Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 731
PLATAFORMA WEB PARA MONITOREO Y VISUALIZACIÓN DE PARÁMETROS
AMBIENTALES EN CAFÉ MEDIANTE SENSORES IOT
WEB PLATFORM FOR MONITORING AND VISUALIZATION OF ENVIRONMENTAL
PARAMETERS IN COFFEE USING IOT SENSORS
Autores: ¹Ángel Ariel Cedillo Illescas, ²María Mercedes Encalada Arévalo y ³Juan Pablo Pazmiño
Piedra.
¹ORCID ID: https://orcid.org/0009-0000-7057-6783
²ORCID ID: https://orcid.org/0009-0007-8629-5944
3ORCID ID: https://orcid.org/0000-0003-0069-7680
¹E-mail de contacto: angel.cedillo.36@est.ucacue.edu.ec
²E-mail de contacto: maria.encalada.50@est.ucacue.edu.ec
³E-mail de contacto: juan.pazmino@ucacue.edu.ec
Afiliación: ¹*²*³*Universidad Católica de Cuenca, (Ecuador).
Articulo recibido:30 de Julio del 2025
Articulo revisado: 1 de Agosto del 2025
Articulo aprobado: 4 de Agosto del 2025
¹Estudiante de último año de la carrera de software de la Universidad Católica de Cuenca, (Ecuador).
²Estudiante de último año de la carrera de software de la Universidad Católica de Cuenca, (Ecuador).
³Ingeniero Electrónico y Tecnólogo, egresado de la Universidad Nacional de Mar del Plata (Argentina), con más de 20 años de experiencia
laboral docente, Magíster en Gerencia y Liderazgo Educativo, Máster Universitario en Industria 4.0, egresado, Diplomado en Pedagogías
Innovadoras, egresado, ha ejercido la docencia en niveles de secundaria, bachillerato, educación universitaria y programas de posgrado.
Además, ha ocupado cargos de gestión académica, destacándose como Coordinador de Investigación en el Instituto Tecnológico
Sudamericano y como Director de las Carreras de Robótica e Inteligencia Artificial y Sistemas Biomédicos en la Universidad Católica de
Cuenca, (Ecuador), liderando proyectos estratégicos relacionados con la robótica, la inteligencia artificial, la innovación y el desarrollo
tecnológico.
Resumen
Este estudio tuvo como objetivo principal
diseñar y desarrollar una plataforma web para
el monitoreo en tiempo real de parámetros de
aire y suelo en plantaciones de café. La
investigación se ejecutó en la Hacienda La
Papaya, Saraguro, Ecuador. La metodología de
desarrollo de software usada fue SCRUM, la
cual está orientada a la creación de soluciones
rápidas y adaptables al cambio. Para la
recolección de datos, se implementó una red de
sensores IoT creados usando módulos LoRa
e32 que permitió la comunicación inalámbrica
entre largas distancias en zonas sin internet, los
sensores usados fueron: RS485 para el suelo
(midiendo las variables de NPK, humedad,
temperatura, salinidad, conductividad y pH) y
AM2302 para el aire (temperatura y humedad).
Y para la transmisión de datos se usó un
gateway HLK-RM08. Para el procesamiento de
los datos, se estructuró un backend en Node.js,
encargado de recibir y validar los datos
provenientes de los sensores, para luego
almacenarlos en la base de datos PostgreSQL.
Para la visualización de información en tiempo
real, se usó Grafana para crear paneles
interactivos, lo cual permitió un análisis de los
datos a mayor profundidad. Los resultados
obtenidos demostraron la funcionalidad y
fiabilidad de la plataforma, se validó la
capacidad de procesamiento y almacenamiento
de datos para la necesidad de los usuarios
finales, el cual era de 500 lecturas/hora, con
una latencia inferior a un minuto en el
dashboard. Esta solución se validó como una
herramienta viable y de bajo costo que optimiza
la gestión agronómica, impulsando así la
agricultura y creando una base de la cual puede
ser expandida con la implementación de
módulos predictivos, de georreferenciación, e
inclusive con inteligencia artificial.
Palabras clave: Sensores IoT, Plantaciones
de café, Plataforma web, SCRUM,
Monitoreo en tiempo real.
Abstract
The main objective of this study was to design
and develop a web platform for real-time
monitoring of air and soil parameters in coffee
plantations. The research was carried out at
Hacienda La Papaya, Saraguro, Ecuador. The
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 732
software development methodology used was
SCRUM, which is oriented to the creation of
fast and adaptable solutions to change. For data
collection, an IoT sensor network was
implemented using LoRa e32 modules that
allowed wireless communication over long
distances in areas without internet. The sensors
used were: RS485 for the soil (measuring NPK,
humidity, temperature, salinity, conductivity,
and pH variables) and AM2302 for the air
(temperature and humidity). An HLK-RM08
gateway was used for data transmission. For
data processing, a backend was structured in
Node.js, in charge of receiving and validating
the data coming from the sensors and then
storing them in the PostgreSQL database. For
the visualization of real-time information,
Grafana was used to create interactive
panels,which allowed a more in-depth analysis
of the data. The results obtained demonstrated
the functionality and reliability of the platform,
the processing and data storage capacity was
validated for the end users' needs, which was
500 readings/hour, with a latency of less than
one minute in the dashboard. This solution was
validated as a viable and low-cost tool that
optimizes agronomic management, thus
boosting agriculture and creating a base from
which it can be expanded with the
implementation of predictive modules,
georeferencing, and even artificial intelligence.
Keywords: IoT sensors, Coffee plantations,
Web platform, SCRUM, Real-
time monitoring.
