{"id":2208,"date":"2024-04-10T13:29:09","date_gmt":"2024-04-10T11:29:09","guid":{"rendered":"http:\/\/10.128.3.28\/?page_id=2208"},"modified":"2025-08-29T11:57:24","modified_gmt":"2025-08-29T09:57:24","slug":"proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral","status":"publish","type":"page","link":"https:\/\/computaex.es\/en\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/","title":{"rendered":"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral"},"content":{"rendered":"<div class=\"field field-name-field-proy-investigadores field-type-text-long field-label-above\">\n<div class=\"field-label\" style=\"text-align: justify;\"><strong>Researchers:\u00a0<\/strong><\/div>\n<div class=\"field-items\" style=\"text-align: justify;\">\n<div class=\"field-item even\">\n<ul>\n<li>Juan Antonio Rico Gallego, Antonio Plaza Miguel, Javier Plaza Miguel, Juan Carlos D\u00edaz Mart\u00edn, Juan Luis Garc\u00eda Zapata y Carmen Jurado Calvo. Universidad de Extremadura.<\/li>\n<li>Javier Corral Gac\u00eda. C\u00e9nitS-COMPUTAEX.<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"field field-name-field-proy-descripcion field-type-text-long field-label-above\" style=\"text-align: justify;\">\n<div class=\"field-label\"><strong>Description:\u00a0<\/strong><\/div>\n<div class=\"field-items\">\n<div class=\"field-item even\">\n<p>Las pr\u00e1cticas actuales en computaci\u00f3n de altas prestaciones (HPC) est\u00e1n impulsadas por la optimizaci\u00f3n del rendimiento y el consumo energ\u00e9tico, encontrado una soluci\u00f3n ampliamente aceptada en la arquitectura de tipo cl\u00faster. Adem\u00e1s, las aplicaciones cient\u00edficas tienden a ser ejecutadas en plataformas heterog\u00e9neas, como demuestra el hecho de que 13 de los 25 supercomputadores m\u00e1s r\u00e1pidos del mundo (atendiendo a la lista TOP500 de junio de 2020) se basan en CPUs con m\u00faltiples cores y aceleradores gr\u00e1ficos (GPUs). Tambi\u00e9n los sistemas Cloud ofrecen plataformas innovadoras y rentables para ejecutar aplicaciones paralelas con requerimientos adicionales, como tolerancia a fallos y procesamiento masivo de datos, incluyendo aplicaciones de negocios, big data y aprendizaje autom\u00e1tico. En general, los sistemas paralelos formados por procesadores multi-core y aceleradores, comunic\u00e1ndose a trav\u00e9s de redes de diferentes capacidades, son ahora los sistemas m\u00e1s extendidos.<\/p>\n<p>Esta heterogeneidad ejerce presi\u00f3n en las infraestructuras software para maximizar la explotaci\u00f3n de las aplicaciones en esas m\u00e1quinas. Como consecuencia, han surgido gran cantidad de t\u00e9cnicas de optimizaci\u00f3n en la literatura, siendo un campo de investigaci\u00f3n activo. Entre ellas se incluyen determinar el perfil computacional de los procesos, encontrar el particionamiento de datos que garantice un equilibrio de la carga de trabajo, dise\u00f1ar modelos anal\u00edticos de las comunicaciones o determinar la ubicaci\u00f3n \u00f3ptima de los procesos en los recursos. Todo con el objetivo de la optimizaci\u00f3n de rendimiento y del uso de recursos de estas plataformas, y por tanto, con la consecuente reducci\u00f3n de los costes.<\/p>\n<p>Las t\u00e9cnicas cl\u00e1sicas para abordar los problemas de optimizaci\u00f3n del paralelismo aparecen en los campos de gesti\u00f3n de recursos, particionamiento de grafos, programaci\u00f3n din\u00e1mica, heur\u00edsticas en problemas combinatorios, etc. A este respecto, nuevas t\u00e9cnicas del campo de la inteligencia artificial son prometedoras y justo ahora est\u00e1n produciendo sus primeros resultados en \u00e1reas como la planificaci\u00f3n y despliegue de procesos y la creaci\u00f3n de modelos anal\u00edticos de comunicaciones.