Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publicación Tesis doctoral (DoctoralThesis)

Data transmission analysis and forecasting in industrial process environments, Análisis de transmisión de datos y predicción en entornos de procesos industriales

  • Miguélez García, Fernando
En los sistemas modernos basados en datos, disponer de una información actualizada es crucial para una toma de decisiones precisa y eficiente. La utilidad de los datos en entornos industriales, sistemas autónomos y redes de comunicación depende no sólo de su precisión, sino también de su actualidad. Esta tesis se basa precisamente en la idea de que los datos más recientes permiten tomar decisiones más fiables y eficaces, y explora este principio desde perspectivas tanto teóricas como aplicadas. Los principales objetivos son mejorar la comprensión teórica de cómo evoluciona el valor temporal de la información bajo diferentes restricciones prácticas y diseñar enfoques de modelización que aprovechen los datos recientes para mejorar la previsión y la toma de decisiones en entornos industriales reales. Tras una breve introducción en el Capítulo 1 describiendo los principales retos de esta tesis, el Capítulo 2 ofrece un breve repaso de algunos conceptos de probabilidad, procesos estocásticos y teoría de colas, así como la definición formal de AoI, una medida de lo reciente que es la información, y de los sistemas híbridos estocásticos, una herramienta matemática relevante en el estudio de sistemas dinámicos complejos. También presenta nociones básicas de la teoría de juegos, como el equilibrio de Nash y el precio de la anarquía, para analizar las interacciones estratégicas en sistemas competitivos, y explica los modelos ocultos de Markov (HMM) y su extensión a los HMM de entrada-salida, que constituyen la base de la metodología de predicción desarrollada más adelante. Estos conceptos proporcionan los fundamentos necesarios para el desarrollo de los siguientes capítulos. El primer objetivo se aborda en los Capítulos 3 y 4. El Capítulo 3, “Sobre la edad de la información en colas de un solo servidor con actualizaciones con edad”, amplía el marco AoI a sistemas en los que los paquetes pueden llegar ya con cierta antigüedad, como en las redes multisalto o de preprocesamiento. Se deriva una fórmula general para el AoI promedio que tiene en cuenta las correlaciones entre la edad inicial del paquete y el proceso entre salidas, y también se establecen cotas para los casos en los que se desconocen estas dependencias. La aplicabilidad de este enfoque se demuestra en diversos modelos de colas, incluyendo las retransmisiones en colas con pérdidas, colas en tándem y colas de reintentos. El Capítulo 4, “Precio de la anarquía con múltiples fuentes de información en competencia”, examina escenarios de canales compartidos modelados como juegos no cooperativos. Se demuestra que las estrategias de transmisión egoístas degradan el rendimiento en comparación con los óptimos cooperativos, y la ineficiencia se mide mediante el precio de la anarquía. Los resultados ponen de relieve las vulnerabilidades de los sistemas descentralizados y sugieren mecanismos de coordinación para reducir la pérdida de rendimiento. El segundo objetivo se aborda en el Capítulo 5, “Un enfoque de aprendizaje adaptativo para la predicción multivariante de tiempos en procesos industriales”, que propone un modelo de Markov oculto de entrada-salida con actualizaciones adaptativas de parámetros para explotar datos multivariantes recientes. Aplicado a conjuntos de datos industriales reales, alcanza una precisión competitiva frente a los modelos de referencia y permite la detección temprana de ineficiencias. La tesis finaliza con las principales conclusiones y las futuras líneas de investigación., In modern data-driven systems, the timeliness of information is crucial for accurate and efficient decision-making. The usefulness of data in industrial environments, autonomous systems, and communication networks depends not only on its accuracy but also on its freshness. This thesis is motivated precisely by the idea that more recent data enables more reliable and effective decisions, and explores this principle from both theoretical and applied perspectives. The main goals are to improve the theoretical understanding of how information freshness behaves under different practical constraints and to design modelling