Big data, clima y meteorología
|
|
|
- Martín Salinas Cuenca
- hace 7 años
- Vistas:
Transcripción
1 Big data, clima y meteorología Leopoldo Carro Calvo Ricardo García Herrera Natalia Calvo Fernández David Barriopedro Cepero Carlos Ordóñez García Facultad de Ciencias Físicas
2 Big Data Características del Big Data Volumen y Variedad Tamaño de los datos y diversidad de tipos 2/15 Velocidad Velocidad a la que se generan/procesan los datos Valor
3 Volumen y Variedad Datos estructurados Modelos. Reanálisis Datos satélite. Redes de observación. Fuentes documentales. Datos de proxy climáticos. Datos no estructurados 3/15
4 Velocidad Restricción temporal para obtener los resultados Ejecutar modelos cada día mas complejos y a la vez aumentar el número de simulaciones. Medio y largo plazo Por ejemplo: PALEOSTRAT: proyecto para realizar un conjunto de simulaciones de años Corto plazo => Predicción meteorológica. Ejecutar el modelo de predicción en un intervalo de tiempo determinado. 4/15
5 Valor Mejor comprensión del sistema climático que rige nuestra atmósfera Conseguimos información sobre como está cambiando el clima cómo cambió en el pasado y cómo cambiará en el futuro Entendemos mejor los eventos extremos y sus impactos 5/15 Así como el papel de la meteorología en la calidad del aire.
6 Valor El desarrollo de técnicas de Machine-Learning nos ofrece nuevas y robustas herramientas de extracción de conocimiento. Optimización evolutiva (HS, CRO) Clasificación automática (MLP,SVM-C) Clustering supervisado y no supervisado Técnicas de regresión (ELM, GMDH, ε-svm) 6/15
7 Valor (El recurso eólico) Caracterización del recurso eólico a largo plazo. Extraction of synoptic pressure patterns for long-term wind speed estimation in wind farms using evolutionary computing L. Carro-Calvo et al. Energy Wind speed reconstruction from synoptic pressure patterns using an evolutionary algorithm L. Carro-Calvo et al. Applied Energy 2012 Multi-decadal variability in a centennial reconstruction of daily wind N. Kirchner-Bossi, et al. Applied Energy /15
8 Valor (El recurso eólico) Estimación del recurso eólico con alta resolución temporal. Very fast training neural-computation techniques for real measure-correlate-predict wind operations in wind farms. Saavedra-Moreno, et al. Journal of Wind Engineering and Industrial Aerodynamics 2013 Surface wind speed reconstruction from synoptic pressure fields: machine learning versus weather regimes classification techniques B. Saavedra-Moreno, et al. Wind Energy /15
9 Valor (El recurso eólico) Estimación del recurso eólico con alta resolución temporal. Feature selection in wind speed prediction systems based on a hybrid coral reefs optimization Extreme learning machine approach. S. Salcedo-Sanz, et al. Energy Conversion and Management /15
10 Valor (PALEOSTRAT) PALEOSTRAT investigará el impacto de la estratosfera en el clima usando simulaciones del último milenio. Resolución espacial 1.9ºx2.5º 66 niveles verticales (0-140 km) Pasos de simulación de 30 minutos a lo largo de 1000 años 10/15
11 Valor (PALEOSTRAT) Meses de CPU usando 1024 núcleos y capacidad de almacenamiento necesario en función del número de simulaciones WACCM y CAM. 11/15