<\/p>\n<p>El objetivo del proyecto es aplicar t\u00e9cnicas de aprendizaje autom\u00e1tico (aprendizaje m\u00e1quina, aprendizaje profundo y aprendizaje con refuerzo) para abordar los problemas cl\u00e1sicos de optimizaci\u00f3n HPC cl\u00faster\/cloud planteados tanto en el software del sistema como en las aplicaciones. En nuestra opini\u00f3n, este enfoque es altamente innovador y supone un cambio de perspectiva, desde el uso habitual de plataformas HPC para la ejecuci\u00f3n de aplicaciones paralelas, incluido el entrenamiento de enormes estructuras de computaci\u00f3n neuronal, hacia la consideraci\u00f3n de t\u00e9cnicas de aprendizaje autom\u00e1tico emergentes (redes profundas, aprendizaje por refuerzo, redes generativas antag\u00f3nicas, autoencoders, etc) para abordar los problemas t\u00edpicos de optimizaci\u00f3n en la computaci\u00f3n HPC cl\u00faster\/cloud.<\/p>\n<p>El proyecto se centra en el an\u00e1lisis y procesado de im\u00e1genes hiperespectrales obtenidas por sensorizaci\u00f3n remota. Este campo de aplicaci\u00f3n resulta id\u00f3neo por dos motivos. Primero, sus aplicaciones demandan un gran rendimiento computacional y precisan plataformas paralelas HPC con un dise\u00f1o apropiado de gesti\u00f3n de recursos y optimizaci\u00f3n de rendimiento, lo que permite evaluar las optimizaciones realizadas. Segundo, es un campo de desarrollo con gran proyecci\u00f3n. Las nuevas t\u00e9cnicas de adquisici\u00f3n de im\u00e1genes y las mejoras en el hardware de sensorizaci\u00f3n han puesto a disposici\u00f3n de las aplicaciones una gran cantidad de im\u00e1genes con una elevada resoluci\u00f3n espacial, espectral y radiom\u00e9trica. El tratamiento de este enorme volumen de datos es un desaf\u00edo que requiere de m\u00e9todos, t\u00e9cnicas y herramientas que sean capaces de almacenar, procesar, analizar y extraer informaci\u00f3n a partir de las im\u00e1genes de forma m\u00e1s eficiente. Los desarrollos propuestos, dirigidos por los avances de la inteligencia artificial en el campo del aprendizaje autom\u00e1tico, son aplicables a un amplio espectro de escenarios de gran impacto social, como la agricultura de precisi\u00f3n, crecimiento y ordenaci\u00f3n urbana, detecci\u00f3n y gesti\u00f3n, monitorizaci\u00f3n y control de incendios forestales y desastres naturales y cambio clim\u00e1tico, por citar unos pocos.<\/p>\n<p>El proyecto, por tanto, explora y desarrolla m\u00e9todos, algoritmos y herramientas innovadores basados en el campo del aprendizaje autom\u00e1tico como fundamento para la optimizaci\u00f3n de aplicaciones cient\u00edficas en plataformas heterog\u00e9neas HPC cl\u00faster\/cloud. Aplicaremos y evaluaremos los resultados en el campo del an\u00e1lisis e interpretaci\u00f3n de im\u00e1genes hiperespectrales obtenidas por sensorizaci\u00f3n remota.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"field field-name-field-proy-objetivos field-type-text-long field-label-above\" style=\"text-align: justify;\">\n<div class=\"field-label\"><strong>Objectives:\u00a0<\/strong><\/div>\n<div class=\"field-items\">\n<div class=\"field-item even\">\n<p>El objetivo general del proyecto es explorar y desarrollar m\u00e9todos, algoritmos y herramientas basados en el aprendizaje autom\u00e1tico como fundamento para la optimizaci\u00f3n de aplicaciones cient\u00edficas en el campo del an\u00e1lisis e interpretaci\u00f3n de im\u00e1genes hiperespectrales obtenidas por sensorizaci\u00f3n remota, desde el punto de vista de la eficiencia de procesamiento de datos y comunicaciones en plataformas heterog\u00e9neas HPC Cluster y Cloud.