Proyectos

El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).

Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias. Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto. A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura. Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.

Métodos basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones están permitiendo abordar múltiples problemas en ambientes no controlados como la agricultura, de manera robusta. Por ejemplo, métodos basados en Neural Radiance Fields (NeRF) se están explorando de manera amplia tanto con imágenes satelitales como en problemas de robótica de campo. En este contexto, el proyecto busca aunar competencias en visión computacional y aprendizaje de máquinas, usadas en la detección remota y en robótica, para abordar nuevas técnicas basadas en representaciones neuronales implícitas, para aplicaciones de la agricultura de precisión. Para lograr este objetivo, los investigadores convocados tienen un profundo conocimiento en estas áreas complementarias. Es importante destacar que las áreas de sensado remoto (satelital y drones) y sensado próximo (robots y redes de sensores) están experimentando una aceleración sin precedentes. En el caso de sensado remoto, además de los grandes programas públicos como Sentinel, los actores privados están creando flotas de microsatélites capaces de vigilar la Tierra con revisitas diarias. Estos datos abundantes, baratos y de alta resolución están creando oportunidades para desarrollar aplicaciones novedosas para la supervisión de la actividad agrícola. En el caso del sensado próximo, las redes de sensores, junto con el uso de robots para monitoreo, está permitiendo un seguimiento regular de los procesos agrícolas, con una alta resolución temporal y espacial, por lo que cada vez hay una mayor disponibilidad de datos, que complementan los datos obtenidos mediante sensado remoto. A nivel de uso, estas tecnologías se complementan, y a nivel de investigación, las técnicas utilizadas están empezando a converger, mediante el uso de métodos basados en redes neuronales, y más específicamente por métodos basados en representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF). Por todo esto, el estudio del sensado remoto y próximo de manera conjunta, y mediante marcos de trabajo con técnicas similares como las representaciones neuronales implícitas, tiene un gran potencial para en un futuro próximo generar una visión integrada de los procesos agrícolas mejorando la sostenibilidad y eficiencia en la agricultura. Durante su ejecución, el proyecto llevará a cabo actividades de investigación conjunta, incluyendo seminarios online regulares, la toma de datos en terreno, y un workshop de cierre en el contexto de una conferencia internacional, que junto con el intercambio de investigadores en formación (magíster, doctorado y/o postdoctorado), así como visitas de investigadores senior, buscan articular una de red de trabajo que aborde de manera interdisciplinar y con técnicas modernas, problemáticas de sensado remoto y próximo en agricultura de precisión mediante representaciones neuronales implícitas, tales como Neural Radiance Fields (NeRF), entre otras.

