Autor: Dr. Armando Sandoval Maravilla
Sobre la autor:
Doctor en Ciencias Económicas Administrativas por UCIMEXICO, Maestro en Desarrollo Sustentable por la Universidad Michoacana de San Nicolás de Hidalgo (UMSNH) y Licenciado en Informática por el ITSA. Docente de nivel superior y posgrado con más de 21 años de experiencia profesional y consultor tecnológico.
Palabras clave: comunidades rurales; inteligencia artificial; LoRaWAN; Michoacán; monitoreo ambiental.
Las TIC son una herramienta clave para el desarrollo sostenible, pero en las zonas rurales del estado de Michoacán, México, la brecha digital sigue ahí. Comunidades como Matanguarán y Jucutácato, ubicadas en la meseta Purépecha, no cuentan con infraestructura para gestionar problemas ambientales urgentes: deforestación, contaminación del agua y uso excesivo de agroquímicos, ligado a la expansión del cultivo de aguacate en la región. A través de este blog, hableremos un sistema de monitoreo ambiental comunitario que combina comunicación LoRaWAN sin necesidad de internet, inteligencia artificial para clasificar reportes y generar alertas, y una aplicación móvil offline pensada para que cualquier ciudadano registre un incidente ambiental. El proyecto tiene un 90 % de avance, con validación de laboratorio concluida y la etapa de campo por iniciar. En laboratorio alcanzó 6.44 km y 87 % de precisión en clasificación, resultados que respaldan su viabilidad en zonas sin conectividad.
Brecha digital y urgencia ambiental en la región
Matanguarán y Jucutácato, ambas del municipio de Nuevo San Juan Parangaricutiro, tienen 529 y 1,753 habitantes respectivamente. La primera enfrenta baja densidad poblacional y alta vulnerabilidad ambiental por la presión del cultivo de aguacate; la segunda, conectividad digital limitada y contaminación hídrica significativa. En ambas se repiten los mismos cuatro problemas: deforestación, contaminación hídrica, uso de agroquímicos y brecha digital, que en conjunto dejan a la gente sin forma ágil de reportar lo que ve.
El objetivo del proyecto es desarrollar un sistema de monitoreo ambiental comunitario que integre IA, LoRaWAN y una app móvil offline para detectar problemas ambientales a tiempo, sin depender de internet. La lógica detrás es sencilla. Las zonas rurales no tienen cobertura ni infraestructura TIC, pero la urgencia ambiental exige respuesta rápida. El hardware es accesible (Arduino, sensores y LoRaWAN), y el modelo es replicable en otras regiones rurales de México y América Latina con condiciones parecidas.
La brecha digital que enfrentan estas comunidades no es un caso aislado. Según la Encuesta Nacional sobre Disponibilidad y Uso de Tecnologías de la Información en los Hogares (ENDUTIH) 2021, el 81.6 % de la población urbana del país tenía acceso a internet, frente a apenas 56.5 % en las zonas rurales (Instituto Nacional de Estadística y Geografía, 2022). Esa diferencia deja a comunidades como Matanguarán y Jucutácato con menos herramientas para reportar y dar seguimiento a los problemas ambientales que enfrentan todos los días.
Arquitectura del sistema
La arquitectura del sistema opera en cuatro etapas secuenciales. Los sensores ambientales y la aplicación móvil offline capturan los datos e incidentes reportados; esa información se transmite mediante LoRaWAN hacia los nodos comunitarios, desde donde llega a un servidor que la procesa con inteligencia artificial, clasificando los reportes y detectando patrones. Con ese análisis se genera la retroalimentación, en forma de alertas dirigidas a la comunidad y a las autoridades ambientales.
En cuanto a componentes, el microcontrolador es un Arduino MKR WAN 1310, encargado del procesamiento y control del sistema. El enlace de largo alcance corre por un módulo REYAX RYLR998 que opera en 868/915 MHz. Los sensores ambientales son un DHT22 (temperatura y humedad) y un MQ135 (calidad del aire). La aplicación, en Android y modo offline, captura reportes con imágenes y coordenadas GPS. Y el servidor de análisis, escrito en Python con modelos de IA ligera, se encarga de clasificar los reportes y generar alertas predictivas.
Un detalle que no siempre se nota a primera vista es que los gateways comunitarios no dependen de tener conexión en el momento exacto del reporte. Almacenan la información temporalmente y la reenvían en cuanto recuperan conexión, lo que le da continuidad operativa al sistema, aunque la red falle por ratos. La Figura 1 resume este flujo completo, desde la captura de datos en campo hasta la llegada de alertas a la comunidad y las autoridades.
Resultados preliminares
El proyecto tiene un 90 % de avance. El diseño del sistema y la integración de hardware y software están al 100 %, la configuración de LoRaWAN al 95 %, el módulo de inteligencia artificial al 85 %, y lo que falta es la validación en campo, que va apenas en 20 %.