<\/p>\n<p>El equipo investigador desarrollar\u00e1 nuevas t\u00e9cnicas para mejorar el rendimiento y la resiliencia de aplicaciones HPC con un alto nivel de innovaci\u00f3n, derivado del uso de aproximaciones basadas en el aprendizaje autom\u00e1tico (machine learning, deep learning y reinforcement learning) para afrontar problemas cl\u00e1sicos en entornos paralelos heterog\u00e9neos, como el particionamiento de datos, despliegue de procesos, equilibrado de carga o paralelizaci\u00f3n de modelos. Adem\u00e1s, en el proyecto consideramos entornos dedicados y no dedicados, normalmente representados como Cluster y Cloud respectivamente. Mientras los entornos tipo cl\u00faster heterog\u00e9neos derivan del uso de CPUs y GPUs en su construcci\u00f3n, los entornos Cloud son inherentemente heterog\u00e9neos. Ambos se utilizan en aplicaciones cient\u00edficas, asociados a aplicaciones de alta carga computacional y comunicaciones, y a aplicaciones de proceso masivo de datos, respectivamente. El procesamiento de im\u00e1genes hiperespectrales es un campo que cubre ambas aproximaciones y lo consideramos el id\u00f3neo para el desarrollo de m\u00e9todos y aplicaciones innovadoras, as\u00ed como para la evaluaci\u00f3n de los desarrollos realizados en la plataforma. El equipo investigador desarrollar\u00e1 nuevas t\u00e9cnicas para mejorar el rendimiento y la resiliencia de aplicaciones HPC con un alto nivel de innovaci\u00f3n, derivado del uso de aproximaciones basadas en el aprendizaje autom\u00e1tico (machine learning, deep learning y reinforcement learning) para afrontar problemas cl\u00e1sicos en entornos paralelos heterog\u00e9neos, como el particionamiento de datos, despliegue de procesos, equilibrado de carga o paralelizaci\u00f3n de modelos. Adem\u00e1s, en el proyecto consideramos entornos dedicados y no dedicados, normalmente representados como Cluster y Cloud respectivamente. Mientras los entornos tipo cl\u00faster heterog\u00e9neos derivan del uso de CPUs y GPUs en su construcci\u00f3n, los entornos Cloud son inherentemente heterog\u00e9neos. Ambos se utilizan en aplicaciones cient\u00edficas, asociados a aplicaciones de alta carga computacional y comunicaciones, y a aplicaciones de proceso masivo de datos, respectivamente. El procesamiento de im\u00e1genes hiperespectrales es un campo que cubre ambas aproximaciones y lo consideramos el id\u00f3neo para el desarrollo de m\u00e9todos y aplicaciones innovadoras, as\u00ed como para la evaluaci\u00f3n de los desarrollos realizados en la plataforma.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"field field-name-field-proy-metodologia field-type-text-long field-label-above\" style=\"text-align: justify;\">\n<div class=\"field-label\"><strong>Metodolog\u00eda:\u00a0<\/strong><\/div>\n<div class=\"field-items\">\n<div class=\"field-item even\">\n<p>Los tres aspectos fundamentales que dirigir\u00e1n el desarrollo del proyecto son:<\/p>\n<ol>\n<li>La experiencia previa del equipo investigador en el desarrollo de soluciones para plataformas de computaci\u00f3n heterog\u00e9neas y particularmente en aplicaciones de an\u00e1lisis de im\u00e1genes hiperespectrales obtenidas por sensores remotos.<\/li>\n<li>Las contribuciones de investigaci\u00f3n del equipo investigador y los colaboradores internacionales en los campos anteriores.<\/li>\n<li>La posibilidad de explotar los desarrollos del proyecto en forma de transferencia de tecnolog\u00eda.<\/li>\n<\/ol>\n<p>Nuestra aproximaci\u00f3n metodol\u00f3gica se basa en dos aspectos principales: desarrollos anal\u00edticos y desarrollos computacionales. Espec\u00edficamente, se plantean nuevos desarrollos anal\u00edticos para plataformas HPC Cluster\/Cloud en el contexto del dominio de aplicaciones HSI. El conocimiento adquirido derivado de los desarrollos realizados se tomar\u00e1 como base para explorar e implementar nuevos entornos de paralelizaci\u00f3n. La transferencia de nuevos desarrollos anal\u00edticos a la implementaci\u00f3n y viceversa se considera de vital importancia y con alto impacto en innovaci\u00f3n, y requiere de especial atenci\u00f3n a posibles sinergias entre las dos vertientes de desarrollo.