No description available.

Water resource planning and management practices in the southeastern United States may be vulnerable to climate change. This vulnerability has not been quantified, and decision makers, although generally concerned, are unable to appreciate the extent of the possible impact of climate change nor formulate and adopt mitigating management strategies. Thus, this dissertation aims to fulfill this need by generating decision worthy data and information using an integrated climate change assessment framework. To begin this work, we develop a new joint variable spatial downscaling technique for statistically downscaling gridded climatic variables to generate high-resolution, gridded datasets for regional watershed modeling and assessment. The approach differs from previous statistical downscaling methods in that multiple climatic variables are downscaled simultaneously and consistently to produce realistic climate projections. In the bias correction step, JVSD uses a differencing process to create stationary joint cumulative frequency statistics of the variables being downscaled. The functional relationship between these statistics and those of the historical observation period is subsequently used to remove GCM bias. The original variables are recovered through summation of bias corrected differenced sequences. In the spatial disaggregation step, JVSD uses a historical analogue approach, with historical analogues identified simultaneously for all atmospheric fields and over all areas of the basin under study. In the second component of the integrated assessment framework, we develop a data-driven, downward hydrological watershed model for transforming the climate variables obtained from the downscaling procedures to hydrological variables. The watershed model includes several water balance elements with nonlinear storage-release functions. The release functions and parameters are data driven and estimated using a recursive identification methodology suitable for multiple, inter-linked modeling components. The model evolves from larger spatial/temporal scales down to smaller spatial/temporal scales with increasing model structure complexity. For ungauged or poorly-gauged watersheds, we developed and applied regionalization hydrologic models based on stepwise regressions to relate the parameters of the hydrological models to observed watershed responses at specific scales. Finally, we present the climate change assessment results for six river basins in the southeastern United States. The historical (baseline) assessment is based on climatic data for the period 1901 through 2009. The future assessment consists of running the assessment models under all IPCC A1B and A2 climate scenarios for the period from 2000 through 2099. The climate assessment includes temperature, precipitation, and potential evapotranspiration; the hydrology assessment includes primary hydrologic variables (i.e., soil moisture, evapotranspiration, and runoff) for each watershed.

Les étiages extrêmes entraînent souvent des conséquences importantes sur de multiples secteurs socio-économiques. Les récentes études liées au changement climatique semblent indiquer que ces événements risquent de devenir plus sévères et plus fréquents au cours des prochaines décennies. Malheureusement, le peu de données hydrométéorologiques disponibles avant les années 1970 ne permet pas de remettre dans un contexte historique les derniers événements observés ni ceux projetés par les études d'impact. Ces travaux de thèse s'attachent ainsi à améliorer l'état des connaissances sur les étiages extrêmes historiques ayant touché le territoire français depuis la fin du XIXe siècle grâce à une reconstruction hydrométéorologique. Ils proposent aussi un nouveau cadre méthodologique pour l'étude de ces extrêmes.Des informations sur la situation synoptique atmosphérique depuis la fin du XIXe siècle ont récemment été mises à disposition de la communauté via des réanalyses globales étendues comme la Twentieth Century Reanalysis (20CR). Ces travaux introduisent la méthode SCOPE qui permet de reconstruire la météorologie locale sur l'ensemble de la France à partir de la réanalyse 20CR. Elle produit un ensemble de 25 chroniques météorologiques spatialement homogènes de précipitations, température et évapotranspiration sur la période 1871-2012 et sur une grille de 64 km² recouvrant la France. Ces séries constituent le jeu de données SCOPE Climate, qui est ensuite utilisé comme forçage d'un modèle hydrologique sur un large échantillon de plus de 600 bassins versants français faiblement anthropisés. Un ensemble de 25 reconstructions de débits journaliers, appelé SCOPE Hydro, est ainsi produit entre 1871 et 2012. SCOPE Climate et SCOPE Hydro ont tous deux montré de bonnes performances en comparaison de données indépendantes de leur construction.Des événements