Magíster en artes con mención en teoría e histroia del arte / El Museo Nacional de Bellas Artes de Santiago, Chile, posee dentro de su pequeña colección de arte colonial una obra titulada Patrocinio de san José, realizada por el artista altoperuano Gaspar Miguel de Berrío en 1744. Esta pintura, adquirida por dicha institución a un coleccionista privado hace medio siglo, se ha posicionado como una de las más emblemáticas del relato visual construido al alero del principal centro expositivo del país. Sin embargo, en contraste con esta situación, no se cuenta con información respecto a su historia, como tampoco con publicaciones o estudios nacionales sobre el significado de la imagen, sino que la obra ha sido interpretada a modo general en diversas ocasiones y estas interpretaciones han sido reiteradas y reproducidas por el frecuente uso de fuentes secundarias. La presente tesis propone realizar un estudio del fenómeno de la recepción de la obra, así como también de la imagen y su significado, con el fin de contribuir al conocimiento y reflexión en torno a esta pintura, y al mismo tiempo a la toma de conciencia en relación a las operaciones y paradigmas que componen parte del entramado de la construcción visual nacional

Memoria para optar al título profesional de Ingeniera en Recursos Naturales Renovables / Las formaciones de bosque y matorral en el norte de Chile, si bien son escazas, son importantísimas para la biodiversidad y los ciclos de la tierra. A pesar de esto, su evolución y cambios no han sido suficientemente estudiados, incluidos los factores que propician su deforestación. En este contexto, el principal objetivo de este estudio fue desarrollar una metodología para construir el escenario de deforestación de formaciones leñosas entre los años 2003-2013, y entre los años 2014-2113, para el norte de Chile. Se utilizaron imágenes satelitales Landsat 5 y Landsat 8, de los años 2003, 2008 y 2013, de las regiones de Arica y Parinacota, Tarapacá, Antofagasta y Atacama. Las imágenes fueron procesadas y agrupadas en un mosaico para cada año, zonificándose en función de NDVI y clasificándose en diferentes coberturas. Se determinó la magnitud y distribución de los cambios en las coberturas de bosque y matorral. Posteriormente, se identificaron los motores de deforestación proyectándose al periodo 2014-2113, junto con la proyección de la deforestación. La deforestación bruta de bosque y matorral fue de 75.903 ha y 577.338 ha, respectivamente. La reforestación de bosque y matorral fue de 110.181 ha y 716.898 ha, respectivamente. Se cuantificó un aumento neto de 34.279 ha para bosques y 139.560 ha para matorrales. En concreto, entre los años 2003 y 2013 hubo un aumento de 1,49% en la superficie de bosque y un aumento de 3,23% de matorral entre las regiones de Arica y Parinacota y Atacama. La tala, extracción de madera y la agricultura son los principales motores de deforestación en el norte de Chile. La agricultura con una leve tendencia al alza no debería representar un motor importante de deforestación en el futuro. La superficie de bosque se acabaría en el año 2038 y la superficie de matorral se acabaría el año 2030. El método de predicción según el promedio anual histórico es el más acertado para proyectar la deforestación. En conclusión, no existe una pérdida neta de formaciones leñosas en el norte de Chile, ya que la reforestación es mayor a la deforestación. Sin embargo, antes del 2040 se podrían agotar las formaciones leñosas si no se establecen medidas para su protección.

Memoria para optar al Título Profesional de Ingeniero Forestal / El aumento de la disponibilidad de sistemas de captura masiva de información geográfica, requiere la evaluación y validación de sus capacidades para su procesado automático. Su utilización se da en diferentes campos: civil, militar, forestal, obras civiles, hidrología, medio ambiente, agricultura. La siguiente memoria tiene por objeto evaluar la exactitud de modelos digitales de elevación (DEMs), obtenidos mediante imágenes estereoscópicas satelitales, proveniente de la constelación PLEIADES de la zona de Monte Oscuro, VII Región del Maule, contrastándolo con modelos digitales de elevación validados: LiDAR, SRTM y ASTER.

