- Arratia-Uribe, Benjamín Andrés|||0000-0001-7869-053X
[ES] Los desafíos ambientales globales, como el cambio climático, la contaminación y la pérdida de biodiversidad, exigen enfoques innovadores y sostenibles para monitorear y gestionar eficazmente ecosistemas vulnerables. La inteligencia ambiental (EI) surge como un paradigma clave, integrando diversas fuentes de datos y modelos dinámicos para posibilitar la toma de decisiones en tiempo real, basada en datos, en contextos socioambientales complejos. Esta tesis presenta el diseño e implementación de infraestructuras IoT in situ con capacidades de computación en el borde, adaptadas a entornos desafiantes como lagunas costeras y regiones semiáridas. En el núcleo de este trabajo se encuentran dos aportes principales: el protocolo AlLoRa y el sistema BODOQUE. AlLoRa optimiza la transmisión de grandes volúmenes de datos a larga distancia y bajo consumo, admitiendo tanto redes punto a punto como en malla. Probado con éxito a más de 100 kilómetros, AlLoRa demostró un rendimiento superior en velocidad de transmisión y eficiencia energética frente a soluciones existentes, mostrando su capacidad de adaptación en aplicaciones de monitoreo a gran escala y condiciones ambientales variadas. Al integrar sensores avanzados -como estimadores del nivel del agua basados en GNSS y boyas oceanográficas que capturan parámetros de calidad del agua en tiempo real- AlLoRa facilita la integración fluida de flujos de datos heterogéneos en una arquitectura flexible y unificada. El sistema BODOQUE combina TinyML y visión por computador para monitorear corrientes efímeras, fundamentales para comprender los aportes de nutrientes en ecosistemas sensible, como El Mar Menor, en España. Al procesar los datos localmente en el borde, BODOQUE minimiza el uso de energía y permite la detección en tiempo real de eventos hidrológicos de corta duración. Un modelo TinyML, desplegado en un microcontrolador con cámara, distingue con precisión imágenes con presencia de agua de aquellas sin, asegurando que los módulos de alto rendimiento se active sólo cuando sea necesario. Una evaluación de un año de duración, utilizando datos de la ``Rambla del Albujón'', confirmó ahorros energéticos sustanciales en comparación con sistemas de monitoreo continuo, destacando la utilidad de BODOQUE para regiones con recursos energéticos muy limitados. Las pruebas de campo resaltan mejoras notables en eficiencia energética, fiabilidad de la comunicación y precisión de los datos, impulsando prácticas de gestión ambiental más ágiles y sostenibles. Este trabajo pone de manifiesto el potencial de las infraestructuras IoT y la computación inteligente en el borde para transformar la monitorización ambiental, alineándose con los esfuerzos globales para mitigar el cambio climático, conservar la biodiversidad y promover la gestión sostenible de los recursos. Al abordar tanto desafíos tecnológicos como ecológicos, esta investigación contribuye significativamente al avance del campo de la inteligencia ambiental., [CA] Els desafiaments ambientals globals, com el canvi climàtic, la contaminació i la pèrdua de biodiversitat, requereixen enfocaments innovadors i sostenibles per tal de monitoritzar i gestionar eficaçment ecosistemes vulnerables. La intel·ligència ambiental (EI) es presenta com un paradigma clau, integrant fonts de dades diverses i models dinàmics per possibilitar la presa de decisions en temps real, basada en dades, en contextos socioambientals complexos. Aquesta tesi presenta el disseny i la implementació d'infraestructures IoT in situ amb capacitats de computació a l'extrem, adaptades a entorns exigents com les llacunes costaneres i les regions semiàrides. Al nucli d'aquest treball es troben dues contribucions principals: el protocol AlLoRa i el sistema BODOQUE. AlLoRa optimitza la transmissió de grans volums de dades a llarga distància i baix consum energètic, admetent tant xarxes punt a punt com en malla. Provada amb èxit a més de 100 quilòmetres, AlLoRa va demostrar un rendiment superior pel que fa a la velocitat de transmissió i l'eficiència energètica, evidenciant la seua capacitat d'adaptació en aplicacions de monitorització a gran escala i en condicions ambientals diverses. En integrar sensors avançats -com els estimadors del nivell de l'aigua basats en GNSS i boies oceanogràfiques que capten paràmetres de qualitat de l'aigua en temps real- AlLoRa facilita la integració fluida de fluxos de dades heterogenis dins una arquitectura flexible i unificada. El sistema BODOQUE combina TinyML i visió per computador per monitoritzar corrents efímers, fonamentals per comprendre els aportaments de nutrients en ecosistemes