Sumário
O principal objetivo deste estudo foi projetar e
desenvolver uma plataforma baseada na Web
para o monitoramento em tempo real dos
parâmetros do ar e do solo nas plantações de
café. A pesquisa foi realizada na Hacienda La
Papaya, Saraguro, Equador. A metodologia de
desenvolvimento de software utilizada foi a
SCRUM, a qual é orientada para a criação de
soluções rápidas e adaptáveis a mudanças. Para
a coleta de dados, foi implementada uma rede
de sensores IoT utilizando módulos LoRa e32
que permitem a comunicação sem fio a longas
distâncias em áreas sem internet. Os sensores
utilizados foram: RS485 para o solo (para medir
NPK, umidade, temperatura, salinidade,
condutividade e pH) e AM2302 para o ar (para
medir temperatura e umidade). Um gateway
HLK-RM08 foi utilizado para a transmissão de
dados. Para o processamento de dados, um
backend foi estruturado em Node.js, o qual tem
a função de receber e validar os dados
provenientes dos sensores e, em seguida,
armazená-los no banco de dados PostgreSQL.
Para a visualização das informações em tempo
real, o Grafana foi utilizado para criar painéis
interativos, os quais permitem uma análise mais
aprofundada dos dados. Os resultados obtidos
demonstraram a funcionalidade e a
confiabilidade da plataforma e validaram a
capacidade de processamento e armazenamento
de dados para as necessidades dos usuários
finais, que era de 500 leituras/hora, com uma
latência de menos de um minuto no painel. Esta
solução foi validada como uma ferramenta
viável e de baixo custo que otimiza o
gerenciamento agronômico, impulsionando a
agricultura e criando uma base a partir da qual
pode ser expandida com a implementação de
módulos preditivos, georreferenciamento e até
mesmo inteligência artificial.
Palavras-chave: Sensores IoT, Plantações de
café, Plataforma web, SCRUM,
Monitoramento em tempo real.
Introducción
El café ha logrado posicionarse como una de las
principales materias primas del comercio
global, situándose entre los productos más
comercializados a nivel internacional, solo
superado por el petróleo en términos de
volumen (Chango y García, 2021). Más allá de
su popularidad como bebida, este cultivo
representa una fuente significativa de ingresos
para diversos países productores, especialmente
en economías en desarrollo. En México, por
ejemplo, la producción de café impulsa la
economía con aproximadamente 20 mil
millones de pesos anuales (Vanegas et al.,
2023), lo que se traducen en cerca de 1.056
millones de dólares. Se calcula que la industria
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 733
cafetalera genera ingresos que superan los 200
billones de dólares anuales (Amrouk et al.,
2025). Asimismo, se estima que alrededor de
125 millones de individuos en el planeta
dependen directamente del cultivo del café para
su trabajo (Bermudez et al., 2022), y más de 20
millones lo ven como su principal fuente de
ingresos (Dorado, 2023). Además de su impacto
económico, el café tiene un peso social
considerable, al contribuir a la estabilidad y
sostenibilidad de muchas comunidades rurales
dedicadas a su cultivo. Tal es el caso de Perú,
donde el 95% de las plantaciones están a cargo
de pequeños agricultores y más de 230 mil
familias dependen del café como su principal
fuente de ingresos (Comisión de Promoción del
Perú para la Exportación y el Turismo, 2023).
En el caso particular de Ecuador, las
condiciones tanto naturales, como climáticas,
favorecen el desarrollo de diversas variedades
de café de alta calidad, lo que ha permitido que
se adentren en nichos de mercado especializado
muy competitivo a nivel internacional (Jadán
et al., 2024). Sin embargo, el sector cafetalero
enfrenta múltiples desafíos que limitan explotar
su potencial. Entre las principales dificultades
que podemos identificar, se encuentra la escasa
incorporación de la tecnología, la falta de
infraestructura para esta y el acceso a
financiamiento, lo cual afecta de mayor manera
a pequeños y medianos productores (Jijón,
2024). Estos factores frenan la modernización
del cultivo y la capacidad para adaptarse frente
a entornos cambiantes, ya sean del mercado, o
del clima. Como se mencionó antes, una de las
debilidades más frecuentes es la carencia de
mecanismos tecnológicos que permitan al
productor tener un seguimiento constante de las
variables agronómicas esenciales para la toma
de decisiones, como la temperatura, humedad
del suelo o la calidad de la fertilización. Esto
genera una limitación a la hora de aplicar
prácticas agrícolas basadas en datos concretos,
lo que reduce significativamente la eficiencia de
estos. En las plantaciones de café, la limitación
tecnológica impide manejar adecuadamente
factores como la radiación solar o el riego, lo
que desencadena el desperdicio de agua y una
baja calidad y productividad del café (Corrales
et al., 2025).
En este escenario, la tecnología IoT (Internet de
las Cosas) presenta una herramienta de alto
potencial, dado a que permite la interconexión
de dispositivos inteligentes capaces de
recolectar y analizar datos en tiempo real en un
entorno agrícola (Espinosa et al., 2021).
Investigaciones recientes ya han demostrado
que el uso de aplicaciones y dispositivos IoT en
entornos agrícolas puede mejorar la
productividad, reducir el uso de recursos
naturales y mejorar la toma de decisiones
técnicas (Sánchez et al., 2025). Así ocurre con
la gestión del riego al incorporar sensores IoT,
lo que permite ajustar los horarios, pronosticar
el clima y analizar datos en tiempo real. Esto
reduce el consumo de agua y eleva la
productividad, ya que los agricultores pueden
gestionar de manera remota y precisa la
cantidad de agua que necesitan sus cultivos
(Premkumar y Sigappi, 2022).
Según Bai et al. (2019), el control del suelo
mediante tecnología IoT posibilita la evaluación
de factores importantes como la humedad, el
nivel de pH y los nutrientes disponibles. Los
datos obtenidos a través de los sensores ayudan
a gestionar el terreno de manera más efectiva,
puesto que optimizan el uso de nutrientes y
disminuyen considerablemente la probabilidad
de aplicar fertilizantes en exceso. En el presente
estudio se propone el diseño, desarrollo y
validación de una plataforma web basada en el
uso de sensores IoT, enfocada en el monitoreo
de variables claves tanto en suelo como en aire
en cultivos de café. Esta propuesta se diferencia
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 734
de los sistemas convencionales en su enfoque de
bajo costo, accesibilidad y facilidad de
implementación para productores de mediana y
pequeña escala. El desarrollo contempla la
creación de una interfaz gráfica que permite la
visualización de datos en tiempo real, envío de
alertas, y la generación de gráficas que
beneficien la toma de decisiones. Dicho
desarrollo se realizó siguiendo la metodología
ágil SCRUM, utilizando sensores conectados a
un entorno backend robusto con Node.js y con
una visualización usando la herramienta de
Grafana. Los resultados obtenidos permitirán
evaluar la funcionalidad del sistema como
apoyo a la gestión técnica del cultivo de café,
priorizando la eficiencia, la sostenibilidad y la
resiliencia productiva de las fincas
involucradas.