spatio-temporels d'étiage extrême sont finalement identifiés et caractérisés à partir des chroniques de débit de SCOPE Hydro. Ces événements sont tout d'abord définis localement comme une période où le débit se trouve en-dessous d'un seuil mixte, combinaison d'un seuil fixe et d'un seuil variable avec la saison. Un regroupement spatial des événements locaux au sein du même événement spatio-temporel d'étiage extrême est effectué à l'échelle de la France, suivant une méthode spécialement mise au point dans le cadre de ces travaux. A l'issue de ces étapes, un événement peut être étudié localement ou à l'échelle nationale, grâce à des caractéristiques d'étendue, de durée ou de sévérité. Cette méthodologie permet d'identifier des événements exceptionnels d'étiage extrême anciens et peu connus (1878, 1893, 1942-1949), ou relativement récents mais peu documentés (1972, 1978, 1985), en plus de ceux connus (1921, 1976, 1989-1990, 2011). L'étude de l'évolution de ces événements sur 140 ans montre une plus grande proportion du territoire français touchée par des étiages extrêmes après les années 1940. Une comparaison des événements reconstruits à des sources documentaires faisant mention des sécheresses passées montre une bonne cohérence entre reconstructions et réalité.Ce travail de thèse contribue aux questions scientifiques d'actualité, notamment dans le cadre de la variabilité climatique et du changement climatique d'origine anthropique et de leurs conséquences hydrologiques. Ces travaux proposent deux méthodes innovantes sur la descente d'échelle statistique multivariée et l'identification spatio-temporelle des événements d'étiage extrême. Ils ont par ailleurs produit deux jeux de données hydroclimatiques ensemblistes de référence utilisables pour tout type d'étude climatique et hydrologique requérant une profondeur historique importante. / Extreme low-flow events have significant consequences on numerous socio-economic fields. Hydroclimate projections for the 21st century suggest an increase in low-flow severity and frequency. Nevertheless, projected events as well as recent observed events can hardly be put into a sufficiently long historical perspective due to the lack of hydrometeorological data before the 1970s. This work proposes to improve the knowledge on past extreme low-flow events having affected France since the end of the 19th century thanks to a hydrometeorological reconstruction. It also provides a new methodological framework to study these extreme events.Information on the atmospheric synoptic situation since the end of the 19th century have recently been released to the scientific community through extended global reanalyses like the Twentieth Century Reanalysis (20CR). This work introduces the SCOPE method that provides local meteorological reconstructions on the entire France derived from the 20CR reanalysis. SCOPE produces a 25-member ensemble of spatially coherent meteorological series of daily precipitation, temperature and evapotranspiration over the 1871-2012 period and on a 64 km² grid covering France. This dataset, called SCOPE Climate, is then used as forcings to run continuous hydrological simulations over more than 600 near-natural French catchments leading to a 25-member ensemble of daily streamflow time series -- called SCOPE Hydro -- between 1871 and 2012. SCOPE Climate and SCOPE Hydro show a relatively high skill during validation experiments against independent data.Spatio-temporal extreme low-flow events are finally identified and characterised from SCOPE Hydro reconstructed series. The events are first locally identified based on deficit characteristics under a novel combination of a fixed threshold and a daily variable threshold. A spatial matching procedure at the scale of France is developed in order to spatially assemble local extreme events into the same spatio-temporal event. After these steps, an event can either be studied at the local or national scale through its spatial extent, duration or severity characteristics. This work identified past and little known exceptional extreme events (1878, 1893, 1942-1949) or recent but poorly documented events (1972, 1978, 1985) besides well-known events (1921, 1976, 1989-1990, 2011). The evolution of these events since 1871 shows that a greater proportion of the French territory is affected by extreme low-flow events since the 1940s. A good coherence is found between reconstructed events and documentary sources on historical droughts.This work contributes to timely scientific issues, especially within the context of climate change and its hydrological impacts. This work proposes two innovative methods on multivariate statistical downscaling and spatio-temporal identification of extreme low-flow events. It also produced two reference hydroclimatic datasets that may be used in any study requiring long hydrometeorological series.