sensibles, com el del Mar Menor, a Espanya. En processar les dades localment a l'extrem, BODOQUE minimitza l'ús d'energia i permet la detecció en temps real d'esdeveniments hidrològics de curta durada. Un model TinyML, desplegat en un microcontrolador amb càmera, va distingir amb precisió imatges amb presència d'aigua d'aquelles sense, assegurant que els mòduls d'alt rendiment s'activen només quan és necessari. Una avaluació de tot un any, utilitzant dades de la ``Rambla del Albujón'', va confirmar importants estalvis energètics en comparació amb sistemes de monitorització contínua, destacant la idoneïtat de BODOQUE per a regions amb recursos energètics molt limitats. Les proves de camp ressalten millores notables en eficiència energètica, fiabilitat de la comunicació i precisió de les dades, impulsant pràctiques de gestió ambiental més àgils i sostenibles. Aquest treball posa en relleu el potencial de les infraestructures IoT i la computació intel·ligent a l'extrem per transformar la monitorització ambiental, alineant-se amb els esforços globals per mitigar el canvi climàtic, conservar la biodiversitat i promoure la gestió sostenible dels recursos. En abordar tant els reptes tecnològics com els ecològics, aquesta investigació contribueix significativament a l'avenç del camp de la intel·ligència ambiental., [EN] Global environmental challenges such as climate change, pollution, and biodiversity loss demand innovative and sustainable approaches to effectively monitor and manage vulnerable ecosystems. Environmental intelligence (EI) emerges as a key paradigm, integrating diverse data sources and dynamic models to enable real-time, data-driven decision-making in complex socio-environmental contexts. This thesis presents the design and implementation of in-situ IoT infrastructures with edge capabilities tailored for challenging environments like coastal lagoons and semi-arid regions. At the core of this work are two main contributions: the AlLoRa protocol and the BODOQUE system. AlLoRa optimizes long-range, low-power data transmission of large data volumes, supporting both point-to-point and mesh networking. Successfully tested over a 100-kilometer range, AlLoRa demonstrated superior throughput and energy efficiency compared to existing solutions, proving its adaptability for large-scale monitoring applications and diverse environmental conditions. By integrating advanced sensors-such as GNSS-based water level estimators and oceanographic buoys capturing real-time water quality metrics-AlLoRa facilitates the seamless integration of heterogeneous data streams under a unified, flexible architecture. The BODOQUE system combines TinyML and computer vision to monitor ephemeral streams, critical for understanding nutrient inflows into sensitive ecosystems, like the Mar Menor coastal lagoon, located in Spain. By processing data locally at the edge, BODOQUE minimizes energy use and enables real-time detection of short-lived hydrological events. A TinyML model, deployed on a camera-enabled microcontroller, accurately distinguishes images with water from those without, ensuring that high-performance edge modules activate only when necessary. A year-long evaluation using data from the ``Rambla del Albujón'' stream confirmed substantial energy savings compared to continuous monitoring systems, underscoring BODOQUE's suitability for remote regions with limited power resources. Field deployments highlight substantial improvements in energy efficiency, communication reliability, and data accuracy, advancing responsive and sustainable environmental management practices. This work underscores the potential of IoT infrastructures and intelligent edge computing to transform environmental monitoring, aligning with global efforts to mitigate climate change, conserve biodiversity, and promote sustainable resource management. By addressing both technological and ecological challenges, this research makes a significant contribution to the advancing field of environmental intelligence., I would like to thank Generalitat Valenciana and their Santiago Grisolía program, who supported me with the grant GVA GRISOLIAP/2021/103. To the SMARTLAGOON project, funded by grant No 101017861, that gave me the motivation and playground to develop and test technologies for real-life and relevant challenges. This work has also been supported by MCIN/AEI/ 10.13039/501100011033 and ESF Investing in your future, MCSA-SE REMARKABLE grant ID: 10108638, Grant TED2021-130890B funded by MCIN/AEI and by EU NextGenerationEU/PRTR and by project Ramón y Cajal Grant RYC2018-025580-I, funded by MCIN/AEI/ 10.13039/501100011033 and ESF Investing
in your future.