High performance techniques applied to geoprocesses

Zusammenfassung

Las aplicaciones modernas tienen unas demandas de potencia de cómputo en constante aumento. Las recientes avances en hardware necesitan del uso de técnicas procedentes del campo de Computación de Altas Prestaciones (High Performance Computing, HPC) para poder sacar provecho a las características y potencia que brindan. Esta Tesis se centra en la aplicación de estas técnicas a múltiples geoprocesos con el objetivo de maximizar el rendimiento. El primer geoproceso que abordamos en esta Tesis es la concentración parcelaria mediante intercambio de parcelas. Se presenta un algoritmo genético capaz de encontrar buenas soluciones a problema combinatorio que es el intercambio de parcelas. Esta propuesta es capaz de usar paralelismo de memoria compartida y distribuida para reducir drásticamente el tiempo de ejecución del algoritmo y aumentar la cali- dad de las soluciones al mismo tiempo, cuando se emplean varios ordenadores para distribuir la carga de trabajo. El segundo geoproceso tratado es la visualización de nubes de puntos masivas de datos LiDAR (Light Detect on and Rang ng). El trabajo realizado es este campo se centra en una estrategia de autoajuste de la estructura de datos multiresolución usada para maximizar el rendimiento de una herramienta web de visualización para nubes de puntos masivas. Esta propuesta es capaz de reducir los tiempo de carga comparada a las mejores alternativas actuales, manteniendo altas tasas de refresco y bajo consumo de memoria. El último geoproceso en el que se ha trabajado en esta Tesis es el filtrado de puntos terreno en nubes de puntos LiDAR masivas a nivel territorial. La escala de estos dataset presenta desafíos causados por la presencia de distintos tipos de entorno que necesitan ajustes diferentes para un clasificador o clasificadores diferentes para obtener buenos resultados. En esta Tesis se presenta una nueva estrategia multietapa para el filtrado de puntos terreno, capaz de detectar automáticamente el tipo de entorno presente en cada área y aplicar el mejor algoritmo de filtrado para el entorno detectado. Gracias a una implementación usando Spark, es capaz de realizar la clasificación más de 8 veces más rápido que la versión secuencial cuando se emplean varios nodos.