Urgent scientifically-informed action is needed to stabilise the Earth System amidst anthropogenic climate change. Particularly, the notable transgression of the ‘biosphere integrity’ Planetary Boundary needs to be addressed. Modern Earth System Models struggle to accurately represent regional to local-scale climate features and biodiversity aspects. Recent developments allow to tackle these issues using Artificial Intelligence. This dissertation focuses on two main aspects: (i) deriving high spatio-temporal resolution climate data from coarser models; and (ii) integrating high-temporal-resolution climate data into Species Distribution Models. Three specific objectives were defined: Obj1 Improving Perfect Prognosis – Statistical Downscaling methods through modern Deep Learning algorithms. Obj2 Downscaling a high-resolution multivariate climate ensemble. Obj3 Employ the resulting dataset to improve Species Distribution Models’ projections. The objectives are connected to the three articles that support this cumulative dissertation. Its scope is limited to the Free State of Saxony, Germany, where local high-resolution climate data and high-quality observations of endangered vascular plant species were employed. From a broader perspective, these efforts should contribute to the overarching goal of bridging the gap between the scales of species distribution and climate models while establishing open-source, reproducible, and scalable containerised frameworks. Recent Deep Learning algorithms were leveraged to accomplish (i). The proposed frameworks enhance previous performance of Perfect Prognosis – Statistical Downscaling approaches, while ensuring repeatability. The key near-surface variables considered are precipitation, water vapour pressure, radiation, wind speed, and, maximum, mean and minimum temperature. The assumptions that support the Perfect Prognosis approach were thoroughly examined, confirming the robustness of the methods. The downscaled ensemble exhibits a novel output resolution of daily 1 km, which can serve as input for multiple climate impact studies, especially for local-scale decision-making and in topographically complex regions. Considerable methodological implementations were proposed and thoroughly analysed to achieve (ii). Despite notable limitations, Species Distribution Models are frequently used in climate change conservation planning. Thus, recent developments in climate data resolution could improve their usefulness and reliability, which have been previously constraint to coarse temporal aggregates in the projection domain. The presented framework provides fine-grained species suitability projections and satisfactory spatio-temporal transferability, albeit worrying trends. These improved projections are a step forward towards tailored conservation efforts. Limitations of Machine Learning methods and Species Distribution Models are addressed. Substantial avenues for future improvements are thoroughly discussed. As results suggest further reduction of suitable habitats, yet another call for swift action towards low-carbon societies is made. This requires maximising climate change mitigation and adaptation measures, along with a swift transition from short-term profit-driven policies to long-term sustainable development, but primarily, a collective shift in consciousness from anthropocentric positions to ecocentric policies and societies.:Contents Declaration of conformity........................................................ I Abstract....................................................................... III Zusammenfassung.................................................................. V Resumen........................................................................ VII Acknowledgments................................................................. IX List of Figures................................................................. XV List of Tables................................................................. XIX Symbols and Acronyms........................................................... XXI I Prelude & Foundations 1 1 Introduction................................................................... 3 1.1 Motivation – Human Impact on Earth....................................... 3 1.2 Earth System Modelling and Downscaling................................... 5 1.3 Biosphere’s Response to Recent Changes................................... 8 1.4 Species Distribution Models.............................................. 9 1.5 Objectives.............................................................. 10 1.6 Scope................................................................... 10 1.7 Outline................................................................. 10 2 Methodological Basis.......................................................... 13 2.1 Introduction to Artificial Intelligence Methods......................... 13 2.1.1 Artificial Intelligence........................................... 13 2.1.2 Machine Learning.................................................. 14 2.1.3 Deep Learning..................................................... 14 2.2 Downscaling Techniques.................................................. 15 2.2.1 Dynamical Downscaling............................................. 15 2.2.2 Statistical Downscaling........................................... 15 2.2.2.1 Model Output Statistics................................... 16 2.2.2.2 Perfect Prognosis......................................... 16 2.3 Species Distribution Models: Temporal Aspects........................... 17 2.4 Computational Framework................................................. 18 2.4.1 High-Performance Computing........................................ 18 2.4.2 Containers........................................................ 18 2.5 Remarks on Reproducibility.............................................. 19 II Articles’ Synthesis 21 3 Data.......................................................................... 23 3.1 Study Area.............................................................. 23 3.2 ReKIS................................................................... 24 3.3 ERA5.................................................................... 24 3.4 CORDEX.................................................................. 24 3.5 Species Occurrences..................................................... 25 3.6 WorldClim............................................................... 26 4 Methodological Implementations................................................ 27 4.1 Advancing Statistical Downscaling....................................... 27 4.1.1 Transfer Function Calibration.................................... 27 4.1.2 Evaluation....................................................... 29 4.1.3 Repeatability.................................................... 29 4.2 Downscaling a Multivariate Ensemble..................................... 30 4.2.1 Transfer Function Adaptations.................................... 30 4.2.2 Validation....................................................... 30 4.2.3 Perfect Prognosis Assumptions Evaluation......................... 31 4.3 Integrating High-Temporal-Resolution into SDMs.......................... 32 4.3.1 Climate Data..................................................... 32 4.3.1.1 Predictor Sets.......................................... 32 4.3.1.2 Temporal Approaches..................................... 33 4.3.2 SDM Implementation............................................... 33 4.3.3 Spatio-Temporal Thinning & Trimming.............................. 33 4.3.4 Meta-analysis.................................................... 34 4.3.5 Pseudo-Reality Assessment........................................ 34 4.3.6 Spatio-Temporal Transferability.................................. 34 5 Results & Discussions......................................................... 35 5.1 Advancing Statistical Downscaling....................................... 35 5.1.1 Performance Improvement.......................................... 35 5.1.2 Repeatability.................................................... 36 5.1.3 Transfer Function Suitability.................................... 38 5.2 Downscaling a Multivariate Ensemble..................................... 39 5.2.1 Transfer Function performance.................................... 39 5.2.2 Bias-Correction.................................................. 40 5.2.3 Pseudo-Reality................................................... 42 5.2.4 Projections...................................................... 43 5.3 Integrating High-Temporal-Resolution into SDMs.......................... 45 5.3.1 Predictor Set Evaluation for H2k................................. 45 5.3.2 Temporal Approach Comparison..................................... 46 5.3.3 Spatio-Temporal Transferability.................................. 47 5.3.4 Suitability Projections.......................................... 47 III Insights 51 6 Summary....................................................................... 53 6.1 Article A1.............................................................. 53 6.2 Article A2.............................................................. 54 6.3 Article A3.............................................................. 56 7 Conclusions and Outlook....................................................... 59 References 65 Articles 81 A1 Repeatable high-resolution statistical downscaling through deep learning..... 83 A2 Downscaling CORDEX Through Deep Learning to Daily 1 km Multivariate Ensemble in Complex Terrain............................................................. 103 A3 Integrating High-Temporal-Resolution Climate Projections into Species Distribu- tion Model..................................................................... 