SISTEMA IOT LORAWAN-CHIRPSTACK-
GRAFANA PARA MONITOREO REMOTO
DE POZOS PETROLEROS: ESTUDIO DE
CASO EN TABASCO, MÉXICO
IOT LORAWAN–CHIRPSTACK–GRAFANA SYSTEM
FOR REMOTE MONITORING OF OIL WELLS: A CASE
STUDY IN TABASCO, MEXICO
Jesús Alayón Domínguez
Universidad Juárez Autónoma de Tabasco, México
Arturo Corona Ferreira
Universidad Juárez Autónoma de Tabasco, México
Carlos Arturo Custodio Izquierdo
Universidad Juárez Autónoma de Tabasco, México
Carlos González Zacarías
Universidad Juárez Autónoma de Tabasco, México
pág. 9645
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19526
Sistema IoT LoRaWAN-ChirpStack-Grafana para Monitoreo Remoto
de Pozos Petroleros: Estudio de Caso en Tabasco, México
RESUMEN
El monitoreo remoto de pozos petroleros en regiones tropicales presenta desafíos significativos debido
a condiciones ambientales extremas, aislamiento geográfico y limitaciones económicas de los enfoques
de monitoreo convencionales. Este estudio presenta el desarrollo y validación de un prototipo
tecnológico que integra la tecnología LoRaWAN con infraestructura en la nube mediante orquestación
de microservicios para el monitoreo remoto de pozos petroleros en condiciones tropicales del sureste
de México. Se empleó una metodología de prototipo tecnológico, implementando una arquitectura
distribuida utilizando sensores IoT RAKwireless, comunicación LoRaWAN, plataforma ChirpStack, y
sistemas de visualización Grafana-InfluxDB desplegados en Amazon Web Services usando
contenerización Docker. El prototipo fue validado bajo condiciones operacionales reales caracterizadas
por alta humedad relativa (70-90%) y temperaturas elevadas (28-35°C) típicas del trópico húmedo de
Tabasco, México. Los resultados demostraron la integración exitosa de todos los componentes
tecnológicos con operación estable bajo condiciones tropicales, alcanzando rangos de comunicación
LoRaWAN superiores a 15 kilómetros en áreas rurales mientras se mantiene la eficiencia energética
apropiada para dispositivos alimentados por batería. El prototipo implementó exitosamente siete
microservicios contenerizados con visualización de datos en tiempo real mediante dashboards Grafana.
El sistema demostró monitoreo confiable de presión, temperatura, humedad y concentraciones de gas.
Este estudio contribuye conocimiento práctico para la integración de tecnología IoT en ambientes
industriales tropicales.
Palabras clave: LoRaWAN, IoT industrial, monitoreo remoto
1 Autor principal
Correspondencia: 202h17011@egresado.ujat.mx
Jesús Alayón Domínguez1
202h17011@egresado.ujat.mx
https://orcid.org/0009-0003-3075-3070
Universidad Juárez Autónoma de Tabasco
México
Arturo Corona Ferreira
arturo.corona@ujat.mx
https://orcid.org/0000-0001-8245-0838
Universidad Juárez Autónoma de Tabasco
México
Carlos Arturo Custodio Izquierdo
carlos.custodio@ujat.mx
https://orcid.org/0000-0002-8639-3858
Universidad Juárez Autónoma de Tabasco
México
Carlos González Zacarías
Carlos.gonzalez@ujat.mx
https://orcid.org/0000-0001-5307-3332
Universidad Juárez Autónoma de Tabasco
México
DOI: https://doi.org/10.37811/cl_rcm.v9i4.19526
Sistema IoT LoRaWAN-ChirpStack-Grafana para Monitoreo Remoto
de Pozos Petroleros: Estudio de Caso en Tabasco, México
RESUMEN
El monitoreo remoto de pozos petroleros en regiones tropicales presenta desafíos significativos debido
a condiciones ambientales extremas, aislamiento geográfico y limitaciones económicas de los enfoques
de monitoreo convencionales. Este estudio presenta el desarrollo y validación de un prototipo
tecnológico que integra la tecnología LoRaWAN con infraestructura en la nube mediante orquestación
de microservicios para el monitoreo remoto de pozos petroleros en condiciones tropicales del sureste
de México. Se empleó una metodología de prototipo tecnológico, implementando una arquitectura
distribuida utilizando sensores IoT RAKwireless, comunicación LoRaWAN, plataforma ChirpStack, y
sistemas de visualización Grafana-InfluxDB desplegados en Amazon Web Services usando
contenerización Docker. El prototipo fue validado bajo condiciones operacionales reales caracterizadas
por alta humedad relativa (70-90%) y temperaturas elevadas (28-35°C) típicas del trópico húmedo de
Tabasco, México. Los resultados demostraron la integración exitosa de todos los componentes
tecnológicos con operación estable bajo condiciones tropicales, alcanzando rangos de comunicación
LoRaWAN superiores a 15 kilómetros en áreas rurales mientras se mantiene la eficiencia energética
apropiada para dispositivos alimentados por batería. El prototipo implementó exitosamente siete
microservicios contenerizados con visualización de datos en tiempo real mediante dashboards Grafana.
El sistema demostró monitoreo confiable de presión, temperatura, humedad y concentraciones de gas.
Este estudio contribuye conocimiento práctico para la integración de tecnología IoT en ambientes
industriales tropicales.
Palabras clave: LoRaWAN, IoT industrial, monitoreo remoto
1 Autor principal
Correspondencia: 202h17011@egresado.ujat.mx
Jesús Alayón Domínguez1
202h17011@egresado.ujat.mx
https://orcid.org/0009-0003-3075-3070
Universidad Juárez Autónoma de Tabasco
México
Arturo Corona Ferreira
arturo.corona@ujat.mx
https://orcid.org/0000-0001-8245-0838
Universidad Juárez Autónoma de Tabasco
México
Carlos Arturo Custodio Izquierdo
carlos.custodio@ujat.mx
https://orcid.org/0000-0002-8639-3858
Universidad Juárez Autónoma de Tabasco
México
Carlos González Zacarías
Carlos.gonzalez@ujat.mx
https://orcid.org/0000-0001-5307-3332
Universidad Juárez Autónoma de Tabasco
México
pág. 9646
IoT LoRaWAN–ChirpStack–Grafana System for Remote Monitoring of
Oil Wells: A Case Study in Tabasco, Mexico
ABSTRACT
Remote monitoring of oil wells in tropical regions presents significant challenges due to extreme
environmental conditions, geographical isolation, and economic limitations of conventional monitoring
approaches. This study presents the development and validation of a technological prototype that
integrates LoRaWAN technology with cloud infrastructure through microservices orchestration for
remote monitoring of oil wells in tropical conditions of southeastern Mexico. A technological prototype
methodology was employed, implementing a distributed architecture using RAKwireless IoT sensors,
LoRaWAN communication, ChirpStack platform, and Grafana-InfluxDB visualization systems
deployed on Amazon Web Services using Docker containerization. The prototype was validated under
real operational conditions characterized by high relative humidity (70-90%) and elevated temperatures
(28-35°C) typical of the humid tropics of Tabasco, Mexico. Results demonstrated successful integration
of all technological components with stable operation under tropical conditions, achieving LoRaWAN
communication ranges exceeding 15 kilometers in rural areas while maintaining appropriate energy
efficiency for battery-powered devices. The prototype successfully implemented seven containerized
microservices with real-time data visualization through Grafana dashboards. The system demonstrated
reliable monitoring of pressure, temperature, humidity, and gas concentrations. This study contributes
practical knowledge for IoT technology integration in tropical industrial environments.
