Trabajos de grado Maestría investigativa en Ingeniería de Sistemas y Computación

URI permanente para esta colecciónhttps://repositorio.uninorte.edu.co/handle/10584/5684

Examinar

Mostrando 1 - 20 de 24

Técnicas de aprendizaje automático para la optimización de los radios de influencia en asimilación de datos basada en ensembles
(Universidad del Norte, 2026) Frieri Quiroz, Giuliano Raffaele; Niño Ruiz, Elías David
La asimilación de datos basada en ensambles combina modelos numéricos con observaciones ruidosas para estimar el estado de sistemas dinámicos de alta dimensión. Cuando el tamaño del ensemble es pequeño en relación con la dimensión del estado, las covarianzas muestrales se contaminan con correlaciones espúreas de largo alcance que provocan la divergencia del filtro. La solución estándar, la localización, suprime dichas correlaciones más allá de un radio de influencia r cuyo valor óptimo depende de la configuración y, en la práctica, se elige manualmente. Esta tesis desarrolla, implementa y valida empíricamente una tubería de aprendizaje supervisado que predice radios por componente a partir de estadísticos del ensamble disponibles en tiempo de despliegue, como compañera empírica de un manuscrito en preparación con el director de tesis. Se extrae un vector de 21 características por componente en cada ciclo, un protocolo de etiquetado oracular con información privilegiada genera los objetivos, y tres familias de regresores (Ridge, árboles potenciados por gradiente, perceptrón multicapa) se entrenan y se despliegan en lazo cerrado sobre el banco de pruebas Lorenz-96 bajo tres formulaciones de filtro con interfaz uniforme. En configuraciones frágiles el regresor entrenado reduce el RMSE de análisis desplegado hasta en un 52 % en la media y un 98 % en la desviación estándar entre semillas; es neutro en configuraciones benignas. Supera además a las metaheurísticas ACO, GA y SA en la celda frágil con un costo por ciclo aproximadamente veinte veces menor. Se articula como recomendación para la literatura la distinción entre fidelidad de etiqueta y RMSE desplegado.
Detección de ataques en redes RPL mediante redes neuronales temporales en grafos optimizadas para Edge Computing
(2026) Baldovino Díaz, José Mario
Las redes de sensores inalámbricos basadas en el protocolo RPL (IPv6 Routing Protocol for Low-Power and Lossy Networks) son fundamentales para aplicaciones de Internet de las Cosas (IoT), desde ciudades inteligentes hasta sistemas de monitoreo industrial. Sin embargo, estas redes son vulnerables a diversos tipos de ataques que explotan las características inherentes del protocolo RPL, comprometiendo la integridad, disponibilidad y confiabilidad de las comunicaciones. Los métodos tradicionales de detección de intrusiones resultan insuficientes debido a las limitaciones computacionales de los dispositivos IoT y la naturaleza dinámica y temporal de los ataques. Este trabajo presenta un sistema innovador de detección de ataques en redes RPL basado en Redes Neuronales Temporales en Grafos (T-GNN, por sus siglas en inglés), específicamente optimizado para su despliegue en dispositivos edge computing. El sistema propuesto integra múltiples mecanismos de atención espacial y temporal, un módulo de memoria persistente, y procesamiento específico de la estructura DODAG (Destination Oriented Directed Acyclic Graph) del protocolo RPL, logrando una detección precisa de cinco categorías: tráfico normal, ataques blackhole, ataques de rango (rank attack), inconsistencias DODAG y ataques de inundación (flooding attack).
Implementation of shrinkage estimators for cosmological precision matrices
(Universidad del Norte, 2026) Movilla Obregón, Andrés Felipe; Niño Ruiz, Elías David
Ensemble Kalman filters require the inverse of the background error covariance matrix, but when the ensemble size is small relative to the state dimension, the sample covariance is ill-conditioned and cannot be reliably inverted. We embed the direct precision shrinkage framework of Bodnar et al. into the dual formulation of the Ensemble Kalman Filter, recomputing shrinkage coefficients at each assimilation cycle. Six estimators are tested on Lorenz 96 (n = 40, dense precision) and BOSS DR12 cosmological mock data (d = 18, neardiagonal precision), alongside two baselines. Two main findings emerge. First, direct precision shrinkage performance depends critically on target-truth alignment: diagonal targets fail on Lorenz 96 but succeed on cosmological data. Second, the best standalone precision estimator is not the best sequential filter — Ledoit-Wolf produces the worst standalone estimates yet the lowest EnKF RMSE, because its low variance prevents error cascades across assimilation cycles. For sequential data assimilation, variance reduction matters at least as much as bias reduction. All implementations are publicly available in the TEDA framework.