127 / Um das Erdsystem angesichts des anthropogenen Klimawandels zu stabilisieren, sind Maßnahmen auf Basis wissenschaftlicher Erkenntnisse dringend erforderlich. Insbesondere muss die drastisch Überschreitung der planetaren Grenze ‘Integrität der Biosphäre’ angegangen werden. Bisher haben aber Modelle des Erdsystems Schwierigkeiten, regionale bis lokale Klimamerkmale und Aspekte der Biodiversität genau abzubilden. Aktuelle Entwicklungen ermöglichen es, diese Herausforderungen mithilfe von Künstlicher Intelligenz anzugehen. Diese Dissertation konzentriert sich auf zwei Hauptaspekte: (i) die Ableitung von Klimadaten mit hoher räumlicher und zeitlicher Auflösung aus groberen Modellen und (ii) die Integration von Klimadaten mit hoher zeitlicher Auflösung in Modelle zur Artverbreitung. Es wurden drei konkrete Ziele definiert: Ziel1 Verbesserung von Perfect Prognosis – Statistische Downscaling-Methoden durch moderne Deep Learning-Algorithmen Ziel2 Downscaling eines hochauflösenden multivariaten Klimaensembles Ziel3 Verwendung des resultierenden Datensatzes zur Verbesserung von Prognosen in Modellen zur Artverbreitung Diese Ziele werden in drei wissenschaftlichen Artikeln beantwortet, auf die diese kumulative Dissertation sich stützt. Der Anwendungsbereich erstreckt sich auf den Freistaat Sachsen, Deutschland, wo lokale hochauflösende Klimadaten und hochwertige Beobachtungen gefährdeter Gefäßpflanzenarten verwendet wurden. In einer breiteren Perspektive tragen diese Bemühungen dazu bei, die Kluft zwischen regionalen sowie zeitlichen Skalen der Artverbreitung und Klimamodellen zu überbrücken und gleichzeitig Open-Source-, reproduzierbare und skalierbare containerisierte Frameworks zu etablieren. Aktuelle Deep Learning-Algorithmen wurden eingesetzt, um Hauptaspekt (i) zu erreichen. Die vorgeschlagenen Frameworks verbessern die bisherige Leistung von Perfect Prognosis – Statistische Downscaling-Ansätzen und gewährleisten gleichzeitig die Wiederholbarkeit. Die wichtigsten bodennahen Variablen, die berücksichtigt werden, sind Niederschlag, Wasserdampfdruck, Strahlung, Windgeschwindigkeit sowie Maximal-, Durchschnitts- und Minimaltemperatur. Die Annahmen, die den Perfect Prognosis-Ansatz unterstützen, wurden analysiert und bestätigen die Robustheit der Methoden. Das downscaled Ensemble weist eine neuartige Auflösung von 1 km auf Tagesbasis auf, welches als Grundlage für mehrere Studien zu den Auswirkungen des Klimawandels dienen kann, insbesondere für Entscheidungsfindung auf lokaler Ebene und in topografisch komplexen Regionen. Es wurden umfassende methodische Implementierungen vorgeschlagen und analysiert, um Hauptaspekt (ii) zu erreichen. Trotz großer Einschränkungen werden Modelle zur Artverbreitung häufig in der Klimaschutzplanung eingesetzt. Daher könnten aktuelle Entwicklungen in der Klimadatenauflösung deren Nützlichkeit und Zuverlässigkeit verbessern, die bisher auf grobe zeitliche Aggregatformen im Projektionsbereich beschränkt waren. Das vorgestellte Framework bietet feingliedrige Prognosen zur Eignung von Arten und zufriedenstellende räumlich-zeitliche Übertragbarkeit, trotz besorgniserregender Trends. Diese verbesserten Prognosen sind ein Schritt in Richtung maßgeschneiderter Naturschutzmaßnahmen. Einschränkungen von Machine Learning-Methoden und Modellen zur Artverbreitung werden untersucht. Substanzielle Möglichkeiten zur zukünftigen Verbesserung werden ausführlich erörtert. Da die Ergebnisse darauf hinweisen, dass geeignete Lebensräume weiter abnehmen, wird erneut zum schnellen Handeln in Richtung kohlenstoffarmer Gesellschaften aufgerufen. Dies erfordert die Maximierung von Maßnahmen zur Bekämpfung des Klimawandels und zur Anpassung, zusammen mit einem raschen Übergang von kurzfristig Profitorientierten Politiken zu langfristiger nachhaltiger Entwicklung, aber vor allem zu einem kollektiven Bewusstseinswandel von anthropozentrischen Positionen zu ökozentrischen Politiken und Gesellschaften.:Contents Declaration of conformity........................................................ I Abstract....................................................................... III Zusammenfassung.................................................................. V Resumen........................................................................ VII Acknowledgments................................................................. IX List of Figures................................................................. XV List of Tables................................................................. XIX Symbols and Acronyms........................................................... XXI I Prelude & Foundations 1 1 Introduction................................................................... 3 1.1 Motivation – Human Impact on Earth....................................... 3 1.2 Earth System Modelling and Downscaling................................... 5 1.3 Biosphere’s Response to Recent Changes................................... 8 1.4 Species Distribution Models.............................................. 9 1.5 Objectives.............................................................. 10 1.6 Scope................................................................... 10 1.7 Outline................................................................. 10 2 Methodological Basis.......................................................... 13 2.1 Introduction to Artificial Intelligence Methods......................... 13 2.1.1 Artificial Intelligence........................................... 13 2.1.2 Machine Learning.................................................. 14 2.1.3 Deep Learning..................................................... 14 2.2 Downscaling Techniques.................................................. 15 2.2.1 Dynamical Downscaling............................................. 15 2.2.2 Statistical Downscaling........................................... 15 2.2.2.1 Model Output Statistics................................... 16 2.2.2.2 Perfect Prognosis......................................... 16 2.3 Species Distribution Models: Temporal Aspects........................... 17 2.4 Computational Framework................................................. 18 2.4.1 High-Performance Computing........................................ 18 2.4.2 Containers........................................................ 18 2.5 Remarks on Reproducibility.............................................. 19 II Articles’ Synthesis 21 3 Data.......................................................................... 23 3.1 Study Area.............................................................. 23 3.2 ReKIS................................................................... 24 3.3 ERA5.................................................................... 24 3.4 CORDEX.................................................................. 24 3.5 Species Occurrences..................................................... 25 3.6 WorldClim............................................................... 26 4 Methodological Implementations................................................ 27 4.1 Advancing Statistical Downscaling....................................... 27 4.1.1 Transfer Function Calibration.................................... 27 4.1.2 Evaluation....................................................... 29 4.1.3 Repeatability.................................................... 29 4.2 Downscaling a Multivariate Ensemble..................................... 30 4.2.1 Transfer Function Adaptations.................................... 30 4.2.2 Validation....................................................... 30 4.2.3 Perfect Prognosis Assumptions Evaluation......................... 31 4.3 Integrating High-Temporal-Resolution into SDMs.......................... 32 4.3.1 Climate Data..................................................... 32 4.3.1.1 Predictor Sets.......................................... 32 4.3.1.2 Temporal Approaches..................................... 33 4.3.2 SDM Implementation............................................... 33 4.3.3 Spatio-Temporal Thinning & Trimming.............................. 33 4.3.4 Meta-analysis.................................................... 34 4.3.5 Pseudo-Reality Assessment........................................ 34 4.3.6 Spatio-Temporal Transferability.................................. 34 5 Results & Discussions......................................................... 35 5.1 Advancing Statistical Downscaling....................................... 35 5.1.1 Performance Improvement.......................................... 35 5.1.2 Repeatability.................................................... 36 5.1.3 Transfer Function Suitability.................................... 38 5.2 Downscaling a Multivariate Ensemble..................................... 39 5.2.1 Transfer Function performance.................................... 39 5.2.2 Bias-Correction.................................................. 40 5.2.3 Pseudo-Reality................................................... 42 5.2.4 Projections...................................................... 43 5.3 Integrating High-Temporal-Resolution into SDMs.......................... 45 5.3.1 Predictor Set Evaluation for H2k................................. 45 5.3.2 Temporal Approach Comparison..................................... 46 5.3.3 Spatio-Temporal Transferability.................................. 47 5.3.4 Suitability Projections.......................................... 47 III Insights 51 6 Summary....................................................................... 53 6.1 Article A1.............................................................. 53 6.2 Article A2.............................................................. 54 6.3 Article A3.............................................................. 56 7 Conclusions and Outlook....................................................... 59 References 65 Articles 81 A1 Repeatable high-resolution statistical downscaling through deep learning..... 83 A2 Downscaling CORDEX Through Deep Learning to Daily 1 km Multivariate Ensemble in Complex Terrain............................................................. 103 A3 Integrating High-Temporal-Resolution Climate Projections into Species Distribu- tion Model..................................................................... 127 / Acción urgente científicamente informada es necesaria para estabilizar el sistema terrestre en medio del cambio climático antropogénico. En particular, la notable transgresión del límite planetario de ’integridad de la biosfera’ debe abordarse. Los modernos modelos del sistema terrestre tienen dificultades para representar con precisión las características climáticas a escala regional y local, así como los aspectos de la biodiversidad. Desarrollos recientes permiten abordar estos problemas mediante la inteligencia artificial. Esta disertación se enfoca en dos aspectos principales: (i) derivar datos climáticos de alta resolución espacio-temporal a partir de modelos más gruesos; y (ii) integrar datos climáticos de alta resolución temporal en modelos de distribución de especies. Se definieron tres objetivos específicos: Obj1 Mejorar los métodos de pronóstico perfecto – reducción de escala estadística mediante algoritmos modernos de aprendizaje profundo. Obj2 Generar un conjunto climático multivariado de alta resolución. Obj3 Emplear el conjunto de datos resultante para mejorar las proyecciones de los modelos de distribución de especies. Los objetivos están vinculados a los tres artículos que respaldan esta disertación acumulativa. Su alcance se limita al Estado Libre de Sajonia, Alemania, donde se emplearon datos climáticos locales de alta resolución y observaciones de alta calidad de especies de plantas vasculares en peligro de extinción. Desde una perspectiva más amplia, estos esfuerzos deberían contribuir a la meta general de cerrar la brecha entre las escalas de la distribución de especies y los modelos climáticos, mientras que se establecen marcos de trabajo contenedorizados de código abierto, reproducibles