[vc_section el_class="container mx-auto align-items-center circle--pattern" css=".vc_custom_1648956589196{padding-top: 3rem !important;}"][vc_row el_class="pb-5"][vc_column][vc_wp_custommenu nav_menu="6"][uoh_breadcrumb_component automatic_breadcrumb="true"][uoh_title_component title_dropdown="big" title_decorator="true"]{{title}}[/uoh_title_component][vc_column_text css=""]El proyecto busca aunar competencias en visión computacional y fruticultura, para habilitar la construcción de modelos de crecimiento y madurez de cerezas a partir de modelos 3D construidos a partir de imágenes hiperespectrales. En particular se desarrollarán algoritmos de visión computacional 3D basados en representaciones neuronales implícitas para estimar el color y tamaño de frutos en cerezo durante el ciclo de crecimiento y cosecha, así como para estimar y correlacionar información hiperespectral con variables de calidad, como firmeza y grados brix de los frutos. A partir de estos algoritmos, se desarrollará una metodología para la construcción de modelos de crecimiento de los frutos que aporten a mejorar la calidad de la fruta fresca de exportación. Es importante destacar que métodos de machine learning basados en representaciones neuronales implícitas están empezando a usarse ampliamente en distintos ámbitos de visión computacional, robótica y sensado remoto. Este tipo de representaciones está permitiendo abordar múltiples problemas en ambientes no controlados en la agricultura, de manera robusta. Por ejemplo, métodos basados en redes neuronales implícitas, tales como Neural Radiance Fields (NeRF) y Deep Signed Functions (DeepSDF) se están explorando para aplicaciones tales como reconstrucción 3D de frutas, árboles y huertos, habilitando aplicaciones de agricultura de precisión, como conteo de frutas y análisis fenológico. Para que el desarrollo de estas aplicaciones tenga un impacto en la agricultura, es necesario el desarrollo de modelos desde una mirada interdisciplinar, considerando tanto métodos del estado del arte de visión computacional y machine learning, así como un conocimiento profundo de fruticultura y en particular de fisiología de los árboles frutales caducos. La calidad de la fruta de exportación es un pilar fundamental de nuestra fruticultura, y desde esa base, se considera importante el desarrollo de herramientas de monitoreo y diagnóstico que permitan predecir calidad y condición de la fruta oportunamente, y sobre todo bajo un escenario de cambio climático. En la temporada 2021-2022, un 20% de las cerezas presentaron serios problemas de calidad en los mercados de destino. De este volumen, un 28-47% se relacionaron con problemas de manejo en precosecha. En la agricultura convencional el uso de datos ha sido limitado a conocer procesos productivos puntuales tales como el monitoreo de variables ambientales o fisiológicas, las que han dado cuenta de un cierto estado del sistema de la planta de manera indirecta. Algunos avances en automatización en la toma de datos se han reportado para la aplicación de riego de precisión. Sin embargo, desde el mundo académico no existe un gran aprovechamiento de los avances en inteligencia artificial para la agronomía. En efecto, la predicción del comportamiento de variables productivas complejas, especialmente aquellas ligadas a la calidad de la fruta representan aún un desafío no resuelto en la industria nacional. En este sentido las técnicas de machine learning han sido utilizadas con éxito para predecir el rendimiento en diversas especies agrícolas, incluyendo frutales. No obstante, la calidad de fruta ha sido escasamente abordada, pese a existir capacidades teóricas. Debido a esto surge la necesidad del desarrollo de herramientas para construir modelos de crecimiento y madurez de cerezas, así como para que los productores puedan hacer seguimiento de su producción, y en particular de la calidad de ésta. Con el objetivo de desarrollar una metodología para la construcción de modelos de desarrollo de cerezas mediante imágenes hiperespectral y modelos computacionales 3D de frutos, y así aportar a la mejora de la calidad de la producción de la cereza, el proyecto propone abordar tres grandes objetivos: ● Diseñar y capturar base de datos de imágenes, de variables agroclimáticas y mediciones fisiológicas. ● Desarrollar métodos de visión computacional y IA para la estimación de calibre, firmeza, color, y grados brix de cerezas. ● Desarrollar, calibrar y validar modelos de crecimiento de cerezas a partir de los resultados obtenidos con los algoritmos de visión computacional y IA desarrollados. Para alcanzar estos objetivos, los investigadores convocados tienen un profundo conocimiento en las áreas complementarias desde la ingeniería (visión computacional, machine learning y robótica), y la fruticultura (fisiología de los árboles frutales caducos, sistemas de conducción, portainjertos, y gestión de huertos).[/vc_column_text][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649209804184{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5"][vc_row el_class="container mx-auto align-items-center p-md-0 pt-5"][vc_column el_class="p-0"][/vc_column][/vc_row][/vc_section][vc_section css=".vc_custom_1649210787516{background-color: #f6faff !important;}" el_class="p-md-0 pt-md-5 pb-md-5"][vc_row el_class="container mx-auto align-items-center"][vc_column][/vc_column][/vc_row][/vc_section]

Rapa Nui o Isla de Pascua es una isla volcánica intraoceánica que se encuentra sobre la placa de Nazca, ubicada en el vértice oriental de la Polinesia (Océano Pacífico). La isla se encuentra a 3700 km de la costa continental chilena y pertenece a la Región de Valparaíso (Chile). Su situación remota y aislada junto con el aumento de la urbanización, la ocupación y el turismo en el territorio, se traduce en mayores niveles de exposición y de vulnerabilidad frente a peligros geológicos como el volcanismo, la erosión, las remociones en masa, los tsunamis, entre otros, que generan niveles relativamente altos de riesgo local. El 40% del área insular corresponde al Parque Nacional Rapa Nui, donde existen lugares de alto interés y visita por su riqueza arqueológica, como el volcán Rano Raraku, la cantera de los Moai y las cuevas volcánicas del sector Roiho. Sin embargo, actualmente estos lugares presentan riesgos de inestabilidad por caída de rocas que amenazan tanto a locales, visitantes y al propio patrimonio cultural. Además, los fenómenos hidrometeorológicos, cada vez más extremos como consecuencia del cambio climático actual, van agravando la condición de los materiales expuestos y aumentando la tasa de denudación en el territorio. La erosión, generada principalmente por la lluvia y el viento, es otro problema significativo, que afecta gravemente a los suelos de la isla, y que se ve principalmente en la incisión de la quebrada Ava Ranga Uka. A pesar de la importancia e implicancia que tienen estos fenómenos en la seguridad de quienes habitan y visitan Rapa Nui, no se han realizado estudios sobre la evaluación de los peligros geológicos asociados a las remociones en masa o la erosión superficial. Este proyecto busca, por tanto, evaluar los procesos de denudación para comprender la influencia de los fenómenos de remociones en masa (caída de roca) y erosión por escorrentía superficial en la estabilidad del paisaje, que representan un riesgo geológico para en diferentes lugares altamente visitados. Para ello, se caracterizarán geotécnicamente los macizos rocosos con el objetivo de evaluar la estabilidad del paleoacantilado del cono Rano Raraku y las cuevas Ana Kakenga y Ana Te Pahu a través de ensayos de laboratorio, datos en terreno y el uso de un láser escáner. Además, se realizará la identificación de los factores que influyen en la inestabilidad y se localizaran las zonas de alcance ante el potencial peligro de caída de rocas a través del software RocScience. Por otro lado, para evaluar la erosión por escorrentía se determinarán las tasas de erosión superficial utilizando isótopos cosmogónicos (3He) de sedimentos de la quebrada Ava Ranga Uka. Los resultados, además de arrojar luz sobre la dinámica y evolución de los procesos de denudación en la isla, servirán para desarrollar planes de seguridad y conservación, asegurando la protección del patrimonio cultural y la seguridad de residentes y turistas.

