[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.