y escalables. Algoritmos recientes de aprendizaje profundo fueron aprovechados para lograr (i). Los marcos de trabajo propuestos mejoran el rendimiento previo de los métodos de pronóstico perfecto – reducción de escala estadística, al tiempo que garantizan la repetibilidad. Las variables clave de la superficie cercana consideradas son precipitación, presión de vapor de agua, radiación, velocidad del viento, así como la temperatura máxima, media y mínima. Se examinaron meticulosamente las suposiciones que respaldan el método de pronóstico perfecto, confirmando la robustez de las propuestas. El conjunto reducido de escala exhibe una novedosa resolución diaria de 1 km, el cual puede servir como insumo para múltiples estudios de impacto climático, especialmente para la toma de decisiones a nivel local y en regiones topográficamente complejas. Se propusieron y analizaron minuciosamente considerables implementaciones metodológicas para lograr (ii). A pesar de sus notables limitaciones, los modelos de distribución de especies son utilizados con frecuencia en la planificación de la conservación debido al cambio climático. Por lo tanto, los desarrollos recientes en la resolución de datos climáticos podrían mejorar su utilidad y confiabilidad, ya que antes se limitaban a agregados temporales gruesos en el caso de las proyecciones. El marco de trabajo presentado proporciona proyecciones de idoneidad de especies detalladas y una transferibilidad espacio-temporal satisfactoria, aunque con tendencias preocupantes. Estas proyecciones mejoradas son un paso adelante en los esfuerzos de conservación a la medida. Se abordan las limitaciones de los métodos de aprendizaje automático y de los modelos de distribución de especies. Se discuten a fondo posibilidades sustanciales para futuras mejoras. Dado que los resultados sugieren una mayor reducción de hábitats adecuados, se hace otro llamado a la acción rápida hacia sociedades bajas en carbono. Esto requiere maximizar las medidas de mitigación y adaptación al cambio climático, junto con una transición rápida de políticas orientadas a beneficios a corto plazo hacia un desarrollo sostenible a largo plazo, pero principalmente, un cambio colectivo de conciencia, desde posiciones antropocéntricas hacia políticas y sociedades ecocéntricas.:Contents Declaration of conformity........................................................ I Abstract....................................................................... III Zusammenfassung.................................................................. V Resumen........................................................................ VII Acknowledgments................................................................. IX List of Figures................................................................. XV List of Tables................................................................. XIX Symbols and Acronyms........................................................... XXI I Prelude & Foundations 1 1 Introduction................................................................... 3 1.1 Motivation – Human Impact on Earth....................................... 3 1.2 Earth System Modelling and Downscaling................................... 5 1.3 Biosphere’s Response to Recent Changes................................... 8 1.4 Species Distribution Models.............................................. 9 1.5 Objectives.............................................................. 10 1.6 Scope................................................................... 10 1.7 Outline................................................................. 10 2 Methodological Basis.......................................................... 13 2.1 Introduction to Artificial Intelligence Methods......................... 13 2.1.1 Artificial Intelligence........................................... 13 2.1.2 Machine Learning.................................................. 14 2.1.3 Deep Learning..................................................... 14 2.2 Downscaling Techniques.................................................. 15 2.2.1 Dynamical Downscaling............................................. 15 2.2.2 Statistical Downscaling........................................... 15 2.2.2.1 Model Output Statistics................................... 16 2.2.2.2 Perfect Prognosis......................................... 16 2.3 Species Distribution Models: Temporal Aspects........................... 17 2.4 Computational Framework................................................. 18 2.4.1 High-Performance Computing........................................ 18 2.4.2 Containers........................................................ 18 2.5 Remarks on Reproducibility.............................................. 19 II Articles’ Synthesis 21 3 Data.......................................................................... 23 3.1 Study Area.............................................................. 23 3.2 ReKIS................................................................... 24 3.3 ERA5.................................................................... 24 3.4 CORDEX.................................................................. 24 3.5 Species Occurrences..................................................... 25 3.6 WorldClim............................................................... 26 4 Methodological Implementations................................................ 27 4.1 Advancing Statistical Downscaling....................................... 27 4.1.1 Transfer Function Calibration.................................... 27 4.1.2 Evaluation....................................................... 29 4.1.3 Repeatability.................................................... 29 4.2 Downscaling a Multivariate Ensemble..................................... 30 4.2.1 Transfer Function Adaptations.................................... 30 4.2.2 Validation....................................................... 30 4.2.3 Perfect Prognosis Assumptions Evaluation......................... 31 4.3 Integrating High-Temporal-Resolution into SDMs.......................... 32 4.3.1 Climate Data..................................................... 32 4.3.1.1 Predictor Sets.......................................... 32 4.3.1.2 Temporal Approaches..................................... 33 4.3.2 SDM Implementation............................................... 33 4.3.3 Spatio-Temporal Thinning & Trimming.............................. 33 4.3.4 Meta-analysis.................................................... 34 4.3.5 Pseudo-Reality Assessment........................................ 34 4.3.6 Spatio-Temporal Transferability.................................. 34 5 Results & Discussions......................................................... 35 5.1 Advancing Statistical Downscaling....................................... 35 5.1.1 Performance Improvement.......................................... 35 5.1.2 Repeatability.................................................... 36 5.1.3 Transfer Function Suitability.................................... 38 5.2 Downscaling a Multivariate Ensemble..................................... 39 5.2.1 Transfer Function performance.................................... 39 5.2.2 Bias-Correction.................................................. 40 5.2.3 Pseudo-Reality................................................... 42 5.2.4 Projections...................................................... 43 5.3 Integrating High-Temporal-Resolution into SDMs.......................... 45 5.3.1 Predictor Set Evaluation for H2k................................. 45 5.3.2 Temporal Approach Comparison..................................... 46 5.3.3 Spatio-Temporal Transferability.................................. 47 5.3.4 Suitability Projections.......................................... 47 III Insights 51 6 Summary....................................................................... 53 6.1 Article A1.............................................................. 53 6.2 Article A2.............................................................. 54 6.3 Article A3.............................................................. 56 7 Conclusions and Outlook....................................................... 59 References 65 Articles 81 A1 Repeatable high-resolution statistical downscaling through deep learning..... 83 A2 Downscaling CORDEX Through Deep Learning to Daily 1 km Multivariate Ensemble in Complex Terrain............................................................. 103 A3 Integrating High-Temporal-Resolution Climate Projections into Species Distribu- tion Model..................................................................... 127

High mountain regions including the Andean region are very sensitive to climate change. Farmers in the central Andes of Peru are increasingly being exposed to the impacts of climate variability. This transdisciplinary research uses field laboratories, combining the farming system and the sustainable livelihood approaches, to carry out social, ecological, and financial assessments so as to identify sustainable and resilient livelihood strategies for small-scale Andean farmers. The first research step studies and characterizes farm household systems, influenced by their biophysical and socioeconomic contexts, for which two vulnerability indices were elaborated. Focused on the climate variability, the five livelihood assets and the three IPCC’s vulnerability components, these indices show the highly sensitive conditions of most communities with poor health conditions, access to infrastructure and public services. Farmers’ capacity of response is often limited by the low on-farm diversity and lack of organization. Thereafter, sustainable livelihood strategies were identified. These include on-farm intensification and non-farm labor intensification for lowland and better-access communities. In the middle-access and highland communities, where temporary migration is a common coping strategy, sustainable scenarios include an increment in diversification strategies through agrobiodiversity and a larger share of tree-based production systems. Furthermore, research step II explores local strategies to cope with agricultural droughts and evaluates, by means of natural resource assessment methods, agroforestry systems as an alternative to reduce their negative effects. Mainly affected by the increasing variation in precipitation events, farmers identify off-farm and on-farm diversification as adaptive strategies against agricultural droughts that reduce the weather dependence and covariance between livelihood activities. Among the introduction of more resistant crop and pasture varieties, the incorporation of trees in their system is desired because of their positive influence in soil moisture and crop yields. Soil moisture in agroforestry systems with eucalyptus trees is 10-20% higher than in agricultural systems during the beginning