L'étude des impacts du changement climatique demande souvent de mettre en place de longues chaînes de modélisation. Du modèle qui servira à estimer les concentrations futures en gaz à effet de serre jusqu'au modèle d'impact. Tout au long de cette chaîne de modélisation, les sources d'incertitudes s'accumulent et compliquent l'exploitation des résultats pour l'élaboration de stratégies d'adaptation. Il est proposé ici d'évaluer les impacts du changement climatique sur le cycle hydrologique en France ainsi que les incertitudes qui y sont associées. La contribution de chacune des sources d'incertitudes n'est pas abordée, principalement celle associée aux scénarios d'émission de gaz à effet de serre, aux modèles climatiques et à la variabilité interne. Nous proposons dans ce travail une approche pour évaluer la transférabilité dans un climat futur de la méthode statistique de régionalisation des simulations climatiques. La vérification de l'hypothèse de transférabilité effectuée est l'une des principales sources d'incertitudes des méthodes statistiques de régionalisation. L'évaluation proposée ici s'appuie sur l'utilisation de modèles régionaux, dans un cadre dit de modèle parfait, et permet de montrer que l'utilisation de certain prédicteurs s'avèrent utile à assurer la transférabilité de la méthode de régionalisation dans un climat futur. Cette approche proposée pour une méthode de désagrégation statistique est également applicable à des méthodes de correction des biais des modèles régionaux. Les récentes réanalyses atmosphériques sur l'ensemble du XXème siècle, régionalisées avec la méthode développée dans ce travail, et associées aux observations de température et précipitations permettent de caractériser le cycle hydrologique en France. Elles permettent notamment de montrer que la variabilité multi-décennale des débits observés pendant le XXème siècle est généralisée à l'ensemble du pays et est liée à la variabilité des conditions atmosphériques. Cette variabilité multi-décennale des débits est généralement plus faible dans les simulations hydrologiques réalisées avec les simulations historiques des modèles climatiques. Les projections climatiques ont été régionalisées avec la méthode développée dans ce travail. La température sur l'ensemble du pays, en moyenne sur les modèles climatiques, augmente jusqu'à 3,5°C en hiver et 6,5°C en été d'ici la fin du siècle. Les précipitations vont diminuer sur l'ensemble du pays en été, de presque moitié sur le sud du pays pour le scénario le plus sévère. En hiver, elles augmentent sur la moitié nord du pays et diminuent légèrement sur la partie sud. Dès les prochaines décennies, la diminution des précipitations est importante en été, l'évolution est moins marquée pour les autres saisons. Enfin, les résultats des projections hydrologiques réalisées avec un modèle hydrologique et un ensemble de modèles climatiques sont présentés pour les prochaines décennies et également pour la fin du XXIème siècle. Sur la Seine, les résultats sont différents en hiver de ceux présentés dans de précédentes études. Ici, les précipitations et les débits augmentent en hiver et diminuent en été sur ce bassin versant. Ailleurs en France, les résultats convergent avec les études précédentes, à savoir une augmentation de l'évapotranspiration, une diminution généralisée des débits et un assèchement des sols. L'incertitude due aux modèles climatiques et à la variabilité interne sur les changements relatifs de débits augmente systématiquement pendant le XXIème siècle, jusqu'à atteindre plus de 20% en hiver pour le scénario le plus sévère. Dans les prochaines décennies, l'incertitude due uniquement à la variabilité interne sur les changements de débits est aussi forte que l'incertitude due aux modèles climatiques et à la variabilité interne. Dès les prochaines décennies, les changements de débits annuels sont plus forts sur la Loire, la Garonne et le Rhône que les changements maximaux observés pendant le XXème siècle. / The assessment of the impact of climate change often requires to set up long chains of modeling, from the model to estimate the future concentration of greenhouse gases to the impact model. Throughout the modeling chain, sources of uncertainty accumulate making the exploitation of results for the development of adaptation strategies difficult. It is proposed here to assess impacts of climate change on the hydrological cycle over France and associated uncertainties. The contribution of each sources of uncertainty is not addressed, mainly that associated with greenhouse gases emission scenario, climate models and internal variability. In the context of impacts of climate change on the hydrological cycle over France, it is possible to ask what is the contribution of each sources of uncertainty to the total uncertainty associated with mean changes. Is it possible to reduce, and if so how, the contribution of one source or another ? We propose in this work an approach to assess the transferability in the future climate of a statistical method to downscale