Materiales y Métodos
Para la implementación del sistema, se
seleccionó la hacienda de producción de café de
especialidad Hacienda La Papaya, ubicada en el
cantón Saraguro, provincia de Loja (Ecuador),
la cual cuenta con condiciones agroecológicas
adecuadas y apertura al uso de tecnología en sus
actividades. Durante las primeras reuniones de
trabajo, se definieron los instrumentos a ser
usados para la recolección de datos, la
estructura de trabajo a seguir y las herramientas
tecnológicas para el análisis y la visualización
de datos. La medición de las propiedades del
suelo se realizó con sensores instalados en
varias zonas productivas (7, 9, 11, 12, 13, 14) y
en el banco de semillas. Estos dispositivos
lograron registrar datos esenciales como
humedad, temperatura, pH, salinidad,
conductividad eléctrica, y concentraciones de
nitrógeno, fósforo y potasio.
Figura 1. División de la hacienda.
Por otro lado, las condiciones atmosféricas
fueron vigiladas mediante sensores que se
encontraban en la Sala de Secado 1. Su tarea
principal fue medir la temperatura y la humedad
del aire, factores clave durante la etapa posterior
a la cosecha del grano de café. Esta
organización facilitó la evaluación del
comportamiento del sistema en diferentes
sectores de la finca, tanto en áreas de cultivo
como en espacios de procesamiento, lo que
resultó vital para validar su funcionalidad en
diversos contextos de la producción agrícola
real. La ingeniería de requisitos consiste en
definir, analizar y documentar las
funcionalidades que debe cumplir un sistema,
siendo un proceso clave para asegurar que las
necesidades de las partes interesadas se vean
reflejadas en el desarrollo del software
(Zakarija et al., 2021). En ese sentido, uno de
los enfoques más reconocidos para evaluar la
calidad del producto es el modelo FURPS,
propuesto por Hewlett-Packard en 1987, el cual
clasifica los requisitos en dos grandes
categorías funcionales y no funcionales,
basándose en cinco dimensiones principales:
funcionalidad, usabilidad, confiabilidad,
rendimiento y soporte (Reyes y Pinto, 2024).
FURPS+ es una versión ampliada del modelo
FURPS desarrollada por IBM Rational
Software (Singh y Kassie, 2018), en la que se
busca ampliar la propuesta al incorporar una
nueva categoría relacionada con requerimientos
que no encajan en ninguna categoría planteada,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 735
como pueden ser la implementación, la
distribución, la operación, plataformas físicas o
aspectos legales que pueden llegar a afectar el
desarrollo y funcionamiento del software.
SCRUM es una metodología de desarrollo ágil,
usada ampliamente para el desarrollo de
software por su enfoque en la colaboración,
independencia, autoorganización del equipo, y
la entrega continua de valor. Está estructurada
en ciclos breves de trabajo llamados sprints, los
cuales permiten planificar, ejecutar y revisar el
trabajo mediante diferentes iteraciones. Según
Estrada et al. (2021), esta metodología tiene
unas bases sólidas que promueven la
transparencia, inspección y adaptación, lo que
permite la detección temprana de problemas y
el tiempo de respuesta del equipo frente a los
diferentes cambios que pueden darse durante el
periodo de desarrollo. Las reuniones diarias
también juegan un papel fundamental, dado a
que permiten ajustar tareas, coordinar esfuerzos
y alinear al equipo tanto con los objetivos del
proyecto, como con las necesidades del cliente.
Como lo señala Stray et al. (2020) este enfoque
surge de las metodologías ágiles, con el
propósito de mejorar la comunicación dentro
del equipo. Así, se fomenta la colaboración y se
refuerza la independencia, haciendo más
sencillo el acceso a la información importante.
Complementariamente, para Žáček et al.
(2024), SCRUM destaca por su enfoque en la
asignación clara de responsabilidades en el
equipo, donde cada integrante tiene tareas
definidas para cada componente del sistema.
Este tipo de organización mejora el control del
progreso y optimiza la distribución de trabajo.
Además, al incluir un análisis de riesgos al
culminar un sprint, permite anticipar posibles
problemas y tomar decisiones acordes a estas
(Binboga & Altin Gumussoy, 2024). Por lo
tanto, el trabajo con equipos pequeños
contribuye a mejorar el enfoque y la
coordinación de los mismos, mientras que la
flexibilidad a la hora de la planificación permite
adaptarse a cambios sin perder de vista los
objetivos del proyecto. Todo esto, en conjunto,
favorece la eficacia de SCRUM para proyectos
dinámicos. Dentro de los materiales de
Hardware, se encuentran, LoRa e32, es una
tecnología desarrollada por la empresa Semtech
de comunicación inalámbrica por
radiofrecuencia (Romero et al., 2021). Su
principal ventaja es la capacidad de enviar y
recibir datos a larga distancia utilizando muy
poca energía, lo cual la convierte en una opción
ideal para dispositivos como sensores remotos
alimentados por baterías pequeñas. En
condiciones favorables, puede alcanzar entre 15
y 20 kilómetros de cobertura y mantener su
funcionamiento durante varios años con una
sola batería (Rapallini y Mazzeo, 2021).
El sensor NPK se emplea para medir tres
nutrientes fundamentales que se encuentran en
el suelo, como el nitrógeno, el fósforo y el
potasio. Estos elementos son esenciales para el
desarrollo saludable de las plantas y están
presentes con frecuencia en fertilizantes
comerciales (Gottemukkala et al., 2023). Para
estimar la concentración de estos nutrientes, el
sensor analiza la conductividad eléctrica o
ciertas propiedades espectrales del terreno
(Pande et al., 2021). Normalmente, está
compuesto por sondas que permiten realizar
mediciones de NPK en tiempo real o con un
leve retraso. Estos sensores se pueden presentar
en varios formatos, ya sea versiones portátiles o
de mano, lo cual facilita su uso en campo.