of the wet season. Differences in the soil moisture during the end of the dry season and in the potato yield are not evident between these systems, although an area without sowing reduced the agricultural output in 13-17% in agroforestry systems. Research step III seeks to maximize the efficiency of resource allocation in farm household systems by developing a linear programming optimization model. This financial assessment underpinned the need of additional off-farm activities for resource-scarcer farmers. In addition, under interest rates below 15% the model includes tree-based production systems as part of the optimal solution. However, with increasing interest rates, a higher share of land is used to cover household’s basic needs and fewer resources are available for capital accumulation activities such as forestry. Variations introduced in the model show that pasture systems are more sensitive to changes in the production outputs, whereas variation in farm worker wages and tree prices affected less the optimal solutions, making farming systems less sensitive to these market changes. Finally, the incorporation of tree-based systems have proved to be a sustainable and resilient livelihood strategy against climate variability available for particular farm household systems of the study area. / Las zonas montañosas, incluyendo la región andina son muy sensibles al cambio climático. Los agricultores de los Andes centrales del Perú están cada vez más expuestos a los efectos de la variabilidad climática. Esta investigación transdisciplinaria utiliza laboratorios de campo (field laboratories), combinando los enfoques de sistemas agrícolas y de medios de vida sostenibles, para llevar a cabo evaluaciones sociales, ecológicas y financieras con el fin de identificar estrategias sostenibles y resilientes para los agricultores andinos de pequeña escala. La primera fase de la investigación caracteriza a los sistemas agrícolas familiares, influenciados por sus contextos biofísicos y socioeconómicos, para lo cual se elaboraron dos índices de vulnerabilidad centrados en la variabilidad del clima, los cinco activos de los medios de vida y los tres componentes de la vulnerabilidad del IPCC. Estos índices muestran las condiciones de alta sensibilidad de la mayoría de las comunidades, con malas condiciones de salud y poco acceso a la infraestructura y a los servicios públicos. La capacidad de respuesta de los agricultores es a menudo limitada por la baja diversidad en las actividades agrícolas y la falta de organización. Posteriormente se identificaron las estrategias de medios de vida sostenibles. Estas incluyen la intensificación en las actividades agrícolas y la intensificación del trabajo no agrícola en las comunidades de zonas bajas y con mejor acceso. En las comunidades con menor acceso y zonas altas la migración temporal es una estrategia de afrontamiento común. Los escenarios sostenibles en estas comunidades incluyen un incremento en las estrategias de diversificación p. ej. a través de un aumento de la biodiversidad agrícola y una mayor proporción de sistemas de producción asociados con árboles. Por otra parte, la segunda fase de la investigación explora las estrategias locales para hacer frente a las sequías agrícolas y evalúa, por medio de métodos de evaluación de recursos naturales, los sistemas agroforestales como alternativa para reducir sus efectos negativos. Afectados principalmente por el aumento en la variación de las precipitaciones, los pequeños agricultores identifican a la diversificación de actividades dentro y fuera de sus parcelas agrícolas como una estrategia de adaptación frente a las sequías agrícolas que reduce la dependencia climática y la covarianza entre las actividades de subsistencia. Dentro de la introducción de variedades de cultivos y pastos más resistentes, como parte de la solución, los agricultores desean la incorporación de árboles en su sistema debido a su influencia positiva en la humedad del suelo y en los rendimientos de los cultivos. La humedad del suelo en sistemas agroforestales con árboles de eucalipto es un 10-20% mayor que en los sistemas agrícolas durante el comienzo de la estación húmeda. Las diferencias en la humedad del suelo durante el final de la estación seca y en el rendimiento de los cultivos de papa no son evidentes entre estos dos sistemas. A pesar de esto, el espacio sin siembra dejado en los sistemas agroforestales redujo la producción agrícola en un 13-17%. La tercera fase de la investigación busca maximizar la eficiencia en la asignación de recursos en los sistemas agrícolas familiares mediante el desarrollo de un modelo de optimización de programación lineal. Esta evaluación financiera respalda la necesidad de actividades adicionales no-agrícolas para agricultores con recursos más escasos. Además, con tasas de interés por debajo del 15%, el modelo siempre incluye a los sistemas de producción forestales y/o agroforestales como parte de las soluciones óptimas. Sin embargo, con el aumento de las tasas de interés, una mayor proporción de tierra se utiliza para cubrir las necesidades básicas del hogar y menos recursos están disponibles para las actividades de acumulación de capital como la silvicultura. Las variaciones introducidas en el modelo muestran que los sistemas de pastoreo son más sensibles a los cambios en los condiciones de producción. Por otro lado, la variación en los salarios de los trabajadores agrícolas y en los precios de los árboles afectan en un menor grado las soluciones óptimas, proporcionando sistemas agrícolas menos sensibles a estos cambios en el mercado. Finalmente, la incorporación de árboles en los sistemas agrícolas ha demostrado ser una estrategia de vida sostenible y resiliente a la variabilidad climática disponible para determinados sistemas agrícolas familiares de la zona de estudio. / Hochgebirgsregionen einschließlich der Andenregion sind gegenüber dem Klimawandel sehr empfindlich. Die in den zentralen Anden von Peru lebenden Bauern sind mehr und mehr den Auswirkungen durch Klimaschwankungen ausgesetzt. Diese transdisziplinäre Forschung nutzt Feldlabore, die das System der landwirtschaftlichen Bewirtschaftung und Ansätze zur nachhaltigen Lebensunterhaltssicherung kombinieren, um soziale, ökologische und ökonomische Erhebungen durchzuführen, so dass nachhaltige Livelihood-Strategien für die Kleinbauern in den Anden aufgezeigt werden können. Der erste Forschungsschritt untersucht und charakterisiert die bäuerlichen Haushaltssysteme, die durch ihre biophysikalischen und sozioökonomischen Kontexte beeinflusst sind. Hierfür wurden zwei Vulnerabilitätsindizes herausgearbeitet, die Klimavariabilität und die fünf Güter des Sustainable Livelihood-Konzepts im Fokus haben, sowie die drei Vulnerabilitätskomponenten des Intergovernmental Panel on Climate Change (IPCC). Diese Indizes decken die hochgradige Sensitivität für die meisten Gemeinden auf, aufgrund des schlechten Gesundheitszustandes sowie dem Mangel an Infrastruktur und öffentlichen Dienstleistungen. Die Fähigkeit der Bauern damit umzugehen, ist zumeist begrenzt durch eine geringe Diversität und fehlende Organisation auf den Farmen. Anschließend werden nachhaltige Livelihood-Strategien aufgezeigt. Diese umfassen die Intensivierung der Arbeit in der Landwirtschaft und der Arbeitskraft außerhalb der Landwirtschaft für Gemeinden im Flachland sowie besser erreichbare Gemeinden. In Hochlandgemeinden und Gemeinden die schwer zugänglich sind, ist temporäre Migration eine geläufige Bewältigungsstrategie. Nachhaltige Szenarien in diesen Gemeinden beinhalten eine höhere Anzahl an Diversifizierungsstrategien wie die Steigerung von Agro-Biodiversität und dem Anteil an baumbasierten Produktionssystemen. Forschungsschritt II untersucht lokale Strategien, um die landwirtschaftliche Dürre zu bewältigen und bewertet – mit Hilfe von Naturressourcenbewertungsverfahren – Agroforstsysteme als eine Alternative, um die negativen Auswirkungen der Trockenzeiten zu verringern. Beeinträchtigt durch zunehmende Niederschlagsschwankungen, identifizieren Bauern die Diversifizierung von landwirtschaftlichen und nicht-landwirtschaftlichen Aktivitäten als Anpassungsstrategie bei landwirtschaftliche Dürre, wodurch die Abhängigkeit vom Wetter und die Kovarianz zwischen den Aktivitäten für den Lebensunterhalt reduziert werden kann. Neben der Einführung resistenterer Kultur- und Weidepflanzen, ist die Einbeziehung von Bäumen in das System wünschenswert, aufgrund ihres positiven Einflusses auf die Bodenfeuchte und Erträge. Die Bodenfeuchte in agroforstwirtschaftlichen Systemen mit Eukalyptusbäumen ist während der beginnenden Feuchtperiode 20% höher als in landwirtschaftlichen Systemen. Die Unterschiede der Bodenfeuchte am Ende der Trockenzeit und bezüglich des Kartoffelertrags sind zwischen diesen Systemen nicht markant, obwohl eine Fläche, auf der keine Saat ausgebracht wurde, den landwirtschaftlichen Ertrag in Agroforstsystemen um 13 bis 17% mindert. Forschungsschritt III versucht die Effizienz der Ressourcenzuordnung in Farmhaushaltssystemen zu maximieren, indem ein Optimierungsmodell mit Hilfe der linearen Programmierung entwickelt wird. Diese ökonomische Erhebung unterstreicht die Notwendigkeit zusätzlicher nichtlandwirtschaftlicher Aktivitäten für ressourcenärmere Bauern. Bei Zinsraten unter 15% umfasst das Model baumbasierte Produktionssysteme als einen Teil der optimalen Lösung. Mit steigenden Zinsraten wird jedoch eine größere Bodenfläche dazu verwendet, um die Grundbedürfnisse der Haushalte zu decken und es stehen weniger Ressourcen für Aktivitäten zur Kapitalanhäufung wie Forstwirtschaft zur Verfügung. Die in das Modell involvierten Variationen zeigen, dass Weidesysteme sensibler auf Veränderungen des Produktionsausstoßes reagieren. Schwankungen bei den Löhnen der Farmer und Veränderungen der Baumpreise beeinträchtigen hingegen die optimalen Lösungen weniger. Dadurch sind die landwirtschaftlichen Systeme gegenüber Marktschwankungen weniger anfällig. Abschließend erweist sich, dass – für bestimmte Farmhaushaltssysteme im Untersuchungsgebiet – die Einbeziehung baumbasierter Systeme als nachhaltige und resiliente Livelihood-Strategie angesichts von Klimaschwankungen nützlich ist. / Regiões altomontanas, incluindo os Andes são extremamente sensíveis aos impactos das mudanças climáticas. Pequenos agricultores da região central dos Andes Peruanos estão progressivamente sendo expostos aos impactos das variações climáticas. A presente investigação transdisciplinar utiliza “field laboratories”, combinando os enfoques de sistemas rurais e dos meios de subsistência sustentáveis, visando uma avaliação social, ecológica e financeira, com intuito de se identificar estratégias resilientes e sustentáveis para os pequenos agricultores Andinos. A primeira etapa do presente estudo investiga e caracteriza os sistemas rurais, influenciados por seus contextos biofísicos e socioeconômicos, para os quais foram elaborados dois índices de vulnerabilidade