Despite some great success, many human diseases cannot be effectively treated, prevented or cured, yet. Moreover, prescribed drugs are often not very efficient and cause undesired side effects. Hence, there is a need to investigate the molecular basis of diseases and adverse drug reactions in more detail. For this purpose, relevant biomedical data needs to be gathered, integrated and analysed in a meaningful way. In this regard, we have developed novel integrative analysis approaches based on both perspectives, classical multivariate statistics and systems biology. A novel multilevel statistical method has been developed for exploiting molecular and pharmacological information for a set of drugs in order to investigate undesired side effects. Systems biology approaches have been used to study the genetic basis of human diseases at a global scale. For this purpose, we have developed an integrated gene-disease association database and tools for user-friendly access and analysis. We showed that modularity applies for mendelian, complex and environmental diseases and identified disease-related core biological processes. We have constructed a workflow to investigate adverse drug reactions using our gene-disease association database. A detailed study of currently available pathway data has been performed to evaluate its applicability to build network models. Finally, a strategy to integrate information about sequence variations with biological pathways has been implemented to study the effect of the sequence variations onto biological processes. In summary, the developed methods are of immense practical value for other biomedical researchers and can aid to improve the understanding of the molecular basis of diseases and adverse drug reactions.A pesar de que existen tratamientos eficaces para las enfermedades, no hay todavía una cura o un tratamiento efectivo para muchas de ellas. Asimismo los medicamentos pueden ser ineficaces o causar efectos secundarios indeseables. Por lo tanto, es necesario investigar en profundidad las bases moleculares de las enfermedades y de los efectos secundarios de los medicamentos. Para ello, es necesario identificar y analizar de forma integrada los datos biomédicos relevantes. En este sentido, hemos desarrollado nuevos métodos de análisis e integración de datos biomédicos que van desde el análisis estadístico multivariante a la biología de sistemas. En primer lugar, hemos desarrollado un nuevo método estadístico multinivel para la explotación de la información molecular y farmacológica de un conjunto de drogas a fin de investigar efectos secundarios no deseados. Luego, hemos usado métodos de biología de sistemas para estudiar las bases genéticas de enfermedades humanas a escala global. Para ello, hemos integrado en una base de datos asociaciones entre genes y enfermedades y hemos desarrollado herramientas para el fácil acceso y análisis de los datos. Mostramos que las enfermedades mendelianas, complejas y ambientales presentan modularidad e identificamos los procesos biológicos relacionados con dichas enfermedades. Hemos construido una herramienta para investigar las reacciones adversas a los medicamentos basada en nuestra base de datos de asociaciones entre genes y enfermedades. Realizamos un estudio detallado de los datos disponibles sobre los procesos biológicos para evaluar su aplicabilidad en la construcción de modelos dinámicos. Por último, desarrollamos una estrategia para integrar la información sobre las variaciones de secuencia de genes con los procesos biológicos para estudiar el efecto de dichas variaciones en los procesos biológicos. En resumen, los métodos presentados en esta tesis constituyen una herramienta valiosa para otros investigadores y pueden ayudar a mejorar la comprensión de las bases moleculares de las enfermedades y de las reacciones adversas a los medicamentos.