Keywords: LoRaWAN, industrial iot, remote monitoring
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
IoT LoRaWAN–ChirpStack–Grafana System for Remote Monitoring of
Oil Wells: A Case Study in Tabasco, Mexico
ABSTRACT
Remote monitoring of oil wells in tropical regions presents significant challenges due to extreme
environmental conditions, geographical isolation, and economic limitations of conventional monitoring
approaches. This study presents the development and validation of a technological prototype that
integrates LoRaWAN technology with cloud infrastructure through microservices orchestration for
remote monitoring of oil wells in tropical conditions of southeastern Mexico. A technological prototype
methodology was employed, implementing a distributed architecture using RAKwireless IoT sensors,
LoRaWAN communication, ChirpStack platform, and Grafana-InfluxDB visualization systems
deployed on Amazon Web Services using Docker containerization. The prototype was validated under
real operational conditions characterized by high relative humidity (70-90%) and elevated temperatures
(28-35°C) typical of the humid tropics of Tabasco, Mexico. Results demonstrated successful integration
of all technological components with stable operation under tropical conditions, achieving LoRaWAN
communication ranges exceeding 15 kilometers in rural areas while maintaining appropriate energy
efficiency for battery-powered devices. The prototype successfully implemented seven containerized
microservices with real-time data visualization through Grafana dashboards. The system demonstrated
reliable monitoring of pressure, temperature, humidity, and gas concentrations. This study contributes
practical knowledge for IoT technology integration in tropical industrial environments.
Keywords: LoRaWAN, industrial iot, remote monitoring
Artículo recibido 04 Agosto 2025
Aceptado para publicación: 29 Agosto 2025
pág. 9647
INTRODUCCIÓN
El presente artículo se enfoca en el desarrollo y validación de un prototipo tecnológico que integra la
tecnología LoRaWAN con infraestructura en la nube para el monitoreo remoto de pozos petroleros en
condiciones tropicales del sureste de México. El desafío de la investigación radica en las limitaciones
de los sistemas de monitoreo convencionales para operar eficientemente bajo condiciones ambientales
extremas, aislamiento geográfico y restricciones económicas características de las operaciones
petroleras en regiones remotas. Este vacío en el conocimiento impide a las operaciones de pequeña y
mediana escala acceder a tecnologías avanzadas de monitoreo que optimicen la supervisión de variables
críticas como presión, temperatura, humedad y concentraciones de gas de manera eficaz y
económicamente viable.
La orquestación de servicios IoT mediante contenedores representa un paradigma emergente para la
escalabilidad y eficiencia de sistemas de monitoreo industrial. Khalilnasl (2025) evaluó el rendimiento
de la virtualización de nodos LoRaWAN utilizando contenedores, demostrando que las tecnologías de
contenerización como Docker pueden optimizar significativamente el uso de recursos computacionales
mientras mantienen la flexibilidad operacional. El estudio reveló mejoras sustanciales en la eficiencia
de recursos comparado con implementaciones tradicionales, validando la arquitectura de
microservicios para sistemas de monitoreo distribuido. Esta aproximación permite la gestión
independiente y escalable de servicios como ChirpStack, bases de datos temporales e interfaces de
visualización, facilitando el mantenimiento y la evolución del sistema sin afectar la operación global.
El Internet Industrial de las Cosas (IIoT) ha transformado las prácticas de mantenimiento y monitoreo
en la industria del petróleo y gas. Aragonés (2025) desarrolló una arquitectura IIoT sin batería
alimentada por calor con conectividad NB-IoT para mantenimiento predictivo en la industria petrolera
y gasífera. Esta investigación demostró que los sistemas autoalimentados pueden operar de forma
continua en entornos industriales hostiles, eliminando la necesidad de mantenimiento de baterías y
reduciendo significativamente los costos operacionales. La implementación de sensores IoT en pozos
petroleros presenta desafíos únicos relacionados con las condiciones ambientales extremas y los
requisitos de confiabilidad crítica, donde los sistemas de monitoreo deben mantener precisión en la
INTRODUCCIÓN
El presente artículo se enfoca en el desarrollo y validación de un prototipo tecnológico que integra la
tecnología LoRaWAN con infraestructura en la nube para el monitoreo remoto de pozos petroleros en
condiciones tropicales del sureste de México. El desafío de la investigación radica en las limitaciones
de los sistemas de monitoreo convencionales para operar eficientemente bajo condiciones ambientales
extremas, aislamiento geográfico y restricciones económicas características de las operaciones
petroleras en regiones remotas. Este vacío en el conocimiento impide a las operaciones de pequeña y
mediana escala acceder a tecnologías avanzadas de monitoreo que optimicen la supervisión de variables
críticas como presión, temperatura, humedad y concentraciones de gas de manera eficaz y
económicamente viable.
La orquestación de servicios IoT mediante contenedores representa un paradigma emergente para la
escalabilidad y eficiencia de sistemas de monitoreo industrial. Khalilnasl (2025) evaluó el rendimiento
de la virtualización de nodos LoRaWAN utilizando contenedores, demostrando que las tecnologías de
contenerización como Docker pueden optimizar significativamente el uso de recursos computacionales
mientras mantienen la flexibilidad operacional. El estudio reveló mejoras sustanciales en la eficiencia
de recursos comparado con implementaciones tradicionales, validando la arquitectura de
microservicios para sistemas de monitoreo distribuido. Esta aproximación permite la gestión
independiente y escalable de servicios como ChirpStack, bases de datos temporales e interfaces de
visualización, facilitando el mantenimiento y la evolución del sistema sin afectar la operación global.
El Internet Industrial de las Cosas (IIoT) ha transformado las prácticas de mantenimiento y monitoreo
en la industria del petróleo y gas. Aragonés (2025) desarrolló una arquitectura IIoT sin batería
alimentada por calor con conectividad NB-IoT para mantenimiento predictivo en la industria petrolera
y gasífera. Esta investigación demostró que los sistemas autoalimentados pueden operar de forma
continua en entornos industriales hostiles, eliminando la necesidad de mantenimiento de baterías y
reduciendo significativamente los costos operacionales. La implementación de sensores IoT en pozos
petroleros presenta desafíos únicos relacionados con las condiciones ambientales extremas y los
requisitos de confiabilidad crítica, donde los sistemas de monitoreo deben mantener precisión en la
pág. 9648
medición de parámetros como presión, temperatura, humedad y concentraciones de gas bajo
condiciones de alta variabilidad ambiental.
La evaluación de rendimiento en redes IoT industriales requiere consideración de múltiples métricas
incluyendo latencia, rendimiento y confiabilidad. Yoon (2025) propuso un sistema de recolección de
datos de doble modo para transmisión periódica y urgente en redes de sensores inalámbricos con
recolección de energía, logrando optimización significativa en la gestión de transmisiones críticas
mientras mantiene la eficiencia energética para operaciones de rutina. Complementariamente,
Alghamdi (2025) desarrolló algoritmos adaptativos para estimación de canal en tiempo real y ajuste de
parámetros en redes LoRa para entornos IoT dinámicos. La investigación demostró mejoras
sustanciales en la calidad de servicio (QoS) bajo condiciones de canal variables, alcanzando niveles de
confiabilidad apropiados para entornos industriales complejos donde la variabilidad de las condiciones
de transmisión puede afectar la integridad de los datos.