Diseño de una arquitectura de software con aplicación industrial, basada en las tecnologías IOT y Cloud Computing
(Universidad del Norte, 2023) Ortiz Rovira, Roider Manuel; Nieto Bernal, Wilson; Jabba Molinares, Daladier
A través de un enfoque metodológico de I+D se analiza la necesidad de extracción e integración de datos en plantas productivas, dentro del contexto de la cuarta revolución industrial e Industry 4.0, apalancadas sobre las nuevas tendencias tecnológicas, en particular, IOT y Cloud Computing. Para ello se contempla que existen unas capacidades instaladas y se evalúan algunos esfuerzos hechos de cara a integrar estos sistemas, que existen desde antes de la aparición de internet, incluso antes de TCP/IP. Entendiendo modelos arquitectónicos como RAMI e IVRA se plantea una alternativa, más simplista y específica, constituida como una arquitectura que facilite la implementación de soluciones para la integración de datos industriales, con rápida implementación. De este modo se propone la arquitectura de la Plataforma de Integración de Datos Industriales, PLINDATIN, para la que se desarrolla un prototipo, con software y servicios disponibles en el mercado. Adicionalmente, apoyados en el hardware existente en una planta que fabrica materiales de construcción, basados en acero, se implementó un prototipo. La implementación se basó en el envío de información de características eléctricas a través de la nube, hasta los clientes finales, consumidores interesados de los datos generados en piso. Con lo que se verificó la eficacia y pertinencia de la plataforma.
Effects of segmentation techniques on classification algorithms for plant leaf diseases images
(Universidad del Norte, 2024) Mejía Jiménez, Andrés Felipe; Zurek Varela, Eduardo Enrique
With the global rise of the agricultural industry driven by a growing population, meeting the increasing demand for plant-based products has become more challenging. This difficulty arises from the complexity of ensuring that crop yield and quality are not compromised by external factors or diseases. Traditionally, visual inspection has been the primary method for identifying plant diseases. However, even experienced agriculturists and pathologists can struggle with this task due to the vast variety of diseases. This challenge has led to the development of computer vision techniques that enable us to process images and extract meaningful features. These features can then be used to classify plant diseases through machine learning algorithms such as Support Vector Machine (SVM), k-Nearest Neighbors (KNN), and Random Forest (RF), aiding in more accurate and efficient disease diagnosis. One of the key challenges in image classification is the lack of transparency in many processing methods, often referred to as the ”black box” nature of these techniques. Understanding how specific methods transform images and how these changes influence classification accuracy can be difficult. This challenge complicates efforts to optimize algorithms effectively. To address this, we develop and compare two distinct image processing techniques: K-Means-Based Segmentation and Color-Based Segmentation. After segmentation, we perform feature extraction using the Gray Level Co-occurrence Matrix (GLCM) to capture critical texture features. By varying parameters and introducing additional steps in the image processing workflows, we examine how these adjustments impact the classification accuracy. For classification, we employed SVM, KNN, and RF algorithms and compare their performance to assess the effectiveness of the proposed techniques.
