276 Tamarix gallica
276.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.v8fzdh
Format: SIMPLE_CSV
Download key: 0018202-230828120925497
Created: 2023-09-16T01:59:57.465+00:00
Modified: 2023-09-16T02:00:52.861+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018202-230828120925497.zip
Total records: 6574Conversion 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 6574 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.8444 ymin: -49.46634 xmax: 151.9594 ymax: 59.38052
Geodetic CRS: WGS 84
# A tibble: 6,574 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 932707301 ebd49d9b-696b… "" Plantae Trach… Magn… Cary… Tamar… Tama…
2 932707273 ebd49d9b-696b… "" Plantae Trach… Magn… Cary… Tamar… Tama…
3 932705400 ebd49d9b-696b… "" Plantae Trach… Magn… Cary… Tamar… Tama…
4 910453020 837acfc2-f762… "HSS:HSS:27… Plantae Trach… Magn… Cary… Tamar… Tama…
5 895291146 834a4794-f762… "AA565DB8-1… Plantae Trach… Magn… Cary… Tamar… Tama…
6 895281250 834a4794-f762… "FDAF9CB4-A… Plantae Trach… Magn… Cary… Tamar… Tama…
7 895280622 834a4794-f762… "63D84ABB-5… Plantae Trach… Magn… Cary… Tamar… Tama…
8 895249841 834a4794-f762… "5AD9AC03-2… Plantae Trach… Magn… Cary… Tamar… Tama…
9 895248688 834a4794-f762… "A3A7B01C-8… Plantae Trach… Magn… Cary… Tamar… Tama…
10 895247752 834a4794-f762… "9B65C041-E… Plantae Trach… Magn… Cary… Tamar… Tama…
# ℹ 6,564 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 6 574 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 276.1: Occurrences de Tamarix gallica dans le monde.
276.1.1 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] 0.9825068[1] 0.009431092[1] 0.0001521144
Figure 276.2: Occurrence de Tamarix gallica dans la région d’endémisme.
276.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0
4410
CC_BY_NC_4_0
587
CC0_1_0
88
https://creativecommons.org/licenses/by-nc/4.0/legalcode
1265
https://creativecommons.org/licenses/by/4.0/legalcode
72
https://creativecommons.org/publicdomain/zero/1.0/legalcode
37 [1] 71.32683
Figure 276.3: Occurrence de Tamarix gallica 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] 4607276.1.3 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 4607 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -9.623206 ymin: 31.51622 xmax: 24.1355 ymax: 54.8831
Geodetic CRS: WGS 84
# A tibble: 4,607 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 871995344 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
2 871392917 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
3 871392891 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
4 871392865 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
5 871392840 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
6 871392816 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
7 871392592 271c444f-f8d… "INBO:FLORA… Plantae Trach… Magn… Cary… Tamar… Tama…
8 474748047 857aa892-f76… "" Plantae Trach… Magn… Cary… Tamar… Tama…
9 439578792 b5cdf794-8fa… "http://col… Plantae Trach… Magn… Cary… Tamar… Tama…
10 4176517747 6ac3f774-d9f… "" Plantae Trach… Magn… Cary… Tamar… Tama…
# ℹ 4,597 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>, …
276.2 Modélisation de la niche climatique
276.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 4607, 0 (geometries, attributes)
extent : -9.623206, 24.1355, 31.51622, 54.8831 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= taga 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 = taga
4371 presences, 0 true absences and 13748 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 5.136 Min. :-21.856 Min. :-9.633 Min. : 230.3
1st Qu.:20.692 1st Qu.: -8.660 1st Qu.: 9.752 1st Qu.: 588.7
Median :25.636 Median : -0.760 Median :12.745 Median : 714.3
Mean :25.716 Mean : -2.944 Mean :12.457 Mean : 739.5
3rd Qu.:29.008 3rd Qu.: 3.544 3rd Qu.:15.810 3rd Qu.: 894.3
Max. :44.740 Max. : 11.248 Max. :24.575 Max. :1335.3
prec_wet_quart prec_season
Min. : 3.0 Min. : 4.852
1st Qu.: 177.0 1st Qu.: 27.462
Median : 218.0 Median : 33.898
Mean : 219.7 Mean : 38.371
3rd Qu.: 253.0 3rd Qu.: 41.499
Max. :1182.0 Max. :122.373
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 276.5: 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 : 31305, 2 (geometries, attributes)
extent : -10.1875, 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 276.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
276.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for taga_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for taga_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for taga_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= taga 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 : taga_PA1
-=-=-=--=-=-=- taga_PA1_RUN1
-=-=-=- Run : taga_PA2
-=-=-=--=-=-=- taga_PA2_RUN1
-=-=-=- Run : taga_PA3
-=-=-=--=-=-=- taga_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=276.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 taga_PA1_RUN1_GAM PA1 RUN1 GAM TSS 525.0 98.170
2 taga_PA1_RUN1_GAM PA1 RUN1 GAM ROC 518.5 98.256
3 taga_PA1_RUN1_MARS PA1 RUN1 MARS TSS 543.0 93.938
4 taga_PA1_RUN1_MARS PA1 RUN1 MARS ROC 542.5 93.938
5 taga_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 336.0 95.110
6 taga_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 339.5 94.939
specificity calibration validation evaluation
1 75.963 0.742 0.732 NA