Los sistemas de visualización de datos representan un componente crítico para la operación efectiva de
sistemas de monitoreo industrial. Bonavolontà (2025) implementó un sistema de medición IoT para
monitoreo en tiempo real de contribuciones energéticas en comunidades de energía renovable,
utilizando dashboards interactivos que permitieron la toma de decisiones operacionales inmediatas. El
sistema integró sensores distribuidos con plataformas de visualización, logrando actualización de datos
en intervalos reducidos para facilitar el monitoreo continuo. La gestión de datos temporales constituye
un desafío fundamental en aplicaciones de monitoreo continuo, requiriendo capacidades de
almacenamiento escalable y consultas eficientes para el análisis de tendencias históricas y detección de
anomalías en tiempo real. Zeta (2025) desarrolló un sistema de monitoreo de pH de bajo costo para
acuicultura en una red de sensores inalámbricos multicapa, demostrando que las soluciones IoT pueden
mantener precisión de medición mientras proporcionan visualización en tiempo real de parámetros
críticos en aplicaciones industriales.
La forma en que se comunican los dispositivos IoT es mediante el protocolo MQTT (Message Queuing
Telemetry Transport) el cual es un estándar fundamental para comunicación en redes de ancho de banda
limitado. Mota (2025) implementó una arquitectura IoT para monitoreo de calidad del aire interior
utilizando MQTT como protocolo principal de comunicación, demostrando alta confiabilidad en
medición de parámetros como presión, temperatura, humedad y concentraciones de gas bajo
condiciones de alta variabilidad ambiental.
La evaluación de rendimiento en redes IoT industriales requiere consideración de múltiples métricas
incluyendo latencia, rendimiento y confiabilidad. Yoon (2025) propuso un sistema de recolección de
datos de doble modo para transmisión periódica y urgente en redes de sensores inalámbricos con
recolección de energía, logrando optimización significativa en la gestión de transmisiones críticas
mientras mantiene la eficiencia energética para operaciones de rutina. Complementariamente,
Alghamdi (2025) desarrolló algoritmos adaptativos para estimación de canal en tiempo real y ajuste de
parámetros en redes LoRa para entornos IoT dinámicos. La investigación demostró mejoras
sustanciales en la calidad de servicio (QoS) bajo condiciones de canal variables, alcanzando niveles de
confiabilidad apropiados para entornos industriales complejos donde la variabilidad de las condiciones
de transmisión puede afectar la integridad de los datos.
Los sistemas de visualización de datos representan un componente crítico para la operación efectiva de
sistemas de monitoreo industrial. Bonavolontà (2025) implementó un sistema de medición IoT para
monitoreo en tiempo real de contribuciones energéticas en comunidades de energía renovable,
utilizando dashboards interactivos que permitieron la toma de decisiones operacionales inmediatas. El
sistema integró sensores distribuidos con plataformas de visualización, logrando actualización de datos
en intervalos reducidos para facilitar el monitoreo continuo. La gestión de datos temporales constituye
un desafío fundamental en aplicaciones de monitoreo continuo, requiriendo capacidades de
almacenamiento escalable y consultas eficientes para el análisis de tendencias históricas y detección de
anomalías en tiempo real. Zeta (2025) desarrolló un sistema de monitoreo de pH de bajo costo para
acuicultura en una red de sensores inalámbricos multicapa, demostrando que las soluciones IoT pueden
mantener precisión de medición mientras proporcionan visualización en tiempo real de parámetros
críticos en aplicaciones industriales.
La forma en que se comunican los dispositivos IoT es mediante el protocolo MQTT (Message Queuing
Telemetry Transport) el cual es un estándar fundamental para comunicación en redes de ancho de banda
limitado. Mota (2025) implementó una arquitectura IoT para monitoreo de calidad del aire interior
utilizando MQTT como protocolo principal de comunicación, demostrando alta confiabilidad en
pág. 9649
transmisión de datos críticos durante períodos extendidos de operación. La arquitectura publish-
subscribe del protocolo MQTT facilita la integración de múltiples sensores distribuidos con sistemas
centralizados de gestión de datos, permitiendo el escalamiento horizontal de las redes de monitoreo sin
comprometer la estabilidad del sistema. La implementación de brokers MQTT redundantes asegura la
continuidad operacional en aplicaciones industriales críticas donde la pérdida de conectividad puede
resultar en consecuencias operacionales significativas.
La tecnología LoRaWAN (Long Range Wide Area Network) se ha consolidado como una solución
fundamental para aplicaciones IoT industriales debido a su capacidad de transmisión de largo alcance
y bajo consumo energético. Sánchez (2025) implementó exitosamente una estación de monitoreo
remoto utilizando tecnología LoRaWAN para medición de niveles de radiación UV, demostrando la
viabilidad de esta tecnología para aplicaciones de monitoreo ambiental en tiempo real. La investigación
evidenció que LoRaWAN puede alcanzar rangos de transmisión superiores a 15 kilómetros en áreas
rurales, manteniendo una eficiencia energética óptima para dispositivos alimentados por baterías, lo
cual resulta especialmente relevante para aplicaciones de monitoreo petrolero en ubicaciones remotas.
Los estudios identificados se enfocan en componentes individuales sin abordar la integración holística
de sistemas complejos para aplicaciones industriales específicas, dejando vacíos significativos de
reportes que validen soluciones IoT completas en condiciones operacionales reales de la industria
petrolera, incluyendo factores ambientales del trópico húmedo del sur de México. De igual manera
existen escasos estudios que abordan el comportamiento de sistemas IoT bajo cargas operacionales
reales con múltiples dispositivos distribuidos geográficamente, y las investigaciones actuales no
abordan suficientemente los desafíos de integración con infraestructura industrial existente y estándares
de comunicación establecidos. Esta brecha representa una oportunidad significativa que busca abordar
el presente trabajo de investigación, particularmente relevante para futuras implementaciones que
combinen las tecnologías LoRaWAN, infraestructura en la nube y sistemas de visualización para el
monitoreo petrolero, validadas bajo condiciones reales de operación en ambientes tropicales.
El uso de sistemas IoT en pozos petroleros para su monitoreo es fundamental debido a las fallas que
pueden generarse por las variaciones en la presión, temperatura, concentraciones de gas y humedad.
transmisión de datos críticos durante períodos extendidos de operación. La arquitectura publish-
subscribe del protocolo MQTT facilita la integración de múltiples sensores distribuidos con sistemas
centralizados de gestión de datos, permitiendo el escalamiento horizontal de las redes de monitoreo sin
comprometer la estabilidad del sistema. La implementación de brokers MQTT redundantes asegura la
continuidad operacional en aplicaciones industriales críticas donde la pérdida de conectividad puede
resultar en consecuencias operacionales significativas.
La tecnología LoRaWAN (Long Range Wide Area Network) se ha consolidado como una solución
fundamental para aplicaciones IoT industriales debido a su capacidad de transmisión de largo alcance
y bajo consumo energético. Sánchez (2025) implementó exitosamente una estación de monitoreo
remoto utilizando tecnología LoRaWAN para medición de niveles de radiación UV, demostrando la
viabilidad de esta tecnología para aplicaciones de monitoreo ambiental en tiempo real. La investigación
evidenció que LoRaWAN puede alcanzar rangos de transmisión superiores a 15 kilómetros en áreas
rurales, manteniendo una eficiencia energética óptima para dispositivos alimentados por baterías, lo
cual resulta especialmente relevante para aplicaciones de monitoreo petrolero en ubicaciones remotas.
Los estudios identificados se enfocan en componentes individuales sin abordar la integración holística
de sistemas complejos para aplicaciones industriales específicas, dejando vacíos significativos de
reportes que validen soluciones IoT completas en condiciones operacionales reales de la industria
petrolera, incluyendo factores ambientales del trópico húmedo del sur de México. De igual manera
existen escasos estudios que abordan el comportamiento de sistemas IoT bajo cargas operacionales
reales con múltiples dispositivos distribuidos geográficamente, y las investigaciones actuales no
abordan suficientemente los desafíos de integración con infraestructura industrial existente y estándares
de comunicación establecidos. Esta brecha representa una oportunidad significativa que busca abordar
el presente trabajo de investigación, particularmente relevante para futuras implementaciones que
combinen las tecnologías LoRaWAN, infraestructura en la nube y sistemas de visualización para el
monitoreo petrolero, validadas bajo condiciones reales de operación en ambientes tropicales.
El uso de sistemas IoT en pozos petroleros para su monitoreo es fundamental debido a las fallas que
pueden generarse por las variaciones en la presión, temperatura, concentraciones de gas y humedad.
pág. 9650
Cualquier irregularidad en estos indicadores críticos podría ocasionar fallas operacionales
significativas. El monitoreo actual requiere que los operadores revisen estos indicadores de manera
presencial, registrando datos de cada zona manualmente. Esta metodología presenta limitaciones, ya
que pueden ocurrir eventos críticos en un punto mientras el operador inspecciona otra área, resultando
en tiempos de respuesta inadecuados para la detección temprana de anomalías.
La red LoRaIN significa una alternativa eficiente para el monitoreo, esta consiste en sensores, gateways
y un servidor que recolecta la información para los interesados, diseñado con el fin de utilizar poca
energía y conectar inalámbricamente dispositivos en redes regionales, nacionales o globales, opera en
bandas de radiofrecuencia sin licencia y puede alcanzar hasta un alcance de 15 kilómetros en áreas
rurales (Bankov, Khorov, Lyakhov, 2016).
Objetivo general y Objetivos específicos
El monitoreo de pozos petroleros en regiones tropicales presenta desafíos únicos derivados de las
condiciones ambientales extremas, la ubicación remota de las instalaciones, y las limitaciones
económicas de los sistemas de supervisión tradicionales. Las altas temperaturas (28-35°C), humedad
relativa (70-90%), y precipitaciones intensas del sureste mexicano generan condiciones adversas para
equipos electrónicos convencionales, mientras que los costos de implementación y mantenimiento de
sistemas SCADA tradicionales resultan prohibitivos para operaciones de pequeña y mediana escala.
La integración de tecnologías IoT basadas en LoRaWAN con infraestructura cloud representa una
oportunidad para democratizar el acceso a sistemas de monitoreo avanzados, reduciendo
significativamente los costos de implementación mientras se mejora la capacidad de supervisión
remota, por lo cual esta iniciativa tiene por objetivo Desarrollar una arquitectura de microservicios
distribuidos que integre sensores IoT RAKwireless, comunicación LoRaWAN, plataforma ChirpStack,
y sistemas de visualización Grafana-InfluxDB, optimizada para las condiciones ambientales y
operacionales del monitoreo petrolero tropical.
El alcance que se espera con este prototipo es demostrar la viabilidad técnica de la integración
tecnológica propuesta, con el fin de lograr una validación práctica de la arquitectura en condiciones
reales de campo, la evaluación de rendimiento bajo condiciones tropicales específicas, y la generación
de conocimiento transferible para implementaciones similares.
Cualquier irregularidad en estos indicadores críticos podría ocasionar fallas operacionales
significativas. El monitoreo actual requiere que los operadores revisen estos indicadores de manera
presencial, registrando datos de cada zona manualmente. Esta metodología presenta limitaciones, ya
que pueden ocurrir eventos críticos en un punto mientras el operador inspecciona otra área, resultando
en tiempos de respuesta inadecuados para la detección temprana de anomalías.
La red LoRaIN significa una alternativa eficiente para el monitoreo, esta consiste en sensores, gateways
y un servidor que recolecta la información para los interesados, diseñado con el fin de utilizar poca
energía y conectar inalámbricamente dispositivos en redes regionales, nacionales o globales, opera en
bandas de radiofrecuencia sin licencia y puede alcanzar hasta un alcance de 15 kilómetros en áreas
rurales (Bankov, Khorov, Lyakhov, 2016).
Objetivo general y Objetivos específicos
El monitoreo de pozos petroleros en regiones tropicales presenta desafíos únicos derivados de las
condiciones ambientales extremas, la ubicación remota de las instalaciones, y las limitaciones
económicas de los sistemas de supervisión tradicionales. Las altas temperaturas (28-35°C), humedad
relativa (70-90%), y precipitaciones intensas del sureste mexicano generan condiciones adversas para
equipos electrónicos convencionales, mientras que los costos de implementación y mantenimiento de
sistemas SCADA tradicionales resultan prohibitivos para operaciones de pequeña y mediana escala.
La integración de tecnologías IoT basadas en LoRaWAN con infraestructura cloud representa una
oportunidad para democratizar el acceso a sistemas de monitoreo avanzados, reduciendo
significativamente los costos de implementación mientras se mejora la capacidad de supervisión
remota, por lo cual esta iniciativa tiene por objetivo Desarrollar una arquitectura de microservicios
distribuidos que integre sensores IoT RAKwireless, comunicación LoRaWAN, plataforma ChirpStack,
y sistemas de visualización Grafana-InfluxDB, optimizada para las condiciones ambientales y
operacionales del monitoreo petrolero tropical.
El alcance que se espera con este prototipo es demostrar la viabilidad técnica de la integración
tecnológica propuesta, con el fin de lograr una validación práctica de la arquitectura en condiciones
reales de campo, la evaluación de rendimiento bajo condiciones tropicales específicas, y la generación
de conocimiento transferible para implementaciones similares.
pág. 9651
El presente prototipo tecnológico busca realizar una contribución multidimensional al conocimiento
científico y técnico mediante la validación práctica de la integración LoRaWAN-cloud bajo las
condiciones tropicales extremas del sureste mexicano, caracterizadas por alta humedad relativa y
temperaturas elevadas que no han sido suficientemente documentadas en la literatura especializada. El
prototipo genera datos empíricos sobre el rendimiento de sistemas IoT petroleros en entornos
operacionales reales, desarrolla un framework metodológico replicable que facilita la transferencia de
conocimiento a proyectos similares, e identificar mejores prácticas específicas para el despliegue de
tecnologías IoT en ambientes adversos. Adicionalmente, proporciona un análisis económico integral
que compara los costos del sistema propuesto con alternativas tradicionales, generando información
cuantitativa que facilita la toma de decisiones de inversión tecnológica en operaciones petroleras de
pequeña y mediana escala.
METODOLOGÍA
La metodología de prototipo tecnológico se define como un proceso sistemático de desarrollo,
implementación y validación de soluciones tecnológicas emergentes mediante la construcción de
sistemas funcionales que demuestran la viabilidad técnica y operacional de conceptos innovadores
(López et al., 2023). Este enfoque metodológico resulta particularmente apropiado para investigaciones
que buscan validar la integración de múltiples tecnologías en aplicaciones industriales específicas,
donde la contribución principal radica en la demostración práctica de su viabilidad técnica y no en el
desarrollo de nuevos marcos teóricos.
Fase I: Análisis y Diseño
La primera fase de la metodología se centró en el análisis detallado de los requisitos técnicos y
operacionales del monitoreo petrolero en condiciones tropicales, así como en el diseño de la
arquitectura tecnológica del prototipo. Esta fase siguió las recomendaciones establecidas por López et
al. (2023) para el desarrollo rápido de prototipos IoT basados en LoRaWAN, adaptando su framework
de prototipado visual a las necesidades específicas del monitoreo industrial petrolero.
El proceso de análisis de requisitos incluyó la identificación de parámetros críticos de monitoreo
(presión, temperatura, humedad, concentraciones de gas), especificaciones de comunicación remota
(alcances superiores a 15 kilómetros en áreas rurales), y restricciones ambientales del entorno tropical
El presente prototipo tecnológico busca realizar una contribución multidimensional al conocimiento
científico y técnico mediante la validación práctica de la integración LoRaWAN-cloud bajo las
condiciones tropicales extremas del sureste mexicano, caracterizadas por alta humedad relativa y
temperaturas elevadas que no han sido suficientemente documentadas en la literatura especializada. El
prototipo genera datos empíricos sobre el rendimiento de sistemas IoT petroleros en entornos
operacionales reales, desarrolla un framework metodológico replicable que facilita la transferencia de
conocimiento a proyectos similares, e identificar mejores prácticas específicas para el despliegue de
tecnologías IoT en ambientes adversos. Adicionalmente, proporciona un análisis económico integral
que compara los costos del sistema propuesto con alternativas tradicionales, generando información
cuantitativa que facilita la toma de decisiones de inversión tecnológica en operaciones petroleras de
pequeña y mediana escala.
METODOLOGÍA
La metodología de prototipo tecnológico se define como un proceso sistemático de desarrollo,
implementación y validación de soluciones tecnológicas emergentes mediante la construcción de
sistemas funcionales que demuestran la viabilidad técnica y operacional de conceptos innovadores
(López et al., 2023). Este enfoque metodológico resulta particularmente apropiado para investigaciones
que buscan validar la integración de múltiples tecnologías en aplicaciones industriales específicas,
donde la contribución principal radica en la demostración práctica de su viabilidad técnica y no en el
desarrollo de nuevos marcos teóricos.
Fase I: Análisis y Diseño
La primera fase de la metodología se centró en el análisis detallado de los requisitos técnicos y
operacionales del monitoreo petrolero en condiciones tropicales, así como en el diseño de la
arquitectura tecnológica del prototipo. Esta fase siguió las recomendaciones establecidas por López et
al. (2023) para el desarrollo rápido de prototipos IoT basados en LoRaWAN, adaptando su framework
de prototipado visual a las necesidades específicas del monitoreo industrial petrolero.
El proceso de análisis de requisitos incluyó la identificación de parámetros críticos de monitoreo
(presión, temperatura, humedad, concentraciones de gas), especificaciones de comunicación remota
(alcances superiores a 15 kilómetros en áreas rurales), y restricciones ambientales del entorno tropical
pág. 9652
húmedo del sureste mexicano. La selección de tecnologías se basó en criterios de eficiencia energética,
confiabilidad de comunicación, y escalabilidad del sistema, considerando las recomendaciones de
Sánchez (2025) para implementaciones de estaciones de monitoreo remoto en condiciones ambientales
extremas.
El diseño arquitectónico del prototipo se estructuró siguiendo un enfoque de microservicios distribuidos
en la nube, aprovechando las ventajas de contenerización documentadas por Khalilnasl (2025). La
arquitectura propuesta integra dispositivos finales RAKwireless con conectividad LoRa WAN, gateway
de comunicación, plataforma de gestión ChirpStack desplegada en contenedores Docker, y sistemas de
almacenamiento y visualización basados en InfluxDB y Grafana respectivamente.
La definición de métricas de evaluación se estableció considerando los estándares de rendimiento
documentados en la literatura especializada. Se adoptaron las metodologías de evaluación de latencia
propuestas por Sisinni et al. (2023), incluyendo mediciones de tiempo de respuesta end-to-end, calidad
de señal (RSSI, SNR), y tasas de entrega de paquetes (PDR). Adicionalmente, se definieron métricas
específicas para la evaluación del sistema en condiciones tropicales, incluyendo estabilidad térmica,
resistencia a la humedad, y confiabilidad operacional extendida.
Fase II: Desarrollo del Prototipo
La segunda fase se enfocó en la implementación práctica de la infraestructura tecnológica y el
desarrollo de los componentes del sistema de monitoreo. Esta etapa comprendió el despliegue de la
arquitectura en nube utilizando los recursos de AWS con las tecnologías seleccionadas, lo que incluyó
la configuración de dispositivos IoT, la integración de microservicios y el establecimiento de las
comunicaciones entre todos los elementos del prototipo.
La implementación del sistema de monitoreo se fundamentó en el despliegue de dispositivos IoT
basados en placas de montaje integradas con antenas LoRaWAN y Bluetooth Low Energy (BLE). El
núcleo de procesamiento se configuró mediante módulos RAK4631, los cuales proporcionan
conectividad dual LoRaWAN/BLE y capacidades de procesamiento distribuido. Para la adquisición de
variables ambientales críticas, se incorporó el sensor multivariable RAK19007, diseñado
específicamente para el monitoreo continuo de temperatura, presión barométrica, humedad relativa y
concentraciones de gases en entornos industriales.
húmedo del sureste mexicano. La selección de tecnologías se basó en criterios de eficiencia energética,
confiabilidad de comunicación, y escalabilidad del sistema, considerando las recomendaciones de
Sánchez (2025) para implementaciones de estaciones de monitoreo remoto en condiciones ambientales
extremas.
El diseño arquitectónico del prototipo se estructuró siguiendo un enfoque de microservicios distribuidos
en la nube, aprovechando las ventajas de contenerización documentadas por Khalilnasl (2025). La
arquitectura propuesta integra dispositivos finales RAKwireless con conectividad LoRa WAN, gateway
de comunicación, plataforma de gestión ChirpStack desplegada en contenedores Docker, y sistemas de
almacenamiento y visualización basados en InfluxDB y Grafana respectivamente.
La definición de métricas de evaluación se estableció considerando los estándares de rendimiento
documentados en la literatura especializada. Se adoptaron las metodologías de evaluación de latencia
propuestas por Sisinni et al. (2023), incluyendo mediciones de tiempo de respuesta end-to-end, calidad
de señal (RSSI, SNR), y tasas de entrega de paquetes (PDR). Adicionalmente, se definieron métricas
específicas para la evaluación del sistema en condiciones tropicales, incluyendo estabilidad térmica,
resistencia a la humedad, y confiabilidad operacional extendida.
