Resumen: Mediante este artículo se presenta una propuesta de arquitectura para la agricultura de precisión soportada en tecnologías abiertas de Internet de las Cosas (IoT) para la obtención, monitoreo y análisis de variables climáticas. La propuesta se basa en la estructura de la arquitectura Lambda, considerando diferentes capas como son: La capa de captura de datos, cuya función es la obtención de variables asociadas a un cultivo. La capa de almacenamiento, cuya función es recopilar la información en tiempo real desde los sensores. La capa de procesamiento, genera predicciones y recomendaciones, la cual es evaluada mediante pruebas de carga con el fin de determinar su capacidad y tiempo de respuesta. La capa de consulta, permite a los usuarios finales visualizar en una interfaz web los datos climáticos y las predicciones. Así, esta arquitectura pretende servir de referencia para la implementación de servicios basados en IoT en el área de la agricultura.Palabras clave: Agricultura de Precisión, Arquitectura Lambda, Internet de las Cosas, Sparkjava Framework, Variables climáticas. Proposal of an Architecture for Precision Agriculture Supported in IoTAbstract: This paper presents a proposal for an architecture for precision agriculture supported in open technologies of the Internet of things (IoT) for the collection, monitoring and analysis of climatic variables. The proposal is based on the structure of the Lambda architecture, considering different layers such as: The data capture layer, whose function is to obtain variables associated with a crop. The storage layer, whose function is to collect the information in real time from the sensors. The processing layer generates predictions and recommendations, which are evaluated by load tests to determine their capacity and response time. The query layer allows to end users to view weather data and predictions on a web interface. Thus, this architecture aims to serve as a reference for the implementation of services based on IoT in the area of agriculture.

El videostreaming es una de las tecnologías que actualmente tiene repercusiones importantes en diferentes contextos como la educación, la salud y el sector empresarial; todo lo anterior gracias a las facilidades que esta brinda para el acceso a contenidos multimedia de manera remota, ya sea en vivo o en diferido, permitiendo la comunicación independientemente de la ubicación geográfica. Uno de los protocolos estándar que permite la implementación de esta tecnología es RTSP, sin embargo dado que la mayoría de servidores de aplicaciones y servicios en internet están soportados en peticiones HTTP, es poco el trabajo que se ha realizado en cuanto a la generación de herramientas,  para realizar pruebas de estrés sobre servidores de streaming. Este artículo presenta una herramienta de medición de estrés llamada Hermes, desarrollada en el lenguaje Python, la cual permite el cálculo de los tiempos de respuesta en el establecimiento de conexiones RTSP a servidores de streaming, así como la obtención de datos de consumo de memoria RAM y porcentaje de uso de CPU de estos  servidores. Hermes fue desplegada dentro de en un entorno de videostreaming, sobre el cual se realizó la evaluación de estrés para el servidor LIVE555, usando para ello invocaciones en segundo plano a los clientes libres VLC y OpenRTSP.

Objetivo: Caracterizar el comportamiento de las curvas de casos, muertes y personas recuperadas por el COVID-19 en Colombia, en esta investigación se propuso como aporte el uso del enfoque de regresión polinomial para el modelar el comportamiento de los datos. Metodología: Se obtuvieron los datos a partir de los reportes proporcionados por el Ministerio de Salud de Colombia. En primera instancia, se estudió el procedimiento empleado para la obtención de la regresión polinomial mediante la regresión lineal múltiple, en segunda instancia, se diseñó e implementó una herramienta para la aplicación del procedimiento estudiado sobre el conjunto de datos recolectado, y finalmente, se realizó el análisis de los resultados. Resultados: Se obtuvo para los tres estudios considerados (casos, muertes y personas recuperadas) 20 polinomios en conjunto con el error medio cuadrático (RMSE) y el nivel de determinación (R2) asociados a cada uno. Así mismo, se obtuvo un conjunto de predicciones basadas en las regresiones lineales obtenidas para cada estudio. Conclusiones: La volatilidad de los polinomios con valores futuros, las ecuaciones polinómicas son más útiles para evaluar el comportamiento de la curva del COVID-19 hasta el día de captura de los datos, it means, pueden ser usadas para determinar el impacto de las medidas gubernamentales en un periodo determinado de tiempo. Igualmente, las librerías de machine learning provistas por el lenguaje Python, demostraron ser de gran apoyo a la estimación de la regresión polinomial.

No abstract

No abstract