Además, la señal de salida que emiten se basa
en el protocolo de comunicación RS485
(Cheruvu et al., 2023), lo que permite la
transmisión de datos estable, inclusive a través
de distancias largas.
El sensor de aire AM2302, o también
denominado DHT22, es un dispositivo usado
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 736
comúnmente para medir temperatura y
humedad en varios entornos (Postolache, 2020).
El funcionamiento del sensor se basa en una
combinación de un termistor con un detector de
humedad, lo que permite captar los datos
ambientales de forma precisa (Munir et al.,
2021). Dado a su bajo costo y su fiabilidad, es
una opción muy atractiva para diferentes
aplicaciones. En cuanto a su diseño, está
construidos con cuatro pines, que ofrecen
lecturas de las variables dentro de un rango
aceptable, por ejemplo, ofrece una lectora de
temperatura entre un rango de 0 a 50 grados
Celsius, con una precisión entre el 2 al 5%, mide
humedad entre un 20 al 80%, con un margen de
error del 5% (Munir et al., 2021; Zheng et al.,
2022). Gracias a su resistencia a las
interferencias, en conjunto con su rendimiento,
lo hacen una herramienta confiable
ampliamente usada en el monitoreo climático
en diferentes entornos agrícolas.
El Gateway HLK-RM08 es un dispositivo
desarrollado por la empresa Hi-Link, el cual
funciona como un gateway que permite que
equipos sin capacidad de red, como los
sensores, o los microcontroladores, puedan
conectarse fácilmente a una red o a internet,
mediante WiFi o conexión por cable. Su
principal ventaja es que se coloca como puente
entre los dispositivos y la red, haciendo que la
transmisión de datos se simplifique, evitando la
necesidad de programación avanzada o
hardware adicional. Otro de sus puntos fuertes
es su tamaño reducido y bajo consumo de
energía, haciéndolo ideal para integrarlo en
proyectos que requieran comunicación remota,
dada su capacidad para ser configurable
mediante un navegador web (Hi-Link, 2016).
Para la comunicación a largas distancias, se
usaron antenas de 15 dBi, las cuales están
diseñadas con la capacidad de emitir señales a
largas distancias de forma focalizada y precisas.
La ganancia de las antenas, expresada en
decibelios isotrópicos (dBi), representa su
capacidad para dirigir la energía en una
dirección determinada (Hardesty, 2024). Estas
antenas se usan cuando se requiere una
transmisión estable y de largo alcance hacia un
punto específico.
Mientras que, los materiales de Software
corresponden a la Grafana, la cual es una
herramienta que se enfoca en la visualización y
análisis de datos, que permite la creación de
diferentes tipos de paneles, como gráficos,
tablas e identificadores en tiempo real
(Kirešová et al., 2023). Ofrece una
compatibilidad con una gran variedad de
fuentes de datos, como bases de datos, servicios
en la nube, tablas de Excel o archivos de texto
plano (Mehdi et al., 2023). Una de sus
fortalezas es la simplificación a la hora de la
interpretación de los datos, ya que reduce la
complejidad necesaria para generar
información visualmente clara y comprensible
para la toma de decisiones. El PostgreSQL, es
un sistema de gestión de bases de datos
relacionales de código abierto. Para Jeyaraj
et al. (2022), PostgreSQL ofrece soporte para
varias funciones esenciales como son las vistas,
subconsultas y operaciones personalizadas, en
conjunto con un fuerte enfoque en la integridad
y fiabilidad de los datos. Además, permite su
ejecución en diferentes sistemas operativos, lo
que lo convierte en una opción muy robusta y
de fácil uso en cualquier entorno de desarrollo.
Asimismo, el Node.js es un entorno de
ejecución, el cual es de código abierto, y está
basado en el motor V8 de JS (JavaScript) de
Chrome, el cual está diseñado para desarrollar
aplicaciones del lado del servidor, con un alto
nivel de eficacia y escalabilidad (Esquivel et al.,
2025). Utiliza un modelo de programación
asincrónico y orientado a eventos, lo que
permite manejar múltiples conexiones
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 737
simultáneamente sin bloquear el sistema. Esta
arquitectura lo hace ideal para servicios en
tiempo real, APIs y microservicios. Node.js se
enfoca en crear un ecosistema robusto, con
varias herramientas como TypeScript,
GraphQL, y soporte para varios tipos de
arquitecturas, consolidándose como una de las
tecnologías más usadas y populares para el
desarrollo web actual (Vangavolu, 2025).
Resultados y Discusión
Para facilitar la identificación y organización de
los requisitos del sistema, se aplica el modelo
FURPS+, el cual los agrupa según dimensiones
técnicas específicas. A continuación, se detallan
los criterios correspondientes a cada una de
estas categorías.
F – Funcionalidad
➢ F.1. El sistema debe permitir la recepción
de datos desde sensores de suelo
conectados (temperatura, humedad, NPK,
conductividad, salinidad, pH).
➢ F.2. El sistema debe permitir la recepción
de datos desde sensores de aire conectados
(temperatura, humedad).
➢ F.3. El usuario debe poder visualizar los
datos en tiempo real desde el dashboard.
➢ F.4. El sistema debe generar gráficas de
tendencias históricas por sensor.
➢ F.5. Debe haber un sistema de alertas
cuando un valor supere un umbral
predefinido.
➢ F.6. El sistema debe tener roles de usuario:
administrador y usuario lector.
F.7 El sistema debe generar gráficas
comparativas de variables entre diferentes
sensores.
➢ F.8. El backend debe almacenar los datos
recibidos en una base de datos relacional.
➢ F.9. El backend debe registrar
automáticamente la fecha, hora y ubicación
de cada lectura sensorial.
U – Usabilidad
➢ U.1. La interfaz del dashboard debe ser
intuitiva y accesible desde dispositivos
móviles.
