Esta tesis pretende mitigar, en parte, la creciente necesidad que existe por mejorar la eficiencia en la gestión de recursos hídricos y agrícolas en un contexto de cambio climático y escasez de agua. El tratamiento de datos es el proceso que ocurre entre la recolección y su posterior traducción en información utilizable. La problemática central radica en la carencia de sistemas de monitoreo precisos y asequibles que puedan proporcionar datos confiables sobre las condiciones hidrológicas y su vinculación a procesos íntimamente relacionados como el crecimiento y rendimiento de cultivos. Para abordar esta problemática, se desarrollaron dispositivos IoT (del inglés, Internet of Things) de bajo costo para la medición automática de variables hidrológicas, ambientales y biológicas. Los dispositivos, basados en plataformas de hardware libre / open-source, permitieron la recopilación de información precisa sobre la dinámica hidrológica y la medición de la evolución del crecimiento de cultivos en la región centro de la Provincia de Santa Fe. Por tanto, la tesis propone una transformación en la forma en que se adquiere y se agrega valor a los datos agro-hidrológicos. El estudio incluye el diseño y desarrollo de hardware y software, la calibración y validación de sensores utilizando técnicas de aprendizaje automático, y la implementación de sistemas de monitoreo agro-hidrológicos. Además, se emplearon modelos de crecimiento y rendimiento de cultivos basados en datos recolectados por estos dispositivos, demostrando su eficacia en la mejora de la gestión de recursos hídricos y su impacto en la producción agrícola. El desarrollo ha mostrado resultados alentadores para su uso como herramienta de soporte en la toma de decisiones. La investigación concluye con recomendaciones para la implementación y mejora continua de estos sistemas, subrayando su potencial impacto positivo en la agricultura y la gestión del agua.
This thesis seeks to partially mitigate the growing need to enhance efficiency in managing water and agricultural resources amid climate change and water scarcity. Data processing is a key activity that bridges the gap between data collection and its transformation into actionable information. The central challenge stems from the absence of precise, affordable monitoring systems capable of delivering reliable data on hydrological conditions and their connections to closely related processes, such as crop growth and yield. To address this issue, low-cost IoT (Internet of Things) devices were developed for the automated measurement of hydrological, environmental, and biological variables. Based on open-source hardware platforms, these devices facilitated the accurate collection of data on hydrological dynamics and tracked crop growth trends in the central region of Santa Fe Province. Consequently, this thesis proposes a paradigm shift in how agro-hydrological data is gathered and adds value. The study encompasses the design and development of hardware and software, sensor calibration and validation using machine learning techniques, and the instrumentation of agro-hydrological monitoring systems. Furthermore, crop growth and yield models, driven by data from these devices, were utilized, proving their effectiveness in optimizing water resource management and boosting agricultural productivity. The development has yielded encouraging results, establishing it as a valuable decision-support tool. The research concludes with recommendations for the implementation and continuous improvement of these systems, emphasizing their potential to positively impact agriculture and water management.