approaches that leverage recent data to enhance forecasting and decision-making in real-world industrial settings. After a brief introduction describing the main challenges of this dissertation in Chapter 1, Chapter 2 provides a concise overview of probability, stochastic processes, and queueing theory, as well as the formal definition of the Age of Information (AoI), a metric that quantifies the information timeliness, and stochastic hybrid systems, a mathematical tool relevant for the study of complex dynamic systems. It also introduces basic notions of game theory, including Nash equilibrium and Price of Anarchy, for analysing strategic interactions in shared systems, and presents hidden Markov models (HMMs) and their extension to input-output HMMs, which form the basis for the forecasting methodology developed later. These concepts provide the necessary background for the developments in the following chapters. The first main objective of the thesis is addressed in Chapters 3 and 4. Chapter 3, “On the Age of Information in Single-Server Queues with Aged Updates”, extends the AoI framework to systems where packets may arrive already aged, as in multi-hop or pre-processing networks. A general formula for the average AoI is derived, accounting for correlations between initial packet age and inter-departure process, with bounds for cases where these dependencies are unknown. The applicability of the framework is demonstrated in various queueing settings, including retransmissions in lossy queues, tandem queues, and retrial queues. Chapter 4, “Price of Anarchy with Multiple Information Sources under Competition”, examines shared-channel scenarios modelled as non-cooperative games. Selfish transmission strategies are shown to degrade performance compared with cooperative optima, with inefficiency measured by the Price of Anarchy. Results highlight vulnerabilities of decentralised systems and suggest coordination mechanisms to reduce performance loss. The second main objective of this thesis is addressed in Chapter 5, “An Adaptive Learning Approach to Multivariate Time Forecasting in Industrial Processes”, which proposes an input-output hidden Markov model with adaptive parameter updates to exploit fresh, multivariate data. Applied to real industrial datasets, it achieves competitive accuracy against benchmarks and supports early detection of inefficiencies. The dissertation ends with the main conclusions and future research directions., This thesis has been supported by project SMART ZEO 0011-1365-2021-000085, project PDC2021-120796-I00/MCIN/AEI/10.13039/501100011033, project PID2020- 113125RB-I00/MCIN/AEI/10.13039/501100011033, and by the financial assistance granted by CNRS-IRIT., Programa de Doctorado en Matemáticas y Estadística (RD 99/2011), Matematikako eta Estatistikako Doktoretza Programa (ED 99/2011)
Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publicación Artículo científico (JournalArticle)

Unpaired spatio-temporal fusion of image patches (USTFIP) from cloud covered images

  • Goyena Baroja, Harkaitz
  • Pérez Goya, Unai
  • Montesino San Martín, Manuel
  • Militino, Ana F.
  • Wang, Qunming
  • Atkinson, Peter M.
  • Ugarte Martínez, María Dolores
Spatio-temporal image fusion aims to increase the frequency and resolution of multispectral satellite sensor images in a cost-effective manner. However, practical constraints on input data requirements and computational cost prevent a wider adoption of these methods in real case-studies. We propose an ensemble of strategies to eliminate the need for cloud-free matching pairs of satellite sensor images. The new methodology called Unpaired Spatio-Temporal Fusion of Image Patches (USTFIP) is tested in situations where classical requirements are progressively difficult to meet. Overall, the study shows that USTFIP reduces the root mean square error by 2-to-13% relative to the state-of-the-art Fit-FC fusion method, due to an efficient use of the available information. Implementation of USTFIP through parallel computing saves up to 40% of the computational time required for Fit-FC., This research was supported by the Spanish Research Agency and Next Generation EU (PDC2021-120796-I00 project) and by the Spanish Research Agency (PID 2020-113125RB-I00/MCIN/AEI/10.13039/ 501100011033 project). This work was supported by the National Natural Science Foundation of China under Grant 42222108.
