Descripción del proyecto
GEOLEARN ES UN PROYECTO MULTIDISCIPLINAR CUYO OBJETIVO ES DESARROLLAR NUEVOS ALGORITMOS DE APRENDIZAJE ESTADISTICO PARA EL ANALISIS DE DATOS DE OBSERVACION DE LA TIERRA, EN LA ULTIMA DECADA, LOS MODELOS DE APRENDIZAJE ESTADISTICO HAN CONTRIBUIDO A LA OBSERVACION DE LA ATMOSFERA Y SUPERFICIE TERRESTRES, ASI COMO A LA ESTIMACION DE PARAMETROS CLIMATICOS Y BIOFISICOS, LOS MODELOS ACTUALES, SIN EMBARGO, NO TIENEN EN CUENTA LAS CARACTERISTICAS PARTICULARES DE LOS DATOS DE TELEDETECCION, LO QUE REPERCUTE EN LA EFICIENCIA DE SU ANALISIS Y PROCESADO, EN LOS PROXIMOS AÑOS, ESTE PROBLEMA SE INCREMENTARA DEBIDO A LA PRESENCIA DE NUEVOS SATELITES, COMO LOS SENTINELS DEL PROGRAMA COPERNICUS DE LA UE, O LOS METEOSAT DE TERCERA GENERACION (MTG) DE EUMETSAT, ESTO CONLLEVA LA NECESIDAD DE PROCESAR GRANDES CANTIDADES DE DATOS, HETEROGENEOS Y DE GRAN COMPLEJIDAD, PARA PODER MONITORIZAR Y COMPRENDER MEJOR LAS DINAMICAS DE NUESTRO PLANETA, GEOLEARN TIENE COMO OBJETIVO DESARROLLAR NUEVOS METODOS DE INFERENCIA ESTADISTICA PARA EL ANALISIS DE DATOS DE TELEDETECCION, LA ESTRUCTURA DEL PROYECTO SE HA DIVIDIDO EN CUATRO PARTES O TAREAS PRINCIPALES, EN LA PRIMERA SE TRATA EL PROBLEMA DE ADAPTAR LOS ALGORITMOS DE APRENDIZAJE ESTADISTICO A DATOS DE TELEDETECCION, TRATANDO CON TIPOS DE DATOS HETEROGENEOS A DIFERENTES ESCALAS Y RESOLUCIONES ESPACIALES, ESPECTRALES Y TEMPORALES, ADEMAS, SE ABORDARA EL PROBLEMA DE PREDICCION DE VARIABLES CLIMATICAS MULTIDIMENSIONALES Y SE MEJORARA LA INCERTIDUMBRE EN LAS PREDICCIONES OBTENIDAS DE CARA A EVALUAR LA FIABILIDAD DE LOS MODELOS, POR ULTIMO, SE INCLUIRA INFORMACION FISICA EN LOS MODELOS MATEMATICOS POR MEDIO DE LA INVERSION (O EMULACION) DE MODELOS FISICOS DE TRANSFERENCIA RADIATIVA, LA SEGUNDA TAREA DE GEOLEARN BUSCA CONSEGUIR ALGORITMOS MAS EFICIENTES COMPUTACIONALMENTE PARA GESTIONAR GRANDES CANTIDADES DE DATOS DE FORMA RAPIDA Y PRECISA, ESTA TAREA SE REALIZARA DESDE TRES FRENTES COMPLEMENTARIOS: (1) DESDE UN PUNTO DE VISTA TEORICO, SE USARAN PROPIEDADES MATEMATICAS QUE PERMITAN DISMINUIR LA COMPLEJIDAD COMPUTACIONAL DE LOS ALGORITMOS BASADOS EN PROCESOS GAUSSIANOS Y METODOS KERNEL; (2) SE EXPLOTARAN LAS CAPACIDADES DE PARALELIZACION DEL HARDWARE Y SOFTWARE DISPONIBLES HOY EN DIA; Y (3) SE UTILIZARAN ESTRATEGIAS DEL TIPO DIVIDE-Y-VENCERAS, ADAPTADAS A LAS CARACTERISTICAS DE LOS DATOS DE TELEDETECCION, EN LA TERCERA TAREA SE PROCEDERA A EXTRAER CONOCIMIENTO DE LOS ALGORITMOS DESARROLLADOS MEDIANTE EL ESTUDIO DE LA IMPORTANCIA DE LAS VARIABLES DE ENTRADA EN LOS MODELOS A TRAVES DE ANALISIS DE SENSIBILIDAD GLOBALES, ASIMISMO, TAMBIEN SE DESARROLLARAN ALGORITMOS DE INFERENCIA CAUSAL PARA ABORDAR PROBLEMAS RELEVANTES DE OBSERVACION DE LA TIERRA,FINALMENTE, EN LA ULTIMA TAREA LOS DESARROLLOS TEORICOS SERAN APLICADOS A PROBLEMAS REALES Y ACTUALES DE EMULACION DE MODELOS FISICOS DE TRANSFERENCIA RADIATIVA, ESTIMACION DE PARAMETROS BIOFISICOS (COBERTURA VEGETAL, CLOROFILA) Y ATMOSFERICOS (TEMPERATURA, OZONO) A ESCALA LOCAL Y GLOBAL, Y LA ESTIMACION DE FLUJOS Y SUMIDEROS GLOBALES DE CARBONO Y CALOR, GEOLEARN OBTENDRA ENTRE OTROS RESULTADOS HERRAMIENTAS DE ANALISIS PARA TELEDETECCION Y MODULOS ESPECIFICOS DE LOS CUALES SE BENEFICIARAN DIRECTAMENTE LAS CADENAS DE PROCESADO Y PRODUCTOS DERIVADOS DE LOS SENSORES A BORDO DE LOS SATELITES SENTINELS 2 Y 3 DEL PROGRAMA COPERNICUS DE LA UE, Y DE LOS SENSORES EN LOS SATELLITES METEOSAT DE EUMETSAT, TELEDETECCIÓN\APRENDIZAJE ESTADÍSTICO\REGRESIÓN\PARÁMETROS BIOFÍSICOS\PREDICCIÓN DE PERFILES ATMOSFÉRICOS\MÉTODOS NUCLEO\PROCESADO DE IMÁGENES