12 Valor (Paleostrat) 12/15 MareNostrum BSC (Barcelona Supercomputing Center) Ranking Top500 List / Green List 91 / 185 Max. / Peak Performance 0.9 / 1.1 PFLOPS Arquitecture Computer Cluster IBM idataplex DX360M4 Processor Intel SandyBridge Xeon E C 2.6GHz Nodes / Processors 3,056 / 48,896 Memory TB Disk / Archive Storage 2,000 / 8,500 TB Interconnection Infiniband FDR10, GbE OS SUSE Linux Es
13 Valor (Paleostrat) 13/15 Yellowstone NCAR (National Center for Atmospheric Research) Ranking Top500 List / Green List 57 / 198 Max. / Peak Performance 1.3 / 1.5 PFLOPS Arquitecture Computer Cluster IBM idataplex DX360M4 Processor Intel SandyBridge Xeon E C 2.6GHz Nodes / Processors 4,536 / 72,576 Memory TB Disk / Archive Storage 16,000 TB Interconnection Infiniband FDR10, GbE OS Red Hat Linux
14 Valor (Calidad del aire) Estudio de los factores meteorológicos en la calidad del aire Encontramos que patrones climáticos tienen un efecto sobre las concentraciones de ozono en Europa. Los algoritmos de clustering nos permiten obtener regionalizaciones definidas por los diferentes comportamiento de los contaminantes entre las regiones. 14/15
15 Stream-ucm.es Leopoldo Carro Calvo
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados Sancho Salcedo Sanz Grupo de Heurísticos Modernos de Optimización y Diseño de Redes () Departamento
Sistema de modelización de la calidad del aire: WRF-ARW/HERMES/CMAQ ANEXO A SISTEMA DE MODELIZACIÓN DE LA CALIDAD DEL AIRE: WRF-ARW/ CMAQ
Sistema de modelización de la calidad del aire: WRF-ARW/HERMES/CMAQ Pág.1 ANEXO A SISTEMA DE MODELIZACIÓN DE LA CALIDAD DEL AIRE: WRF-ARW/ CMAQ Pág.2 Anexo A Sistema de modelización de la calidad del aire:
Aplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
www.bsc.es RECURSOS SUPERCOMPUTACIÓN BSC- CNS RES PRACE
www.bsc.es RECURSOS SUPERCOMPUTACIÓN CNS RES PRACE BSC- + Equipos + Capacidad TIER 0 Centros europeos TIER 1 Centros nacionales TIER 2 Centros regionales y universidades 2 BARCELONA SUPERCOMPUTING CENTER
Introducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
TIER 0 Centros europeos. TIER 1 Centros nacionales. TIER 2 Centros regionales y universidades
www.bsc.es TIER 0 Centros europeos + Capacidad TIER 1 Centros nacionales TIER 2 Centros regionales y universidades + Equipos 2 1 BARCELONA SUPERCOMPUTING CENTER 4 2 5 6 3 7 8 4 9 10 5 11 12 6 Raw Data
Grupos de Investigación de la ETSII
Grupos de Investigación de la ETSII REUNIÓN Grupos Investigación Vicerrector Investigación 1-2 de julio de 2015 Grupo de Investigación Estadística Computacional y Modelado Estocástico GECME Estadística
Grupo de Procesamiento de Imágenes y Visión por Computadora
Grupo de Procesamiento de Imágenes y Visión por Computadora Daniel Acevedo Marta Mejail Francisco Gómez Fernández Julio Jacobo María Elena Buemi Rosana Matuk Carlos Ismael Orozco Pablo Negri Esteban Uriza
www.bsc.es Montserrat González Ferreiro RES management engineer
www.bsc.es Montserrat González Ferreiro RES management engineer + Equipos + Capacidad 2 4 5 6 7 8 9 10 11 12 Raw Data 1-2TB por ejecución 2 ejecuciones/semana 10 máquinas Procesado de imagen Generación
BSC MARENOSTRUM. Javier Bartolomé Rodriguez Systems Group
BSC MARENOSTRUM Javier Bartolomé Rodriguez Systems Group Proceso 2560 JS21, 2.3GHz 4 cores por placa 8 Gbytes 36 Gbytes disco SAS Redes Myrinet 2 Spine 1280 10 Clos256 2560 Tarjetas Myrinet Gigabit 10/100
Optimización global en espacios restringidos mediante el sistema inmune artificial.
