Mostrar el registro sencillo del ítem

dc.contributor.advisor
dc.contributor.advisorAlmeida Rodriguez, Francisco Carmelo
dc.contributor.authorPérez Znakar, Omar Patricio
dc.contributor.otherMáster Universitario en Ciberseguridad e Inteligencia de Datos Por la Ull
dc.date.accessioned2024-05-02T11:15:08Z
dc.date.available2024-05-02T11:15:08Z
dc.date.issued2024
dc.identifier.urihttp://riull.ull.es/xmlui/handle/915/37374
dc.description.abstractEl cambio climático representa uno de los desafíos más críticos y urgentes de nuestra era, con los shocks climáticos —eventos extremos como olas de calor, huracanes, y sequías— emergiendo como manifestaciones alarmantes de este fenómeno global. La capacidad para detectar y analizar de manera precisa estos eventos no solo es fundamental para la investigación científica, sino también para la formulación de políticas de adaptación y mitigación efectivas. En este contexto, el proyecto actual busca avanzar significativamente en la detección de shocks climáticos a través del desarrollo y aplicación de tecnologías de vanguardia en inteligencia artificial y procesamiento de grandes volúmenes de datos. Este estudio se centra en la integración de algoritmos avanzados de aprendizaje automático y técnicas de procesamiento de datos masivos para mejorar la identificación y predicción de eventos climáticos extremos. Utilizando una amplia gama de datos meteorológicos, se propone evaluar la efectividad de diferentes algoritmos de detección de anomalías en la identificación de patrones climáticos significativos. La paralelización de estos procesos en entornos de computación de altas prestaciones se investiga como un medio para acelerar el análisis y mejorar la eficiencia del procesamiento de datos. La adopción de Kubernetes y otras tecnologías de contenerización juega un papel crucial en este proyecto, permitiendo la gestión eficiente y escalable de cargas de trabajo computacionales distribuidas. Este enfoque no solo facilita un análisis más rápido y flexible de grandes conjuntos de datos, sino que también abre nuevas posibilidades para la implementación de soluciones de análisis climático en tiempo real. Al combinar estas tecnologías avanzadas, el proyecto aspira a establecer nuevos estándares en la detección y análisis de shocks climáticos, proporcionando herramientas valiosas para científicos, responsables políticos y comunidades afectadas por el cambio climático. La culminación de este trabajo espera no solo avanzar en el conocimiento científico sobre los fenómenos climáticos extremos sino también ofrecer aplicaciones prácticas para la mitigación de sus efectos y la adaptación a un clima cambiante. Al mejorar la capacidad para predecir y responder a shocks climáticos, este proyecto contribuye a la resiliencia global frente al cambio climático, marcando un paso importante hacia la sostenibilidad y la protección de ecosistemas y comunidades vulnerables en todo el mundoes_ES
dc.description.abstractClimate change represents one of the most critical and urgent challenges of our era, with climate shocks—extreme events such as heatwaves, hurricanes, and droughts—emerging as alarming manifestations of this global phenomenon. The ability to accurately detect and analyze these events is not only fundamental for scientific research but also for the formulation of effective adaptation and mitigation policies. In this context, the current project seeks to make significant advancements in the detection of climate shocks through the development and application of cutting-edge technologies in artificial intelligence and big data processing. This study focuses on integrating advanced machine learning algorithms and massive data processing techniques to enhance the identification and prediction of extreme climatic events. Using a wide range of meteorological data, it aims to evaluate the effectiveness of different anomaly detection algorithms in identifying significant climatic patterns. The parallelization of these processes in highperformance computing environments is investigated as a means to accelerate analysis and improve data processing efficiency. The adoption of Kubernetes and other containerization technologies plays a crucial role in this project, enabling the efficient and scalable management of distributed computational workloads. This approach not only facilitates faster and more flexible analysis of large datasets but also opens up new possibilities for the implementation of real-time climatic analysis solutions. By combining these advanced technologies, the project aspires to set new standards in the detection and analysis of climate shocks, providing valuable tools for scientists, policymakers, and communities affected by climate change. The culmination of this work hopes not only to advance scientific knowledge about extreme climatic phenomena but also to offer practical applications for mitigating their effects and adapting to a changing climate. By improving the ability to predict and respond to climate shocks, this project contributes to global resilience against climate change, marking an important step towards sustainability and the protection of ecosystems and vulnerable communities worldwide.en
dc.format.mimetypeapplication/pdf
dc.language.isoes
dc.rightsLicencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es_ES
dc.titleDetección de eventos climáticos mundiales
dc.typeinfo:eu-repo/semantics/masterThesis
dc.subject.keywordCambio climático, Shocks climáticos, Detección de anomalías, Procesamiento de datos masivos, Inteligencia artificial, Aprendizaje automático, Kubernetes, Paralelización de procesos y Análisis climáticoes_ES
dc.subject.keywordClimate change, Climate shocks, Anomaly detection, Big data processing, Artificial intelligence, Machine learning, Kubernetes, Process parallelization and Climate analysisen


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Licencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)
Excepto si se señala otra cosa, la licencia del ítem se describe como Licencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional)