En esta sección voy a proceder a describir las principales líneas de investigación que he seguido. Son variadas pero todas tienen en núcleo común: el uso de de técnicas computacionales y de inteligencia artificial en la modelización de parámetros físicos y biológicos.
MACHINE LEARNING PARA MODELIZAR EL APRENDIZAJE DE LOS ESTUDIANTES
He desarrollado varios enfoques novedosos basados en Machine Learning para analizar el comportamiento de los estudiantes en un curso. He usado modelos supervisados -árboles de decisión y deep learning- y modelos no supervisados- análisis mediante cluster.
Estos modelos son capaces de predecir si un estudiante completará con éxito un curso o si lo abandonará y de analizar el perfil de aprendizaje de una clase y detectar grupos de estudiantes que están teniendo problemas con la materia .
Algunos resultados que he obtenido en este proyecto:
Rubio, M. A. (2020). Automated Prediction of Novice Programmer Performance Using Programming Trajectories. In International Conference on Artificial Intelligence in Education (pp. 268-272). Springer.
Rubio, M. A., Romero-Zaliz, R., Mañoso, C., & Angel, P. (2015). Closing the gender gap in an introductory programming course. Computers & Education, 82, 409-420.
Metodos avanzados de computación aplicados en biología
En esta línea -abierta en la actualidad- intento aplicar distintas algoritmos y técnicas de inteligencia artificial en la resolución y simulación de modelos de interés biológico.
Un ejemplo del tipo de trabajo que estoy realizando se puede encontrar en:
Román-Román, Patricia, D. Romero, M. A. Rubio, and Francisco Torres-Ruiz. «Estimating the parameters of a Gompertz-type diffusion process by means of Simulated Annealing.» Applied Mathematics and Computation 218, no. 9 (2012): 5121-5131.
ESA’s ‘Webcam from Space’
Dentro del proyecto de la Agencia Espacial Europea Grid Processing on Demand for Earth Observation Applications (G-POD) desarrollé un sistema que permitía monitorizar en tiempo real (Near Real Time) una localización específica de manera continuada. El objetivo era crear una especie de “webcam desde el espacio” para cualquier localidad que se quisiese observar.
La primera aplicación del proyecto fue la monitorización de la placa de hielo Wilkins que corría un riesgo serio de fracturarse debido al calentamiento global. Sufrió una ruptura total en Abril de 2009.
Uso de computación Grid y datos de satélite para el desarrollo de un sistema de vigilancia medioambiental global
Esta línea de investigación la desarrollé durante los tres años que estuve trabajando en el European Space Research Institute de la Agencia Espacial Europea. En este tiempo me dediqué a desarrollar aplicaciones GRID para el procesamiento de imágenes por satélite con el objetivo de monitorizar fenómenos a nivel planetario.
Alguno de los proyectos más relevantes que desarrollé son:
Vomir: Este proyecto consistía en monitorizar un conjunto de 300 volcanes repartidos por todo el globo. El sistema era capaz de detectar las erupciones gracias al sensor de infrarrojos del satélite Envisat.
Colin, O., M. Rubio, P. Landart, and E. Mathot. «VoMIR: over 300 volcanoes monitored in near real-time by AATSR.» In Proceedings of Envisat Symposium 2007, pp. 23-27. 2007
AeroMeris: Esta herramienta permitía generar series de datos temporales de larga duración a partir del archivo del satélite Envisat. Este sistema fue utilizado en el proceso de selección del emplazamiento del nuevo European Extremely Large Telescope (E-ELT) perteneciente al European Space Observatory.
Rubio, M. A., O. Colin, and E. Mathot. «Generation of long-term time series of remote sensing data using ESA’s GPOD system.» In EGU General Assembly Conference Abstracts, vol. 11, p. 12571. 2009.
Utilización de técnicas de inteligencia artificial para la estimación de parámetros biofísicos a partir de medidas de satélite.
Mi trabajo en este campo -ya concluido- consistía en la utilización de modelos estadísticos y de inteligencia artificial, redes neuronales principalmente, para la estimación de distintos parámetros biofísicos: radiación fotosintética, contenido en agua de la vegetación…
Trombetti, M., D. Riaño, M. A. Rubio, Y. B. Cheng, and S. L. Ustin. «Multi-temporal vegetation canopy water content retrieval and interpretation using artificial neural networks for the continental USA.» Remote Sensing of Environment 112, no. 1 (2008): 203-215.
Rubio, M. A., G. Lopez, J. Tovar, D. Pozo, and F. J. Batlles. «The use of satellite measurements to estimate photosynthetically active radiation.» Physics and Chemistry of the Earth, Parts A/B/C 30, no. 1 (2005): 159-164.