Academica-e. Repositorio Institucional de la Universidad Pública de Navarra
Publicación Tesis doctoral (DoctoralThesis)

Computational methods for efficiently handling and analyzing satellite sensor imagery

  • Goyena Baroja, Harkaitz
Las imágenes satelitales proporcionan información de un valor incalculable para una amplia gama de áreas de investigación. Su utilización en la observación de la Tierra constituye una práctica fundamental para monitorizar catástrofes como incendios forestales, terremotos o inundaciones, analizar procesos agroecológicos o evaluar políticas públicas como la Política Agraria Común. Sin embargo, las imágenes satelitales no están exentas de limitaciones. En primer lugar, las imágenes multiespectrales captadas por estos sensores se ven afectadas por efectos atmosféricos, geométricos y físicos del propio sensor, entre otros, por lo que no están libres de errores. Además, los sensores satelitales deben encontrar un equilibrio entre el ancho de barrido y el tiempo de revisita, lo que implica una compensación entre la frecuencia de adquisición de imágenes y la resolución espacial. Esta tesis se dedica al desarrollo de métodos computacionales eficientes para el tratamiento y análisis de imágenes satelitales. Con este fin, se plantean los siguientes objetivos. El primer objetivo es introducir los conceptos básicos de la teledetección por sensores satelitales, junto con sus aplicaciones y desafíos, con el propósito de aclarar la relevancia de esta tesis. El Capítulo 1 cumple este objetivo al ofrecer una visión general de los conceptos fundamentales necesarios para comprender el resto del trabajo. Asimismo, resume algunas de las diversas aplicaciones de las imágenes satelitales y describe los principales retos para su uso generalizado, vinculándolos con los trabajos desarrollados en esta tesis. El segundo objetivo es analizar el uso del aprendizaje automático (machine learning) para la observación de la Tierra. El Capítulo 2 estudia la aplicación de un conocido método de aprendizaje automático, eXtreme Gradient Boosting (XGBoost), para la detección de áreas quemadas (Burned Area, BA), y lo compara con un enfoque estadístico tradicional, la regresión logística (LR). Para ello, en primer lugar, se transforma la información de las imágenes a un formato que contiene las diferencias de diversos índices. Posteriormente, se realiza la clasificación de las áreas quemadas y se comparan las métricas de precisión obtenidas por ambos métodos. Este trabajo sugiere que los modelos de aprendizaje automático no siempre son la opción más adecuada para detectar áreas quemadas cuando se dispone de conjuntos de datos de tamaño medio o grande. Las concesiones inherentes entre el ancho de barrido y el tiempo de revisita de los sensores satelitales implican una relación de compromiso entre la resolución espacial y la resolución temporal. En consecuencia, los programas satelitales que ofrecen alta resolución espacial no pueden alcanzar simultáneamente una alta resolución temporal, y viceversa. El tercer objetivo de esta tesis es desarrollar un método de fusión espaciotemporal de imágenes (Spatio-Temporal Image Fusion, STIF) que compense estas limitaciones fusionando imágenes de satélites con resoluciones espaciales y temporales complementarias, generando así productos con alta resolución tanto espacial como temporal. El Capítulo 3 describe el método propuesto, denominado Unpaired Spatio-Temporal Fusion of Image Patches (USTFIP). Este método fusiona imágenes de resolución gruesa (por ejemplo, de MODIS) y de resolución fina (por ejemplo, de Landsat) mediante un procedimiento de tres etapas que simplifica los requisitos habituales de los datos de entrada y permite obtener imágenes diarias de alta resolución. El cuarto objetivo es diseñar una plataforma de software capaz de implementar el método USTIFP para generar automáticamente imágenes diarias de alta resolución para cualquier región. El Capítulo 4 presenta la arquitectura propuesta y algunas de las decisiones de implementación subyacentes, así como ciertas limitaciones que motivaron el desarrollo de un nuevo procedimiento de estandarización multisensor. El quinto objetivo consiste en perfeccionar los procedimientos de estandarización existentes con el fin de obtener series de imágenes más adecuadas para los métodos STIF. El Capítulo 5 presenta un procedimiento automático de reescalado (upscaling) que busca mejorar la similitud degradando las imágenes de alta resolución, junto con un enfoque que genera imágenes de baja resolución más parecidas a las imágenes agregadas de alta resolución. Además, compara el efecto de ambas metodologías