EC-RPLIE: un novedoso protocolo RPL para optimizar el consumo de energía en redes IIoT
(Universidad del Norte, 2025) Bonilla Brito, Mario Armando; Jabba Molinares, Daladier
La integración de Redes de Sensores Inalámbricos (WSN) en aplicaciones del Internet Industrial de las Cosas (IIoT) presenta desafíos significativos en términos de eficiencia energética y fiabilidad de la red, especialmente en entornos industriales dinámicos. El Protocolo de Enrutamiento para Redes de Baja Potencia y Alta Pérdida para Entornos Interiores (RPLIE), diseñado para WSN en redes de baja potencia y pérdidas (LLN), no aborda adecuadamente el consumo eficiente de energía, un aspecto crítico en IIoT. Esta investigación introduce una mejora denominada Conciencia Energética a través del Protocolo de Enrutamiento para Redes de Baja Potencia y Alta Pérdida para Entornos Industriales (EC-RPLIE), que incorpora la métrica Expected Breakage Cost (EBC) para optimizar el consumo energético y la estabilidad de la red en IIoT, enfocándose en la gestión de fluctuaciones a mediano plazo. A través de simulaciones detalladas utilizando Cooja, se evaluó el desempeño de EC-RPLIE en topologías con diferentes densidades de nodos—11, 21 y 31 nodos—analizando su impacto en la eficiencia energética y la persistencia de la red. Los resultados demuestran que EC-RPLIE reduce las retransmisiones innecesarias y mejora la gestión de fallos de enlace y cambios de padres en la topología de la red, extendiendo la vida operativa de las redes IIoT. Además, se observó una mejora notable en la longevidad de la red conforme aumenta la cantidad de nodos, lo que sugiere que EC-RPLIE es particularmente efectivo en redes de mayor densidad. Esta propuesta proporciona un marco robusto para mejorar la sostenibilidad y la resiliencia de las WSN en el contexto de IIoT, ofreciendo una solución que aborda tanto la eficiencia energética como el rendimiento general de la red. Los hallazgos sientan las bases para futuros estudios que podrían explorar implementaciones a mayor escala en entornos reales, allanando el camino hacia redes industriales más sostenibles y fiables.
Modelo basado en técnicas de NLP y análisis acústico para detección temprana de posibles pacientes con tendencia al suicidio
(Universidad del Norte, 2025) Urueta Páez, Kristell Rashel; Márquez Díaz, José
En el ámbito de la salud mental, la detección temprana de comportamientos suicidas es fundamental para prevenir posibles tragedias y brindar apoyo oportuno a las personas en riesgo. No obstante, la complejidad de los factores involucrados y la falta de herramientas de evaluación eficientes hacen que muchos casos pasen inadvertidos. Con el propósito de mitigar este problema, la presente tesis desarrolla un modelo basado en técnicas de Procesamiento del Lenguaje Natural (NLP) y análisis de audio para la detección temprana de posibles tendencias suicidas, proporcionando así un primer canal de apoyo a los pacientes y asistiendo a profesionales de la salud en la toma de decisiones preventivas. La primera fase de la investigación emplea algoritmos como VADER, metodologías de NLTK y Latent Dirichlet Allocation (LDA), para clasificar e identificar temáticas subyacentes asociadas a preocupaciones específicas. En la segunda fase, se presenta un modelo avanzado que integra la información textual con atributos de audio (entonación, ritmo, índices de energía, entre otros) obtenidos de grabaciones de voz de posibles pacientes y expertos en salud mental. Esta combinación de datos multimodales se procesa mediante técnicas de clasificación (Logistic Regression, Random Forest, entre otras), entrenadas sobre un conjunto de datos cuidadosamente compilados que incluyen tanto textos de redes sociales como audios transcritos. Así, se comparan ambos enfoques, evidenciando un aumento significativo en la capacidad de detección de riesgo gracias a la fusión de características textuales y acústicas. El flujo de la solución consiste en recibir la información del paciente a través de una aplicación, procesar dichos datos con el modelo unificado y, finalmente, emitir un diagnóstico basado en atributos clave. Los resultados obtenidos demuestran la eficacia de combinar técnicas de NLP con el análisis de audio para identificar indicadores de riesgo suicida de forma anticipada, contribuyendo así a la intervención oportuna y al fortalecimiento de la atención en salud mental.