climate simulations. The transferability assumption is one the main sources of uncertainty in statistical downscaling method. The assessment suggested here relies on the use of regional climate models, in a perfect model framework, and shows that some predictors are useful to ensure the transferability of the downscaling method in the future climate. This framework, proposed for a statistical downscaling method, is also applicable to bias correction methods in regional climate models. Recent atmospheric reanalyses of the 20th century are downscaled with the method developed in this work, associated with observations of temperature and precipitation. The hydrological cycle over France is characterized with these reconstructions. We show that the multi-decadal variability of observed streamflows during the 20th century is generalized to the whole country and is partly due to atmospheric variability. This multi-decadal variability of streamflows is generally weaker in hydrological simulations done with historical simulations from climate models. The climate projections have been downscaled with the method developed in this work. The temperature on the country, on average over climate models, could increased by 3,5°C in winter and 6,5°C in summer in the course of this century. Precipitations will decrease all over the country in summer, nearly by half on southern part of France for the most severe scenario. In winter, precipitations will increase in the northern part of the country and will decrease slightly in the southern part. In the next few decades, the decrease in precipitation is important in summer, and changes are less pronounced for other seasons. Results of hydrological projections done with one hydrological model and an ensemble of climate models are presented for the coming decades and for the end of the century. On the Seine river, results slightly differ in winter from those presented in previous studies. Here, precipitations and streamflow increase in winter and decrease in summer on that river basin. Elsewhere in France, results are consistent with previous studies, namely an increase in evapotranspiration, a decrease in streamflow and much drier soil. The uncertainty due to both climate models and internal variability on relative changes in streamflows always increase during the 21st century, to over 20% in winter for the most severe scenario. In the coming decades, the uncertainty due to internal variability only on streamflow changes is as strong as the uncertainty due to both climate models and internal variability. In the coming decades, annual streamflow changes of the Loire, Garonne and Rhône rivers are stronger than the maximum changes observed during the 20th century.

L’étude de la variabilité du climat est désormais indispensable pour anticiper les conséquences des changements climatiques futurs. Nous disposons pour cela de quantité de données issues de modèles de circulation générale (GCMs). Néanmoins, ces modèles ne permettent qu’une résolution partielle des interactions entre le climat et les activités humaines entre autres parce que ces modèles ont des résolutions spatiales souvent trop faibles. Il existe aujourd’hui toute une variété de modèles répondant à cette problématique et dont l’objectif est de générer des variables climatiques à l’échelle locale àpartir de variables à grande échelle : ce sont les modèles de régionalisation ou encore appelés modèles de réduction d’échelle spatiale ou de downscaling en anglais.Cette thèse a pour objectif d’approfondir les connaissances à propos des modèles de downscaling statistiques (SDMs) parmi lesquels on retrouve plusieurs approches. Le travail s’articule autour de quatre objectifs : (i) comparer des modèles de réduction d’échelle statistiques (et dynamiques), (ii) étudier l’influence des biais des GCMs sur les SDMs au moyen d’une procédure de correction de biais, (iii) développer un modèle de réduction d’échelle qui prenne en compte la non-stationnarité spatiale et temporelle du climat dans un contexte de modélisation dite spatiale et enfin, (iv) établir une définitiondes saisons à partir d’une modélisation des régimes de circulation atmosphérique ou régimes de temps.L’intercomparaison de modèles de downscaling a permis de mettre au point une méthode de sélection de modèles en fonction des besoins de l’utilisateur. L’étude des biais des GCMs révèle une influence indéniable de ces derniers sur les sorties de SDMs et les apports de la correction des biais. Les différentes étapes du développement d’un modèle spatial de réduction d’échelle donnent des résultats très encourageants. La définition des saisons par des régimes de temps se révèle être un outil efficace d’analyse et de modélisation saisonnière.Tous ces travaux de “Climatologie Statistique” ouvrent des perspectives pertinentes, non seulement en termes méthodologiques ou de compréhension de climat à l’échelle locale, mais aussi d’utilisations par les acteurs de la société. / The study of climate variability is vital in order to understand and