Optimización global en espacios restringidos mediante el sistema inmune artificial. Tesista: Daniel Trejo Pérez [email protected] Director de tesis: Dr. Carlos Artemio Coello Coello CINVESTAV-IPN
Taller Computación Altas Prestaciones. Pedro Antonio Varo Herrero
Taller Computación Altas Prestaciones Pedro Antonio Varo Herrero Antes de nada!! Cosas a instalar: OpenMPI: http://www.open-mpi.org/software/ompi/v1.8/downloads/openmpi-1.8.3.tar.gz Mpi4py: pip install
Secuencias óptimas de extracción usando modelos matemáticos y HPC
Secuencias óptimas de extracción usando modelos matemáticos y HPC Jorge Amaya, CMM Pierre Nancel-Penard, CMM Nelson Morales, DELPHOS-AMTC Universidad de Chile 5to. Seminario Acercamiento Tecnológico Calama,
MODELOS METEOROLÓGICOS
MODELOS METEOROLÓGICOS CLASIFICACIÒN De acuerdo con las escalas espaciales a las que se aplican, los modelos meteorológicos se pueden clasificar en tres grandes bloques: 榐 - globales - regionales o de
Aplicación de Apache Spark y su librería MLlib para el desarrollo de sistemas recomendadores
Aplicación de Apache Spark y su librería MLlib para el desarrollo de sistemas recomendadores Enrique Costa-Montenegro1, Alexander Tsybanev1, Héctor Cerezo-Costas2, Francisco Javier González-Castaño 1,
MONTERREY CONVENTION CENTER, PABELLON M MARZO. Monterrey, NL
MONTERREY CONVENTION CENTER, PABELLON M 27-29 MARZO Qué es el ISUM? Foro ideal para 1. Conocer la forma en que el supercómputo y las nuevas tecnologías de Información pueden impactar positivamente al avance
Herramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas
Herramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas José M. Gutiérrez [email protected] Instituto de Física de Cantabria gracias a Daniel San Martín Markel
CURRÍCULO INVESTIGADOR
1. DATOS DEL * RENE VINICIO SANCHEZ LOJA Cédula 0103409587 Género Masculino Nacionalidad Ecuatoriana Email [email protected] Email institucional [email protected] Organización Palabra primaria Ingeniería
Introducción a selección de. Blanca A. Vargas Govea [email protected] Reconocimiento de patrones cenidet Octubre 1, 2012
Introducción a selección de atributos usando WEKA Blanca A. Vargas Govea [email protected] Reconocimiento de patrones cenidet Octubre 1, 2012 Contenido 1 Introducción a WEKA El origen Interfaces
TEMA 1: EJECUCIÓN PARALELA: FUNDAMENTOS(I)
Grupo de Arquitectura de Computadores, Comunicaciones y Sistemas ARQUITECTURA DE COMPUTADORES II AUTORES: David Expósito Singh Florin Isaila Daniel Higuero Alonso-Mardones Javier García Blas Borja Bergua
Información geoespacial y desarrollo sostenible, perspectivas globales: CUBO DE DATOS GEOESPACIALES DE MÉXICO
Información geoespacial y desarrollo sostenible, perspectivas globales: CUBO DE DATOS GEOESPACIALES DE MÉXICO Cubo de Datos Arreglo masivo de datos multidimensionales (ráster). Cubo de Datos t Arreglo
Tema 12. Selección de Variables
Tema 12. Selección de Variables Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco Euskal Herriko Unibertsitatea
Selección de atributos
Selección de atributos Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Contenido Introducción Clasificación de las técnicas Esquema General Evaluadores
Estudio de rampas de producción eólica.
IIC 2012 7 de junio de 2013 Estudio de rampas de producción eólica. Índice Estado del arte. Definición de rampa. Modelos propuestos. Primeros resultados. Problema a resolver. Metodología de evaluación.