Modelo de balanceo de cargas dinámico de baja latencia para mejorar la QoE en una arquitectura hibrida en la niebla y el borde para juegos multijugador-masivos en línea (MMO)
(Universidad del Norte, 2024-08-06) García Fernández de Castro, Ernesto José; Jabba Molinares, Daladier
The document addresses the development of a low-latency dynamic load balancing model for online multiplayer games. This model aims to improve the quality of experience in a hybrid fog and edge architecture. It investigates the impact of latency on online gaming, designs and validates the dynamic load balancing model, and provides recommendations. Topics covered include online gaming, architectures, protocols, quality of service, cloud computing, among others, highlighting the importance of Quality of Service (QoS) and Quality of Experience (QoE) in communication networks, cloud computing, and edge computing. Suggestions for future work are analyzed, such as optimizing load balancing algorithms and exploring load predictability models. Additionally, the transformative role of IoT in gaming is discussed, and various techniques for latency compensation and load balancing in cloud gaming are presented to enhance user experience.
Diseño de un sistema integral de ejercicios y práctica adaptativa de la programación soportado por el nuevo modelo PFA+ y un componente de generación de ejercicios basado en plantillas de código
(Universidad del Norte, 2024) Niebles Carbonó, Leandro Alejandro; García Ramos, Lucy; Salazar Silva, Augusto
La programación de computadores se destaca como una competencia clave en la era digital actual, impulsada por una demanda creciente de habilidades tecnológicas avanzadas. Sin embargo, la enseñanza y el aprendizaje de la programación enfrentan desafíos significativos, particularmente para los estudiantes de primer ingreso. Esta investigación aborda dichos desafíos al proponer el diseño de herramientas automáticas para la creación de ejercicios de programación dirigidos a docentes y para la práctica, evaluación y retroalimentación automatizada para estudiantes, cuyos ejercicios se adaptan al ritmo de aprendizaje individual. El estudio analiza dificultades presentes en la programación introductoria, enfoques de evaluación automatizada y métodos de trazabilidad de conocimiento para el aprendizaje adaptativo. Se discuten los desafíos comunes entre los estudiantes y cómo estos se relacionan con sus experiencias previas. Además, se examinan estrategias pedagógicas y herramientas tecnológicas para mejorar la enseñanza de programación. La metodología empleada se basa en el diseño conceptual y análisis teórico, realizando un análisis comparativo de modelos de trazabilidad de conocimiento, con énfasis en la creación del WBKT y PFA+. Un experimento práctico evalúa la efectividad de estos modelos en la práctica de ejercicios de sumas, donde el modelo PFA+ demostró ser efectivo para la práctica adaptativa basada en tiempos de respuesta correcta y niveles de dificultad. Finalmente, se propone una arquitectura para la generación y práctica adaptativa de ejercicios de programación, integrando el modelo PFA+, lo que permite una práctica personalizada y autónoma y facilita a los docentes la creación y evaluación de ejercicios.
Implementación de protocolo para entrenamiento federado de modelos de clasificación preservando la privacidad de los datos sobre una red de computadores
(Universidad del Norte, 2023) Conrado Amaranto, Carlos Andrés; Márquez Díaz, José
Gracias a herramientas como chatGPT, MidJourney, y GitHub Copilot, entre otros; los productos basados en Inteligencia Artificial, específicamente Machine Learning (ML) y Deep Learning (DL), se han popularizado entre un público no especializado. Esto conlleva una responsabilidad mayor por parte de los especialistas y proveedores de productos basados en ellos, ya que el principal componente en cualquier producto basado en modelos de ML y DL son los datos. La privacidad de estos es uno de los principales temas de discusión alrededor este tipo de productos, el público en general muestra escepticismo respecto a su información cuando es utilizada por terceros. Por esta razón, el presente trabajo se enfoca en una rama de las ciencias computacionales, que busca proteger la privacidad de los datos, específicamente se trata de la implementación de un protocolo de entrenamiento de modelos MLP mediante un esquema de aprendizaje federado, utilizando datos locales distribuidos y donde se conserva su privacidad. La preservación de la privacidad se logra a través del uso de un esquema criptográfico homomórfico que permite operar sobre los datos cifrados. La implementación del protocolo es desplegada en una nube, donde máquinas virtuales actúan como clientes y servidores, esto es cercano a un escenario práctico de la vida real, donde los participantes no pueden compartir los datos. La verificación de protocolo se realiza mediante simulaciones compuestas de distintos escenarios en los cuales se varían el número de clientes, la arquitectura de la red MLP, la distribución de los datos, y los hyper-parametros, entre otros. En estos escenarios se realiza un análisis del desempeño del protocolo comparado a un entrenamiento local. Por último, se destaca el valor agregado de la implementación realizada en este trabajo comparándolo con los trabajos más recientes del estado del arte.