➢ U.2. Las gráficas deben ser interactivas y
mostrar información detallada al pasar el
cursor sobre el gráfico.
➢ U.3. Se debe incluir una barra de filtros
para seleccionar sensores por bloque
(ubicación) o fecha.
➢ U.4. Cada gráfico debe incorporar una línea
de referencia o rango óptimo
preestablecido para el cultivo, visible en la
interfaz.
R – Fiabilidad (Reliability)
➢ R.1. El sistema debe estar disponible al
menos el 90% del tiempo durante un mes
calendario.
➢ R.2. Los datos provenientes de sensores
deben ser verificados antes de ser
ingresados en la base de datos.
P – Rendimiento (Performance)
➢ P.1. El sistema debe poder procesar y
almacenar 500 lecturas por hora sin afectar
su rendimiento.
➢ P.2. El dashboard debe actualizar los datos
en tiempo real o con latencia menor a 1
minuto.
S – Soportabilidad (Supportability)
➢ S.1. El sistema debe estar desarrollado con
tecnologías de código abierto (NodeJs,
PostgreSQL, Grafana).
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 738
➢ S.2. El sistema debe ser modular para
permitir la incorporación futura de nuevos
sensores.
➢ S.3. El sistema debe ser capaz de incorporar
nuevos bloques (de la misma hacienda) o
de diferentes haciendas.
+ – Requerimientos adicionales
➢ +1. El backend debe estar construido con
NodeJs, la base de datos en PostgreSQL.
➢ +2. El dashboard debe contar con una
interfaz adaptada a la terminología
agronómica (ej. ppm, % humedad).
➢ +3. Las alertas deben incluir descripciones
simples y sugerencias agronómicas
básicas, como “Nivel de fósforo bajo –
riesgo de deficiencia en desarrollo
radicular”.
➢ +4. El sistema debe presentar los datos de
forma que pueda ser entendida por técnicos
agrícolas sin formación informática,
evitando lenguaje técnico de software.
El proyecto se estructuró utilizando SCRUM
como metodología ágil, definiendo cuatro
sprints de tres semanas. Cada iteración permitió
entregar una parte funcional del sistema,
además de generar retroalimentación para
implementar mejoras progresivas. A lo largo del
proceso, se estableció una comunicación
constante con los usuarios finales, en este caso,
ingenieros agrónomos, los cuales aportaron
observaciones, que se plasman en
retroalimentación más adelante, para mejorar la
usabilidad y la aplicabilidad del sistema dentro
de un contexto agrícola real.
Sprint 1: Desarrollo e integración de
Sensores
El primer sprint del proyecto consistió en armar
la red de sensores y ponerlos en
funcionamiento. Para esto, se trabajó con
sensores comunes en el ámbito agrícola, como
el AM2302 para temperatura y humedad del
aire en las salas de secado del café cosechado, y
un sensor de suelo COM37, R33 para las
variables del suelo. La tarea principal dentro del
sprint fue el de asegurar las lecturas confiables
y la comunicación eficiente entre ellos. Para
ello, se utilizó un microcontrolador LoRa e32,
que permite conectividad Wi-Fi y es ideal para
entornos IoT. El sensor fue programado para
enviar los datos mediante un protocolo UDP
con la información en texto plano, para asegurar
que la velocidad de envío no se vea afectada por
la longitud del paquete. Aquí se manda el
identificador del sensor y las variables medidas
por el mismo. Dentro de este sprint, se usó la
herramienta Hercules Setup Utility, el cual es
un programa desarrollado que permite simular
tanto un cliente como un servidor en los
protocolos UDP, TCP y Serial RS232, para
validar la llegada correcta de los paquetes
enviados por los sensores.
Retroalimentación del Sprint 1:
Dentro del sprint review, los ingenieros
agrónomos que colaboraron en el proyecto
expresaron la necesidad de identificar la
hacienda a la que pertenecía cada sensor, con
una visión de escalar el proyecto en un futuro.
Esto llevó a incluir en la base de datos, campos
de identificación tanto de los sensores, como de
las haciendas. También se insistió en el uso de
unidades comprensibles para los técnicos de
campo a la hora de la visualización, como °C,
%, y partes por millón (ppm), lo cual fue
tomado en cuenta a la hora de la creación de los
dashboards.
Sprint 2: Backend y Base de Datos
Una vez se verificó la funcionalidad correcta de
los sensores, dentro de este sprint se desarrolló
el backend del sistema, el cual está encargado
de recibir los datos de los sensores. El backend
usa una librería de NodeJs llamada dgram, la
que permite la comunicación de tipo UDP para
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 739
recibir los datos, para luego pasarlos por varias
expresiones regulares para validar la integridad
de los datos recibidos, lo que evita añadir
información corrupta dentro de la base de datos
como resultado. Se empleó el framework
Express sobre Node.js, y como sistema de
almacenamiento se eligió PostgreSQL, por ser
herramientas que son de código abierto y de
libre uso, además que son compatibles con
sistemas de visualización de datos como
Grafana.
Retroalimentación del Sprint 2:
Durante la demostración de la integración entre
el sensor y la base de datos, los agrónomos
destacaron la utilidad de que el sistema pueda
generar alertas o notificaciones cuando un valor
excediera los límites esperados. Este
requerimiento fue tomado en cuenta para el
Sprint 3, donde se implementó un sistema de
envío de mails.
Sprint 3: FrontEnd con Grafana
Con las pruebas correspondientes para validar
el almacenamiento correcto de los datos, el
sprint 3 tuvo como objetivo la visualización de
los datos mediante la generación de gráficos.
Para esto, se utilizó Grafana, una plataforma de
visualización de datos ampliamente utilizada en
entornos industriales e IoT. Grafana permite
una conexión directa a la base de datos
PostgreSQL, por lo que la mayoría del sprint fue
usada para la creación de las consultas a la base
de datos necesarias para generar los gráficos
correspondientes. Para el filtrado de datos por
fecha, Grafana cuenta con sus filtros propios,
pero, para el caso del filtrado por bloque, se
optó por el uso de variables dinámicas, lo que
permite generar gráficos de manera más
eficiente. Se utilizaron colores para diferenciar
las líneas generadas, como las de mínimos y
máximos históricos, así como de promedio
global por horas.
