Thesis:

Arquitectura incremental open data cube satelital para un framework N-dimensional de geoprocesamiento e interoperabilidad de imágenes multisensor

The rapid growth of Earth Observation (EO) satellite data has highlighted the limitations of traditional execution-centric and file-based processing architectures, particularly for recurrent monitoring scenarios over long satellite time series. While current approaches have improved data access and scalability, support for incremental updates and efficient result reuse in recurrent monitoring scenarios remains limited. This thesis proposes an Incremental Multi-Cube architecture based on an intelligent orchestration engine that autonomously manages spatial subdivision, baseline evolution and execution decisions. The orchestrator dynamically partitions areas of interest into stable sub-cubes, optimizes tile selection according to spatial coverage and applies explicit update policies such as incremental appending, temporal gap filling, on-demand sub-cube extraction and controlled recomputation, with adaptive parallelization incorporated as a supporting mechanism. The framework is algorithm and sensor agnostic, enabling the integration of heterogeneous satellite image time series and diverse analytical methods without coupling algorithmic logic to data management or orchestration. The experimental evaluation, based on multi-year Sentinel-2 time series as a representative EO dataset, demonstrates order of magnitude improvements in execution time and disk I/O compared to classical sequential processing workflows. These results confirm that the architecture efficiently supports recurrent EO monitoring and long-term time-series analysis while avoiding unnecessary recomputation.

El rápido crecimiento de los datos satelitales de Observación de la Tierra (EO) ha evidenciado las limitaciones de las arquitecturas tradicionales de procesamiento, centradas en la ejecución y en flujos basados en archivos, particularmente en escenarios de monitoreo recurrente sobre largas series temporales de imágenes. Si bien los enfoques actuales han mejorado el acceso a los datos y la escalabilidad, el soporte para actualización incremental y reutilización eficiente de resultados en escenarios de monitoreo recurrente sigue siendo limitado. Esta tesis propone una arquitectura Incremental Multi-Cube basada en un motor de orquestación inteligente que gestiona de forma autónoma la subdivisión espacial, la evolución del baseline y las decisiones de ejecución. El orquestador divide dinámicamente las áreas de interés en sub-cubos estables, optimiza la selección de tiles en función de la cobertura espacial y aplica políticas explícitas de actualización, tales como appending incremental, relleno de vacíos temporales, extracción on-demand de sub-cubos y recomputación controlada, incorporando paralelización adaptativa como mecanismo de soporte. El framework es agnóstico a algoritmos y sensores, lo que permite integrar series temporales satelitales heterogéneas y distintos métodos analíticos sin acoplar la lógica algorítmica a la gestión de datos ni a la orquestación. La evaluación experimental, basada en series temporales multianuales de Sentinel-2 como conjunto EO representativo, evidencia mejoras de orden de magnitud en tiempo de ejecución y en I/O de disco frente a flujos secuenciales clásicos. Estos resultados confirman que la arquitectura soporta de forma eficiente el monitoreo EO recurrente y el análisis de series temporales de largo plazo, evitando recomputaciones innecesarias.