focados na variabilidade climática, nos recursos dos meios de vida (cinco capitais) e nos três componentes da vulnerabilidade do IPCC. Esses índices mostram as condições altamente sensíveis da maioria das comunidades, com más condições de saúde, acesso à infra-estrutura e serviços públicos. A capacidade de resposta dos pequenos agricultores é frequentemente limitada pela baixa diversificação de actividades na exploração agricola e falta de organização. Posteriormente, foram identificadas estratégias de subsitência sustentáveis. Estas incluem a intensificação tanto do trabalho rural, quanto do não-agrícola para as comunidades de terras baixas e mais acessíveis. Para as comunidades altomontanas e com menor acesso, a migração temporária é uma estratégia de enfrentamento comum. Cenários sustentáveis para essas comunidades incluem um incremento nas estratégias de diversificação p. ex. aumentando a agrobiodiversidade e a parcela dos sistemas de produção florestais. A segunda etapa da pesquisa explora estratégias locais para lidar com as secas agrícolas e investiga, por meio de métodos de avaliação de recursos naturais, sistemas agroflorestais como alternativa para reduzir os seus efeitos negativos. Afetado principalmente pelo aumento da variação da precipitação, os agricultores identificam a diversificação tanto no trabalho rural, quanto no não-agrícola, como estratégias adaptativas contra secas agrícolas que reduzam a dependência do clima e covariância entre atividades de subsitência. Entre a introdução de culturas e de pastagens de variedades mais resistentes, a incorporação de árvores em seu sistema é desejada por conta da sua influência positiva na umidade do solo e no rendimento das culturas. A umidade do solo em sistemas agroflorestais com árvores de eucalipto é de 10-20% maior do que em sistemas agrícolas durante o início da estação chuvosa. As diferenças na umidade do solo durante o final da estação seca e na produtividade da batata não são evidentes entre estes dois sistemas. Apesar disso, o espaço sem semeadura deixado em sistemas agroflorestais reduziu a produção agrícola em 13-17%. A terceira etapa da presente investigação visa maximizar a eficiência da alocação de recursos em sistemas agrícolas familiares por meio do desenvolvimento de um modelo de otimização de programação linear. Esta avaliação financeira sustenta a necessidade de atividades não-agrícolas adicionais para agricultores com recursos escassos. Ademais, sob taxas de juros abaixo de 15%, o modelo inclui sistemas de produção florestais como parte da solução ideal. Contudo, com o aumento das taxas de juros, uma parcela maior da propriedade é usada para garantir as necessidades básicas, e portanto, menos recursos do agregado familiar estão disponíveis para atividades de acumulação de capital, tais como a silvicultura. Variações introduzidas no modelo mostram que sistemas de pastagem são mais sensíveis a mudanças nas condições de produção. Ademais, variaçãoes nos salários dos trabalhadores agrícolas e nos preços de árvores afetam menos as soluções ótimas, tornando os sistemas agrícolas menos sensíveis a estas mudanças do mercado. Por fim, a incorporação de sistemas florestais provaram ser uma estratégia de subsistência sustentável e resiliente contra a variação climática para determinados sistemas de agricultura familiar da área de estudo.

High mountain regions including the Andean region are very sensitive to climate change. Farmers in the central Andes of Peru are increasingly being exposed to the impacts of climate variability. This transdisciplinary research uses field laboratories, combining the farming system and the sustainable livelihood approaches, to carry out social, ecological, and financial assessments so as to identify sustainable and resilient livelihood strategies for small-scale Andean farmers. The first research step studies and characterizes farm household systems, influenced by their biophysical and socioeconomic contexts, for which two vulnerability indices were elaborated. Focused on the climate variability, the five livelihood assets and the three IPCC’s vulnerability components, these indices show the highly sensitive conditions of most communities with poor health conditions, access to infrastructure and public services. Farmers’ capacity of response is often limited by the low on-farm diversity and lack of organization. Thereafter, sustainable livelihood strategies were identified. These include on-farm intensification and non-farm labor intensification for lowland and better-access communities. In the middle-access and highland communities, where temporary migration is a common coping strategy, sustainable scenarios include an increment in diversification strategies through agrobiodiversity and a larger share of tree-based production systems. Furthermore, research step II explores local strategies to cope with agricultural droughts and evaluates, by means of natural resource assessment methods, agroforestry systems as an alternative to reduce their negative effects. Mainly affected by the increasing variation in precipitation events, farmers identify off-farm and on-farm diversification as adaptive strategies against agricultural droughts that reduce the weather dependence and covariance between livelihood activities. Among the introduction of more resistant crop and pasture varieties, the incorporation of trees in their system is desired because of their positive influence in soil moisture and crop yields. Soil moisture in agroforestry systems with eucalyptus trees is 10-20% higher than in agricultural systems during the beginning of the wet season. Differences in the soil moisture during the end of the dry season and in the potato yield are not evident between these systems, although an area without sowing reduced the agricultural output in 13-17% in agroforestry systems. Research step III seeks to maximize the efficiency of resource allocation in farm household systems by developing a linear programming optimization model. This financial assessment underpinned the need of additional off-farm activities for resource-scarcer farmers. In addition, under interest rates below 15% the model includes tree-based production systems as part of the optimal solution. However, with increasing interest rates, a higher share of land is used to cover household’s basic needs and fewer resources are available for capital accumulation activities such as forestry. Variations introduced in the model show that pasture systems are more sensitive to changes in the production outputs, whereas variation in farm worker wages and tree prices affected less the optimal solutions, making farming systems less sensitive to these market changes. Finally, the incorporation of tree-based systems have proved to be a sustainable and resilient livelihood strategy against climate variability available for particular farm household systems of the study area.:1 Introduction - 1 - 1.1 Introduction and justification - 1 - 1.2 Objectives and thesis statements - 2 - 1.3 Outline - 3 - 1.4 Definition of terms - 5 - 1.4.1 Vulnerability - 5 - 1.4.2 Resilience - 7 - 1.4.3 Agroforestry systems - 8 - 1.4.4 Farming system approach - 9 - 1.4.5 Farm household system - 10 - 1.4.6 Sustainable livelihood approach - 10 - 2 Framework and study site - 14 - 2.1 Theoretical framework - 14 - 2.2 Methodological framework - 18 - 2.2.1 Field laboratories - 18 - 2.2.2 Methods - 19 - 2.2.3 Methodology applied in research step I: Vulnerability in Achamayo - 21 - 2.2.4 Methodology applied in research step II: Agroforestry systems and agricultural droughts - 29 - 2.2.5 Methodology applied in research step III: Modeling small farm production systems - 33 - 2.2.6 Selection of case studies - 34 - 2.3 Study area - 35 - 2.3.1 Soils and topography - 35 - 2.3.2 Weather - 37 - 2.3.3 Agro-ecological zones and vegetation - 38 - 2.3.4 Climate change - 40 - 2.3.5 Socioeconomic characteristics - 42 - 2.3.6 Population - 43 - 2.3.7 External determinants - 71 - 2.4 Case studies - 47 - 2.4.1 Lowland communities (L) - 49 - 2.4.2 Middle access communities (M) - 50 - 2.4.3 Highland communities (H) - 51 - 3 Vulnerability in Achamayo - 53 - 3.1 Results - 53 - 3.1.1 Sustainable Livelihood Vulnerability Index (S-LVI) - 53 - 3.1.2 IPCC Livelihood Vulnerability Index (LVI-IPCC) - 68 - 3.2 Discussion - 71 - 3.2.1 Climate variability and extreme events - 71 - 3.2.2 Human capital - 71 - 3.2.3 Social capital - 71 - 3.2.4 Natural capital - 71 - 3.2.5 Physical capital - 71 - 3.2.6 Financial capital - 71 - 3.2.7 Livelihood strategies following the S-LVI and LVI-IPCC indices - 86 - 3.3 Conclusion - 92 - 4 Agroforestry systems and agricultural droughts - 95 - 4.1 Results - 96 - 4.1.1 Farmers’ experience and perception on climate variability and agricultural droughts - 96 - 4.1.2 Agricultural droughts in the farm household systems - 97 - 4.1.3 Farming forestry systems and land-use decision-making - 102 - 4.1.4 Influence of trees in the soil moisture and yield - 104 - 4.2 Discussion - 110 - 4.2.1 Climate change and agricultural droughts - 110 - 4.2.2 Farm forestry systems and land-use decision-making - 115 - 4.2.3 Influence of trees in the soil moisture and yield - 117 - 4.3 Conclusion - 121 - 5 Modeling small farm production systems: optimization of resource allocation - 123 - 5.1 Methodology - 124 - 5.1.1 Optimization Model - 126 - 5.1.2 Plan of optimization - 128 - 5.1.3 Production systems - 131 - 5.1.4 Constraints - 134 - 5.2 Results - 138 - 5.2.1 Model - 138 - 5.2.2 Interest rates - 142 - 5.2.3 Sensitivity analyses - 146 - 5.3 Discussion - 151 - 5.3.1 Cash flows - 151 - 5.3.2 Model outcomes - 152 - 5.3.3 Interest rates - 155 - 5.3.4 Sensitivity analyses - 159 - 5.4 Conclusion - 169 - 6 Synthesis - 171 - 6.1 Lessons learned - 171 - 6.1.1 Research step I - 172 - 6.1.2 Research step II - 175 - 6.1.3 Research step III - 176 - 6.2 Conclusions & outlook - 179 - 6.2.1 General conclusions - 179 - 6.2.2 Outlook - 181 - References - 185 - Appendix - 199 - / Las zonas montañosas, incluyendo la región andina son muy sensibles al cambio climático. Los agricultores de los Andes centrales del Perú están cada vez más expuestos a los efectos de la variabilidad climática. Esta investigación transdisciplinaria utiliza laboratorios de campo (field laboratories), combinando los enfoques de sistemas agrícolas y de medios de vida sostenibles, para llevar a cabo evaluaciones sociales, ecológicas y financieras con el fin de identificar estrategias sostenibles y resilientes para los agricultores andinos de pequeña escala. La primera fase de la investigación caracteriza a los sistemas agrícolas familiares, influenciados por sus contextos biofísicos y socioeconómicos, para lo cual se elaboraron dos índices de vulnerabilidad centrados en la variabilidad del clima, los cinco activos de los medios de vida y los tres componentes de la vulnerabilidad del IPCC. Estos índices muestran las condiciones de alta sensibilidad de la mayoría de las comunidades, con