Retroalimentación del Sprint 3:
Aunque los usuarios quedaron satisfechos con
la visualización, propusieron diferentes
cambios a los gráficos, cómo añadir líneas guía
que representan los límites aceptables de las
diferentes variables, así como los valores
ideales para los mismos. Además, se propuso la
generación de gráficos comparativos entre la
misma variable de diferentes sensores, ya que
estos están en diferentes zonas geográficas, a
varias alturas, inclinaciones e inclusive
diferente tipo de suelo, lo cual permitiría una
mejor comprensión de los datos.
Figura 2: Panel comparativo de humedades del
suelo
Sprint 4: Despliegue y Mejoras
El cuarto y último sprint se enfocó en el
despliegue a internet del sistema, dado a que los
sensores y el servidor se encontrarán en zonas
diferentes, se utilizaron herramientas como
ngrok y localtonet, que permiten exponer
localmente un servidor al exterior de forma
segura y gratuita. En este caso, ngrok fue usado
para el API debido a que permite la
comunicación TCP, en cambio, localtonet fue
usado para la comunicación con los sensores;
por siguiente, permite la comunicación UDP.
También se mejoró la estructura del backend,
modularizando el código, para permitir un
desarrollo más eficiente a futuro, además, en el
caso del frontend, se generaron los gráficos
comparativos según lo acordado en el review
del sprint 3.
Retroalimentación del Sprint 4:
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 740
Durante el último review, se propuso la
posibilidad de acceder al sistema desde el
campo a través de un dispositivo móvil, lo cual
generó una necesidad de modificar el FrontEnd
para que sea “responsive”, además, se sugirió
como mejora futura la incorporación de un
mapa con geo referencias donde se pueda
visualizar la ubicación de los sensores y sus
datos en tiempo real. A continuación, se
presentan en tablas los datos obtenidos y
tabuladas de los sensores IoT empleados.
Tabla 1. Resultados obtenidos de sensores de temperatura y humedad
Variable
B7
B9
B11
B12
B13
Total
N° de plantas
1195
3112
1018
4383
1422
30588
Agua 2024 (Lts/planta)
(año)
1460
2920
2920
2916,4
2920
42325
Agua 2025 (Lts/planta)
(año)
1361,5
2715,6
2679,1
2905,4
2555
41234
Diferencia (Lts/planta)
(año)
29,2
80,3
167,9
11
365
686
Diferencia (Lts/bloque)
(año)
34894
249893,6
170922,2
48213
519030
20983368
Diferencia (%)
2,0
2,8
5,8
0,4
12,5
2,0
Fuente: elaboración propia
En cuanto a los datos de consumo de agua, se
identificó una eficiencia hídrica gracias a los
datos proporcionados por los sensores. En el
año 2024, el consumo anual se mantuvo en
niveles homogéneos en todos los bloques, ya
que las plantas eran regadas de forma rutinaria
sin asistencia del monitoreo. En los primeros
seis meses de 2025, luego de la instalación de
los sensores para la gestión del riego, se generó
una reducción considerable de agua en cada
bloque. La reducción del consumo varía por
cada bloque, siendo el bloque 13 el que tuvo el
mayor ahorro, con un 12,5% de agua, en
relación a las mediciones de 2024. En contraste
a esto, el bloque 12 mostró apenas una
reducción del 0,4% de uso de agua, lo que hace
pensar que las condiciones específicas del
terreno no han permitido un ahorro más
significativo. A la hora de analizar el consumo
en todos los bloques, se proyecta que el ahorro
sería de aproximadamente 33 millones de litros
de agua, lo que representa un ahorro global del
2,6% a comparación del año anterior.
Tabla 2. Resultados obtenidos de sensores de tierra
Variable
B7
B9
B11
B12
B13
B14
TOTAL
Fertilizante 2024 (gramos/planta cada 2 meses)
150
150
150
35
35
35
555
Fertilizante 2024 (gramos/planta cada año)
900
900
900
210
210
210
3330
Fertilizante 2025 (gramos/planta cada 2 meses)
120
120
120
30
30
30
450
Fertilizante 2025 (gramos/planta cada año)
720
720
720
180
180
180
2700
Diferencia (cada 2 meses)
30
30
30
5
5
5
105
Diferencia (anual)
180
180
180
30
30
30
630
Diferencia (%)
20
20
20
14,29
14,29
14,29
18,92
Fuente: elaboración propia
A través del análisis de los datos de los sensores,
se evidenció la necesidad de reducir en
fertilizante aplicado a las plantas ya que estos
superaban los umbrales ideales planteados por
los ingenieros agrónomos. Esto quiere decir
que, en 2024, sin el apoyo de los sensores, había
una dosificación constante, por lo que,
anualmente se fertilizaba cada planta con 900
gramos en bloques grandes como el 7, 9 y 11,
mientras que en bloques pequeños como el 12,
13 y 14, se aplicaban 210 gramos al año. A
partir de 2025, se empezó a aplicar de manera
más precisa el fertilizante en función de las
necesidades reales de las plantas de cada
bloque. Entre los bloques 7, 9 y 11, se
disminuyó la dosis aplicada de 30 gramos al
mes, lo que se traduce como una reducción de
180 gramos al año por planta. Por su parte, en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 741
los bloques 12, 13 y 14, se disminuyó 5 gramos,
dando como resultado 30 gramos menos de
dosis al año. La diferencia porcentual evidencia
como en los bloques grandes la cantidad de
fertilizante usado se redujo en un 20%, mientras
que, en los bloques restantes, se disminuyó un
14,29%, lo que sugiere que la implementación
de los sensores permitió ajustar la dosificación
de manera más eficiente, ajustándose a las
necesidades propias de cada bloque, para evitar
así la aplicación excesiva e innecesaria de
fertilizante. En total, el sistema redujo 105
gramos de aplicación por planta, lo que,
anualmente, se prevé que se reduzca el uso de
fertilizantes en un 18,92%
Conclusiones
Este trabajo ha presentado el desarrollo y
evaluación de una plataforma web integral
diseñada para el monitoreo y visualización de
parámetros ambientales en plantaciones de café,
utilizando tecnologías de Internet de las Cosas
(IoT). A través de la integración de módulos
LoRa (e32), sensores de suelo (RS485) y aire
(AM2302), junto con un gateway (HLK-
RM08), se logró establecer un sistema de red
robusto capaz de recolectar datos esenciales de
las plantaciones de café. A través de la
aplicación de la metodología SCRUM a lo largo
de cuatro sprints, y la validación durante el
proceso de retroalimentación por parte de los
usuarios finales, se demostró la viabilidad del
sistema. En cuanto al backend, se comprobó
que las métricas para el procesamiento de datos
alcanzaban las 500 lecturas por hora propuestas,
con una latencia menor a un minuto para el
dashboard. Además, la validación de datos fue
realizada exitosamente a través de diferentes
expresiones regulares para garantizar la
integridad de la información recibida, lo cual es
crucial para la toma de decisiones precisas.
Por otro lado, en cuanto a la plataforma web
creada con Grafana, se comprobó su eficacia a
la hora de la visualización de datos en tiempo
real, a través de gráficas históricas y
comparativas, con líneas de referencia para los
rangos óptimos, mejorando de gran manera la
interpretación de los resultados. Una
funcionalidad que resultó generar mucho valor
para los usuarios finales fue el envío de alertas
proactivas por correo electrónico, lo cual
permitió la toma de decisiones operativas de
manera más rápida y eficaz. El sistema
desarrollado representa una herramienta
innovadora de bajo costo que permite la mejora
en la agricultura de precisión en el sector
cafetalero, con un gran potencial para optimizar
el uso de recursos naturales, aumentar la
productividad de las plantaciones y promover
así prácticas agrícolas mucho más sostenibles.
En cuanto a futuras líneas de investigación, se
puede plantear la incorporación de módulos de
georreferenciación para los sensores, lo cual
puede dar una mejor perspectiva de los datos a
través de una visualización espacial. Por otro
lado, se pueden integrar modelos de predicción
de datos basados en aprendizaje automatizado,
los cuales pueden anticipar posibles
enfermedades en las plantaciones, deficiencias
nutricionales o cambios climáticos. También se
puede plantear un sistema de riego
automatizado que tome en cuenta los datos
entrantes de los sensores para mejorar la
eficiencia y sostenibilidad del uso de recursos
naturales.
Referencias Bibliográficas
Amrouk, E., Palmeri, F., & Magrini, E. (2025).
Global coffee market and recent price
developments. Food and Agriculture
Organization of the United Nations (FAO).
https://openknowledge.fao.org/items/74693
1ac-36b8-463f-8d7b-446585158047
Bai, X., Huang, Y., Ren, W., Coyne, M.,
Jacinthe, P., Tao, B., Hui, D., Yang, J., &
Matocha, C. (2019). Responses of soil
carbon sequestration to climate‐smart
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 742
agriculture practices: A meta‐analysis.
Global Change Biology, 25(8), 2591-2606.
https://doi.org/10.1111/gcb.14658
Bermudez, S., Voora, V., & Larrea, C. (2022).
Global Market Report: Coffee prices and
sustainability (Sustainable Commodities
Marketplace Series). International Institute
for Sustainable Development (IISD).
Binboga, B., & Altin Gumussoy, C. (2024).
Factors Affecting Agile Software Project
Success. IEEE Access, 12, 95613-95633.
https://doi.org/10.1109/ACCESS.2024.3384
410
Chango, M., & García, J. (2021). Análisis de la
competitividad de las exportaciones de café
de Ecuador versus Colombia y Brasil hacia
el mercado de USA. X-Pedientes
Económicos, 65-80.
Cheruvu, B., Latha, S. B., Nikhil, M., Mahajan,
H., & Prashanth, K. (2023). Smart Farming
System using NPK Sensor. 2023 9th
International Conference on Advanced
Computing and Communication Systems
(ICACCS), 957-963.
https://doi.org/10.1109/ICACCS57279.2023
.10112795
Comisión de Promoción del Perú para la
Exportación y el Turismo. (2023). Perú en el
top diez de productores de café arábico a
nivel mundial. gob.pe.
https://www.gob.pe/institucion/promperu/n
oticias/823939-peru-en-el-top-diez-de-
productores-de-cafe-arabico-a-nivel-
mundial
Corrales, J., Barreno, C., Salvatierra, A., &
Pastuña, N. (2025). Toma de decisiones de
riego inteligente para cultivos de café con la
utilización de sensores IoT. RECIMUNDO,
9, 378-394.
Dorado, R. (2023). Análisis de la importancia
económica de la industria cafetalera en
Ecuador [Tesis de Licenciatura, Universidad
Técnica de Babahoyo].
https://dspace.utb.edu.ec/handle/49000/950
Espinosa, A., Ponte, D., Gibeaux, S., &
González, C. (2021). Estudio de Sistemas
IoT Aplicados a la Agricultura Inteligente.
Revista Plus Economía, 9(1), 33-42.
Esquivel, G., Quisaguano, L., Caluña, A., &
Llambo, S. (2025). Frameworks del lado del
Servidor: Caso de Estudio Node JS, Django
y Laravel. 593 Digital Publisher CEIT,
10(1), 403-414.
https://doi.org/10.33386/593dp.2025.1.2729
Estrada, M., Núñez, J., Pedro, S., & Wilmer, C.
(2021). Revisión Sistemática de la
Metodología Scrum para el Desarrollo de
Software. Dominio de las Ciencias, 7, 434-
447.
Gottemukkala, L., Jajala, S. T. R., Thalari, A.,
Vootkuri, S. R., Kumar, V., & Naidu, G. M.
(2023). Sustainable Crop Recommendation
System Using Soil NPK Sensor. E3S Web of
Conferences, 430, 01100.
https://doi.org/10.1051/e3sconf/202343001
100
Hardesty, G. (2024). Alcance y Patrones de
Radiación de Antenas. https://www.data-
alliance.net/es/dbi-db-dbm-dbmw-definido-
y-explicado
Hi-Link. (2016). HLK-RM08K User Manual.