Rapa Nui o Isla de Pascua es una isla volcánica intraoceánica que se encuentra sobre la placa de Nazca, ubicada en el vértice oriental de la Polinesia (Océano Pacífico). La isla se encuentra a 3700 km de la costa continental chilena y pertenece a la Región de Valparaíso (Chile). Su situación remota y aislada junto con el aumento de la urbanización, la ocupación y el turismo en el territorio, se traduce en mayores niveles de exposición y de vulnerabilidad frente a peligros geológicos como el volcanismo, la erosión, las remociones en masa, los tsunamis, entre otros, que generan niveles relativamente altos de riesgo local. El 40% del área insular corresponde al Parque Nacional Rapa Nui, donde existen lugares de alto interés y visita por su riqueza arqueológica, como el volcán Rano Raraku, la cantera de los Moai y las cuevas volcánicas del sector Roiho. Sin embargo, actualmente estos lugares presentan riesgos de inestabilidad por caída de rocas que amenazan tanto a locales, visitantes y al propio patrimonio cultural. Además, los fenómenos hidrometeorológicos, cada vez más extremos como consecuencia del cambio climático actual, van agravando la condición de los materiales expuestos y aumentando la tasa de denudación en el territorio. La erosión, generada principalmente por la lluvia y el viento, es otro problema significativo, que afecta gravemente a los suelos de la isla, y que se ve principalmente en la incisión de la quebrada Ava Ranga Uka. A pesar de la importancia e implicancia que tienen estos fenómenos en la seguridad de quienes habitan y visitan Rapa Nui, no se han realizado estudios sobre la evaluación de los peligros geológicos asociados a las remociones en masa o la erosión superficial. Este proyecto busca, por tanto, evaluar los procesos de denudación para comprender la influencia de los fenómenos de remociones en masa (caída de roca) y erosión por escorrentía superficial en la estabilidad del paisaje, que representan un riesgo geológico para en diferentes lugares altamente visitados. Para ello, se caracterizarán geotécnicamente los macizos rocosos con el objetivo de evaluar la estabilidad del paleoacantilado del cono Rano Raraku y las cuevas Ana Kakenga y Ana Te Pahu a través de ensayos de laboratorio, datos en terreno y el uso de un láser escáner. Además, se realizará la identificación de los factores que influyen en la inestabilidad y se localizaran las zonas de alcance ante el potencial peligro de caída de rocas a través del software RocScience. Por otro lado, para evaluar la erosión por escorrentía se determinarán las tasas de erosión superficial utilizando isótopos cosmogónicos (3He) de sedimentos de la quebrada Ava Ranga Uka. Los resultados, además de arrojar luz sobre la dinámica y evolución de los procesos de denudación en la isla, servirán para desarrollar planes de seguridad y conservación, asegurando la protección del patrimonio cultural y la seguridad de residentes y turistas.

