.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
1224 5032 447 [1] 24.92914
Figure 277.3: Occurrence de Taxodium distichum 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] 1671277.1.3 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 1671 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -123.248 ymin: 14.66996 xmax: -73.15246 ymax: 49.254
Geodetic CRS: WGS 84
# A tibble: 1,671 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393551237 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
2 3051239023 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
3 3393919358 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
4 3393561573 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
5 3393550412 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
6 3393688920 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
7 3393442843 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
8 3050923558 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
9 3051084733 c4e1739b-e22… BISON:New Y… Plantae Trach… Pino… Pina… Cupre… Taxo…
10 3393364284 d1e9202b-730… NYCstreetTr… Plantae Trach… Pino… Pina… Cupre… Taxo…
# ℹ 1,661 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>, …
277.2 Modélisation de la niche climatique
277.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1671, 0 (geometries, attributes)
extent : -123.248, -73.15246, 14.66996, 49.254 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= tadi 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 = tadi
1669 presences, 0 true absences and 5007 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. :10.52 Min. :-30.752 Min. :-11.37 Min. : 63.04
1st Qu.:24.21 1st Qu.:-14.166 1st Qu.: 12.57 1st Qu.: 681.27
Median :29.53 Median : -6.000 Median : 17.83 Median : 843.75
Mean :28.23 Mean : -6.524 Mean : 17.06 Mean : 843.46
3rd Qu.:32.42 3rd Qu.: 1.877 3rd Qu.: 23.20 3rd Qu.:1030.57
Max. :42.42 Max. : 21.750 Max. : 33.59 Max. :1456.98
prec_wet_quart prec_season
Min. : 24.0 Min. : 5.886
1st Qu.: 227.0 1st Qu.: 20.250
Median : 308.0 Median : 34.217
Mean : 332.6 Mean : 40.506
3rd Qu.: 387.0 3rd Qu.: 56.320
Max. :1844.0 Max. :136.349
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 277.5: 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 : 11689, 2 (geometries, attributes)
extent : -129.9375, -52.6875, 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 277.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
277.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for tadi_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for tadi_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for tadi_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= tadi 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 : tadi_PA1
-=-=-=--=-=-=- tadi_PA1_RUN1
-=-=-=- Run : tadi_PA2
-=-=-=--=-=-=- tadi_PA2_RUN1
-=-=-=- Run : tadi_PA3
-=-=-=--=-=-=- tadi_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=277.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 tadi_PA1_RUN1_GAM PA1 RUN1 GAM TSS 586.0 98.727
2 tadi_PA1_RUN1_GAM PA1 RUN1 GAM ROC 587.5 98.727
3 tadi_PA1_RUN1_MARS PA1 RUN1 MARS TSS 535.0 96.404
4 tadi_PA1_RUN1_MARS PA1 RUN1 MARS ROC 539.5 96.330
5 tadi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 378.0 96.105
6 tadi_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 378.0 96.105
specificity calibration validation evaluation
1 73.897 0.726 0.719 NA
2 73.897 0.875 0.850 NA
3 85.714 0.820 0.796 NA
4 86.013 0.954 0.948 NA
5 83.919 0.800 0.793 NA
6 83.919 0.947 0.945 NA
Figure 277.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
277.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 tadi_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.242481
2 tadi_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.364347
3 tadi_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.026654
4 tadi_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.097925
5 tadi_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.236210
6 tadi_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.223041
Figure 277.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 277.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
277.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : tadi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tadi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=277.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 tadi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tadi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 671.0 94.308 91.752
2 mergedAlgo TSS EMwmean ROC 667.5 94.548 91.612
calibration validation evaluation
1 0.861 NA NA
2 0.984 NA NA
Figure 277.11: 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 tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 tadi_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 0.173517
2 mergedAlgo TSS EMcv temp_min 1 0.341587
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.161259
4 mergedAlgo TSS EMcv temp_season 1 0.188302
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.185444
6 mergedAlgo TSS EMcv prec_season 1 0.153795Par variable :
Figure 277.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 277.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
277.3 Projections
277.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tadi/current
sp.name : tadi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tadi/tadi.AllModels.models.out )
models.projected :
tadi_PA1_RUN1_GAM, tadi_PA1_RUN1_MARS, tadi_PA1_RUN1_MAXNET, tadi_PA1_RUN1_GBM, tadi_PA1_RUN1_ANN, tadi_PA1_RUN1_RF, tadi_PA2_RUN1_GAM, tadi_PA2_RUN1_MARS, tadi_PA2_RUN1_MAXNET, tadi_PA2_RUN1_GBM, tadi_PA2_RUN1_ANN, tadi_PA2_RUN1_RF, tadi_PA3_RUN1_GAM, tadi_PA3_RUN1_MARS, tadi_PA3_RUN1_MAXNET, tadi_PA3_RUN1_GBM, tadi_PA3_RUN1_ANN, tadi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 277.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 277.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tadi/current
sp.name : tadi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tadi/tadi.AllModels.ensemble.models.out )
models.projected :
tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tadi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 277.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
277.3.2 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/tadi/cont_gre
sp.name : tadi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tadi/tadi.AllModels.models.out )
models.projected :
tadi_PA1_RUN1_GAM, tadi_PA1_RUN1_MARS, tadi_PA1_RUN1_MAXNET, tadi_PA1_RUN1_GBM, tadi_PA1_RUN1_ANN, tadi_PA1_RUN1_RF, tadi_PA2_RUN1_GAM, tadi_PA2_RUN1_MARS, tadi_PA2_RUN1_MAXNET, tadi_PA2_RUN1_GBM, tadi_PA2_RUN1_ANN, tadi_PA2_RUN1_RF, tadi_PA3_RUN1_GAM, tadi_PA3_RUN1_MARS, tadi_PA3_RUN1_MAXNET, tadi_PA3_RUN1_GBM, tadi_PA3_RUN1_ANN, tadi_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 277.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 277.18: 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/tadi/cont_gre
sp.name : tadi
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tadi/tadi.AllModels.ensemble.models.out )
models.projected :
tadi_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tadi_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 277.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
277.3.3 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 277.20: 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 277.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 277.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 277.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
277.4 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)
277.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 277.24: 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 277.25: 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 277.26: 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 277.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
277.4.2 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>
1 156 318 354 384.7953 472 636 0 2000
2 188 369 421 468.7583 591 764 126 2040
3 215 392 477 501.0032 639 786 126 2060
4 215 379 475 500.6074 639 801 126 2080
5 231 395 502 514.0256 658 799 126 2100
6 228 376 437 489.5365 615 774 245 2040
7 230 404 521 526.9917 674 804 245 2060
8 285 495 582 586.5664 710 814 245 2080
9 272 526 623 614.0163 721 818 245 2100
10 184 368 421 469.1894 589 782 370 2040
11 245 426 537 542.2988 686 810 370 2060
12 291 533 615 610.2111 710 821 370 2080
13 338 595 687 663.3844 761 854 370 2100
14 200 362 426 472.0089 598 785 585 2040
15 275 494 586 589.1030 723 818 585 2060
16 351 605 718 679.6079 762 850 585 2080
17 303 501 604 607.4083 727 835 585 2100
Figure 277.28: 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.