Evaluación del Recurso Eólico
.. Evaluación del Recurso Eólico INFORME DE VIENTO 16 de marzo de 216 Informe creado por: Índice 1. Introducción 2 2. Sitio 2 2.1. Características del sitio....................... 2 3. Velocidad de viento
BIG DATA: Una mirada tecnológica
BIG DATA: Una mirada tecnológica Dr. Rubén Casado [email protected] @ruben_casado AGENDA 1. Qué y cómo es Big Data? 2. Batch processing 3. Real-time processing 4. Hybrid computation model 5. Casos
Sistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia [email protected] 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Nuevas Adquisiciones (Maestría en Energía Eólica)
Community wind power projects. New York (State): Nova Science Publishers, c2012. 2 ejemplares. Wagner, Hermann-Josef. Introduction to wind energy systems: basics, technology and operation. 2a. ed. New
TRES PREGUNTAS SOBRE El Supercomputador ALTAMIRA Abierto a la Innovación
TRES PREGUNTAS SOBRE El Abierto a la Innovación P1: Qué es un supercomputador? SUPERCOMPUTADOR: Muy alta velocidad de cálculo Ranking mundial: Top500 #1 mundial (USA): 16 Peta flops Se construye conectando
Energía eólica de Vaisala 3TIER servicios Due Diligence / INVERSIONES EN ENERGÍA EÓLICA RENTABLE APOYO
Energía eólica de Vaisala 3TIER servicios Due Diligence / INVERSIONES EN ENERGÍA EÓLICA RENTABLE APOYO Vaisala es su experto en clima Por 80 años, Vaisala ha sido líder en monitoreo y medición metereológica.
Heterogénea y Jerárquica
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Computación Híbrida, Heterogénea y Jerárquica Contenidos 1 Sistemas 2 Paralelismo anidado 3 Programación híbrida
Big Analytics: de la información al conocimiento
Programa Introducción Arquitectura/Bases de datos relacionados /Infraestructuras (AMAZON) R Introducción al análisis masivo de datos: descriptivos y visualización de Big Data Hackathon + Series Temporales
HPCDay Córdoba, 2013
HPCDay Córdoba, 2013 LAS 50 SUPERCOMPUTADORAS MAS RÁPIDAS DE AMÉRICA LATINA Dra. A. Marcela Printista Departamento de Informática Universidad Nacional de San Luis LARTop50 tiene por finalidad crear y mantener
Predictor Basado en Prototipos Difusos y Clasificación Nosupervisada
Predictor Basado en Prototipos Difusos y Clasificación Nosupervisada JIISIC-CEIS'2015 Aníbal Vásquez, Enrique Peláez y Xavier Ochoa anibal.vasquez @cti.espol.edu.ec, [email protected], [email protected]
Metodología de estimación de un Índice de Calidad del Aire para España (Proyecto CALIOPE)
Metodología de estimación de un Índice de Calidad del Aire para España (Proyecto ), BSC-CNS Barcelona, 22-01-2010 Barcelona Supercomputing Center-Centro Nacional de Supercomputación (BSC-CNS) Earth Sciences
BIOINFORMÁTICA
BIOINFORMÁTICA 2013-2014 PARTE I. INTRODUCCIÓN Tema 1. Computación Basada en Modelos Naturales PARTE II. MODELOS BASADOS EN ADAPTACIÓN SOCIAL (Swarm Intelligence) Tema 2. Introducción a los Modelos Basados
PISCO: Peruvian Interpolated data of the SENAMHI s Climatological and hydrological Observations. Precipitation v1.1
PISCO: Peruvian Interpolated data of the SENAMHI s Climatological and hydrological Observations. Precipitation v1.1 Waldo Lavado Casimiro 1, Carlos Fernandez 1, Cesar Aybar 1, Tania Caycho 1, Sofía Endara
