279 Tilia americana
279.1 Données d’occurrences GBIF
Collecte des données du GBIF :
<<gbif download metadata>>
Status: SUCCEEDED
DOI: 10.15468/dl.km8csc
Format: SIMPLE_CSV
Download key: 0018280-230828120925497
Created: 2023-09-16T08:30:51.713+00:00
Modified: 2023-09-16T08:31:49.871+00:00
Download link: https://api.gbif.org/v1/occurrence/download/request/0018280-230828120925497.zip
Total records: 27384Conversion 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 6829 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -122.4944 ymin: -38.56178 xmax: 177.7217 ymax: 63.434
Geodetic CRS: WGS 84
# A tibble: 6,829 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
* <int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393686765 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
2 3393801704 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
3 3393859883 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
4 3393744533 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
5 3393563393 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
6 3393644295 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
7 3051025093 c4e1739b-e22… BISON:New Y… Plantae Trach… Magn… Malv… Malva… Tilia
8 3393938830 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
9 3393463295 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
10 3393932891 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
# ℹ 6,819 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 6 829 occurrences dans le jeu de données. On les affiche sur la carte du monde :
Figure 279.1: Occurrences de Tilia americana dans le monde.
279.1.1 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] 0.02225802[1] 0.9770098[1] 0
Figure 279.2: Occurrence de Tilia americana dans la région d’endémisme.
279.1.2 Licences
On s’intéresse ici au problème particulier des licences :
CC_BY_4_0 CC_BY_NC_4_0 CC0_1_0
910 4836 926 [1] 27.51799
Figure 279.3: Occurrence de Tilia americana 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] 1836279.1.3 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 1836 features and 50 fields
Attribute-geometry relationships: constant (50)
Geometry type: POINT
Dimension: XY
Bounding box: xmin: -121.5056 ymin: 16.68 xmax: -66.50062 ymax: 50.13188
Geodetic CRS: WGS 84
# A tibble: 1,836 × 51
gbifID datasetKey occurrenceID kingdom phylum class order family genus
<int64> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 3393686765 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
2 3393801704 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
3 3393859883 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
4 3393744533 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
5 3393563393 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
6 3393644295 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
7 3051025093 c4e1739b-e22… BISON:New Y… Plantae Trach… Magn… Malv… Malva… Tilia
8 3393938830 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
9 3393463295 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
10 3393932891 d1e9202b-730… NYCstreetTr… Plantae Trach… Magn… Malv… Malva… Tilia
# ℹ 1,826 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>, …
279.2 Modélisation de la niche climatique
279.2.1 Préparer les données
Organisation des données d’entrées (occurrences et données environnementales) et des données produites de pseudo-absences :
class : SpatVector
geometry : points
dimensions : 1836, 0 (geometries, attributes)
extent : -121.5056, -66.50062, 16.68, 50.13188 (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326)
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= tiam 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 = tiam
1833 presences, 0 true absences and 5498 undefined points in dataset
6 explanatory variables
temp_max_august temp_min temp_wet_quart temp_season
Min. : 7.867 Min. :-30.792 Min. :-11.82 Min. : 58.01
1st Qu.:23.824 1st Qu.:-15.700 1st Qu.: 12.27 1st Qu.: 761.93
Median :27.256 Median : -9.372 Median : 17.52 Median : 919.66
Mean :27.125 Mean : -9.017 Mean : 16.11 Mean : 898.11
3rd Qu.:30.956 3rd Qu.: -2.814 3rd Qu.: 21.11 3rd Qu.:1084.71
Max. :42.576 Max. : 23.200 Max. : 32.86 Max. :1472.42
prec_wet_quart prec_season
Min. : 26 Min. : 5.673
1st Qu.: 226 1st Qu.: 18.851
Median : 294 Median : 33.086
Mean : 310 Mean : 39.569
3rd Qu.: 338 3rd Qu.: 56.086
Max. :1781 Max. :136.207
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=On visualise les pseudo-absences :
Figure 279.5: 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 : 12840, 2 (geometries, attributes)
extent : -129.9792, -53.3125, 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 279.6: Les données d’occurrences (en haut à gauche) et les trois jeux de données aléatoires de pseudo-absences.
279.2.2 Modèles individuels de niche
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Build Single Models -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Checking Models arguments...
Creating suitable Workdir...
! Weights where automatically defined for tiam_PA1 to rise a 0.5 prevalence !
! Weights where automatically defined for tiam_PA2 to rise a 0.5 prevalence !
! Weights where automatically defined for tiam_PA3 to rise a 0.5 prevalence !
-=-=-=-=-=-=-=-=-=-=-=-=-=-= tiam 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 : tiam_PA1
-=-=-=--=-=-=- tiam_PA1_RUN1
-=-=-=- Run : tiam_PA2
-=-=-=--=-=-=- tiam_PA2_RUN1
-=-=-=- Run : tiam_PA3
-=-=-=--=-=-=- tiam_PA3_RUN1
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-= Done -=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=279.2.2.1 Évaluation de la performance
full.name PA run algo metric.eval cutoff sensitivity
1 tiam_PA1_RUN1_GAM PA1 RUN1 GAM TSS 444.0 97.408
2 tiam_PA1_RUN1_GAM PA1 RUN1 GAM ROC 431.0 97.749
3 tiam_PA1_RUN1_MARS PA1 RUN1 MARS TSS 458.0 91.746
4 tiam_PA1_RUN1_MARS PA1 RUN1 MARS ROC 475.5 91.132
5 tiam_PA1_RUN1_MAXNET PA1 RUN1 MAXNET TSS 354.0 94.952
6 tiam_PA1_RUN1_MAXNET PA1 RUN1 MAXNET ROC 354.5 94.952
specificity calibration validation evaluation
1 52.621 0.500 0.518 NA
2 52.280 0.693 0.692 NA
3 77.263 0.691 0.703 NA
4 78.353 0.912 0.927 NA
5 74.268 0.693 0.711 NA
6 74.336 0.912 0.924 NA
Figure 279.7: Évaluation de la performance des modèles individuels : True Skill Statistic & aire sous la courbe de ROC.
279.2.2.2 Importance des variables environnementales
full.name PA run algo expl.var rand var.imp
1 tiam_PA1_RUN1_GAM PA1 RUN1 GAM temp_max_august 1 0.237441
2 tiam_PA1_RUN1_GAM PA1 RUN1 GAM temp_min 1 0.433479
3 tiam_PA1_RUN1_GAM PA1 RUN1 GAM temp_wet_quart 1 0.182735
4 tiam_PA1_RUN1_GAM PA1 RUN1 GAM temp_season 1 0.208168
5 tiam_PA1_RUN1_GAM PA1 RUN1 GAM prec_wet_quart 1 0.084045
6 tiam_PA1_RUN1_GAM PA1 RUN1 GAM prec_season 1 0.185956
Figure 279.8: Pourcentage de variance expliquée pour chaque variable, décomposé par algorithme.
Figure 279.9: Pourcentage de variance expliquée pour chaque variable, décomposé par variable.
279.2.3 Modèles d’ensemble de niche
Seulement modèles avec TSS > 0.8
-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.ensemble.models.out -=-=-=-=-=-=-=-=-=-=-=-=-=
sp.name : tiam
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
models computed:
tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tiam_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
models failed: none
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=279.2.3.1 Évaluation de la qualité
full.name merged.by.PA merged.by.run
1 tiam_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tiam_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
merged.by.algo filtered.by algo metric.eval cutoff sensitivity specificity
1 mergedAlgo TSS EMwmean TSS 616.0 95.199 93.143
2 mergedAlgo TSS EMwmean ROC 613.5 95.363 93.107
calibration validation evaluation
1 0.883 NA NA
2 0.988 NA NA
Figure 279.11: 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 tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
2 tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
3 tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
4 tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
5 tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo mergedData mergedRun
6 tiam_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 0.530014
2 mergedAlgo TSS EMcv temp_min 1 0.578447
3 mergedAlgo TSS EMcv temp_wet_quart 1 0.505146
4 mergedAlgo TSS EMcv temp_season 1 0.481022
5 mergedAlgo TSS EMcv prec_wet_quart 1 0.406728
6 mergedAlgo TSS EMcv prec_season 1 0.467455Par variable :
Figure 279.12: Pourcentage de variance expliquée par variable dans le modèle d’ensemble.
Figure 279.13: Courbes de réponse de chaque variable climatique dans le modèle d’ensemble.