anticipate the consequences of future climate changes. Large data sets generated by general circulation models (GCMs) are currently available and enable us to conduct studies in that direction. However, these models resolve only partially the interactions between climate and human activities, namely du to their coarse resolution. Nowadays there is a large variety of models coping with this issue and aiming at generating climate variables at local scale from large-scale variables : the downscaling models.The aim of this thesis is to increase the knowledge about statistical downscaling models (SDMs) wherein there is many approaches. The work conducted here pursues four main goals : (i) to discriminate statistical (and dynamical) downscaling models, (ii) to study the influences of GCMs biases on the SDMs through a bias correction scheme, (iii) to develop a statistical downscaling model accounting for climate spatial and temporal non-stationarity in a spatial modelling context and finally, (iv) to define seasons thanks to a weather typing modelling.The intercomparison of downscaling models led to set up a model selection methodology according to the end-users needs. The study of the biases of the GCMs reveals the impacts of those biases on the SDMs simulations and the positive contributions of the bias correction procedure. The different steps of the spatial SDM development bring some interesting and encouraging results. The seasons defined by the weather regimes are relevant for seasonal analyses and modelling.All those works conducted in a “Statistical Climatologie” framework lead to many relevant perspectives, not only in terms of methodology or knowlegde about local-scale climate, but also in terms of use by the society.

L'adaptation des villes au changement climatique constitue un enjeu majeur des politiques d’aménagement. Promouvoir l'intégration des infrastructures vertes et bleues dans l'environnement urbain entant que stratégies d'adaptation implique ainsi de comprendre leurs impacts sur les bilans en eau et en énergie. Un modèle hydro microclimatique,TEB-Hydro, a préalablement été développé en tenant compte du couplage détaillé des deux bilans. Cependant, des études récentes ont mis en cause la représentation des processus hydrologiques en sous-sol urbain. Ainsi, ce travail de thèse consiste à améliorer la composante hydrologique du modèle (drainage de l’eau du sol par les réseaux, écoulements souterrains vertical et latéral). Après calage,une évaluation hydrologique est réalisée sur deux bassins versants urbains de Nantes. Dans les deux cas, le calage fait ressortir la même configuration de simulation, malgré des morphologies différentes, ce qui est encourageant pour des applications du modèle en projection climatique. L’évaluation hydrologique met en avant les paramètres clés du modèle et démontre une amélioration du processus de l’infiltration de l’eau du sol dans le réseau d’assainissement. L’évaluation hydro-énergétique du modèle démontre une représentation satisfaisante des flux de chaleur sensible et latente. Le fonctionnement du modèle vis-à-vis de l’évapotranspiration est discuté via le prisme de la végétation et de la morphologie urbaine. Une première application de TEB-Hydro en contexte de changement climatique permet d’évaluer une méthode statistique existante de désagrégation et soulève la problématique de la représentation de la dynamique pluviométrique dans ce contexte. / Adapting growing cities to climate change is a major challenge in planning policy. Promoting the integration of green and blue infrastructures in the urban environment as adaptation strategies implies understanding their impacts on both the urban hydrological and energy balance. A hydro-microclimate model,TEB-Hydro, was developed previously, taking into account detailed coupling between the two balances. However, first model evaluation studies on different urban catchments have questioned the representation of the hydrological processes in the urban subsoil. This PhD work consists of performing new developments on the models hydrological component (soil-water drainage by sewer networks, vertical and lateral subsoil flows). After calibration a hydrological evaluation is performed on two urban catchments in Nantes. In both cases, the calibration brings out the same simulation configuration, despite different catchment related properties. This is encouraging for applying the model on climate projection. The hydrological evaluation highlights the model key parameters as well as shows improvements concerning sewer soilwater infiltration processes. In addition, a hydro-energetic evaluation shows a satisfactory representation of sensible and latent heat fluxes. The model operation vis-à vis evapotranspiration processes is discussed through vegetation and urban morphology. A first application of TEB-Hydro in climate change context enables evaluating an existing statistical disaggregation method as well as raises the problematic in representing rainfall dynamics for climate projection purposes.