La tomografía de impedancia eléctrica (EIT) permite estimar la conductividad eléctrica interna de un cuerpo. Consiste en aplicar una corriente eléctrica sobre su frontera y medir el potencial eléctrico resultante mediante un arreglo de sensores. Es considerada como una potencial herramienta de diagnóstico médico, caracterizada principalmente por su portabilidad y relativo bajo costo. Si bien se encuentra aún en etapa de desarrollo, está comenzando a ser utilizada en centros de salud para la caracterización del aparato cardio-respiratorio y existe un creciente interés en su aplicación a las neurociencias. Por ejemplo, es posible utilizar la EIT para construir modelos virtuales de la cabeza más precisos mediante la estimación de la conductividad eléctrica de los principales tejidos de la cabeza como un conjunto de parámetros relativamente pequeño, modalidad denominada EIT paramétrico. También se puede utilizar la EIT para generar un mapa de la distribución de conductividad eléctrica interna de un objeto, llamado problema de reconstrucción en EIT. Los cambios de la conductividad eléctrica en la cabeza pueden estar asociados a la actividad neuronal, a focos epilépticos, a accidentes cerebro-vasculares o a tumores. Ambas modalidades de EIT requieren la resolución del problema directo (PD), que consiste en el cálculo de la distribución de potencial eléctrico en el objeto originada por la inyección de corriente sobre su superficie, suponiendo que la conductividad interna es conocida. La estimulación de corriente continua transcraneal (tDCS) es físicamente muy similar a la EIT, pero la corriente eléctrica es aplicada sobre el cuero cabelludo de modo de alterar la tasa de disparos de poblaciones de neuronas en una región de interés. Es una potencial alternativa al empleo de psicofármacos para tratar desórdenes como epilepsia o depresiones. En esta tesis se desarrollan y analizan nuevos métodos para distintos problemas de EIT, centrándose mayormente en aplicaciones a la cabeza humana, y de tDCS. En primer lugar, se describen soluciones analíticas y numéricas para el PD en EIT, estas últimas basadas en el método de los elementos finitos. Luego, se desarrolla un nuevo procedimiento para resolver el PD con bajo costo computacional basado en la formulación del PD en electroencefalografía (EEG). Se propone un nuevo método para determinar la forma de onda de la fuente de corriente que permite desafectar la actividad propia del cerebro con un bajo número de muestras temporales. En EIT paramétrico, se utiliza la cota de Cramér-Rao (CRB) para determinar pares de electrodos convenientes para la inyección de corriente y para analizar límites teóricos en la estimación de las conductividades del cráneo y del cuero cabelludo, modelizándolos como tejidos isótropos y anisótropos. A su vez, se propone el estimador de máxima verosimilitud (MLE) como herramienta para realizar las estimaciones. El MLE se aplica a mediciones simuladas y reales de EIT mostrando un desempeño muy cercano a los límites teóricos. Para el problema de reconstrucción en EIT se adapta el algoritmo sLORETA, muy utilizado en el problema de localización de fuentes de actividad neuronal en EEG. Además, se lo modifica levemente para incorporar la regularización espacial de Laplace. Por otro lado, se introduce la utilización de filtros espaciales adaptivos para localizar cambios de conductividad de pequeño tamaño y estimar su variación temporal. Los resultados muestran mejoras en sesgo y resolución, en comparación con algoritmos de reconstrucción típicos en EIT. Estas mejoras son potencialmente ventajosas en la detección de accidentes cerebro-vasculares y en la localización indirecta de fuentes de actividad neuronal. En tDCS, se desarrolla un nuevo algoritmo para la determinación de patrones de inyección de corriente basado en el principio de reciprocidad y que considera restricciones de seguridad y de hardware. Los resultados obtenidos a partir de simulaciones muestran que el desempeño de dicho algoritmo es comparable al desempeño de algoritmos de optimización tradicionales cuyas soluciones implicarían un equipamiento comparativamente más complejo y costoso. Los métodos desarrollados en la tesis son comparados con métodos pre-existentes y validados a través de simulaciones numéricas por computadora, mediciones sobre maquetas experimentales (ó fantomas) y, de acuerdo con las posibilidades experimentales y respetando los principios de la bioética, mediciones reales sobre humanos. / Electrical impedance tomography (EIT) is a technique to estimate the electrical conductivity of an object. It consists in the application of an electric current on its boundary and the measurement of the resulting electric potential with a sensor array. In clinical practise, it is considered as a potential diagnostic tool characterized by its portability and relatively low cost. While it is still in a development stage, it is starting to be used in health centers to characterize the cardio-respiratory system. In turn, there is an increasing interest of EIT in neuroscience. For example, EIT can be used to estimate the electrical conductivity of the main tissues of the head as a set of a relatively low number of parameters, which is known as bounded or parametric EIT. This is useful for several medical imaging techniques that require realistic and accurate virtual models of the head. EIT can also be used to generate a map of the internal distribution of the electrical conductivity, known as the reconstruction problem. Tracking conductivity changes inside the head is of great interest as they may be related to neuronal activity, epileptic foci, acute stroke, or tumors. Both modalities of EIT require the solution of the EIT forward problem (FP), i.e., the computation of the electric potential distribution due to current