Hi-Link Technology Co., Ltd.
https://www.rajguruelectronics.com/Product
/753/HLK-
RM08K%20Seriel%20Port%20to%20WIFI
%20Module.pdf
Jadán, V., Belduma N., & Elizalde, M. (2024).
Evolución y proyección de la producción
agrícola (Banano y Café) en Ecuador en el
periodo 2012-2025.
https://doi.org/10.5281/ZENODO.10850806
Jeyaraj, M., Sucharitharathna, S., Senarath, C.,
Kanagaraj, Y., & Udayakumara, I. (2022).
Cognitive Visual-learning Environment for
PostgreSQL (Versión 1). arXiv.
https://doi.org/10.48550/ARXIV.2205.0483
4
Jijón, S. (2024). Recorrido por las zonas
productoras de café en Ecuador. Perfect
Daily Grind.
https://perfectdailygrind.com/es/2024/06/28
/recorrido-zonas-productoras-cafe-ecuador/
Kirešová, S., Guzan, M., Fecko, B., Somka, O.,
Rusyn, V., & Yatsiuk, R. (2023). Grafana as
a Visualization Tool for Measurements.
2023 IEEE 5th International Conference on
Modern Electrical and Energy System
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 743
(MEES), 1-5.
https://doi.org/10.1109/MEES61502.2023.1
0402486
Mehdi, A., Bali, M. K., Abbas, S., & Singh, M.
(2023). Unleashing the Potential of Grafana:
A Comprehensive Study on Real-Time
Monitoring and Visualization. 2023 14th
International Conference on Computing
Communication and Networking
Technologies (ICCCNT), 1-8.
https://doi.org/10.1109/ICCCNT56998.202
3.10306699
Munir, M., Bajwa, I., Ashraf, A., Anwar, W., &
Rashid, R. (2021). Intelligent and Smart
Irrigation System Using Edge Computing
and IoT. Complexity, 2021(1), 6691571.
https://doi.org/10.1155/2021/6691571
Pande, S. M., Ramesh, P. K., Anmol, A.,
Aishwarya, B. R., Rohilla, K., & Shaurya, K.
(2021). Crop Recommender System Using
Machine Learning Approach. 2021 5th
International Conference on Computing
Methodologies and Communication
(ICCMC), 1066-1071.
https://doi.org/10.1109/ICCMC51019.2021.
9418351
Postolache, A. (2020). DHT22 / AM2302
temperature and humidity sensor [Corporate
website]. Industrial Shields Blog.
https://www.industrialshields.com/blog/ard
uino-industrial-1/dht22-am2302-
temperature-and-humidity-sensor-224
Premkumar, S., & Sigappi, An. (2022). IoT-
enabled edge computing model for smart
irrigation system. Journal of Intelligent
Systems, 31(1), 632-650.
https://doi.org/10.1515/jisys-2022-0046
Rapallini, J., & Mazzeo, H. (2021). Sistemas de
Redes de Sensores Inalámbricos. Revista de
la Universidad Tecnológica Nacional,
Facultad Regional La Plata.
https://adut.utn.edu.ar/wp-
content/uploads/2021/02/Sistemas-de-
Redes-de-Sensores-Inalambricos.docx.pdf
Reyes, S., & Pinto, R. (2024). Sistema de
Gestión de Instrumentos de Cooperación
para la Coordinación de Relaciones
Nacionales e Internacionales Unach usando
tecnología .Net Core [Universidad Nacional
de Chimborazo].
http://dspace.unach.edu.ec/handle/51000/12
769
Romero, M., Reyes, M., Andrade, E., Reyes, N.,
& Terres, H. (2021). Broadband Printed
Modified Dipole for Personal
Communication Systems. Wseas
Transactions on Communications, 19, 223-
230.
https://doi.org/10.37394/23204.2020.19.26
Sánchez, L., Cárdenas, M., Murillo, J., &
Chacón, V. (2025). El Internet de las cosas
en la agricultura. Revista Científico-
Académica Multidisciplinaria, 10(2).
https://polodelconocimiento.com/ojs/index.
php/es/article/view/8914
Singh, J., & Kassie, N. B. (2018). User’s
Perspective of Software Quality. 2018
Second International Conference on
Electronics, Communication and Aerospace
Technology (ICECA), 1958-1963.
https://doi.org/10.1109/ICECA.2018.84747
55
Stray, V., Moe, N., & Sjoberg, D. (2020). Daily
Stand-Up Meetings: Start Breaking the
Rules. IEEE Software, 37(3), 70-77.
https://doi.org/10.1109/MS.2018.2875988
Vanegas, J., Alcaraz, J., del Carmen Huacuz, E.,
& González, J. (2023). Contribución de la
producción del café en el desarrollo
socioeconómico de regiones productoras en
México. Revista De Gestión Del
Conocimiento Y El Desarrollo Local, 10(3).
https://revistas.unah.edu.cu/index.php/RGC
DL/article/view/1933
Vangavolu, S. (2025). The Latest Trends and
Development in Node.js. International
Research Journal of Modernization in
Engineering Technology and Science.
https://doi.org/10.56726/IRJMETS70150
Žáček, M., Hamplová, A., Tyrychtr, J., &
Vrana, I. (2024). Improvements for the
Planning Process in the Scrum Method.
Applied Sciences, 15(1), 202.
https://doi.org/10.3390/app15010202
Zakarija, I., Skočir, Z., & Žubrinić, K. (2021).
Human resources management system for
Higher Education institutions (No.
arXiv:2107.02585). arXiv.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 6.1
Edición Especial II 2025
Página 744
https://doi.org/10.48550/ARXIV.2107.0258
5
Zheng, X., Shao, S., Li, L., & Wang, Y. (2022).
Research and Design of Monitoring System
for Greenhouse Based on Internet of Things.
2022 4th International Symposium on Smart
and Healthy Cities (ISHC), 59-63.
https://doi.org/10.1109/ISHC56805.2022.00
021
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Ángel Ariel Cedillo
Illescas, María Mercedes Encalada Arévalo y Juan
Pablo Pazmiño Piedra.