Resumen

Debido a la creciente dimensionalidad y volumen de datos hiperespectrales obtenidos de forma remota, el desarrollo de técnicas de aceleración para enfoques de análisis masivo de imágenes hiperespectrales es un desafío muy importante. La computación en la nube ofrece muchas posibilidades de procesamiento distribuido de conjuntos de datos hiperespectrales. Este documento propone un nuevo método de extracción distribuida de endmembers en paralelo basado en análisis de errores iterativos que utiliza principios de computación en la nube para procesar de manera eficiente datos hiperespectrales masivos. El método propuesto aprovecha tecnologías que incluyen el modelo de programación MapReduce, el Sistema de Archivos Distribuido de Hadoop (HDFS) y Apache Spark para realizar una implementación paralela distribuida para la extracción de endmembers hiperespectrales, lo que acelera significativamente el cálculo del procesamiento hiperespectral y proporciona un acceso de alto rendimiento a grandes conjuntos de datos hiperespectrales. Los resultados experimentales, obtenidos

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Aumento de dimensionalidad; Volumen; Datos hiperespectrales; Técnicas de aceleración; Computación en la nube; Procesamiento distribuido
• Keywords:Increasing dimensionality; Volume; Hyperspectral data; Acceleration techniques; Cloud computing; Distributed processing