Wallace-Sibylla : plataforma para el modelado de distribución de especies aplicando redes neuronales profundas

"Wallace-Sibylla es una plataforma para el procesamiento distribuido, y con soporte multilenguaje, que permite la construcción de modelos de distribución de especie (SDM) aplicando redes neuronales profundas convolutivas y recurrentes. El incremento en el volumen y variedad de los datos de registros biológicos, ambientales y socioecológicos, proporciona una oportunidad para aplicar nuevas técnicas analíticas que requieren arquitecturas distribuidas con tecnologías agnósticas. Esta plataforma extiende la solución Wallace y construye una arquitectura construida con microservicios, colas de mensajes para la distribución de carga, comunicación de unidades de procesamiento aplicando gRPC y servicios analíticos que usan variedad de lenguajes de programación. Para evaluar la arquitectura y solución se presenta una librería para la construcción de SDM usando redes neuronales profundas con fuentes de datos no caracterizadas. Se presentan las ventajas y desventajas de la plataforma mediante el análisis, evaluación y comparación de los modelos que aplican redes neuronales con el método MAXENT para las especies Zamia Amazonum y Tyrannus Melancholicus."--Tomado del Formato de Documento de Grado. ; "Wallace-Sibylla is a platform for distributed processing with multilanguage support, which allows the construction of species distribution models (SDM) applying convolutional and recurrent deep neural networks. The increase in the volume and variety of data from biological, environmental and socio-ecological records provides an opportunity to apply new analytical techniques that require distributed architectures with agnostic technologies. This platform extends the Wallace solution and builds an architecture built with microservices, message queues for load distribution, communication of processing units applying gRPC and analytical services that use a variety of programming languages. To evaluate the architecture and solution we present a library for the construction of SDM using deep neural networks with uncharacterized data ...