Calidad de agua en una cuenca de alta montaña afectada por la degradación de la criosfera

Los microplásticos son partículas de plástico con un tamaño entre 0.1 μm y 5 mm, los cuales han recibido una amplia atención debido a sus posibles efectos sobre los organismos vivos, la contaminación de los ecosistemas, la baja tasa de reciclaje, su fácil transporte y su interacción con contaminantes orgánicos e inorgánicos. Los microplásticos son considerados contaminantes emergentes, pues, sus efectos sobre los organismos aún no han sido totalmente descritos. Sin embargo, se ha demostrado que los diversos aditivos que poseen los plásticos (por ejemplo, bisfenoles, ftalatos, irganox) afectan negativamente a diversos organismos, con potenciales efectos adversos para la salud humana. Por otra parte, a medida que los microplásticos sufren el proceso de envejecimiento o degradación por efecto de las condiciones ambientales, estos poseen una mayor área superficial y reactividad, lo que promueve su interacción con otros contaminantes inorgánicos (por ejemplo, metales pesados) y orgánicos (por ejemplo, hidrocarburos policíclicos aromáticos). Por lo tanto, los microplásticos poseen diversos riesgos para los organismos que no se conocen a profundidad, lo que requiere un mayor esfuerzo investigativo a nivel mundial. Si bien la problemática de la contaminación por microplásticos es de conocimiento público, su estudio se ha enfocado en los ecosistemas marinos, específicamente en el agua, arena de playa en la línea costera y diversos organismos, con poco esfuerzo de muestreo en otras matrices ambientales como los suelos, aguas continentales y la atmósfera. Esta última es de gran importancia ya que, debido al bajo tamaño y densidad del microplástico, este puede ser resuspendido en la columna de aire, siendo fácilmente transportado desde el suelo a la atmósfera y siendo expuestos a los organismos vivos. Es por esto que el material particulado proveniente de eventos de deposición húmeda y seca es considerado como un gran aporte de microplásticos en sistemas terrestres y acuáticos, lo que es de gran relevancia cuando se considera la interacción del microplástico con elementos potencialmente tóxicos como metales u otras moléculas orgánicas. Por lo tanto, la literatura reciente en el área de los microplásticos muestra un incremento en las investigaciones del microplástico atmosférico, pues, es este el que finalmente es inhalado directamente por los seres vivos. En Chile, a pesar de ser el país en América Latina que más genera plásticos de un solo uso, y que además posee comunas ubicadas entre las 10 ciudades más contaminadas de dicha región, los estudios sobre microplásticos son escasos. Cabe destacar que esta categorización está asociada a la calidad del aire, por lo que la presencia del material particulado es un problema significativo. En este contexto, no existen estudios publicados a nivel nacional que evalúen el microplástico atmosférico, por lo que tampoco existe evidencia sobre la interacción entre dicho plástico y otros contaminantes. Esto aplica para la Región de O’Higgins, la cual, al ser una región minera y agrícola, es esperable que presente microplásticos en el material particulado, con la posible interacción con elementos potencialmente tóxicos, especialmente en los asentamientos con mayor densidad poblacional y desarrollo. Por lo tanto, la presente propuesta busca evaluar la ocurrencia y características de microplásticos presentes en el material particulado en una zona urbana y periurbana de la Región de O’Higgins, considerando su interacción con elementos potencialmente tóxicos, la estacionalidad y los eventos de deposición húmeda y seca. Para esto se integrarán disciplinas cómo el estudio de la meteorología, la química analítica y la contaminación ambiental. Se colectará y analizará el material particulado de forma mensual cada dos meses durante un año, esto para detectar, cuantificar e identificar los microplásticos presentes debido a eventos de deposición húmeda y seca. Se instalarán colectores pasivos de material particulado en las inmediaciones de la Universidad de O’Higgins (Campus Rancagua, Campus Colchagua, Estación Experimental Choapinos, Chapetón). Las partículas de microplásticos serán analizadas mediante espectroscopia FT-IR/ATR y/o con detector FPA. Posterior a la identificación de los tipos de polímeros, las partículas se analizarán con el microscopio de barrido para evaluar la presencia de metales en la superficie del microplástico. Además, se realizará una extracción con solventes para el análisis de hidrocarburos policíclicos aromáticos y bisfenoles policlorados presentes en el microplástico mediante un GC-MS. Finalmente, se realizarán diversos modelos para detectar los mejores predictores meteorológicos y poblacionales para predecir la deposición del microplástico en el material particulado por efecto de la deposición húmeda y seca. Se espera someter un artículo científico con los resultados de este proyecto para el último año de ejecución, y además se busca que este proyecto fortalezca el estudio de los microplásticos en la Universidad de O’Higgins, siendo soporte significativo para futuras postulaciones en equipamiento especializado e investigaciones de gran novedad internacional. Por último, este proyecto sentará las bases para una futura investigación que evalúe de forma directa e indirecta los efectos del microplástico en la salud humana de las comunidades de la Región de O’Higgins.

TRANSFERENCIA SUPERCOMPUTACIÓN PARA INNOVACIÓN EN SALUD REGIONAL: HPC-UOH Y HRLBO

TRANSFERENCIA SUPERCOMPUTACIÓN PARA INNOVACIÓN EN SALUD REGIONAL: HPC-UOH Y HRLBO