Fase II: Desarrollo del Prototipo
La segunda fase se enfocó en la implementación práctica de la infraestructura tecnológica y el
desarrollo de los componentes del sistema de monitoreo. Esta etapa comprendió el despliegue de la
arquitectura en nube utilizando los recursos de AWS con las tecnologías seleccionadas, lo que incluyó
la configuración de dispositivos IoT, la integración de microservicios y el establecimiento de las
comunicaciones entre todos los elementos del prototipo.
La implementación del sistema de monitoreo se fundamentó en el despliegue de dispositivos IoT
basados en placas de montaje integradas con antenas LoRaWAN y Bluetooth Low Energy (BLE). El
núcleo de procesamiento se configuró mediante módulos RAK4631, los cuales proporcionan
conectividad dual LoRaWAN/BLE y capacidades de procesamiento distribuido. Para la adquisición de
variables ambientales críticas, se incorporó el sensor multivariable RAK19007, diseñado
específicamente para el monitoreo continuo de temperatura, presión barométrica, humedad relativa y
concentraciones de gases en entornos industriales.
pág. 9653
La arquitectura de red se centralizó mediante un gateway WisGate Edge Ultra Full-duplex,
seleccionado por sus características de cobertura extendida y operación bidireccional simultánea. Esta
configuración garantiza la integridad de las comunicaciones en las condiciones climáticas adversas
características del estado de Tabasco, manteniendo la robustez del enlace radioeléctrico incluso en
escenarios de alta humedad y variabilidad térmica.
Los requisitos del proyecto establecieron la necesidad de implementar una arquitectura cloud-native
basada en Amazon Web Services (AWS) y tecnologías de contenerización Docker. Esta decisión
arquitectónica permite la escalabilidad horizontal del sistema y facilita el mantenimiento distribuido de
la infraestructura.
Como intermediario de comunicaciones (broker) entre la red LoRaWAN y los servicios en la nube, se
seleccionó ChirpStack, plataforma que proporciona las funcionalidades de Network Server y
Application Server necesarias para la gestión centralizada de los dispositivos IoT y el procesamiento
de los datos telemétricos.
La totalidad de la solución fue diseñada bajo la arquitectura de microservicios en la nube. Este tipo de
soluciones permite que el total del diseño sea escalable por la distribución de servicios mediante dos
instancias de máquinas virtuales en AWS, estableciendo una separación lógica y funcional de los
componentes del sistema. Esta configuración permite optimizar el rendimiento y garantizar la
continuidad operacional del sistema de monitoreo.
La primera instancia se dedicó exclusivamente a la gestión de comunicaciones IoT, alojando los
servicios de conectividad LoRaWAN y la interfaz de integración con los dispositivos de campo. Esta
máquina virtual concentra las funcionalidades de recepción, procesamiento inicial y enrutamiento de
datos telemétricos, actuando como puente entre la red de sensores y la infraestructura de análisis.
La segunda instancia se configuró como servidor de visualización y almacenamiento temporal,
integrando InfluxDB como base de datos de series temporales y Grafana como plataforma de
generación de dashboards interactivos. Esta separación permite el procesamiento en tiempo real de las
métricas ambientales y facilita la creación de interfaces de usuario especializadas para el análisis de
tendencias y patrones operacionales.
La arquitectura de red se centralizó mediante un gateway WisGate Edge Ultra Full-duplex,
seleccionado por sus características de cobertura extendida y operación bidireccional simultánea. Esta
configuración garantiza la integridad de las comunicaciones en las condiciones climáticas adversas
características del estado de Tabasco, manteniendo la robustez del enlace radioeléctrico incluso en
escenarios de alta humedad y variabilidad térmica.
Los requisitos del proyecto establecieron la necesidad de implementar una arquitectura cloud-native
basada en Amazon Web Services (AWS) y tecnologías de contenerización Docker. Esta decisión
arquitectónica permite la escalabilidad horizontal del sistema y facilita el mantenimiento distribuido de
la infraestructura.
Como intermediario de comunicaciones (broker) entre la red LoRaWAN y los servicios en la nube, se
seleccionó ChirpStack, plataforma que proporciona las funcionalidades de Network Server y
Application Server necesarias para la gestión centralizada de los dispositivos IoT y el procesamiento
de los datos telemétricos.
La totalidad de la solución fue diseñada bajo la arquitectura de microservicios en la nube. Este tipo de
soluciones permite que el total del diseño sea escalable por la distribución de servicios mediante dos
instancias de máquinas virtuales en AWS, estableciendo una separación lógica y funcional de los
componentes del sistema. Esta configuración permite optimizar el rendimiento y garantizar la
continuidad operacional del sistema de monitoreo.
La primera instancia se dedicó exclusivamente a la gestión de comunicaciones IoT, alojando los
servicios de conectividad LoRaWAN y la interfaz de integración con los dispositivos de campo. Esta
máquina virtual concentra las funcionalidades de recepción, procesamiento inicial y enrutamiento de
datos telemétricos, actuando como puente entre la red de sensores y la infraestructura de análisis.
La segunda instancia se configuró como servidor de visualización y almacenamiento temporal,
integrando InfluxDB como base de datos de series temporales y Grafana como plataforma de
generación de dashboards interactivos. Esta separación permite el procesamiento en tiempo real de las
métricas ambientales y facilita la creación de interfaces de usuario especializadas para el análisis de
tendencias y patrones operacionales.
pág. 9654
Esta arquitectura distribuida establece un sistema de monitoreo descentralizado que proporciona
visibilidad integral tanto del comportamiento de los sensores como del estado operacional de los
dispositivos IoT. La configuración permite la detección temprana de anomalías en el funcionamiento
de los sensores, identificación de patrones de degradación en las comunicaciones y análisis simultáneo
de múltiples variables ambientales, eliminando la dependencia de un único punto de falla y mejorando
la resiliencia general del sistema.
Respecto a la captura de datos del contexto, se consideró emplear un modelado de flujo de datos basado
en IoT. IoT permite implementa un esquema implementación donde los datos de contexto como
temperatura, humedad, vibración se capturan mediante dispositivos electrónicos autónomos que
transmiten de manera periódica información mediante antenas LoRaWAN, las cuales habitualmente se
encuentran integradas en la cápsula del dispositivo, operando bajo intervalos de muestreo
configurables. Es fundamental destacar que el alcance efectivo de la red está determinado por las
características de radiación y potencia de transmisión de las antenas de los nodos sensores, no por las
especificaciones del gateway receptor.
El gateway WisGate Edge Ultra actúa como concentrador de datos, recibiendo las tramas LoRaWAN
provenientes de los dispositivos distribuidos en el área de monitoreo. Una vez procesadas y validadas
estas señales, el gateway establece la conectividad hacia la infraestructura en la nube mediante un
módulo de comunicaciones celulares integrado, utilizando la red de datos móviles como medio de
transporte principal. Esta configuración garantiza la independencia de infraestructura de red fija y
proporciona flexibilidad operacional en ubicaciones remotas.
Los datos telemétricos, una vez recibidos en la infraestructura AWS, ingresan al pipeline de
procesamiento donde son validados, normalizados y distribuidos hacia los servicios de almacenamiento
y visualización correspondientes.
Esta arquitectura distribuida establece un sistema de monitoreo descentralizado que proporciona
visibilidad integral tanto del comportamiento de los sensores como del estado operacional de los
dispositivos IoT. La configuración permite la detección temprana de anomalías en el funcionamiento
de los sensores, identificación de patrones de degradación en las comunicaciones y análisis simultáneo
de múltiples variables ambientales, eliminando la dependencia de un único punto de falla y mejorando
la resiliencia general del sistema.
Respecto a la captura de datos del contexto, se consideró emplear un modelado de flujo de datos basado
en IoT. IoT permite implementa un esquema implementación donde los datos de contexto como
temperatura, humedad, vibración se capturan mediante dispositivos electrónicos autónomos que
transmiten de manera periódica información mediante antenas LoRaWAN, las cuales habitualmente se
encuentran integradas en la cápsula del dispositivo, operando bajo intervalos de muestreo
configurables. Es fundamental destacar que el alcance efectivo de la red está determinado por las
características de radiación y potencia de transmisión de las antenas de los nodos sensores, no por las
especificaciones del gateway receptor.
El gateway WisGate Edge Ultra actúa como concentrador de datos, recibiendo las tramas LoRaWAN
provenientes de los dispositivos distribuidos en el área de monitoreo. Una vez procesadas y validadas
estas señales, el gateway establece la conectividad hacia la infraestructura en la nube mediante un
módulo de comunicaciones celulares integrado, utilizando la red de datos móviles como medio de
transporte principal. Esta configuración garantiza la independencia de infraestructura de red fija y
proporciona flexibilidad operacional en ubicaciones remotas.
Los datos telemétricos, una vez recibidos en la infraestructura AWS, ingresan al pipeline de
procesamiento donde son validados, normalizados y distribuidos hacia los servicios de almacenamiento
y visualización correspondientes.
pág. 9655
Figura 1: Infraestructura de los dispositivos IOT
La segunda fase de la metodología se enfocó en la implementación de la infraestructura cloud necesaria
para soportar el prototipo tecnológico. Esta fase siguió las mejores prácticas establecidas por Khalilnasl
(2025) para la virtualización de nodos LoRaWAN mediante contenedores, adaptando su framework de
orquestación a las necesidades específicas del monitoreo petrolero industrial.
La configuración del entorno cloud se realizó utilizando instancias EC2 de Amazon Web Services,
aprovechando las capacidades de escalabilidad y confiabilidad de la plataforma. Se implementaron dos
máquinas virtuales dedicadas: una para servicios de comunicación IoT (ChirpStack, brokers MQTT,
bases de datos operacionales) y otra para servicios de gestión de datos y visualización (InfluxDB,
Grafana). Esta segregación de servicios siguió los principios de arquitectura de microservicios
documentados en la literatura, permitiendo escalabilidad independiente y mantenimiento simplificado.
La orquestación de microservicios se implementó utilizando Docker como plataforma de
contenerización, siguiendo las recomendaciones de Khalilnasl (2025) para optimización de recursos
computacionales. Se desarrollaron contenedores específicos para cada servicio: ChirpStack Gateway
Bridge para comunicación con dispositivos LoRaWAN, Mosquitto como broker MQTT, PostgreSQL
para gestión de metadatos, Redis para almacenamiento temporal, e InfluxDB para series temporales.
Figura 1: Infraestructura de los dispositivos IOT
La segunda fase de la metodología se enfocó en la implementación de la infraestructura cloud necesaria
para soportar el prototipo tecnológico. Esta fase siguió las mejores prácticas establecidas por Khalilnasl
(2025) para la virtualización de nodos LoRaWAN mediante contenedores, adaptando su framework de
orquestación a las necesidades específicas del monitoreo petrolero industrial.
La configuración del entorno cloud se realizó utilizando instancias EC2 de Amazon Web Services,
aprovechando las capacidades de escalabilidad y confiabilidad de la plataforma. Se implementaron dos
máquinas virtuales dedicadas: una para servicios de comunicación IoT (ChirpStack, brokers MQTT,
bases de datos operacionales) y otra para servicios de gestión de datos y visualización (InfluxDB,
Grafana). Esta segregación de servicios siguió los principios de arquitectura de microservicios
documentados en la literatura, permitiendo escalabilidad independiente y mantenimiento simplificado.
La orquestación de microservicios se implementó utilizando Docker como plataforma de
contenerización, siguiendo las recomendaciones de Khalilnasl (2025) para optimización de recursos
computacionales. Se desarrollaron contenedores específicos para cada servicio: ChirpStack Gateway
Bridge para comunicación con dispositivos LoRaWAN, Mosquitto como broker MQTT, PostgreSQL
para gestión de metadatos, Redis para almacenamiento temporal, e InfluxDB para series temporales.
pág. 9656
La configuración de contenedores se optimizó para maximizar la eficiencia de recursos mientras se
mantiene la flexibilidad operacional requerida para aplicaciones industriales.
La implementación de la plataforma ChirpStack se realizó considerando las especificaciones técnicas
de la red LoRaWAN y los requisitos de integración con sistemas de visualización. Se desarrollaron
perfiles de dispositivos específicos para sensores RAKwireless, incluyendo decodificadores JavaScript
personalizados para el procesamiento de datos de sensores industriales. La configuración de
aplicaciones ChirpStack se estructuró para facilitar la gestión de múltiples dispositivos distribuidos
geográficamente, implementando estrategias de agrupación y categorización apropiadas para entornos
petroleros.
La activación y parametrización de sensores IoT se realizó siguiendo protocolos específicos para
entornos industriales petroleros. Se configuraron sensores para medición de presión barométrica,
temperatura ambiente, humedad relativa, y concentraciones de gases característicos de operaciones
petroleras. La calibración de sensores se ejecutó utilizando estándares industriales, estableciendo
rangos de operación apropiados para las condiciones ambientales del sureste mexicano y los requisitos
operacionales de monitoreo petrolero.
La integración de comunicación MQTT se implementó siguiendo las recomendaciones de Mota et al.
(2025) para arquitecturas IoT de monitoreo ambiental. Se configuró el broker Mosquitto para gestionar
la comunicación bidireccional entre dispositivos finales y la plataforma de gestión, implementando
estrategias de calidad de servicio (QoS) apropiadas para aplicaciones industriales críticas. La
arquitectura publish-subscribe se optimizó para soportar múltiples dispositivos distribuidos mientras se
mantiene la latencia de comunicación dentro de rangos aceptables para monitoreo en tiempo real.
La integración ChirpStack-InfluxDB se configuró para asegurar la transferencia confiable de datos
desde la plataforma IoT hacia el sistema de almacenamiento temporal. Se implementaron mecanismos
de validación de datos y estrategias de recuperación ante fallos, garantizando la integridad y
disponibilidad de información crítica para operaciones petroleras. La sincronización de datos se
optimizó para minimizar la latencia entre la captura de sensores y la disponibilidad en dashboards de
visualización.
La configuración de contenedores se optimizó para maximizar la eficiencia de recursos mientras se
mantiene la flexibilidad operacional requerida para aplicaciones industriales.
La implementación de la plataforma ChirpStack se realizó considerando las especificaciones técnicas
de la red LoRaWAN y los requisitos de integración con sistemas de visualización. Se desarrollaron
perfiles de dispositivos específicos para sensores RAKwireless, incluyendo decodificadores JavaScript
personalizados para el procesamiento de datos de sensores industriales. La configuración de
aplicaciones ChirpStack se estructuró para facilitar la gestión de múltiples dispositivos distribuidos
geográficamente, implementando estrategias de agrupación y categorización apropiadas para entornos
petroleros.