En condiciones de laboratorio, el radio alcanzó 6.44 km en entorno rural abierto, con más del 90 % de tasa de éxito en la entrega de paquetes. Ese alcance, sin embargo, no es constante: obstáculos como muros o vegetación densa reducen la señal de forma considerable, algo que hay que tomar en cuenta al elegir dónde instalar los nodos en campo. El módulo de IA clasificó reportes con 87 % de precisión, y el tiempo promedio de transmisión fue de 2.3 segundos. La app operó completamente offline, transmitiendo directamente vía LoRaWAN sin Wi-Fi ni datos móviles.
Hay otros hallazgos que vale la pena mencionar. Además de clasificar, el módulo de IA detecta reportes duplicados y genera alertas cuando encuentra concentración geográfica de incidentes similares, una señal útil para priorizar dónde intervenir primero. Y en cuanto a diseño de interfaz, simplificar el formulario a «qué, dónde, cuándo, más una foto» mejoró la participación, además de que el uso de íconos redujo la dependencia de que el usuario supiera leer bien o navegar menús complejos.
Tomados en conjunto, estos resultados muestran que la parte técnica del sistema (conectividad, clasificación y operación offline) ya funciona de manera consistente en condiciones controladas. Lo que resta por confirmar es su desempeño en el entorno real de las comunidades, donde el terreno, la vegetación y el uso cotidiano por parte de los habitantes pondrán a prueba lo que hasta ahora solo se ha visto en laboratorio.
La Figura 2 muestra este avance por etapas, con la validación en campo como la única tarea aún pendiente.
Conclusiones y próximos pasos
El siguiente paso es la validación en campo, prolongada por uno o dos meses, en Matanguarán y Jucutácato, para confirmar tanto la viabilidad técnica como la aceptación social del sistema. Esto es clave porque, hasta ahora, todos los resultados provienen de pruebas de laboratorio. El 87 % de precisión de la IA, por ejemplo, se entrenó con datos simulados, no con reportes reales de campo.
La validación consistirá en instalar al menos un nodo LoRaWAN en cada comunidad y capacitar a un grupo local para usar la aplicación. Durante ese periodo se medirá la tasa efectiva de transmisión sin conexión, el tiempo real de entrega de los reportes al servidor, el número de usuarios activos y la calidad de la información que registran. También quedan varias limitaciones por resolver: el alcance de LoRaWAN depende mucho del terreno y la vegetación, la operación prolongada en campo requerirá paneles solares para mantener los nodos activos, la precisión de la inteligencia artificial necesita ajustarse con datos reales en lugar de simulados, y la adopción del sistema dependerá más de la capacitación que reciban las comunidades que de la tecnología en sí misma.
El planteamiento del proyecto se apoya en tres conclusiones centrales. La primera es que el sistema es técnicamente viable, con un alcance de LoRaWAN de 6.44 km y una precisión de clasificación del 87 % que confirman su potencial en entornos rurales. La segunda es que operar completamente offline elimina la barrera de conectividad, haciendo accesible el monitoreo ambiental a comunidades que hoy están marginadas digitalmente. La tercera es que el enfoque participativo fortalece la gobernanza ambiental local, alineándose con los Objetivos de Desarrollo Sostenible 9 (Industria, Innovación e Infraestructura) y 13 (Acción por el Clima).
Si el sistema logra integrarse con instituciones locales, tiene el potencial de convertirse en un canal ciudadano confiable para reportar y organizar información ambiental en comunidades que hoy no tienen ninguno. No sustituye la gobernanza ambiental formal, pero puede aportar datos oportunos y georreferenciados que la respalden, con un modelo pensado desde el inicio para replicarse en otras regiones rurales de México y América Latina que enfrenten condiciones similares de cobertura y organización comunitaria.
Para conocer más sobre este tema, te invitamos a consultar la charla impartida por el Dr. Armando Sandoval Maravilla, disponible en nuestro canal oficial de YouTube, donde profundiza en los principales aspectos abordados en este blog.
REFERENCIAS
Aitkenhead, M., Donnelly, D., Coull, M., & Hastings, E. (2014). Innovations in environmental monitoring using mobile phone technology: A review. International Journal of Interactive Mobile Technologies (iJIM), 8(2), 42–50. https://doi.org/10.3991/ijim.v8i2.3645
Bravo-Espinosa, M., Mendoza, M. E., Carlón Allende, T., Medina, L., Sáenz-Reyes, J. T., & Páez, R. (2014). Impacts of land use change on soil erosion in a fast-growing avocado-producing region of Michoacán, Mexico. Land Degradation & Development, 25(5), 452–467. https://doi.org/10.1002/ldr.2158
Cochero, J. (2018). AppEAR: Una aplicación móvil de ciencia ciudadana para mapear la calidad de los hábitats acuáticos continentales. Ecología Austral, 28(2), 467–478. https://doi.org/10.25260/EA.18.28.2.0.686
Córdova-Bojórquez, G., & Romo-Aguilar, M. L. (2017). Participación ciudadana y ordenamiento ecológico local: El caso del municipio de Nogales, Sonora. Sociedad y Ambiente, (14), 31–52.
Cuesta Palacios, E. K., & Duque-Rengel, V. K. (2023). Aplicaciones móviles como instrumentos de comunicación urbana para el cambio climático en Loja, Ecuador.
