High performance techniques applied to geoprocesses

Resumo

As aplicacións modernas teñen unhas demandas de potencia de cómputo en constante crecemento. Os recentes avances en hardware necesitan do uso de técnicas procedentes do campo da Computación de Altas Prestacións (High Performance Computing, HPC) para poder sacar proveito ás características e potencia que brindan. Esta tese céntrase na aplicación destas técnicas a varios xeoprocesos co obxectivo de maximizar o rendemento. O primeiro xeoproceso que abordamos nesta tese é a concentración parcelaria a través do intercambio de parcelas. Presentamos un algoritmo xenético capaz de atopar boas solucións ao problema combinatorio do intercambio de parcelas. Esta proposta é capaz de empregar paralelismo de memoria compartida e memoria distribuída para reducir de forma drástica o tempo de execución do algoritmo e aumentar a calidade das solucións ao mesmo tempo, cando se empregan varios computadores para distribuír a carga de traballo. O segundo xeoproceso tratado é a visualización de nubes de puntos masivas de datos LiDAR (Light Detection and Ranging ). O traballo realizado neste campo céntrase nunha estratexia de autoaxuste da estrutura de datos multiresolución empregada para maximizar o rendemento dunha ferramenta web de visualización para nubes de puntos masivas. Esta proposta é capaz de reducir os tempo de carga de comparada coas mellores alternativas actuais, mantendo taxas de refresco altas e baixo consumo de memoria. O último xeoproceso no que se traballa nesta Tese é o filtrado de puntos terreo en nubes de puntos LiDAR masivas a nivel territorial. A escala destes dataset presenta difcultades pola presenza de distintos tipos de entornas que precisan de axustes diferentes para un clasificador ou clasificadores diferentes para obter bos resultados. Esta Tese presenta unha nova estratexia multietapa para o filtrado de puntos terreo, capaz de detectar automaticamente o tipo de entorna presente en cada rexión e aplicar o mellor algoritmo de filtrado para a entorna detectada. Grazas a unha implementación que fai uso de Spark, é capaz de realizar a clasificación máis de 8 veces máis rápido que a versión secuencial cando se fai uso de varios nodos.