279.3 Projections
279.3.1 Distribution potentielle contemporaine
Contemporaine : Cartographie des observations sur couches climatiques Extraction des conditions climatiques favorables
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tiam/current
sp.name : tiam
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tiam/tiam.AllModels.models.out )
models.projected :
tiam_PA1_RUN1_GAM, tiam_PA1_RUN1_MARS, tiam_PA1_RUN1_MAXNET, tiam_PA1_RUN1_GBM, tiam_PA1_RUN1_ANN, tiam_PA1_RUN1_RF, tiam_PA2_RUN1_GAM, tiam_PA2_RUN1_MARS, tiam_PA2_RUN1_MAXNET, tiam_PA2_RUN1_GBM, tiam_PA2_RUN1_ANN, tiam_PA2_RUN1_RF, tiam_PA3_RUN1_GAM, tiam_PA3_RUN1_MARS, tiam_PA3_RUN1_MAXNET, tiam_PA3_RUN1_GBM, tiam_PA3_RUN1_ANN, tiam_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 279.14: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
Figure 279.15: Projection de la distribution potentielle contemporaine sur l’Europe, selon les 6 algorithmes et les 3 runs.
-=-=-=-=-=-=-=-=-=-=-=-=-=-= BIOMOD.projection.out -=-=-=-=-=-=-=-=-=-=-=-=-=-=
Projection directory : Output/tiam/current
sp.name : tiam
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tiam/tiam.AllModels.ensemble.models.out )
models.projected :
tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tiam_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 279.16: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) ; B) Incertitude associée à la projection.
279.3.2 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/tiam/cont_gre
sp.name : tiam
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tiam/tiam.AllModels.models.out )
models.projected :
tiam_PA1_RUN1_GAM, tiam_PA1_RUN1_MARS, tiam_PA1_RUN1_MAXNET, tiam_PA1_RUN1_GBM, tiam_PA1_RUN1_ANN, tiam_PA1_RUN1_RF, tiam_PA2_RUN1_GAM, tiam_PA2_RUN1_MARS, tiam_PA2_RUN1_MAXNET, tiam_PA2_RUN1_GBM, tiam_PA2_RUN1_ANN, tiam_PA2_RUN1_RF, tiam_PA3_RUN1_GAM, tiam_PA3_RUN1_MARS, tiam_PA3_RUN1_MAXNET, tiam_PA3_RUN1_GBM, tiam_PA3_RUN1_ANN, tiam_PA3_RUN1_RF
available binary projection : TSS, ROC
available filtered projection : TSS, ROC
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 279.17: Projection de la distribution potentielle contemporaine sur la métropole de Grenoble, selon les 6 algorithmes et les 3 runs.
Figure 279.18: 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/tiam/cont_gre
sp.name : tiam
expl.var.names : temp_max_august temp_min temp_wet_quart temp_season
prec_wet_quart prec_season
modeling.id : AllModels ( Output/tiam/tiam.AllModels.ensemble.models.out )
models.projected :
tiam_EMcvByTSS_mergedData_mergedRun_mergedAlgo, tiam_EMwmeanByTSS_mergedData_mergedRun_mergedAlgo
-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=
Figure 279.19: A) Projection de la distribution potentielle contemporaine (modèle d’ensemble) sur la métropole de Grenoble ; B) Incertitude associée à la projection.
279.3.3 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 279.20: 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 279.21: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP2-4.5 (modèle d’ensemble).
- SSP3-7.0
Figure 279.22: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP3-7.0 (modèle d’ensemble).
- SSP5-8.5
Figure 279.23: Projection des distributions potentielles futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble).
279.4 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)
279.4.1 Distributions potentielles futures
Même chose que précédemment mais sur les rasters de Grenoble
- SSP1-2.6
Figure 279.24: 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 279.25: 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 279.26: 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 279.27: Projection des distributions potentielles contemporaine et futures jusqu’à l’horizon 2100 sous le scénario SSP5-8.5 (modèle d’ensemble, GCM IPSL).
279.4.2 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>
1 188 299 416 413.9613 503 728 0 2000
2 222 379 457 454.1913 539 702 126 2040
3 228 361 443 435.1199 511 660 126 2060
4 224 401 462 450.5429 509 610 126 2080
5 229 416 471 460.1857 514 642 126 2100
6 241 402 479 475.5641 558 706 245 2040
7 237 373 450 438.0645 509 618 245 2060
8 245 361 453 438.3105 514 675 245 2080
9 221 327 424 410.6381 496 626 245 2100
10 216 378 466 457.9144 547 707 370 2040
11 245 377 457 441.6325 514 651 370 2060
12 221 307 372 394.8476 497 678 370 2080
13 206 250 331 340.8362 415 618 370 2100
14 202 391 451 443.3492 508 603 585 2040
15 254 384 463 447.8022 517 655 585 2060
16 183 288 379 365.4258 449 605 585 2080
17 209 238 295 301.5574 361 528 585 2100
Figure 279.28: 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.