2 75.936 0.856 0.852 NA
3 93.869 0.878 0.860 NA
4 93.869 0.986 0.980 NA
5 92.566 0.876 0.857 NA
6 92.838 0.985 0.980 NA
Figure 276.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
276.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 taga_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.217532
2 taga_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.384103
3 taga_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.020459
4 taga_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.382629
5 taga_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.003425
6 taga_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.007334
Figure 276.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 276.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
276.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : taga
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taga_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=276.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 taga_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taga_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 488.0 96.408 95.170
2 mergedAlgo TSS EMwmean ROC 486.5 96.431 95.156
calibration validation evaluation
1 0.916 NA NA
2 0.994 NA NA
Figure 276.11: 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 taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 taga_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 0.183413
2 mergedAlgo TSS EMcv temp_min 1 0.472163
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.112054
4 mergedAlgo TSS EMcv temp_season 1 0.336478
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.210180
6 mergedAlgo TSS EMcv prec_season 1 0.169485Par variable :
Figure 276.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 276.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
276.3 Projections
276.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taga/current
sp.name : taga
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taga/taga.AllModels.models.out )
models.projected :
taga_PA1_RUN1_GAM, taga_PA1_RUN1_MARS, taga_PA1_RUN1_MAXNET, taga_PA1_RUN1_GBM, taga_PA1_RUN1_RF, taga_PA2_RUN1_GAM, taga_PA2_RUN1_MARS, taga_PA2_RUN1_MAXNET, taga_PA2_RUN1_GBM, taga_PA2_RUN1_ANN, taga_PA2_RUN1_RF, taga_PA3_RUN1_GAM, taga_PA3_RUN1_MARS, taga_PA3_RUN1_MAXNET, taga_PA3_RUN1_GBM, taga_PA3_RUN1_ANN, taga_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 276.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 276.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/taga/current
sp.name : taga
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taga/taga.AllModels.ensemble.models.out )
models.projected :
taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taga_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 276.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
276.3.2 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/taga/cont_gre
sp.name : taga
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taga/taga.AllModels.models.out )
models.projected :
taga_PA1_RUN1_GAM, taga_PA1_RUN1_MARS, taga_PA1_RUN1_MAXNET, taga_PA1_RUN1_GBM, taga_PA1_RUN1_RF, taga_PA2_RUN1_GAM, taga_PA2_RUN1_MARS, taga_PA2_RUN1_MAXNET, taga_PA2_RUN1_GBM, taga_PA2_RUN1_ANN, taga_PA2_RUN1_RF, taga_PA3_RUN1_GAM, taga_PA3_RUN1_MARS, taga_PA3_RUN1_MAXNET, taga_PA3_RUN1_GBM, taga_PA3_RUN1_ANN, taga_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 276.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 276.18: 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/taga/cont_gre
sp.name : taga
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/taga/taga.AllModels.ensemble.models.out )
models.projected :
taga_EMcvByTSS_mergedData_mergedRun_mergedAlgo, taga_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 276.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
276.3.3 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 276.20: 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 276.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 276.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 276.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
276.4 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)
276.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 276.24: 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 276.25: 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 276.26: 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 276.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
276.4.2 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 31 101 189 216.6956 340 486 0 2000
2 50 307 451 398.8146 500 615 126 2040
3 62 353 488 442.0322 549 653 126 2060
4 53 404 491 458.8940 558 638 126 2080
5 59 390 514 468.0313 581 678 126 2100
6 61 382 466 437.8001 517 625 245 2040
7 58 405 478 443.4554 538 625 245 2060
8 142 476 547 523.9724 598 681 245 2080
9 126 474 540 515.3850 595 691 245 2100
10 50 271 406 357.3471 455 576 370 2040
11 75 438 515 477.4593 574 665 370 2060
12 134 491 555 530.6057 597 686 370 2080
13 245 480 513 506.0857 549 604 370 2100
14 46 318 456 408.7702 513 623 585 2040
15 98 471 539 513.4758 590 673 585 2060
16 172 474 514 502.2923 554 614 585 2080
17 268 472 505 494.8583 526 594 585 2100
Figure 276.28: 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.