<\/p>\n<p>Para asegurar la validez de los desarrollos, contamos con la experiencia de prestigiosos investigadores internacionales que actuar\u00e1n como evaluadores externos de nuestros m\u00e9todos, a la vez que colaboradores en los mismos. Entre ellos, los investigadores relacionados en la propuesta colaboran con el Prof. Alexey L. Lastovetsky y Dr. Ravi Manumachu (Heterogeneous Computing Laboratory, University College Dublin, Irlanda), Dr. Jos\u00e9 Gracia (Department of Scalable Programming Models and Tools, of the High Performance Computing Center Stuttgart HLRS, Alemania), Prof. Emmanuel Jeannot (INRIA, French National Institute for Digital Sciences), Prof. Jun Li (Director del Hyperspectral Calibration Laboratory, Sun Yat-Sen University, Guangzhou, China), Prof. Zebin Wu (Director del Supercomputing Group, Nanjing University of Science and Technology, China).<\/p>\n<p>Con respecto a la implementaci\u00f3n y desarrollos computacionales, nuestra metodolog\u00eda incluye tres aspectos principales: simulaci\u00f3n, prototipado y evaluaci\u00f3n, y desarrollo final. Usaremos entornos de simulaci\u00f3n para obtener resultados preliminares en varias plataformas, de las cuales la m\u00e1s completa es\u00a0<a href=\"https:\/\/\/en\/simgrid.org\/\" target=\"_blank\" rel=\"noopener\">SIMGRID<\/a>. En esta fase de simulaci\u00f3n, realizaremos desarrollos iniciales que ser\u00e1n analizados y evaluados posteriormente en plataformas con recursos limitados disponibles localmente a los grupos de investigaci\u00f3n involucrados en el proyecto, como peque\u00f1as plataformas heterog\u00e9neas HPC. Finalmente, llevaremos a cabo una evaluaci\u00f3n detallada de los desarrollos y determinaremos su escalabilidad en sistemas HPC reales, como los disponibles en CenitS-COMPUTAEX, que ya han sido utilizados por los investigadores del equipo con anterioridad y que suponen nuestra principal plataforma objetivo, y tambi\u00e9n en otros recursos disponibles a trav\u00e9s de la RES (Red Espa\u00f1ola de Supercomputaci\u00f3n) y plataformas comerciales que proporcionan recursos computacionales de tipo Cloud, como Amazon EC2, Microsoft Azure, etc.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div class=\"field field-name-field-proy-financiacion field-type-text-long field-label-above\" style=\"text-align: justify;\">\n<div class=\"field-label\"><strong>Sources of funding:\u00a0<\/strong><\/div>\n<div class=\"field-items\">\n<div class=\"field-item even\">\n<p>Resoluci\u00f3n de 9 de abril de 2020, (DOE n\u00fam. 87, de 7 de mayo) de la Secretar\u00eda General, por la que se aprueba la convocatoria de las ayudas destinadas a la realizaci\u00f3n de proyectos de investigaci\u00f3n en los Centros\u00a0 P\u00fablicos de I+D+i de la Comunidad Aut\u00f3noma de Extremadura, para la anualidad 2020. Secretar\u00eda General de Ciencia, Tecnolog\u00eda, Innovaci\u00f3n y Universidad. Consejer\u00eda de Econom\u00eda, Ciencia y Agenda Digital.