El monitoreo y el pronóstico de la calidad de aire es una tarea relevante para la adopción de sistemas de alerta de alerta temprana y medidas de control para reducir o evitar la exposición a aire contaminado y sus efectos en la salud. Metodología: se aplicó el modelo Extreme Gradient Boosting - XGB para la predicción de valores de material particulado PM2.5 y PM10 para la ciudad de Bogotá – Colombia. Se utilizó la información de las concentraciones de los contaminantes provenientes de la Red de Monitoreo de Calidad del Aire de Bogotá para 15 estaciones para el periodo comprendido entre el 1 de enero de 2021 y el 14 de junio de 2023; se realizó el análisis preliminar de los datos y descripción del comportamiento de los contaminantes, posteriormente, se aplicó y validó el modelo XGB. Resultados: se identificaron las concentraciones de valor medio diario para la ciudad de 16.5 $\mu g/m^3$ para PM2.5 y 32.9 $\mu g/m^3$ PM10, las mayores concentraciones se registran en el periodo entre 6:00 a.m. y 10:00 a.m.; en el mes de febrero y en el sur occidente de la ciudad. Se realizó el entrenamiento del modelo utilizando el 80$\%$ de los datos y la validación con 20$\%$ restante identificando que el modelo XGB predice de forma acertada y consistente los valores de las concentraciones de los contaminantes al ser comparado con los datos de prueba, se obtuvo un puntaje de entrenamiento de 0.72 y un error de raíz cuadrada media de 11.73 Conclusiones: el modelo XGB permite la predicción acertada y robusta de las concentraciones de PM2.5 y PM10 con lo cual se puede obtener información complementaria al sistema de pronóstico existente en la ciudad y contribuir al fortalecimiento de las acciones para garantizar la calidad de aire. 

El presente artículo examina la eficiencia de los paneles solares en rela-ción con la temperatura local y la altitud sobre el nivel del suelo. Uti-lizando tecnologías de Internet de las Cosas (IoT) y técnicas avanzadasde machine learning, se investiga cómo las variaciones en la temperatu-ra y la humedad afectan el rendimiento eléctrico de los paneles solares.Los datos fueron recolectados mediante una placa ESP32 y monitorea-dos continuamente a través de la plataforma ThingSpeak. Estos datosse recopilaron en cuatro alturas distintas: al nivel del panel (0.2m porencima del nivel del suelo), a 0.3 m sobre el panel, a 1.8 m y a 3 m delsuelo. Los resultados revelan que la temperatura disminuye a medidaque aumenta la altura, lo que conlleva una mejora en la eficiencia delpanel solar. Este fenómeno se atribuye a la reducción del calor convec-tivo y por radiación cerca del suelo, así como a la menor interaccióntérmica con la superficie.Para determinar la altura óptima de instalación de los paneles solares,se utilizaron modelos de Random Forest. Estos modelos permiten pre-decir las condiciones óptimas bajo las cuales los paneles solares operancon máxima eficiencia, tanto en términos de potencia reactiva (Q) comode factor de potencia (PF). Este estudio proporciona una guía prácti-ca para la instalación de paneles solares, destacando la importancia deconsiderar la altura de instalación para mejorar la eficiencia energética.Además, demuestra cómo la integración de tecnologías IoT y machinelearning puede ofrecer soluciones precisas y optimizadas para el diseñode sistemas de energía renovable.