El uso de tecnologías innovadoras es clave para el monitoreo y la recuperación ambiental de la Cuenca del Arroyo Las Conchitas. Mediante el desarrollo de sensores IoT, aprendizaje automático y materiales avanzados, se ha logrado mejorar la detección de contaminantes y diseñar estrategias para reducir el impacto ambiental.
Desde sondas multiparamétricas de bajo costo hasta sistemas informáticos para el análisis de calidad del agua, estas soluciones permiten obtener datos en tiempo real y facilitar la toma de decisiones para la conservación de los recursos hídricos.
Las herramientas desarrolladas
📡 Monitoreo en Tiempo Real con IoT
📌 Sondas de bajo costo con sensores de temperatura, pH, turbidez y conductividad.
📡 Datos transmitidos en tiempo real a través de LoRa.
➡️ Permite detectar cambios en la calidad del agua sin necesidad de muestreos manuales.
💻 Software para el Monitoreo de la Calidad del Agua
📊 Plataforma web y móvil que muestra datos en tiempo real.
⚠️ Alertas automáticas ante cambios críticos en la calidad del agua.
➡️ Facilita la toma de decisiones para la gestión ambiental.
🧠 Machine Learning para la Detección de Cianobacterias
📌 Modelos de aprendizaje automático que anticipan eventos de contaminación.
📊 Analiza datos físico-químicos para predecir riesgos ambientales.
➡️ Herramienta clave para la planificación y prevención de crisis hídricas.
🌿 Materiales Sustentables para Filtración de Agua
🔹 Bio-carbón de yerba mate y carbón activado de cáscaras de maní.
🔹 Filtración eficiente de metales pesados y nitratos.
➡️ Alternativa económica y sostenible para la mejora de la calidad del agua.
Las sondas multiparamétricas permiten monitorear en tiempo real la calidad del agua mediante sensores IoT.
🔹 Características:
- Sensores de temperatura, pH, turbidez y conductividad
- Microcontrolador ATmega328p con almacenamiento de datos en tarjeta SD
- Comunicación inalámbrica LoRa para el envío de datos
El Sistema Informático para la Calidad del Agua (SICA) permite visualizar y analizar datos de las sondas en tiempo real.
🔹 Características:
- Plataforma desarrollada en Node.js y Linux (Raspbian)
- Base de datos centralizada para almacenar los registros
- Interfaz multiplataforma (web y móvil)
Se aplicaron técnicas de machine learning para predecir la presencia de cianobacterias tóxicas en el agua.
🔹 Enfoque:
- Modelos entrenados con datos físico-químicos y biológicos
- Predicciones en tiempo real para alertar sobre posibles eventos de contaminación
Se desarrollaron adsorbentes ecológicos para remover contaminantes del agua.
🔹 Materiales utilizados:
- Bio-carbón obtenido de residuos de yerba mate
- Carbón activado derivado de cáscaras de maní
- Catalizadores híbridos basados en alúmino-silicatos