malas condiciones de salud y poco acceso a la infraestructura y a los servicios públicos. La capacidad de respuesta de los agricultores es a menudo limitada por la baja diversidad en las actividades agrícolas y la falta de organización. Posteriormente se identificaron las estrategias de medios de vida sostenibles. Estas incluyen la intensificación en las actividades agrícolas y la intensificación del trabajo no agrícola en las comunidades de zonas bajas y con mejor acceso. En las comunidades con menor acceso y zonas altas la migración temporal es una estrategia de afrontamiento común. Los escenarios sostenibles en estas comunidades incluyen un incremento en las estrategias de diversificación p. ej. a través de un aumento de la biodiversidad agrícola y una mayor proporción de sistemas de producción asociados con árboles. Por otra parte, la segunda fase de la investigación explora las estrategias locales para hacer frente a las sequías agrícolas y evalúa, por medio de métodos de evaluación de recursos naturales, los sistemas agroforestales como alternativa para reducir sus efectos negativos. Afectados principalmente por el aumento en la variación de las precipitaciones, los pequeños agricultores identifican a la diversificación de actividades dentro y fuera de sus parcelas agrícolas como una estrategia de adaptación frente a las sequías agrícolas que reduce la dependencia climática y la covarianza entre las actividades de subsistencia. Dentro de la introducción de variedades de cultivos y pastos más resistentes, como parte de la solución, los agricultores desean la incorporación de árboles en su sistema debido a su influencia positiva en la humedad del suelo y en los rendimientos de los cultivos. La humedad del suelo en sistemas agroforestales con árboles de eucalipto es un 10-20% mayor que en los sistemas agrícolas durante el comienzo de la estación húmeda. Las diferencias en la humedad del suelo durante el final de la estación seca y en el rendimiento de los cultivos de papa no son evidentes entre estos dos sistemas. A pesar de esto, el espacio sin siembra dejado en los sistemas agroforestales redujo la producción agrícola en un 13-17%. La tercera fase de la investigación busca maximizar la eficiencia en la asignación de recursos en los sistemas agrícolas familiares mediante el desarrollo de un modelo de optimización de programación lineal. Esta evaluación financiera respalda la necesidad de actividades adicionales no-agrícolas para agricultores con recursos más escasos. Además, con tasas de interés por debajo del 15%, el modelo siempre incluye a los sistemas de producción forestales y/o agroforestales como parte de las soluciones óptimas. Sin embargo, con el aumento de las tasas de interés, una mayor proporción de tierra se utiliza para cubrir las necesidades básicas del hogar y menos recursos están disponibles para las actividades de acumulación de capital como la silvicultura. Las variaciones introducidas en el modelo muestran que los sistemas de pastoreo son más sensibles a los cambios en los condiciones de producción. Por otro lado, la variación en los salarios de los trabajadores agrícolas y en los precios de los árboles afectan en un menor grado las soluciones óptimas, proporcionando sistemas agrícolas menos sensibles a estos cambios en el mercado. Finalmente, la incorporación de árboles en los sistemas agrícolas ha demostrado ser una estrategia de vida sostenible y resiliente a la variabilidad climática disponible para determinados sistemas agrícolas familiares de la zona de estudio.:1 Introduction - 1 - 1.1 Introduction and justification - 1 - 1.2 Objectives and thesis statements - 2 - 1.3 Outline - 3 - 1.4 Definition of terms - 5 - 1.4.1 Vulnerability - 5 - 1.4.2 Resilience - 7 - 1.4.3 Agroforestry systems - 8 - 1.4.4 Farming system approach - 9 - 1.4.5 Farm household system - 10 - 1.4.6 Sustainable livelihood approach - 10 - 2 Framework and study site - 14 - 2.1 Theoretical framework - 14 - 2.2 Methodological framework - 18 - 2.2.1 Field laboratories - 18 - 2.2.2 Methods - 19 - 2.2.3 Methodology applied in research step I: Vulnerability in Achamayo - 21 - 2.2.4 Methodology applied in research step II: Agroforestry systems and agricultural droughts - 29 - 2.2.5 Methodology applied in research step III: Modeling small farm production systems - 33 - 2.2.6 Selection of case studies - 34 - 2.3 Study area - 35 - 2.3.1 Soils and topography - 35 - 2.3.2 Weather - 37 - 2.3.3 Agro-ecological zones and vegetation - 38 - 2.3.4 Climate change - 40 - 2.3.5 Socioeconomic characteristics - 42 - 2.3.6 Population - 43 - 2.3.7 External determinants - 71 - 2.4 Case studies - 47 - 2.4.1 Lowland communities (L) - 49 - 2.4.2 Middle access communities (M) - 50 - 2.4.3 Highland communities (H) - 51 - 3 Vulnerability in Achamayo - 53 - 3.1 Results - 53 - 3.1.1 Sustainable Livelihood Vulnerability Index (S-LVI) - 53 - 3.1.2 IPCC Livelihood Vulnerability Index (LVI-IPCC) - 68 - 3.2 Discussion - 71 - 3.2.1 Climate variability and extreme events - 71 - 3.2.2 Human capital - 71 - 3.2.3 Social capital - 71 - 3.2.4 Natural capital - 71 - 3.2.5 Physical capital - 71 - 3.2.6 Financial capital - 71 - 3.2.7 Livelihood strategies following the S-LVI and LVI-IPCC indices - 86 - 3.3 Conclusion - 92 - 4 Agroforestry systems and agricultural droughts - 95 - 4.1 Results - 96 - 4.1.1 Farmers’ experience and perception on climate variability and agricultural droughts - 96 - 4.1.2 Agricultural droughts in the farm household systems - 97 - 4.1.3 Farming forestry systems and land-use decision-making - 102 - 4.1.4 Influence of trees in the soil moisture and yield - 104 - 4.2 Discussion - 110 - 4.2.1 Climate change and agricultural droughts - 110 - 4.2.2 Farm forestry systems and land-use decision-making - 115 - 4.2.3 Influence of trees in the soil moisture and yield - 117 - 4.3 Conclusion - 121 - 5 Modeling small farm production systems: optimization of resource allocation - 123 - 5.1 Methodology - 124 - 5.1.1 Optimization Model - 126 - 5.1.2 Plan of optimization - 128 - 5.1.3 Production systems - 131 - 5.1.4 Constraints - 134 - 5.2 Results - 138 - 5.2.1 Model - 138 - 5.2.2 Interest rates - 142 - 5.2.3 Sensitivity analyses - 146 - 5.3 Discussion - 151 - 5.3.1 Cash flows - 151 - 5.3.2 Model outcomes - 152 - 5.3.3 Interest rates - 155 - 5.3.4 Sensitivity analyses - 159 - 5.4 Conclusion - 169 - 6 Synthesis - 171 - 6.1 Lessons learned - 171 - 6.1.1 Research step I - 172 - 6.1.2 Research step II - 175 - 6.1.3 Research step III - 176 - 6.2 Conclusions & outlook - 179 - 6.2.1 General conclusions - 179 - 6.2.2 Outlook - 181 - References - 185 - Appendix - 199 - / Hochgebirgsregionen einschließlich der Andenregion sind gegenüber dem Klimawandel sehr empfindlich. Die in den zentralen Anden von Peru lebenden Bauern sind mehr und mehr den Auswirkungen durch Klimaschwankungen ausgesetzt. Diese transdisziplinäre Forschung nutzt Feldlabore, die das System der landwirtschaftlichen Bewirtschaftung und Ansätze zur nachhaltigen Lebensunterhaltssicherung kombinieren, um soziale, ökologische und ökonomische Erhebungen durchzuführen, so dass nachhaltige Livelihood-Strategien für die Kleinbauern in den Anden aufgezeigt werden können. Der erste Forschungsschritt untersucht und charakterisiert die bäuerlichen Haushaltssysteme, die durch ihre biophysikalischen und sozioökonomischen Kontexte beeinflusst sind. Hierfür wurden zwei Vulnerabilitätsindizes herausgearbeitet, die Klimavariabilität und die fünf Güter des Sustainable Livelihood-Konzepts im Fokus haben, sowie die drei Vulnerabilitätskomponenten des Intergovernmental Panel on Climate Change (IPCC). Diese Indizes decken die hochgradige Sensitivität für die meisten Gemeinden auf, aufgrund des schlechten Gesundheitszustandes sowie dem Mangel an Infrastruktur und öffentlichen Dienstleistungen. Die Fähigkeit der Bauern damit umzugehen, ist zumeist begrenzt durch eine geringe Diversität und fehlende Organisation auf den Farmen. Anschließend werden nachhaltige Livelihood-Strategien aufgezeigt. Diese umfassen die Intensivierung der Arbeit in der Landwirtschaft und der Arbeitskraft außerhalb der Landwirtschaft für Gemeinden im Flachland sowie besser erreichbare Gemeinden. In Hochlandgemeinden und Gemeinden die schwer zugänglich sind, ist temporäre Migration eine geläufige Bewältigungsstrategie. Nachhaltige Szenarien in diesen Gemeinden beinhalten eine höhere Anzahl an Diversifizierungsstrategien wie die Steigerung von Agro-Biodiversität und dem Anteil an baumbasierten Produktionssystemen. Forschungsschritt II untersucht lokale Strategien, um die landwirtschaftliche Dürre zu bewältigen und bewertet – mit Hilfe von Naturressourcenbewertungsverfahren – Agroforstsysteme als eine Alternative, um die negativen Auswirkungen der Trockenzeiten zu verringern. Beeinträchtigt durch zunehmende Niederschlagsschwankungen, identifizieren Bauern die Diversifizierung von landwirtschaftlichen und nicht-landwirtschaftlichen Aktivitäten als Anpassungsstrategie bei landwirtschaftliche Dürre, wodurch die Abhängigkeit vom Wetter und die Kovarianz zwischen den Aktivitäten für den Lebensunterhalt reduziert werden kann. Neben der Einführung resistenterer Kultur- und Weidepflanzen, ist die Einbeziehung von Bäumen in das System wünschenswert, aufgrund ihres positiven Einflusses auf die Bodenfeuchte und Erträge. Die Bodenfeuchte in agroforstwirtschaftlichen Systemen mit Eukalyptusbäumen ist während der beginnenden Feuchtperiode 20% höher als in landwirtschaftlichen Systemen. Die Unterschiede der Bodenfeuchte am Ende der Trockenzeit und bezüglich des Kartoffelertrags sind zwischen diesen Systemen nicht markant, obwohl eine Fläche, auf der keine Saat ausgebracht wurde, den landwirtschaftlichen Ertrag in Agroforstsystemen um 13 bis 17% mindert. Forschungsschritt III versucht die Effizienz der Ressourcenzuordnung in Farmhaushaltssystemen zu maximieren, indem ein Optimierungsmodell mit Hilfe der linearen Programmierung entwickelt wird. Diese ökonomische Erhebung unterstreicht die Notwendigkeit zusätzlicher nichtlandwirtschaftlicher Aktivitäten für ressourcenärmere Bauern. Bei Zinsraten unter 15% umfasst das Model baumbasierte Produktionssysteme als einen Teil der optimalen Lösung. Mit steigenden Zinsraten wird jedoch eine größere Bodenfläche dazu verwendet, um die Grundbedürfnisse der Haushalte zu decken und es stehen weniger Ressourcen für Aktivitäten zur Kapitalanhäufung wie Forstwirtschaft zur Verfügung. Die in das Modell involvierten Variationen zeigen, dass Weidesysteme sensibler auf Veränderungen des Produktionsausstoßes reagieren. Schwankungen bei den Löhnen der Farmer und Veränderungen der Baumpreise beeinträchtigen hingegen die optimalen Lösungen weniger. Dadurch sind die landwirtschaftlichen Systeme gegenüber Marktschwankungen weniger anfällig. Abschließend erweist sich, dass – für bestimmte Farmhaushaltssysteme im Untersuchungsgebiet – die Einbeziehung baumbasierter Systeme als nachhaltige und resiliente Livelihood-Strategie angesichts von Klimaschwankungen nützlich