Memoria para optar al título de Ingeniero Civil Matemático / El propósito de esta memoria es aportar elementos para el cálculo de dos indicadores que son parte de los Objetivos de Desarrollo Sustentable (ODS), lanzados por la ONU en 2015. Ambos se inscriben dentro del objetivo 11, "Lograr que las ciudades y los asentamientos humanos sean inclusivos, seguros, resilientes y sostenibles". El primer caso se enfoca en el indicador ODS 11.3.1, "cociente entre la tasa de consumo de tierras y la tasa de crecimiento de la población". Se utilizan imágenes satelitales de acceso público (Landsat 8) y de resolución media (30 $m$ por píxel), y etiquetas provenientes del Atlas de Expansión Urbana, proyecto de New York University. Se busca identificar a nivel de píxel la superficie construida presente en las imágenes. Esto se realiza mediante diferentes algoritmos de clasificación: regresión logística, máquinas de soporte vectorial, gradient tree boosting y redes neuronales. Se muestra que la solución con máquinas de soporte vectorial posee una ventaja significativa en su rendimiento. El segundo caso se centra en el indicador ODS 11.7.1 "cuota promedio del área edificada de las ciudades que es espacio abierto para uso público para todos ". Se utilizan imágenes de alta resolución (0.5 m por píxel) y sus metadatos asociados, provenientes de un desafío en línea, donde se busca clasificar entre 62 clases de edificaciones y usos de tierra como por ejemplo, aeropuertos, escuelas, cultivos, minas, etc. Se emplea un modelo a nivel del estado del arte en clasificación de imágenes, Inception-V3, preentrenado en ImageNet 2012, que es capaz de combinar la información de la imagen con los metadatos correspondientes. El modelo obtenido se posiciona dentro del tercio superior de la competencia. Los resultados obtenidos en ambos experimentos permiten suponer que este trabajo presenta propuestas metodológicas factibles, que en el primer caso facilitan cálculo del indicador, y en el segundo, vislumbran la conveniencia de una solución basada en imágenes satelitales. En el Capítulo 1 se introduce el trabajo de memoria y se definen los objetivos del proyecto. En el Capítulo 2 se ahonda en la estructura de las imágenes satelitales, se define el problema de clasificación, se describen los algoritmos de clasificación que son empleados y se analiza brevemente el estado del arte para ambas problemáticas. En los capítulos 3 y 4, se profundiza en los experimentos de clasificación de superficie construida y de edificaciones respectivamente. Finalmente, en el Capítulo 5 se desarrollan algunas recomendaciones y se sintetizan las contribuciones de este trabajo. Se deja de manifiesto que una parte de este trabajo fue presentado en el concurso de posters de la Escuela de Verano Interamericana de Inteligencia Computacional (EVIC) 2017, realizada en Valparaíso, Chile y otra, en la Machine Learning Summer School (MLSS) 2018 realizada en Buenos Aires, Argentina. / CMM - Conicyt PIA AFB170001

No description available.

Memoria para optar al título de Geólogo / 19/10/2021

Memoria para optar al título de Ingeniero Civil Eléctrico / En la era de internet es el contenido multimedia el que concentra la mayoría del tráfico y se espera que para el 2020 este tipo de datos tenga un tráfico de más de 100,000 petabytes al mes. Esto junto con el creciente uso de redes sociales ha provocado que buscar imágenes sea una práctica habitual. Esta situación está resuelta para imágenes que tienen texto asociado como las que se encuentran en Google. ¿Pero qué pasa si se necesita buscar en una base de datos de imágenes que no tienen texto asociado? Por ejemplo, las imágenes subidas a una red social, o las carpetas del computador que tienen las imágenes de las vacaciones. Esta es la principal pregunta que motiva este trabajo, el cual está basado principalmente en las investigaciones de Snoek, Dong y Li quienes aplican la técnica word2visualvec, donde la idea principal es entrenar una red neuronal para que aprenda a transformar el espacio de los descriptores de texto al espacio de los descriptores de imágenes, conservando la relación semántica entre el texto y las imágenes. Para el entrenamiento de la red neuronal se usó el dataset MSCOCO, el cual consiste en más de 80,000 imágenes para entrenar y validar el modelo y más de 40,000 para ser usadas como conjunto de prueba. Además de las fotos, este dataset contiene 5 descripciones de texto para cada una de ellas. Así en total se tienen más de 400.000 ejemplos de texto-imagen para entrenar la red neuronal. Los experimentos se dividieron en 3 partes que se diferencian en el tipo de descriptor de texto y descriptor de imagen usados. Para el texto se usaron los descriptores TF-IDF, R-TF-IDF y word2vec y para las imágenes se usaron los descriptores VLAD y Deep Features (basado en la VGG16). En total se entrenaron 21 modelos, 18 de ellos fueron entrenados en inglés y 3 en español. La evaluación de los modelos consideró el tiempo de entrenamiento, el costo en el conjunto de validación y el Average Precision de los resultados retornados. Los resultados obtenidos son prometedores y permiten sacar conclusiones muy importan- tes. Dentro de ellas es que el impacto de los descriptores de texto se refleja mayormente en el tiempo de entrenamiento, donde el descriptor word2vec es el más rápido de entrenar. Mientras que los descriptores de imágenes impactan significativamente en la relevancia de los resultados, siendo Deep Features basados en la red pre-entrenada VGG16 el que tuvo los mejores resultados, alcanzando una efectividad de 20 % en coincidencias exactas y 68 % en coincidencias parciales.