sobre las predicciones del método USTFIP. La tesis concluye con un resumen de los principales hallazgos y las líneas futuras de investigación., Satellite sensor images provide invaluable information for a wide range of research areas. Operating them for Earth observation is a crucial practice to monitor catastrophes such as wildfires, earthquakes or floods, to analyze agro-ecological processes, or to evaluate public policies such as the common agricultural policy. However, satellite sensor images are not free of caveats. First of all, multispectral images captured by satellite sensors are affected by atmospheric, geometric and physical sensor effects, among others, thus, they are not free of errors. In addition, satellite sensors need to compromise between capture swath width and revisiting time, which leads to trade-offs between image frequency and spatial resolution. This thesis is dedicated to develop computational methods for handling and analyzing satellite sensor imagery. To this end, it aims to achieve the following goals. The first goal is to introduce the basic concepts of satellite sensor imagery, along with their applications and challenges to clarify the relevance of this thesis. Chapter 1 achieves this goal by providing an overview of the fundamental concepts of satellite sensor imagery necessary to understand the rest of the work. It also summarizes some of its various applications and describes the main challenges for the widespread application of satellite sensor imagery methods, while linking them to the work done for this thesis. The second goal is to analyze the use of machine learning for earth observation applications. Chapter 2 investigates the application of a well known machine learning method, eXtreme Gradient Boosting (XGBoost) for burned area (BA) detection and compares it to a traditional statistical approach, Logistic Regression (LR). To this end, we first transform the image data into text format containing several difference indexes. Then, we perform the burned area classification and compare the accuracy metrics obtained by both methods. This work hints that machine learning models are not always the preferable method to detect burned areas with medium to large datasets. The inherent trade-offs between the swath width and revisit time of satellite sensors result in a compromise between spatial and temporal resolution. Consequently, satellite programs offering high spatial resolution cannot simultaneously achieve high temporal resolution, and vice versa. The third objective of this work is to develop a Spatio-Temporal Image Fusion (STIF) method that compensates for these trade-offs by fusing imagery from satellites with complementary spatial and temporal resolutions, thereby generating products with both high spatial and temporal resolution. Chapter 3 describes the proposed Unpaired Spatio Temporal Fusion of Image Patches (USTFIP) method. The method fuses coarse- (e.g. from MODIS) and fine- (e.g. from Landsat) resolution images in a three step procedure that eases the usual input data requirements while providing daily fine-resolution images. The fourth goal is to design a software platform capable of implementing the STIF method to automatically provide daily fine-resolution for any given region. Chapter 4 presents the proposed architecture and some of its underlying mplementation decisions, along with some of its caveats that motivated the development of a new multi-source standardization procedure. The fifth goal is to refine the available standardization procedures to provide image series that are more suitable for STIF methods. Chapter 5 provides an automatic upscaling procedure that aims to improve similarity by degrading the fine resolution images along with a sharpening based approach that provides coarseresolution images that are more alike to the aggregated fine-resolution images and compares the effect of both methodologies on the predictions of the USTFIP method. The thesis concludes with a summary of the main findings and the future research lines., This dissertation has been supported by the financial assistance granted by the Public University of Navarre (Ayudas predoctorales UPNA 2022/2023, Ayudas a la movilidad de doctorado UPNA 2025 and PJUPNA2024-11708 project); the Spanish Ministry of Science and Innovation - Spanish Research Agency (PID 2020-113125RB-I00/ MCIN/ AEI/ 10.13039/501100011033 project); and the Spanish Research Agency and Next Generation EU (PDC2021-120796-I00 project)., Programa de Doctorado en Ciencias y Tecnologías Industriales (RD 99/2011), Industria Zientzietako eta Teknologietako Doktoretza Programa (ED 99/2011)