2026-09-06T12:45:29Zhttps://gredos.usal.es/oai/request

oai:gredos.usal.es:10366/1725252026-08-26T00:04:46Zcom_10366_4827com_10366_4843col_10366_4828

Pérez Lancho, María Belén Gil González, Ana Belén Miguel Jurado, Giannina Milagros 2026-08-25T11:23:27Z 2026-08-25T11:23:27Z 2025-07 http://hdl.handle.net/10366/172525 Trabajo Fin de Máster. Máster Universitario en Sistemas Inteligentes [ES]Este Trabajo de Fin de Máster parte del estudio de los espacios de datos como marco de referencia para la integración de fuentes de datos agroclimáticos, donde se presenta la propuesta del diseño y desarrollo de un espacio de datos agrícolas que integran fuentes públicas (SIAR) y privadas, mediante una arquitectura basada en microservicios, alineada con los principios europeos de soberanía del dato, interope- rabilidad y confianza en el intercambio de información.Sobre esta infraestructura se implementó un caso de uso orientado a la gestión inteligente del riego,centrado en la estimación de la Evapotranspiración de Referencia (ETo). Para ello,se entrena- ron y compararon dos algoritmos de aprendizaje automático Random Forest (RF) y Perceptrón Multicapa (MLP), utilizando datos diarios de cuatro estaciones agrocli- máticas ubicadas en la provincia de Soria. Se diseñaron tres experimentos que fueron reduciendo el número de variables de entrada,para evaluar la robustez yeficiencia de los modelos,siendo RF el algoritmo que mostró el mejor desempeño, alcanzando valores de R2 y NSE de hasta 0,986 en la estación S002 . Además, los resultados demostraron que es posible obtener estimaciones cercanas al valor de ETo sin re- currir a métodos tradicionales que requiere una mayor cantidad de variables como Penman-Monteith, lo cual simplifica su aplicación operativa en contextos donde la disponibilidad de datos o la capacidad técnica es limitada. El estudio concluye que la integración de espacios de datos con modelos de inteli- gencia artificial mejora significativamente el acceso a información clave para la toma de decisiones de riego ,favoreciendo una gestión hídrica más eficiente y abriendo el camino hacia soluciones Agrotech escalables y replicables. spa Attribution 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess Espacio de datos Aprendizaje automático Evapotransporación de referencia Data space Machine learning Reference evapotranspiration 1203.04 Inteligencia Artificial Espacios de datos y su aplicación en el sector Agrotech info:eu-repo/semantics/masterThesis