Tesis-Universidad de Valladolid (inédita). / Incluye referencias bibliográficas e índice.

TESIS PARA OPTAR AL GRADO DE MAGISTER EN ADMINISTRACION / Herreros Wandel, Matías, [Parte I], Sierra Bou, Felipe, [Parte II] / En materia de salud, nuestro país presenta serios déficits en indicadores sanitarios en comparación a otras economías de ingresos medios – altos (Ver anexo 1). Este déficit se ve acentuado por la brecha existente entre la salud pública y privada, en donde ambos sistemas compiten por el acceso a infraestructura y personal calificado, y no existe un balance equitativo entre oferta y demanda. Como consecuencia de esto, las listas de espera en el sector público acumulan 1.882.184 personas que no tienen satisfecha una necesidad de salud, y que esperan un promedio de 439 días para una consulta con un especialista. El área de Imagenología y diagnóstico no escapa a esta realidad. Desde el lado de la oferta, tanto cantidad de equipos, como de especialistas en nuestro país es insuficiente y se encuentra altamente concentrada, mientras que desde el lado de la demanda, esta ha tenido un fuerte crecimiento durante los últimos años, tendencia que debería mantenerse, o incluso acentuarse, en línea con la tendencia que siguen las economías más desarrolladas del mundo, en donde existe un mayor envejecimiento de la población, mayores ingresos, y en consecuencia, mayor acceso y uso de tecnologías médicas avanzadas. La utilización de exámenes de Imagenología ha tenido un fuerte crecimiento durante los últimos años (Ver anexo 2), y es cada vez más difícil que se tome una decisión de alta complejidad en medicina sin que exista una imagen de por medio, especialmente aquellas con un nivel de sofisticación mayor, como scanner y resonancia magnética. El siguiente plan de negocios aborda un Centro de Imagenología, Innovación y Diagnóstico, llamado Anestimagen, el cual está ubicado en la comuna de San Miguel, inició sus operaciones en abril de 2017, atiende a pacientes afiliados a Fonasa e Isapres, principalmente del sector sur de Santiago, y que se establece para entregar al paciente una experiencia en salud, más cercana, transparente y con altos niveles de excelencia accesible para todos, ofreciendo un servicio de salud de excelencia, a un precio ético, y con un foco especial en niños y pacientes de alta complejidad. Todo esto además apoyado por un equipo gestor compuesto por profesionales de la salud con vasta experiencia en el sector público. Este proyecto contempla una inversión inicial de1.626 millones de pesos, la tasa de descuento utilizada para el cálculo del VAN es de 14,0924%, y el resultado obtenido del VAN de 759.502.866 para la evaluación del proyecto puro y de VAN igual a 1.118.272.626 para la evaluación del proyecto financiado a través de Leasing, se puede decir que al tener un valor positivo el proyecto crea valor. El proyecto es rentable sustentado en una tasa Interna de Retorno (TIR) de 22,7% para el caso de la evaluación del flujo puro y una TIR de 43,07% para el proyecto financiado vía Leasing, resultando ambas TIR superiores a la tasa de descuento (14,0924%). Finalmente, tomando como horizonte de inversión a 10 años, su Pay Back se estima será alcanzado en 2 años.