injection on the scalp assuming that the electrical conductivity is known. The transcranial direct current stimulation (tDCS) is another technique which is physically very similar to EIT. It consists in injecting a small electric current in a convenient way such that it stimulates specific neuronal populations, increasing or decreasing their firing rate. It is considered as an alternative to psychoactive drugs in the treatment of brain disorders such as epilepsy or depression. This thesis describes the development and analysis of new methods for EIT FP, parametric EIT, reconstruction in EIT, and tDCS, focusing primarily (although not exclusively) in applications to human head. We first describe analytical and numerical approaches for the EIT FP, where the numerical approach is based on the finite element method. Then, we develop a new procedure to solve the EIT FP based on the electroencephalography (EEG) FP formulation, which results in computational advantages. We propose a new method to determine the waveform of the electric current source such that the neuronal activity of the brain can be neglected with the smallest possible number of time samples. In parametric EIT, we use the Cramér-Rao bound (CRB) to determine convenient electrode pairs for the current injection and theoretical limits in the estimation of the electrical conductivity of the main tissues of the head, which we model as isotropic and anisotropic. We propose the maximum likelihood estimator (MLE) to estimate these conductivities and we test it with simulated and real EIT measurements, showing that the MLE performs close to the CRB. We adapt the sLORETA algorithm to the reconstruction problem in EIT. This algorithm is being widely used in the source localization problem in EEG. We also slightly modify it to include the Laplace smoothing prior in the solution. Likewise, we introduce the use of adaptive spatial filters in the localization of conductivity changes and the estimation of its time courses from EIT measurements. The results show improvements over typical EIT algorithms. These improvements may benefit the early detection of acute strokes and the localization of neuronal activity using EIT. In tDCS, we develop a new algorithm to determine convenient current injection patterns. It is based on the reciprocity principle and considers hardware and safety constraints. Our simulation results show that this method performs similarly to other commonly used algorithms that require more complex and costly equipments. The methods we develop and study in this thesis are compared with pre-existing methods and are validated through numerical simulations, measurements on phantoms and, according to the experimental possibilities and bioethical principles, humans.

Como consecuencia del incremento de los problemas de eutrofización en ríos, lagos y costas, se ha producido en las últimas décadas un notable aumento del interés por la eliminación de nutrientes en las aguas residuales previamente a su vertido en los sistemas naturales. Inicialmente, la eliminación de la materia orgánica y el nitrógeno presente en el agua residual se realizaba por medio de procesos biológicos mientras que el fósforo se eliminaba mediante procesos químicos. Sin embargo, las ventajas que presenta la eliminación biológica de fósforo han contribuido a que gradualmente este proceso haya sido implantado cada vez en más estaciones depuradoras de aguas residuales (EDARs). El control de un proceso tan complejo como es el tratamiento de las aguas residuales con eliminación biológica de fósforo, exige conocer las variables de calidad que definen la eficacia del mismo (concentración de ortofosfatos, de amonio, demanda química de oxígeno, ...). Los métodos existentes para la medición de estas variables en tiempo real suponen fuertes inversiones y elevados costes de mantenimiento. Por otro lado, existen otras variables (variables de proceso: pH, conductividad, ...) que se pueden medir en tiempo real por medio de sensores robustos, de bajo coste y que requieren poco mantenimiento, pero que no suministran de forma directa información del funcionamiento del proceso. El elevado número de variables de proceso que actualmente se registran en tiempo real en EDARs modernas, hace necesaria la utilización de técnicas que permitan extraer la información contenida en la gran cantidad de datos registrados. El objetivo principal de la presente tesis ha sido estudiar las posibilidades de utilización de las variables de proceso para obtener información acerca de la evolución de las variables de calidad, así como sobre la evolución del proceso a lo largo del tiempo, mediante la aplicación de métodos estadísticos multivariantes. De esta forma, se pretende detectar cualquier ano / Aguado García, D. (2005). Aplicación de métodos estadísticos multivariantes para la modelación y la monitorización de un reactor discontinuo secuencial para el tratamiento de aguas residuales [Tesis doctoral no publicada]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/1910 / Palancia

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

Describe la frecuencia de tipo de reborde residual alveolar según la clasificación de Seibert asociado a edad e historia de uso previo o no de prótesis completa. Estudio descriptivo, observacional y transversal, la muestra está conformada por 30 pacientes. Mediante examen clínico intraoral se registra la información obtenida en una ficha de recolección de datos. Es analizado mediante estadística descriptiva, aplicando el paquete estadístico SPSS 21.0. De los resultados se concluye que el reborde alveolar residual tipo 2 de Seibert es el que más se presenta en la muestra. La reabsorción del reborde alveolar residual aumenta en pacientes de edad avanzada y un factor que influye es la prótesis dental. / Tesis