Weather forecasting with data-driven models and sequential data assimilation
(Universidad del Norte, 2024) Ariza Coll, Sebastián David; Niño Ruiz, Elías David
The Data Assimilation (DA) process and the development of Data-Driven models have garnered increased attention in recent years, driven by advancements in computer power and the growing complexity of weather models. However, many natural phenomena exhibit intricate correlations among variables that pose significant challenges for accurate capture. This proposal aims to explore the impact of employing a Data Assimilation technique to enhance forecasts generated by a data-driven model. The study leverages literature-validated formulations of the Ensemble Kalman Filter and a Local Ensemble method based on a Decorrelation Matrix to address spurious correlations inherent in the Data Assimilation process. The entire implementation was carried out using the Python programming language, with the data used sourced from NOAA’s Reanalysis 2 dataset. The results indicate that the methodology employed in this master’s thesis effectively estimates model variables such as Air Temperature, V-Wind, and U-Wind Component at 1000hPa with reasonable accuracies, as measured by Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). Notably, the proposed approach demonstrates proficiency even when utilizing sparse operational observations, specifically at (5%, 7%, 11%, 25%) for Ensemble Kalman Filter sizes of 20, 40, 60, 80, 100.
SCARF: serverless cloud auto resource framework
(Universidad del Norte, 2024) Camacho Trujillo, Héctor Daniel; Jimeno Paba, Miguel Ángel; Cardona Peña, Jairo Alberto
Serverless computing has revolutionized cloud computing by introducing automatic resource scaling based on demand. Nevertheless, addressing efficiency and performance challenges remains crucial for maximizing the benefits of serverless functions. This article introduces a novel framework for serverless computing that leverages machine learning technologies: the Serverless Cloud Auto Resource Framework (SCARF). SCARF represents a promising solution for predictive resource management in serverless computing environments. This thesis provides a comprehensive analysis of SCARF, including its architecture, functionality, and performance, through a rigorous validation process. The investigation reveals SCARF's ability to quickly adapt to the dynamic demands of serverless computing, with a significant reduction in prediction errors indicating its potential for precise resource allocation. By combining the flexibility of serverless computing with the power of machine learning, we aim to advance the state of the art in cloud resource management.
PARSEC: an adaptive and efficient platform for reducing cold start in serverless computing
(Universidad del Norte, 2024) Buitrago Suárez, Nicolás; Jimeno Paba, Miguel Ángel; Viloria, Cesar
Serverless computing has gained significant attention due to its cost-effectiveness and scalability. Despite its advantages, serverless computing faces the critical issue of cold starts – delays encountered during the initial invocation of idle functions. This research investigates various strategies to reduce these delays, focusing on improved sandboxing, efficient package management, and optimized function startup. A key part of the study is understanding the technological aspects that contribute to cold starts, including optimizing the virtualization layer and effective container provisioning. Using the OpenLambda framework, the research delves into the complexities of serverless architectures, seeking innovative solutions to enhance performance. The findings of this study, encapsulated in the PARSEC platform, demonstrate notable improvements in responsiveness and efficiency, highlighting the potential for further advancements in serverless computing.