ist.:1 Introduction - 1 - 1.1 Introduction and justification - 1 - 1.2 Objectives and thesis statements - 2 - 1.3 Outline - 3 - 1.4 Definition of terms - 5 - 1.4.1 Vulnerability - 5 - 1.4.2 Resilience - 7 - 1.4.3 Agroforestry systems - 8 - 1.4.4 Farming system approach - 9 - 1.4.5 Farm household system - 10 - 1.4.6 Sustainable livelihood approach - 10 - 2 Framework and study site - 14 - 2.1 Theoretical framework - 14 - 2.2 Methodological framework - 18 - 2.2.1 Field laboratories - 18 - 2.2.2 Methods - 19 - 2.2.3 Methodology applied in research step I: Vulnerability in Achamayo - 21 - 2.2.4 Methodology applied in research step II: Agroforestry systems and agricultural droughts - 29 - 2.2.5 Methodology applied in research step III: Modeling small farm production systems - 33 - 2.2.6 Selection of case studies - 34 - 2.3 Study area - 35 - 2.3.1 Soils and topography - 35 - 2.3.2 Weather - 37 - 2.3.3 Agro-ecological zones and vegetation - 38 - 2.3.4 Climate change - 40 - 2.3.5 Socioeconomic characteristics - 42 - 2.3.6 Population - 43 - 2.3.7 External determinants - 71 - 2.4 Case studies - 47 - 2.4.1 Lowland communities (L) - 49 - 2.4.2 Middle access communities (M) - 50 - 2.4.3 Highland communities (H) - 51 - 3 Vulnerability in Achamayo - 53 - 3.1 Results - 53 - 3.1.1 Sustainable Livelihood Vulnerability Index (S-LVI) - 53 - 3.1.2 IPCC Livelihood Vulnerability Index (LVI-IPCC) - 68 - 3.2 Discussion - 71 - 3.2.1 Climate variability and extreme events - 71 - 3.2.2 Human capital - 71 - 3.2.3 Social capital - 71 - 3.2.4 Natural capital - 71 - 3.2.5 Physical capital - 71 - 3.2.6 Financial capital - 71 - 3.2.7 Livelihood strategies following the S-LVI and LVI-IPCC indices - 86 - 3.3 Conclusion - 92 - 4 Agroforestry systems and agricultural droughts - 95 - 4.1 Results - 96 - 4.1.1 Farmers’ experience and perception on climate variability and agricultural droughts - 96 - 4.1.2 Agricultural droughts in the farm household systems - 97 - 4.1.3 Farming forestry systems and land-use decision-making - 102 - 4.1.4 Influence of trees in the soil moisture and yield - 104 - 4.2 Discussion - 110 - 4.2.1 Climate change and agricultural droughts - 110 - 4.2.2 Farm forestry systems and land-use decision-making - 115 - 4.2.3 Influence of trees in the soil moisture and yield - 117 - 4.3 Conclusion - 121 - 5 Modeling small farm production systems: optimization of resource allocation - 123 - 5.1 Methodology - 124 - 5.1.1 Optimization Model - 126 - 5.1.2 Plan of optimization - 128 - 5.1.3 Production systems - 131 - 5.1.4 Constraints - 134 - 5.2 Results - 138 - 5.2.1 Model - 138 - 5.2.2 Interest rates - 142 - 5.2.3 Sensitivity analyses - 146 - 5.3 Discussion - 151 - 5.3.1 Cash flows - 151 - 5.3.2 Model outcomes - 152 - 5.3.3 Interest rates - 155 - 5.3.4 Sensitivity analyses - 159 - 5.4 Conclusion - 169 - 6 Synthesis - 171 - 6.1 Lessons learned - 171 - 6.1.1 Research step I - 172 - 6.1.2 Research step II - 175 - 6.1.3 Research step III - 176 - 6.2 Conclusions & outlook - 179 - 6.2.1 General conclusions - 179 - 6.2.2 Outlook - 181 - References - 185 - Appendix - 199 - / Regiões altomontanas, incluindo os Andes são extremamente sensíveis aos impactos das mudanças climáticas. Pequenos agricultores da região central dos Andes Peruanos estão progressivamente sendo expostos aos impactos das variações climáticas. A presente investigação transdisciplinar utiliza “field laboratories”, combinando os enfoques de sistemas rurais e dos meios de subsistência sustentáveis, visando uma avaliação social, ecológica e financeira, com intuito de se identificar estratégias resilientes e sustentáveis para os pequenos agricultores Andinos. A primeira etapa do presente estudo investiga e caracteriza os sistemas rurais, influenciados por seus contextos biofísicos e socioeconômicos, para os quais foram elaborados dois índices de vulnerabilidade focados na variabilidade climática, nos recursos dos meios de vida (cinco capitais) e nos três componentes da vulnerabilidade do IPCC. Esses índices mostram as condições altamente sensíveis da maioria das comunidades, com más condições de saúde, acesso à infra-estrutura e serviços públicos. A capacidade de resposta dos pequenos agricultores é frequentemente limitada pela baixa diversificação de actividades na exploração agricola e falta de organização. Posteriormente, foram identificadas estratégias de subsitência sustentáveis. Estas incluem a intensificação tanto do trabalho rural, quanto do não-agrícola para as comunidades de terras baixas e mais acessíveis. Para as comunidades altomontanas e com menor acesso, a migração temporária é uma estratégia de enfrentamento comum. Cenários sustentáveis para essas comunidades incluem um incremento nas estratégias de diversificação p. ex. aumentando a agrobiodiversidade e a parcela dos sistemas de produção florestais. A segunda etapa da pesquisa explora estratégias locais para lidar com as secas agrícolas e investiga, por meio de métodos de avaliação de recursos naturais, sistemas agroflorestais como alternativa para reduzir os seus efeitos negativos. Afetado principalmente pelo aumento da variação da precipitação, os agricultores identificam a diversificação tanto no trabalho rural, quanto no não-agrícola, como estratégias adaptativas contra secas agrícolas que reduzam a dependência do clima e covariância entre atividades de subsitência. Entre a introdução de culturas e de pastagens de variedades mais resistentes, a incorporação de árvores em seu sistema é desejada por conta da sua influência positiva na umidade do solo e no rendimento das culturas. A umidade do solo em sistemas agroflorestais com árvores de eucalipto é de 10-20% maior do que em sistemas agrícolas durante o início da estação chuvosa. As diferenças na umidade do solo durante o final da estação seca e na produtividade da batata não são evidentes entre estes dois sistemas. Apesar disso, o espaço sem semeadura deixado em sistemas agroflorestais reduziu a produção agrícola em 13-17%. A terceira etapa da presente investigação visa maximizar a eficiência da alocação de recursos em sistemas agrícolas familiares por meio do desenvolvimento de um modelo de otimização de programação linear. Esta avaliação financeira sustenta a necessidade de atividades não-agrícolas adicionais para agricultores com recursos escassos. Ademais, sob taxas de juros abaixo de 15%, o modelo inclui sistemas de produção florestais como parte da solução ideal. Contudo, com o aumento das taxas de juros, uma parcela maior da propriedade é usada para garantir as necessidades básicas, e portanto, menos recursos do agregado familiar estão disponíveis para atividades de acumulação de capital, tais como a silvicultura. Variações introduzidas no modelo mostram que sistemas de pastagem são mais sensíveis a mudanças nas condições de produção. Ademais, variaçãoes nos salários dos trabalhadores agrícolas e nos preços de árvores afetam menos as soluções ótimas, tornando os sistemas agrícolas menos sensíveis a estas mudanças do mercado. Por fim, a incorporação de sistemas florestais provaram ser uma estratégia de subsistência sustentável e resiliente contra a variação climática para determinados sistemas de agricultura familiar da área de estudo.:1 Introduction - 1 - 1.1 Introduction and justification - 1 - 1.2 Objectives and thesis statements - 2 - 1.3 Outline - 3 - 1.4 Definition of terms - 5 - 1.4.1 Vulnerability - 5 - 1.4.2 Resilience - 7 - 1.4.3 Agroforestry systems - 8 - 1.4.4 Farming system approach - 9 - 1.4.5 Farm household system - 10 - 1.4.6 Sustainable livelihood approach - 10 - 2 Framework and study site - 14 - 2.1 Theoretical framework - 14 - 2.2 Methodological framework - 18 - 2.2.1 Field laboratories - 18 - 2.2.2 Methods - 19 - 2.2.3 Methodology applied in research step I: Vulnerability in Achamayo - 21 - 2.2.4 Methodology applied in research step II: Agroforestry systems and agricultural droughts - 29 - 2.2.5 Methodology applied in research step III: Modeling small farm production systems - 33 - 2.2.6 Selection of case studies - 34 - 2.3 Study area - 35 - 2.3.1 Soils and topography - 35 - 2.3.2 Weather - 37 - 2.3.3 Agro-ecological zones and vegetation - 38 - 2.3.4 Climate change - 40 - 2.3.5 Socioeconomic characteristics - 42 - 2.3.6 Population - 43 - 2.3.7 External determinants - 71 - 2.4 Case studies - 47 - 2.4.1 Lowland communities (L) - 49 - 2.4.2 Middle access communities (M) - 50 - 2.4.3 Highland communities (H) - 51 - 3 Vulnerability in Achamayo - 53 - 3.1 Results - 53 - 3.1.1 Sustainable Livelihood Vulnerability Index (S-LVI) - 53 - 3.1.2 IPCC Livelihood Vulnerability Index (LVI-IPCC) - 68 - 3.2 Discussion - 71 - 3.2.1 Climate variability and extreme events - 71 - 3.2.2 Human capital - 71 - 3.2.3 Social capital - 71 - 3.2.4 Natural capital - 71 - 3.2.5 Physical capital - 71 - 3.2.6 Financial capital - 71 - 3.2.7 Livelihood strategies following the S-LVI and LVI-IPCC indices - 86 - 3.3 Conclusion - 92 - 4 Agroforestry systems and agricultural droughts - 95 - 4.1 Results - 96 - 4.1.1 Farmers’ experience and perception on climate variability and agricultural droughts - 96 - 4.1.2 Agricultural droughts in the farm household systems - 97 - 4.1.3 Farming forestry systems and land-use decision-making - 102 - 4.1.4 Influence of trees in the soil moisture and yield - 104 - 4.2 Discussion - 110 - 4.2.1 Climate change and agricultural droughts - 110 - 4.2.2 Farm forestry systems and land-use decision-making - 115 - 4.2.3 Influence of trees in the soil moisture and yield - 117 - 4.3 Conclusion - 121 - 5 Modeling small farm production systems: optimization of resource allocation - 123 - 5.1 Methodology - 124 - 5.1.1 Optimization Model - 126 - 5.1.2 Plan of optimization - 128 - 5.1.3 Production systems - 131 - 5.1.4 Constraints - 134 - 5.2 Results - 138 - 5.2.1 Model - 138 - 5.2.2 Interest rates - 142 - 5.2.3 Sensitivity analyses - 146 - 5.3 Discussion - 151 - 5.3.1 Cash flows - 151 - 5.3.2 Model outcomes - 152 - 5.3.3 Interest rates - 155 - 5.3.4 Sensitivity analyses - 159 - 5.4 Conclusion - 169 - 6 Synthesis - 171 - 6.1 Lessons learned - 171 - 6.1.1 Research step I - 172 - 6.1.2 Research step II - 175 - 6.1.3 Research step III - 176 - 6.2 Conclusions & outlook - 179 - 6.2.1 General conclusions - 179 - 6.2.2 Outlook - 181 - References - 185 - Appendix - 199 -