1. Introducción.
Modelo de programación lineal entera mixta de dos fases para el problema de asignación de tareas independientes con escalamiento dinámico de voltaje y frecuencia José Carlos Soto Monterrubio 1, Héctor
Servicio de Ayudas a la Meteorología Operaciones Radiosonda
Servicio de Ayudas a la Meteorología Operaciones Radiosonda Robert W. Denny, Jr., P.E. National Weather Service Spectrum Program U.S. Department of Commerce/NOAA 1-301-713-1881 x131 [email protected]
Estrategia y futuro del Almacenamiento. Julián Jiménez Ovelar Director de preventa y soluciones de almacenamiento
Estrategia y futuro del Almacenamiento Julián Jiménez Ovelar Director de preventa y soluciones de almacenamiento SPGI @jimenezovelar 1 La industria del Almacenamiento está cambiando rápidamente en tecnologías
SISTEMAS ADAPTADOS DE CLASIFICACION PARA EL RECONOCIMIENTO BIOMÉTRICO
SISTEMAS ADAPTADOS DE CLASIFICACION PARA EL RECONOCIMIENTO BIOMÉTRICO Eric Granger Laboratorio de imágenes, vision e inteligencia artificial École de technologie supérieure Montreal, Canada [email protected]
Reduciendo el Ancho de Banda de Matrices Dispersas Simétricas con Algoritmos Genéticos
Reduciendo el Ancho de Banda de Matrices Dispersas Simétricas con Algoritmos Genéticos RICARDO LÓPEZ GUEVARA [email protected] [email protected] Universidad Nacional Mayor de San Marcos Facultad
Intel Xeon E5: paradigma de eficiencia energética para La Nube
Congreso Anual Sesión 4: Cloud y Eficiencia Energética Intel Xeon E5: paradigma de eficiencia energética para La Nube 1 Jaime Forero Director Desarrollo de Negocio Intel Corporation Iberia Agenda Entorno
COPERNICUS: EL PROGRAMA VIGILANTE DE LA TIERRA. Isabel Martínez Marco Calidad del Aire (ST-22)
COPERNICUS: EL PROGRAMA VIGILANTE DE LA TIERRA Isabel Martínez Marco Calidad del Aire (ST-22) [email protected] 1. Programa Europeo Copernicus 2. CAMS (Copernicus Atmosphere Monitoring Service) 3. Origen
Smart Sound Processing for the digital living: Smart COmpuTing. SSPressing Scot. Universidad de Oviedo (UOVI) Parte II: Deep Computing
Smart Sound Processing for the digital living: Smart COmpuTing SSPressing Scot Universidad de Oviedo (UOVI) Parte II: Deep Computing Febrero 3, 2017 Valencia SSPressing Scot Deep Computing MOTIVACIÓN Intensidad
Meteosim. jueves, 12 de mayo de /35
1 Meteosim Meteosim S.L. es una spin-off creada en 2003 por ex-miembros del Departamento de Astronomía y Meteorología de la Universidad de Barcelona y la empresa norteamericana Meso Inc. Eventos: Equipos:
HUAWEI. 1.- Switch. Turbocharge Your Network with Huawei Ethernet Switches
HUAWEI 1.- Switch Turbocharge Your Network with Huawei Ethernet Switches Los switches Huawei CloudEngine, Campus y SMB combinan arquitectura y diseño avanzados con una fiabilidad de calidad de operador
High Performance Computing y Big Data en AWS. +info: (http://gac.udc.es) HPC y Big Data en AWS 16 Abril, 2012 1 / 14
High Performance Computing y Big Data en AWS +info: (http://gac.udc.es) HPC y Big Data en AWS 16 Abril, 212 1 / 14 High Performance Computing High Performance Computing (HPC) Afonta grandes problemas empresariales,
PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías
PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Analogías Rafael Cano Instituto Nacional de Meteorología, CMT/CAS, Santander Antonio S. Cofiño
INTELIGENCIA DE NEGOCIO
INTELIGENCIA DE NEGOCIO 2017-2018 Tema 1. Introducción a la Inteligencia de Negocio Tema 2. Minería de Datos. Ciencia de Datos Tema 3. Modelos de Predicción: Clasificación, regresión y series temporales
Beneficios del uso del HPC en la industria
Beneficios del uso del HPC en la industria ~ Cinzia Zannoni - CINECA Índice CINECA Computing Center Aplicaciónes industriales del HPC Prototipado: de físico a digital Optimización de diseño Diseño de fármacos
Reconocimiento de patrones aplicado a la predicción de series temporales
Reconocimiento de patrones aplicado a la predicción de series temporales F. Martínez-Álvarez1, A. Troncoso 1, and J. C. Riquelme 2 1 Área de Lenguajes y Sistemas Informáticos, Universidad Pablo de Olavide
Equipamiento disponible
PCI 00 Acción Preparatoria Computación Avanzada en Aplicaciones Biomédicas CaaB (High Performance Computing applied to Life Sciences) Equipamiento disponible Participantes Universidad de Málaga, España
FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO
OTEAres FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO EXPERTO BASADO EN EL SOFTWARE OTEA innovation programme under grant agreement No 680481 (Fortissimo 2 project). Objetivos de OTEAres OTEARES