Entrenamiento de modelos de clasificación con aprendizaje federado preservando la privacidad de los datos
(Universidad del Norte, 2022) Angulo Madrid, Eduardo David; Márquez Díaz, José; Villanueva Polanco, Ricardo Luis
En la actualidad, con el auge de las redes sociales y el establecimiento de las leyes de protección de datos, las empresas realizan entrenamientos de modelos de Machine Learning utilizando datos generados de manera local por sus usuarios y/o clientes en diversos tipos de dispositivos, estos datos pueden incluir información sensible, como la información familiar, los historiales médicos, los hábitos personales o registros financieros que, en caso de ser filtrada, pueden generar problemas. Por esta razón, el objetivo de esta tesis, está basado en proponer un protocolo para realizar el entrenamiento de redes neuronales MLP mediante un esquema de aprendizaje federado, utilizando datos distribuidos entre varios clientes y donde se mantenga la privacidad de los mismos. La privacidad se mantendrá por medio de un método de agregación segura que utiliza la criptografía homomórfica. La verificación de dicho protocolo se realizará por medio de varias simulaciones, donde se utilizará un conjunto de datos de un problema de clasificación multiclase, distintas arquitecturas de redes neuronales MLP y distintos números de clientes participantes en el protocolo para entrenar los modelos de manera local y mediante el protocolo propuesto. Los resultados de las distintas métricas obtenidas utilizando información desconocida en los entrenamientos local y federado en todos los clientes, son presentados y se realiza un análisis sobre los mismos. Adicionalmente, se realiza un análisis sobre los tiempos de ejecución del protocolo y la privacidad de los datos bajo un conjunto de supuestos definidos. También se identifica el valor agregado del protocolo propuesto en comparación con los trabajos anteriormente realizados en la misma área de conocimiento.
Modelo conceptual y arquitectura de tecnología informática (TI) para Smart Cities emergentes: caso de estudio ciudad de Barranquilla y municipios del Departamento del Atlántico
(Universidad del Norte, 2022) Coronado Ahumada, Kelly Johanna; Nieto Bernal, Wilson
En esta investigación se propone un modelo conceptual y arquitectura TI para ciudades inteligentes emergentes, considerando las ventajas que ofrecen las Tecnologías de la información y la comunicación (TICs). Para ello, se inició con la revisión de los modelos, arquitecturas propuestas y casos exitosos de implementación de ciudades inteligentes, así como los estándares de Smart Cities existentes a nivel mundial. Seguidamente, se propuso un modelo conceptual y la arquitectura TI basados en dichas investigaciones, para posterior validación a través de un modelo de madurez adaptado para el presente proyecto. Finalmente, se desarrolla un caso de estudio para Barranquilla y los tres municipios del Departamento del Atlántico con mayor población, esto con la finalidad de comprobar que el modelo y la arquitectura propuesta se pueden adaptar a cualquier escenario presentado.
Continuous and secure integration framework for smart contracts
(Universidad del Norte, 2022) Reyes Yepes, Álvaro José; Jimeno Paba, Miguel Ángel; Villanueva Polanco, Ricardo Luis
En tiempo reciente, el desarrollo de contratos inteligentes ha tenido un auge debido al interés generado por criptomonedas en la tecnología de blockchains. Investigadores han encontrado diferentes usos para los contratos inteligentes gracias a este interés. Debido a esto, se ha logrado evidenciar los problemas de seguridad que se han presentado con múltiples contratos y los problemas que pueden llegar a ocasionarse. Por tanto, decidimos evaluar los esquemas de DevOps actual para buscar adaptarlo a un modelo de trabajo compatible con los contratos inteligentes. Siguiendo múltiples investigaciones realizadas por otros investigadores en fases específicas, logramos identificar las falencias de DevOps en contratos inteligentes. Considerando la información que recolectamos, trabajamos en definir las fases y actividades que deben ir en estas. El resultado es haber logrado proponer un framework adaptable con todos los pasos a considerar durante el desarrollo de contratos inteligentes. Además, dicho framework es probado utilizando tecnologías para demostrar su viabilidad.
Métodos de asimilación de datos secuenciales en el modelo Speedy con datos reales
(Universidad del Norte, 2023) Mejía Suárez, Omar Ángel; Niño Ruiz, Elías David
El proceso de asimilación de datos (DA) ha cobrado importancia en los últimos años debido a la mejora que ofrece en modelos numéricos complejos. Aun así, la mayoría de los fenómenos naturales tienen muchas correlaciones entre variables que son muy difíciles de capturar con tales modelos. Esta propuesta presenta una comparación entre modelos: el Ensemble Kalman Filter basado en una Descomposición de Cholesky Modificada, el Local Ensemble Kalman Filter y local ensemble transform Kalman filter. Tres formulaciones para el Ensemble Kalman Filter usando y sin usar el salto de paso para un Modelo de Circulación Atmosférica General, esto usando condiciones reales.