<br \/>\n<img decoding=\"async\" class=\"aligncenter\" src=\"\/wp-content\/uploads\/2025\/01\/logos_plan_innovacion_y_talento.jpg\" alt=\"\" \/><\/p>\n<\/div>\n<\/div>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Investigadores:\u00a0 Juan Antonio Rico Gallego, Antonio Plaza Miguel, Javier Plaza Miguel, Juan Carlos D\u00edaz Mart\u00edn, Juan Luis Garc\u00eda Zapata y Carmen Jurado Calvo. Universidad de Extremadura. Javier Corral Gac\u00eda. C\u00e9nitS-COMPUTAEX. &#8230;<\/p>","protected":false},"author":1,"featured_media":0,"parent":9950,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"categories":[104,81],"tags":[],"class_list":["post-2208","page","type-page","status-publish","hentry","category-ciencias-informaticas-y-de-comunicaciones","category-proyectos"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v27.6 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/computaex.es\/en\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX\" \/>\n<meta property=\"og:description\" content=\"Investigadores:\u00a0 Juan Antonio Rico Gallego, Antonio Plaza Miguel, Javier Plaza Miguel, Juan Carlos D\u00edaz Mart\u00edn, Juan Luis Garc\u00eda Zapata y Carmen Jurado Calvo. Universidad de Extremadura. Javier Corral Gac\u00eda. C\u00e9nitS-COMPUTAEX. ...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/computaex.es\/en\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/\" \/>\n<meta property=\"og:site_name\" content=\"Fundaci\u00f3n COMPUTAEX\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/m.facebook.com\/computaex\/\" \/>\n<meta property=\"article:modified_time\" content=\"2025-08-29T09:57:24+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/computaex.es\/wp-content\/uploads\/2025\/08\/COMPUTAEX.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"403\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:site\" content=\"@computaex\" \/>\n<meta name=\"twitter:label1\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data1\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/computaex.es\\\/proyectos\\\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\\\/\",\"url\":\"https:\\\/\\\/computaex.es\\\/proyectos\\\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\\\/\",\"name\":\"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/computaex.es\\\/#website\"},\"datePublished\":\"2024-04-10T11:29:09+00:00\",\"dateModified\":\"2025-08-29T09:57:24+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/computaex.es\\\/proyectos\\\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/computaex.es\\\/proyectos\\\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/computaex.es\\\/proyectos\\\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Portada\",\"item\":\"https:\\\/\\\/computaex.es\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Proyectos\",\"item\":\"https:\\\/\\\/computaex.es\\\/proyectos\\\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/computaex.es\\\/#website\",\"url\":\"https:\\\/\\\/computaex.es\\\/\",\"name\":\"Fundaci\u00f3n COMPUTAEX\",\"description\":\"COMPUTAEX\",\"publisher\":{\"@id\":\"https:\\\/\\\/computaex.es\\\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/computaex.es\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/computaex.es\\\/#organization\",\"name\":\"COMPUTAEX\",\"url\":\"https:\\\/\\\/computaex.es\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/computaex.es\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/computaex.es\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/cropped-COMPUTAEX_transparente-scaled-1.png\",\"contentUrl\":\"https:\\\/\\\/computaex.es\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/cropped-COMPUTAEX_transparente-scaled-1.png\",\"width\":2560,\"height\":970,\"caption\":\"COMPUTAEX\"},\"image\":{\"@id\":\"https:\\\/\\\/computaex.es\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/m.facebook.com\\\/computaex\\\/\",\"https:\\\/\\\/x.com\\\/computaex\",\"https:\\\/\\\/es.linkedin.com\\\/company\\\/cenits\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/computaex.es\/en\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/","og_locale":"en_US","og_type":"article","og_title":"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX","og_description":"Investigadores:\u00a0 