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.

En este artículo se presenta la propuesta de un modelo de clasificación de tumores cerebrales utilizando redes neuronales convolucionales(CNN), basado en imágenes de resonancia magnética (IRM). La clasificación se realizó a partir de un conjunto de datos obtenido de la plataforma Kaggle, denominado Brain Tumor MRI Data, que contenía untotal de 7153 imágenes de resonancia magnética. Estas imágenes estaban clasificadas en cuatro categorías: glioma, meningioma, tumor pituitario y no tumor. El modelo predictivo fue entrenado mediante técnicas de aprendizaje profundo, específicamente redes neuronales convolucionales, que permitieron la extracción automática de característicasrelevantes de las imágenes médicas para la clasificación de los tumorescerebrales. El enfoque se centró en la optimización del modelo, a travésde técnicas de preprocesamiento de datos, como la normalización y elredimensionamiento de las imágenes, con el objetivo de mejorar la precisión de la clasificación. Los resultados obtenidos mostraron una tasaalta de precisión en la identificación de tumores, lo que destaca la efectividad de las redes neuronales convolucionales en el análisis de imágenes médicas complejas. Este modelo tiene el potencial de asistir a losprofesionales de la salud en la toma de decisiones diagnósticas, porqueproporciona una herramienta adicional en la identificación de tumorescerebrales con la que pueden mejorarse los procesos de diagnóstico enneurociencias.