La generación de electricidad amigable con el medio ambiente es un factor fundamental para el crecimiento económico y social de cualquier país. Recientemente la instalación de sistemas de generación fotovoltaicos se ha incrementado a nivel local, aunque su rendimiento depende del lugar de instalación y se ve afectado por diversos parámetros ambientales como la radiación, la temperatura y la precipitación. En el presente trabajo se lleva a cabo un análisis experimental del rendimiento, en términos de potencia generada, de un sistema solar fotovoltaico con inversor centralizado y con microinversores, instalado en la ciudad de Manizales, ubicada a 2.150 m s.n.m., temperatura promedio de 16.4 °C y precipitación de 1.878 mm al año. Históricamente, este municipio presenta dos periodos de tiempo lluviosos con alta nubosidad entre los meses de abril – junio y octubre – diciembre, y dos periodos de tiempo menos lluviosos entre los meses de enero–marzo y julio–septiembre. Para el experimento se implementó un sistema de generación solar fotovoltaico conformado por seis paneles solares marca Hybrytec con 270 W de potencia de generación cada uno, y dos sistemas de monitoreo – (i) Wifi – Box® para el arreglo fotovoltaico con inversor centralizado y (ii) EnvoyTM para el arreglo fotovoltaico con microinversores. Los parámetros ambientales recolectados por la estación meteorológica La Nubia, ubicada en los alrededores del sistema solar, y los datos recolectados por los sistemas de monitoreo implementados son analizados en el periodo de tiempo comprendido entre los meses de julio de 2018 y mayo de 2019. Se observa y se concluye que, a pesar de los altos niveles de precipitación promedio acumulada mensual (entre 71 mm y 262,2 mm) y los altos niveles de nubosidad (nublado o mayormente nublado el 76 % del tiempo), el arreglo fotovoltaico con microinversores presenta un 16,5 % de energía generada por encima del arreglo con inversor centralizado.

Automatic image-based recognition systems have been widely used to solve different computer vision tasks. In particular, animals' identification in farms is a research field of interest for the computer vision and the agriculture community. It is then necessary to develop robust and precise algorithms to support detection, recognition, and monitoring tasks to enhance farm management. Traditionally, deep learning approaches have been proposed to solve image-based detection tasks. Nonetheless, databases holding many instances are required to achieve competitive performances, not mentioning the hyperparameters tuning issues. In this paper, we propose a transfer learning approach for image-based animal recognition. We enhance a pre-trained Convolutional Neural Network model for animal classification from noisy and low-quality images. First, a dog vs. cat task is tested from the well-known CIFAR database. Further, a cow vs. no cow database is built to test our transfer learning approach. The achieved results show competitive classification performance using different types of architectures compared to state-of-the-art methodologies.