Tesis por compendio / [ES] Edge Computing es un modelo de computación emergente basado en acercar el procesamiento a los dispositivos de captura de datos en las infraestructuras Internet of things (IoT). Edge computing mejora, entre otras cosas, los tiempos de respuesta, ahorra anchos de banda, incrementa la seguridad de los servicios y oculta las caídas transitorias de la red. Este paradigma actúa en contraposición a la ejecución de servicios en entornos cloud y es muy útil cuando se desea desarrollar soluciones de inteligencia artificial (AI) que aborden problemas en entornos de desastres naturales, como pueden ser inundaciones, incendios u otros eventos derivados del cambio climático. La cobertura de estos escenarios puede resultar especialmente difícil debido a la escasez de infraestructuras disponibles, lo que a menudo impide un análisis de los datos basado en la nube en tiempo real. Por lo tanto, es fundamental habilitar técnicas de IA que no dependan de sistemas de cómputo externos y que puedan ser embebidas en dispositivos de móviles como vehículos aéreos no tripulados (VANT), para que puedan captar y procesar información que permita inferir posibles situaciones de emergencia y determinar así el curso de acción más adecuado de manera autónoma. Históricamente, se hacía frente a este tipo de problemas utilizando los VANT como dispositivos de recogida de datos con el fin de, posteriormente, enviar esta información a la nube donde se dispone de servidores capacitados para analizar esta ingente cantidad de información. Este nuevo enfoque pretende realizar todo el procesamiento y la obtención de resultados en el VANT o en un dispositivo local complementario. Esta aproximación permite eliminar la dependencia de un centro de cómputo remoto que añade complejidad a la infraestructura y que no es una opción en escenarios específicos, donde las conexiones inalámbricas no cumplen los requisitos de transferencia de datos o son entornos en los que la información tiene que obtenerse en ese preciso momento, por requisitos de seguridad o inmediatez. Esta tesis doctoral está compuesta de tres propuestas principales. En primer lugar se plantea un sistema de despegue de enjambres de VANTs basado en el algoritmo de Kuhn Munkres que resuelve el problema de asignación en tiempo polinómico. Nuestra evaluación estudia la complejidad de despegue de grandes enjambres y analiza el coste computacional y de calidad de nuestra propuesta. La segunda propuesta es la definición de una secuencia de procesamiento de imágenes de catástrofes naturales tomadas desde drones basada en Deep learning (DL). El objetivo es reducir el número de imágenes que deben procesar los servicios de emergencias en la catástrofe natural para poder tomar acciones sobre el terreno de una manera más rápida. Por último, se utiliza un conjunto de datos de imágenes obtenidas con VANTs y relativas a diferentes inundaciones, en concreto, de la DANA de 2019, cedidas por el Ayuntamiento de San Javier, ejecutando un modelo DL de segmentación semántica que determina automáticamente las regiones más afectadas por las lluvias (zonas inundadas). Entre los resultados obtenidos se destacan los siguientes: 1- la mejora drástica del rendimiento del despegue vertical coordinado de una red de VANTs. 2- La propuesta de un modelo no supervisado para la vigilancia de zonas desconocidas representa un avance para la exploración autónoma mediante VANTs. Esto permite una visión global de una zona concreta sin realizar un estudio detallado de la misma. 3- Por último, un modelo de segmentación semántica de las zonas inundadas, desplegado para el procesamiento de imágenes en el VANTs, permite la obtención de datos de inundaciones en tiempo real (respetando la privacidad) para una reconstrucción virtual fidedigna del evento. Esta tesis ofrece una propuesta para mejorar el despegue coordinado de drones y dotar de capacidad de procesamiento de algoritmos de deep learning a dispositivos edge, más concretamente UAVs autónomos. / [CA] Edge Computing és un model de computació emergent basat a acostar el processament als dispositius de captura de dades en les infraestructures Internet of things (IoT). Edge computing millora, entre altres coses, els temps de resposta, estalvia amplades de banda, incrementa la seguretat dels serveis i oculta les caigudes transitòries de la xarxa. Aquest paradigma actua en contraposició a l'execució de serveis en entorns cloud i és molt útil quan es desitja desenvolupar solucions d'intel·ligència artificial (AI) que aborden problemes en entorns de desastres naturals, com poden ser inundacions, incendis o altres esdeveniments derivats del canvi climàtic. La cobertura d'aquests escenaris pot resultar especialment difícil a causa de l'escassetat d'infraestructures disponibles, la qual cosa sovint impedeix una anàlisi de les dades basat en el núvol en temps real. Per tant, és fonamental habilitar tècniques de IA que no depenguen de sistemes de còmput externs i que puguen ser embegudes en dispositius de mòbils com a vehicles aeris no tripulats (VANT), perquè puguen captar i processar informació per a inferir possibles situacions d'emergència i determinar així el curs d'acció més adequat de manera autònoma. Històricament, es feia front a aquesta mena de problemes utilitzant els VANT com a dispositius de recollida de dades amb la finalitat de, posteriorment, enviar aquesta informació al núvol on es disposa de servidors capacitats per a analitzar aquesta ingent quantitat d'informació. Aquest nou enfocament pretén realitzar tot el processament i l'obtenció de resultats en el VANT o en un dispositiu local complementari. Aquesta aproximació permet eliminar la dependència d'un centre de còmput remot que afig complexitat a la infraestructura i que no és una opció en escenaris específics, on les connexions sense fils no compleixen els requisits de transferència de dades o són entorns en els quals la informació ha d'obtindre's en aqueix precís moment, per requisits de seguretat o immediatesa. Aquesta tesi doctoral està composta de tres propostes principals. En primer lloc es planteja un sistema d'enlairament d'eixams de VANTs basat en l'algorisme de Kuhn Munkres que resol el problema d'assignació en temps polinòmic. La nostra avaluació estudia la complexitat d'enlairament de grans eixams i analitza el cost computacional i de qualitat de la nostra proposta. La segona proposta és la definició d'una seqüència de processament d'imatges de catàstrofes naturals preses des de drons basada en Deep learning (DL).L'objectiu és reduir el nombre d'imatges que han de processar els serveis d'emergències en la catàstrofe natural per a poder prendre accions sobre el terreny d'una manera més ràpida. Finalment, s'utilitza un conjunt de dades d'imatges obtingudes amb VANTs i relatives a diferents inundacions, en concret, de la DANA de 2019, cedides per l'Ajuntament de San Javier, executant un model DL de segmentació semàntica que determina automàticament les regions més afectades per les pluges (zones inundades). Entre els resultats obtinguts es destaquen els següents: 1- la millora dràstica del rendiment de l'enlairament vertical coordinat d'una xarxa de VANTs. 2- La proposta d'un model no supervisat per a la vigilància de zones desconegudes representa un avanç per a l'exploració autònoma mitjançant VANTs. Això permet una visió global d'una zona concreta sense realitzar un estudi detallat d'aquesta. 3- Finalment, un model de segmentació semàntica de les zones inundades, desplegat per al processament d'imatges en el VANTs, permet l'obtenció de dades d'inundacions en temps real (respectant la privacitat) per a una reconstrucció virtual fidedigna de l'esdeveniment. / [EN] Edge Computing is an emerging computing model based on bringing data processing and storage closer to the location needed to improve response times and save bandwidth. This new paradigm acts as opposed to running services in cloud environments and is very useful in developing artificial intelligence (AI) solutions that address problems in natural disaster environments, such as floods, fires, or other events of an adverse nature. Coverage of these scenarios can be particularly challenging due to the lack of available infrastructure, which often precludes real-time cloud-based data analysis. Therefore, it is critical to enable AI techniques that do not rely on external computing systems and can be embedded in mobile devices such as unmanned aerial vehicles (UAVs) so that they can capture and process information to understand their context and determine the appropriate course of action independently. Historically, this problem was addressed by using UAVs as data collection devices to send this information to the cloud, where servers can process it. This new approach aims to do all the processing and get the results on the UAV or a complementary local device. This approach eliminates the dependency on a remote computing center that adds complexity to the infrastructure and is not an option in specific scenarios where wireless connections do not meet the data transfer requirements. It is also an option in environments where the information has to be obtained at that precise moment due to security or immediacy requirements. This study consists of three main proposals. First, we propose a UAV swarm takeoff system based on the Kuhn Munkres algorithm that solves the assignment problem in polynomial time. Our evaluation studies the takeoff complexity of large swarms and analyzes our proposal's computational and quality cost. The second proposal is the definition of a Deep learning (DL) based image processing sequence for natural disaster images taken from drones to reduce the number of images processed by the first responders in the natural disaster. Finally, a dataset of images obtained with UAVs and related to different floods is used to run a semantic segmentation DL model that automatically determines the regions most affected by the rains (flooded areas). The results are 1- The drastic improvement of the performance of the coordinated vertical take-off of a network of UAVs. 2- The proposal of an unsupervised model for the surveillance of unknown areas represents a breakthrough for autonomous exploration by UAVs. This allows a global view of a specific area without performing a detailed study. 3- Finally, a semantic segmentation model of flooded areas, deployed for image processing in the UAV, allows obtaining real-time flood data (respecting privacy) for a reliable virtual reconstruction of the event. This thesis offers a proposal to improve the coordinated take-off of drones, to provide edge devices with deep learning algorithms processing capacity, more specifically autonomous UAVs, in order to develop services for the surveillance of areas affected by natural disasters such as fire detection, segmentation of flooded areas or detection of people in danger. Thanks to this research, services can be developed that enable the coordination of large arrays of drones and allow image processing without needing additional devices. This flexibility makes our approach a bet for the future and thus provides a development path for anyone interested in deploying an autonomous drone-based surveillance and actuation system. / I would like to acknowledge the project Development of High-Performance IoT Infrastructures against Climate Change based on Artificial Intelligence (GLOBALoT). Funded by Ministerio de Ciencia e Innovación (RTC2019-007159-5), of which this thesis is part. / Hernández Vicente, D. (2023). Analysis Design and Implementation of Artificial Intelligence Techniques in Edge Computing Environments [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/192605 / Compendio