Floods and droughts are frequent in Central America and cause large social, economic and environmental impacts. A crucial step in disaster risk reduction is to have a good understanding of the causing mechanisms of extreme events and their spatio-temporal characteristics. For this, a key aspect is access to a dense network of long and good-quality hydro-meteorological data. Unfortunately, such ideal data are sparse or non-existent in Central America. In addition, the existing methods for hydro-climatic studies need to be revised and/or improved to find the most suitable for the region’s climate, geography and hydro-climatic data situation. This work has the ultimate goal to support the reduction of risks associated with hydro-climatic-induced disasters in Central America. This was sought by developing ways to reduce data-related uncertainties and by improving the available methods to study and understand hydro-climatic variability processes. In terms of data-uncertainty reduction, this thesis includes the development of a high resolution air temperature dataset and a methodology to reduce uncertainties in a hydrological model at ungauged basins. The dataset was able to capture the spatial patterns with a detail not available with existing datasets. The methodology significantly reduced uncertainties in an assumed-to-be ungauged catchment. In terms of methodological improvements, this thesis includes an assessment of the most suitable combination of (available) meteorological datasets and drought indices to characterise droughts in Central America. In addition, a methodology was developed to analyse drought propagation in a tropical catchment, in an automated, objective way. Results from the assessment and the drought propagation analysis contributed with improving the understanding of drought patterns and generating processes in the region. Finally, a methodology was proposed for assessing changes in both hydrological extremes in a consistent way. This contrasts with most commonly used frameworks that study each extreme individually. The method provides important characteristics (frequency, duration and magnitude), information that can be useful for decisions within risk reduction and water management. The results presented in this thesis are a contribution, in terms of hydro-climatic data and assessment methods, for supporting risk reduction of disasters related with hydro-climatic extremes in Central America. / Översvämningar och torka inträffar ofta i Mellanamerika och orsakar stora skador på samhälle, ekonomi och miljö. En kritisk del av riskreduceringen är förståelsen av mekanismerna bakom extremhändelserna, och deras rumsliga och tidskarakteristik. En nyckelfaktor är tillgång till långa tidsserier av rumsligt täckande hydrometeorologiska data av bra kvalitet. I Mellanamerika är sådana ideala data tyvärr sällsynta eller saknas helt. Dessutom behöver befintliga metoder för hydro-klimatisk analys revideras och/eller förbättras för att identifiera de mest lämpade metoderna för regionens klimat, geografi och situationen vad gäller hydrologiska och meteorologiska data. Det övergripande syftet med denna avhandling har varit att stödja arbetet med riskreducering i Mellanamerika vid hydrologiska extremhändelser som sätts igång av extrema väderhändelser. För att bidra till detta utvecklades metoder för att minska datarelaterade osäkerheter och för att förbättra tillgängliga metoder för att studera och förstå de processer som ligger bakom variabiliteten i hydrologi och klimat. Dataosäkerheten