Grupo de Sistemas Complejos (GSC)

Inicio

/

Investigación e innovación

/

Grupos de investigación

/

Grupo de Sistemas Complejos (GSC)

El Grupo de Sistemas Complejos tiene amplia experiencia en el estudio de sistemas complejos, tratamiento de datos masivos, dinámica no lineal y caos, y es de carácter fuertemente interdisciplinar, investigando en áreas tan variadas como la física, matemáticas, óptica, sociología, medicina, biología y agroambiental. También es muy activo en la dirección de Tesis Doctorales dentro del Programa de Doctorado en Sistemas Complejos de la UPM.

Forma parte de distintas redes temáticas, como COMSOTEC (Sistemas Complejos Sociotecnológicos), DANCE (Dinámica, Atractores No Caóticos y Estabilidad), ISMC (International Soil Modeling Consortium), GUMNET (Guadarrama Monitoring NETworking) y AGRISOST (sistemas AGRarios SOSTenibles). Esto hace que GSC participe activamente en las reuniones de las distintas Redes y mantenga colaboraciones con diversos centros de EE. UU. (Center for Nonlinear Sciences, Georgia Institute of Technology, MIT, New England Complex Networks Institute, University of California, University of Texas, John Hopkins University) y de Europa (Rothamsted Research, University of Reading, UfZ Leipzig, Postdam Institute).

Líneas de trabajo

Redes complejas: Modelización y estudio del comportamiento humano, redes sociales y redes ecológicas.
Big Data: Tratamiento, análisis y visualización de datos masivos.
Autómatas Celulares: Modelización espacial en tiempo discreto y modelos evolutivos.
Caos Clásico y Cuántico: Leyes de escala y análisis del caos.
Dinámica No Lineal: Análisis de series temporales de sistemas no lineales.

Investigador principal

Tarquis, Ana María
Catedrática de Universidad
Departamento:
910671380
Correo:
anamaria.tarquis@upm.es
ORCID
ResearchGate
Tarquis, Ana María
Catedrática de Universidad
Premio
Catedrática de Universidad en el departamento de Matemática Aplicada de la UPM.

Su principal interés científico se centra en aplicar potentes herramientas matemáticas en la agricultura y el medio ambiente para afrontar los problemas de una manera diferente y ver lo avances que se pueden llevar a cabo. Esto ha creado un enfoque interdisciplinario en todos los problemas que aborda. En este sentido, además de la aplicación de la estadística clásica y la modelización, ha estudiado leyes de escalamiento en diversos estudios de suelos y en series de tiempo, redes de Barabasi, así como técnicas de machine learning en problemas de clasificaciones en imágenes.

Departamento:
Matemática Aplicada.
Grupo de Investigación:
Grupo de Sistemas Complejos (GSC)
Escuela / Facultad:
Escuela Técnica Superior de Ingeniería Agronomía, Alimentaria y Biosistemas (ETSIAAB).
Organismo:
Universidad Politécnica de Madrid.
Líneas de investigación:
Análisis de imagen, series temporales, geoestadística y datascience en agricultura y medioambiente.