Framework for the development of mobile applications leveraging cloud models: maas
(Universidad del Norte, 2021) González Caraballo, Gabriel Antonio; Nieto Bernal, Wilson
La computación en nube y la tecnología de los teléfonos inteligentes son dos ejemplos representativos de tecnologías disruptivas que han transformado el mercado en la última década. Estas dos tecnologías pueden beneficiarse mutuamente en gran medida, ya que los dispositivos móviles introducen la movilidad en los sistemas, y los servicios en la nube pueden utilizarse para consolidar el back-end de las aplicaciones móviles, dotándolas de recursos prácticamente infinitos. Este estudio presenta dos estados del arte: La computación en nube móvil (MCC) y las metodologías de desarrollo de aplicaciones móviles. Investigadores y profesionales del desarrollo de sistemas móviles coinciden en el uso de metodologías ágiles. En este estudio proponemos un marco conceptual completo para el desarrollo de aplicaciones móviles en el contexto de los modelos de nube. El marco propuesto presenta cinco capas, a saber: metodología, canales de entrega, tecnología, infraestructura y ciberseguridad. Además, el marco presenta una arquitectura de referencia para soluciones móviles de computación en nube y sigue un enfoque metodológico ágil. Para hacer frente a las limitaciones de conectividad de las redes inalámbricas, basamos el marco en la programación asíncrona -reactiva-. Finalmente, validamos el marco propuesto con el desarrollo de una aplicación móvil híbrida Cloud-firs
Towards an operational data assimilation System: a detailed web-based framework for weather forecast
(Universidad del Norte, 2022) Rodríguez Donado, Juan Sebastián; Niño Ruiz, Elías David
Weather forecasts are of extreme importance nowadays. They help us daily to plan and schedule activities in different contexts of our society. This paper details an effi- cient web-based framework for operational weather forecasts. We not only present the different layers but also explain how to deploy them using cutting-edge tech- nologies. We build our forecast system on top of an in-house High-Performance- Computing cluster. The Weather Research Forecast model is the numerical model to employ during forecast steps; the imperfect model trajectories are adjusted ev- ery three hours according to real-noisy observations via sequential data assimila- tion. We build numerical grids by interpolating GFS-NOAA datasets onto regular grids. Observations are taken from METeorological Aerodrome Reports extracted from OGIMET. A three-dimensional variational data assimilation method is applied to digest observations. We use interactive Folium maps in Python to display model outputs for all variables. These maps are published in https://aml-cs.github.io/ wrf-baq-0.5km/ and consumed using the GitHub REST API.
Sequential data assimilation methods for atmospheric general circulation models
(Universidad del Norte, 2021) Consuegra Ortega, Randy Steven; Niño Ruiz, Elías D.
The data assimilation (DA) process has gained some spotlight in recent years as computers have become more powerful, and models more complex. Even so, most natural phenomena have many correlations among variables that are very challenging to capture. In this proposal, we discuss the impact of an intermediate step in the leaping strategy used as a numerical integrator for Atmospheric General Circulation Models during the assimilation process, and its explicit update, particularly, for the Simplified Parameterizations, privitivE-Equation DYnamics model, nicknamed as SPEEDY. Using literature validated formulations of the Ensemble Kalman Filters the Local Ensemble Kalman Filter (LEnKF), Local Ensemble Transform Kalman Filter (LETKF), and the Ensemble Kalman Filter based on a Modified Cholesky Decomposition (EnKF-MC) experimental test are performed using the leaping step in the update process, and using only the forecast step, and letting the model propagate the updates. For the EnKF-MC formulation, we propose a formulation onto the observations space. As well, we present an intuitive Python package to perform sequential data assimilation on atmospheric general circulation models. We denote our package by Applied Math and Computer Science Lab - Data Assimilation AMLCS-DA. This package contains the efficient implementations of the previously mentioned formulations. The results reveal that our proposed framework can properly estimate model variables within reasonable accuracies in terms of Root-Mean-Square-Error when we update only the forecast state, even when using sparse operational observators (25%, 11%, 6%, 4%).

Examinar

Envíos recientes