BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Observatorio Copernicus Ecuador - ECPv6.18.1//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Observatorio Copernicus Ecuador
X-ORIGINAL-URL:https://copernicus.cedia.edu.ec
X-WR-CALDESC:Eventos para Observatorio Copernicus Ecuador
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Guayaquil
BEGIN:STANDARD
TZOFFSETFROM:-0500
TZOFFSETTO:-0500
TZNAME:-05
DTSTART:20250101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Guayaquil:20260606T080000
DTEND;TZID=America/Guayaquil:20260614T130000
DTSTAMP:20260521T175719Z
CREATED:20260521T175600Z
LAST-MODIFIED:20260521T175719Z
UID:2860-1780732800-1781442000@copernicus.cedia.edu.ec
SUMMARY:Procesamiento Escalable de Datos Copernicus desde Google Earth Engine hasta Entornos de Supercomputación
DESCRIPTION:Duración: 12 horas.\nInstructor: César Álvarez\nHorario: Sábados y domingos de 08:00 am a 13:00 pm\nInscribirse: aquí. \nEste curso en modalidad en línea ofrece una formación integral sobre el procesamiento escalable de datos de observación de la Tierra del programa Copernicus\, integrando Google Earth Engine (GEE)\, flujos de trabajo en Python y conceptos de computación de alto rendimiento (HPC).  \nEl curso combina fundamentos conceptuales con ejercicios prácticos orientados al diseño de flujos de trabajo reproducibles y escalables para análisis a escala nacional\, incluyendo integración multisensor\, manejo de datos de alta dimensionalidad (por ejemplo\, embeddings satelitales)\, aprendizaje automático y procesamiento eficiente de ráster.  \nEstá dirigido a investigadores\, estudiantes de posgrado y personal técnico que trabajen con datos geoespaciales y que deseen fortalecer sus capacidades en análisis de grandes volúmenes de datos satelitales. \nObjetivos:\n \n\nComprender la estructura y servicios principales del programa Copernicus. \nProcesar datos multisensor utilizando Google Earth Engine de manera eficiente. \nDiseñar pilas de variables (feature stacks) integrando datos atmosféricos\, ópticos\, radar y climáticos. \nAplicar estrategias de reducción de dimensionalidad en datos de alta complejidad. \nEntrenar modelos de aprendizaje automático (XGBoost\, MLP) para aplicaciones geoespaciales. \nImplementar predicción ráster utilizando procesamiento por bloques (block processing). \nDiseñar flujos de trabajo paralelizables compatibles con entornos HPC.\nConstruir pipelines completos para modelamiento a escala nacional utilizando datos Copernicus. \n\nMetodología:\n \n\nSesiones en vivo con interacción directa.\nDemostraciones prácticas en Google Earth Engine.\nEjercicios aplicados en Python (Google Colab).\nAnálisis de casos reales.\nDiscusión técnica y diseño de flujos de trabajo.\n\nRequisitos: \n\nCuenta de Google (Gmail).\nConocimientos en Python.\nConocimientos básicos de SIG o percepción remota.\nConexión estable a internet.\n\n\nTemario y Cronograma \nBig Data en Copernicus y necesidad de HPC \n\nEstructura del programa Copernicus.\nMisiones Sentinel (S1\, S2\, S3\, S5P).\nERA5-Land y servicios climáticos.\nResolución espacial vs volumen de datos.\nRetos del Big Data en observación de la Tierra.\n¿Cuándo es necesario HPC?.\n\nGoogle Earth Engine como plataforma distribuida \n\nModelo computacional de GEE.\nProcesamiento server-side vs client-side.\nFiltrado y composiciones eficientes.\nOptimización de scripts.\n\nIntegración multisensor \n\nIntegración de Sentinel-1\, Sentinel-2\, Sentinel-5P.\nIncorporación de ERA5-Land.\nArmonización de proyecciones y resoluciones.\nEstrategias de construcción de feature stacks.\n\nEstrategias de exportación y transferencia de datos \n\nLimitaciones de exportación en GEE\nEstrategias de macro-tiling\nExportación a Cloud Storage vs Drive\nDiseño de pipelines GEE → HPC\n\nDatos de alta dimensionalidad y embeddings \n\nComprensión de datasets multibanda (ej. 64 bandas)\nRedundancia y complejidad dimensional\nIntroducción a PCA\nSelección de variables y reducción de dimensionalidad\n\nPreparación de datos para Machine Learning \n\nEstrategias de muestreo\nExtracción de variables desde GEE\nManejo de valores faltantes\nNormalización de variables\n\nMachine Learning aplicado a datos Copernicus \n\nRegresión y clasificación\nXGBoost en modelamiento geoespacial\nRedes neuronales (MLP)\nValidación cruzada espacial\nMétricas de evaluación (R²\, RMSE\, MAE)\n\nInferencia ráster escalable \n\nLimitaciones del procesamiento pixel a pixel\nProcesamiento por bloques (window-based)\nPredicción eficiente en memoria\nReconstrucción de mosaicos\nCuellos de botella en I/O\n\nProcesamiento paralelo y conceptos HPC  \n\nProcesamiento secuencial vs paralelo \nEstrategias de partición espacial \nLógica de procesamiento por lotes \nEstimación de tiempos de ejecución \n\nDiseño de flujo de trabajo nacional  \n\nDiseño de pipeline completo EO → ML → HPC \nIdentificación de cuellos de botella \nEstimación de almacenamiento y tiempos \nReproducibilidad y documentación \n\n 
URL:https://copernicus.cedia.edu.ec/evento/procesamiento-escalable-de-datos-copernicus-desde-google-earth-engine-hasta-entornos-de-supercomputacion/
CATEGORIES:Eventos
ATTACH;FMTTYPE=image/jpeg:https://copernicus.cedia.edu.ec/wp-content/uploads/2026/05/Curso_Copernicus-scaled.jpg
END:VEVENT
END:VCALENDAR