minskades genom utveckling av ett nytt dataset för lufttemperatur med hög rumslig upplösning och en metodik för att begränsa osäkerheten i modellberäknad vattenföring i ett område där det saknas observationer. Det nya datasetet kunde fånga rumsliga mönster på en detaljnivå som hittills inte varit möjlig. Metodiken möjliggjorde en klar minskning i osäkerheten hos vattenföringen i ett avrinningsområde som behandlades som om det saknade data. Avhandlingen innehåller också en metodik för att fastlägga den mest lämpade kombinationen av tillgängliga klimatdataset och torkindex för att karakterisera torka i Mellanamerika. Därutöver utvecklades en metod för att studera torkans fortplantning i ett tropiskt avrinningsområde på ett objektivt och automatiserat sätt. Slutligen föreslås en metod för att hantera förändringar av både översvämning och torka på ett konsistent sätt  som förenklar användningen av resultaten  för en beslutsfattare. Dessa metoder bedömdes användbara för att förbättra karakteriseringen och förståelsen av extrema hydrologiska händelser i Mellanamerika. Resultaten i denna avhandling ger bidrag till förståelsen av hydrologiska och klimatextremer genom förbättrade data och analysmetoder som i förlängningen kommer att stödja riskreduceringsarbetet i Mellanamerika. / Las sequías e inundaciones son frecuentes en Centroamérica y causan grandes problemas sociales, económicos y ambientales. Un aspecto crucial en la reducción del riesgo consiste en entender los mecanismos que causan dichos eventos, y sus características espacio-temporales. Para lograr esto es necesario tener acceso a una red de datos hidro-meterológicos densa, con series largas, y de buena calidad. Desafortunadamente, este no es el caso en Centroamérica. Además, los métodos para hacer estudios hidro-climáticos requieren ser evaluados y/o mejorados para asegurar su aplicabilidad en la región (su clima, su geografía y los datos disponibles). Este trabajo tiene como meta apoyar la reducción del riesgo de desastres asociados a eventos hidro-meteorológicos extremos en Centroamérica. Esto se consigue a partir de la reducción de incertidumbres asociadas a los datos, y de la mejora de métodos para el estudio de la variabilidad hidro-climática. Para reducir la incertidumbre de los datos, este trabajo incluye el desarrollo de una base de datos de temperatura de alta resolución y el desarrollo de una metodología para reducir las incertidumbres en datos simulados de caudal. Con la nueva base de datos se logra reconocer patrones espaciales a un nivel de detalle no antes captado por otras bases de datos. Por otro lado, la metodología redujo significativamente las incertidumbres de los datos simulados de caudal. En cuanto a métodos, esta tesis incluye una evaluación para encontrar la mejor combinación de índices de sequía y base de datos para la caracterización de sequías en la región. Además, se desarrolló una metodología para analizar la propagación de la sequía en una cuenca tropical, de una manera objetiva y automatizada. Los resultados de estos dos pasos ayudaron a mejorar la comprensión de los patrones y los mecanismos de generación de las sequías. Finalmente, se incluyó un método para evaluar los cambios en los patrones de sequías e inundaciones de una manera consistente, y no de manera individual como usualmente se ha hecho. Así fue posible obtener la frecuencia, duración y magnitud en ambos extremos hidrológicos. Esta información podría constituir una herramienta  útil para el manejo del riesgo y del recurso hídrico.