Juan Antonio Rico Gallego, Antonio Plaza Miguel, Javier Plaza Miguel, Juan Carlos D\u00edaz Mart\u00edn, Juan Luis Garc\u00eda Zapata y Carmen Jurado Calvo. Universidad de Extremadura. Javier Corral Gac\u00eda. C\u00e9nitS-COMPUTAEX. ...","og_url":"https:\/\/computaex.es\/en\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/","og_site_name":"Fundaci\u00f3n COMPUTAEX","article_publisher":"https:\/\/m.facebook.com\/computaex\/","article_modified_time":"2025-08-29T09:57:24+00:00","og_image":[{"width":1024,"height":403,"url":"https:\/\/computaex.es\/wp-content\/uploads\/2025\/08\/COMPUTAEX.jpg","type":"image\/jpeg"}],"twitter_card":"summary_large_image","twitter_site":"@computaex","twitter_misc":{"Est. reading time":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/computaex.es\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/","url":"https:\/\/computaex.es\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/","name":"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral - Fundaci\u00f3n COMPUTAEX","isPartOf":{"@id":"https:\/\/computaex.es\/#website"},"datePublished":"2024-04-10T11:29:09+00:00","dateModified":"2025-08-29T09:57:24+00:00","breadcrumb":{"@id":"https:\/\/computaex.es\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/computaex.es\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/computaex.es\/proyectos\/proyecto-hiperespectral-intellihsi-aprendizaje-automatico-para-la-optimizacion-de-plataformas-de-supercomputacion-y-soporte-de-aplicaciones-de-imagen-hiperespectral\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Portada","item":"https:\/\/computaex.es\/"},{"@type":"ListItem","position":2,"name":"Proyectos","item":"https:\/\/computaex.es\/proyectos\/"},{"@type":"ListItem","position":3,"name":"Hiperespectral IntelliHSI: Aprendizaje Autom\u00e1tico para la Optimizaci\u00f3n de Plataformas de Supercomputaci\u00f3n y soporte de Aplicaciones de Imagen Hiperespectral"}]},{"@type":"WebSite","@id":"https:\/\/computaex.es\/#website","url":"https:\/\/computaex.es\/","name":"COMPUTAEX Foundation","description":"COMPUTAEX","publisher":{"@id":"https:\/\/computaex.es\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/computaex.es\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/computaex.es\/#organization","name":"COMPUTAEX","url":"https:\/\/computaex.es\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/computaex.es\/#\/schema\/logo\/image\/","url":"https:\/\/computaex.es\/wp-content\/uploads\/2025\/05\/cropped-COMPUTAEX_transparente-scaled-1.png","contentUrl":"https:\/\/computaex.es\/wp-content\/uploads\/2025\/05\/cropped-COMPUTAEX_transparente-scaled-1.png","width":2560,"height":970,"caption":"COMPUTAEX"},"image":{"@id":"https:\/\/computaex.es\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/m.facebook.com\/computaex\/","https:\/\/x.com\/computaex","https:\/\/es.linkedin.com\/company\/cenits"]}]}},"_links":{"self":[{"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/pages\/2208","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/comments?post=2208"}],"version-history":[{"count":5,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/pages\/2208\/revisions"}],"predecessor-version":[{"id":8455,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/pages\/2208\/revisions\/8455"}],"up":[{"embeddable":true,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/pages\/9950"}],"wp:attachment":[{"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/media?parent=2208"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/categories?post=2208"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/computaex.es\/en\/wp-json\/wp\/v2\/tags?post=2208"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}