L'analyse de la climatologie des aléas océano-météorologiques tels que les états de mer est fondamentale pour comprendre l'évolution et la dynamique des zones côtières, estimer les risques naturels survenant lors d'événements de tempête majeurs, définir les moyens optimaux de protection des ports et infrastructures onshore et offshore, caractériser la ressource houlomotrice pour des projets de récupération d'énergie des vagues, comprendre les processus d'érosion et accrétion des plages, etc. Pour répondre à ces problématiques dans un contexte de questionnement croissant sur les conséquences potentielles associées au changement climatique, le travail de thèse s'inscrit dans une démarche double : (i) approfondissement de la connaissance du climat de vagues actuel le long des côtes Atlantique, Manche et Mer du Nord en France d'une part, et (ii) estimation des évolutions futures potentielles de cette climatologie des vagues pour différents scénarios d'évolution climatique. L'estimation de l'impact du changement climatique sur le climat de vague se compose de trois éléments principaux : (i) une connaissance détaillée de la variabilité climatique actuelle des états de mer, (ii) l'utilisation de scénarios de changement climatique à l'horizon 2100 et (iii) la définition d'une méthodologie de descente d'échelle adaptée. Pour appréhender ces sujets, l'Atlas Numérique d'Etats de Mer Océanique et Côtier ANEMOC-2 a été construit à l'aide du modèle spectral de 3ème génération TOMAWAC (Benoit et al., 1996) sur la période 1979-2009 et le climat de vagues futur a été simulé à l'horizon 2100 par des méthodes de descente d'échelle dynamique et statistique en considérant les scénarios de changement climatique du quatrième rapport du GIEC (IPCC, 2007).En particulier, un travail original de comparaison de projections d'états de mer par approche dynamique et par approche statistique des types de temps a été réalisé sur la période 2061-2100 pour les scénarios B1, A1B et A2 simulés par le modèle ARPEGE-CLIMAT de Météo-France (Salas-Mélia, et al. 2005). Les résultats des deux approches (à savoir hauteur significative, période moyenne, direction moyenne et flux d'énergie des vagues) ont été comparés en termes de valeurs moyennes, écarts-types, distributions jointes et variabilités saisonnière et interannuelle. Ce travail a abouti à une estimation de l'impact du changement climatique sur la climatologie des états de mer le long des côtes Atlantique, Manche et Mer du Nord françaises sur la période 2061-2100 en tenant compte des incertitudes intrinsèques aux méthodes de descente d'échelle et aux scénarios de changement climatique. En hiver par exemple, nous observons une augmentation des valeurs moyennes et de la variabilité des paramètres de hauteur significative, période moyenne et flux d'énergie des vagues, notamment en Mer du Nord (pour les scénarios B1, A1B et A2) et dans le Golfe de Gascogne pour le scénario B1. En complément, ces paramètres d'états de mer ont tendance à diminuer dans le Golfe de Gascogne pour les saisons printemps, été et automne. Enfin, les paramètres d'états de mer associés aux hauteurs de vagues du quantile 95 tendent à augmenter sur une large emprise de l'Atlantique nord-est / Wave climate analysis is of utmost importance to understand the evolution and dynamics of coastal zones, to estimate the occurrence of extreme events, to design protections for ports, onshore and offshore infrastructure, to characterize wave resources for wave energy conversion, to quantify sediment erosion and accretion processes, et cetera. Thus, this thesis project aims to improve knowledge of wave climatology in the growing context of climate change prediction with a two-step approach: (i) enhancement of the understanding of the present wave climate along the French coastline facing the Atlantic Ocean, English Channel and North Sea and (ii) estimation of possible future wave climate evolution. For this purpose, the estimation of climate change impacts on the wave climate requires three key parameters: (i) detailed knowledge of current wave climate variability, (ii) the application of climate change scenarios from Global Climate Models and (iii) the definition of an appropriate downscaling method. To answer these questions, ANEMOC-2, a hindcast sea-state data base has been built based on the third-generation spectral wave model TOMAWAC (Benoit et al., 1996) over the period 1979-2009, and the future wave climate has been simulated over the period 2061-2100 by means of dynamical and statistical downscaling methods. In particular, an original approach comparing sea-state projections obtained from dynamical and statistical downscaling methods has been applied over the period 2061-2100 for B1, A1B and A2 scenarios (Forth Assessments Reports, IPCC, 2007), based on the ARPEGE-CLIMAT (Salas-Mélia et al., 2005) model simulations. The wave spectral parameters resulting from the projections (i.e. significant wave height, mean period, mean direction and wave energy flux) have been compared in term of mean, joint distribution and seasonal and interannual variability.The possible climate change impacts on the wave climate along the Atlantic, English Channel and North Sea French coastline have also been evaluated. The analysis provides estimations of the inherent uncertainties of climate change scenarios and downscaling methods. Wave climate evolution trends are presented in terms of the mean, joint distribution, and seasonal and interannual variability of significant wave height, mean period, mean direction and wave energy flux

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