La activación y parametrización de sensores IoT se realizó siguiendo protocolos específicos para
entornos industriales petroleros. Se configuraron sensores para medición de presión barométrica,
temperatura ambiente, humedad relativa, y concentraciones de gases característicos de operaciones
petroleras. La calibración de sensores se ejecutó utilizando estándares industriales, estableciendo
rangos de operación apropiados para las condiciones ambientales del sureste mexicano y los requisitos
operacionales de monitoreo petrolero.
La integración de comunicación MQTT se implementó siguiendo las recomendaciones de Mota et al.
(2025) para arquitecturas IoT de monitoreo ambiental. Se configuró el broker Mosquitto para gestionar
la comunicación bidireccional entre dispositivos finales y la plataforma de gestión, implementando
estrategias de calidad de servicio (QoS) apropiadas para aplicaciones industriales críticas. La
arquitectura publish-subscribe se optimizó para soportar múltiples dispositivos distribuidos mientras se
mantiene la latencia de comunicación dentro de rangos aceptables para monitoreo en tiempo real.
La integración ChirpStack-InfluxDB se configuró para asegurar la transferencia confiable de datos
desde la plataforma IoT hacia el sistema de almacenamiento temporal. Se implementaron mecanismos
de validación de datos y estrategias de recuperación ante fallos, garantizando la integridad y
disponibilidad de información crítica para operaciones petroleras. La sincronización de datos se
optimizó para minimizar la latencia entre la captura de sensores y la disponibilidad en dashboards de
visualización.
pág. 9657
La configuración de InfluxDB se optimizó para el manejo eficiente de series temporales generadas por
sensores IoT distribuidos. Se implementaron estrategias de retención de datos apropiadas para
aplicaciones industriales, balanceando los requisitos de almacenamiento histórico con las limitaciones
de recursos computacionales. La estructura de base de datos se diseñó para facilitar consultas analíticas
complejas, incluyendo agregaciones temporales, detección de anomalías, y análisis de tendencias
históricas.
La implementación del proyecto resultó en el desarrollo exitoso de una arquitectura descentralizada en
la nube para la gestión integral de dispositivos IoT en aplicaciones de monitoreo ambiental. El sistema
logró establecer comunicaciones bidireccionales en tiempo real entre los nodos sensores distribuidos y
la infraestructura de procesamiento en AWS, garantizando la continuidad operacional y la integridad
de los datos telemétricos.
La plataforma desarrollada permite el monitoreo continuo y simultáneo de múltiples variables
ambientales críticas, incluyendo temperatura, humedad relativa, concentraciones de gases y presión
barométrica. Los dashboards implementados en Grafana proporcionan interfaces interactivas para la
visualización de tendencias temporales para el análisis de correlaciones entre variables.
Las pruebas de campo demostraron la viabilidad técnica de la tecnología LoRaWAN para aplicaciones
de monitoreo en entornos industriales. Se logró establecer comunicaciones estables en un radio de
cobertura de 9.8 km alrededor del gateway central, valor que representa un parámetro de referencia
significativo para el despliegue de redes IoT en regiones con condiciones climáticas de alta humedad,
como las características del estado de Tabasco.
Este alcance operacional confirma la efectividad de la tecnología LoRaWAN para superar las
limitaciones de propagación radioeléctrica inherentes a entornos tropicales, estableciendo un estándar
de cobertura aplicable a proyectos similares en la región del Golfo de México.
La implementación del sistema se materializó mediante una arquitectura de dos máquinas virtuales
sobre servicios de cómputo en la nube usando AWS, donde dicho recurso en nube permite “facilitar la
realización de tareas, el trabajo colaborativo, reducción de costes y el desempeño eficiente” (Rodríguez
& Andrés, 2024, p. 9), cada una diseñada para optimizar funciones específicas dentro del flujo de datos
del proyecto.
La configuración de InfluxDB se optimizó para el manejo eficiente de series temporales generadas por
sensores IoT distribuidos. Se implementaron estrategias de retención de datos apropiadas para
aplicaciones industriales, balanceando los requisitos de almacenamiento histórico con las limitaciones
de recursos computacionales. La estructura de base de datos se diseñó para facilitar consultas analíticas
complejas, incluyendo agregaciones temporales, detección de anomalías, y análisis de tendencias
históricas.
La implementación del proyecto resultó en el desarrollo exitoso de una arquitectura descentralizada en
la nube para la gestión integral de dispositivos IoT en aplicaciones de monitoreo ambiental. El sistema
logró establecer comunicaciones bidireccionales en tiempo real entre los nodos sensores distribuidos y
la infraestructura de procesamiento en AWS, garantizando la continuidad operacional y la integridad
de los datos telemétricos.
La plataforma desarrollada permite el monitoreo continuo y simultáneo de múltiples variables
ambientales críticas, incluyendo temperatura, humedad relativa, concentraciones de gases y presión
barométrica. Los dashboards implementados en Grafana proporcionan interfaces interactivas para la
visualización de tendencias temporales para el análisis de correlaciones entre variables.
Las pruebas de campo demostraron la viabilidad técnica de la tecnología LoRaWAN para aplicaciones
de monitoreo en entornos industriales. Se logró establecer comunicaciones estables en un radio de
cobertura de 9.8 km alrededor del gateway central, valor que representa un parámetro de referencia
significativo para el despliegue de redes IoT en regiones con condiciones climáticas de alta humedad,
como las características del estado de Tabasco.
Este alcance operacional confirma la efectividad de la tecnología LoRaWAN para superar las
limitaciones de propagación radioeléctrica inherentes a entornos tropicales, estableciendo un estándar
de cobertura aplicable a proyectos similares en la región del Golfo de México.
La implementación del sistema se materializó mediante una arquitectura de dos máquinas virtuales
sobre servicios de cómputo en la nube usando AWS, donde dicho recurso en nube permite “facilitar la
realización de tareas, el trabajo colaborativo, reducción de costes y el desempeño eficiente” (Rodríguez
& Andrés, 2024, p. 9), cada una diseñada para optimizar funciones específicas dentro del flujo de datos
del proyecto.
pág. 9658
La primera máquina virtual se configuró como servidor dedicado para la gestión integral de las
comunicaciones LoRaWAN, alojando exclusivamente la suite completa de ChirpStack y sus
dependencias críticas. Esta instancia integra Mosquitto como broker MQTT para la gestión de
mensajería asíncrona, PostgreSQL como sistema de gestión de base de datos relacional para el
almacenamiento de metadatos de dispositivos y configuraciones de red, y Redis como sistema de caché
distribuido para optimizar el rendimiento de las consultas frecuentes y la gestión de sesiones.
La segunda máquina virtual se especializó en los servicios de almacenamiento temporal y visualización
de datos, integrando InfluxDB como base de datos de series temporales optimizada para el manejo de
métricas ambientales de alta frecuencia, y Grafana como plataforma de monitoreo y seguimiento de
indicadores, para ello se generó un dashboards interactivos y sistemas de alertas.
El flujo de información opera mediante un pipeline unidireccional donde los dispositivos IoT establecen
comunicación directa con la instancia de ChirpStack, la cual procesa y valida los datos antes de
transmitirlos hacia InfluxDB. Posteriormente, Grafana consume estos datos para la generación de
visualizaciones en tiempo real y análisis históricos.
Ambas instancias fueron implementadas utilizando una arquitectura de microservicios basada en
contenedores Docker, lo que garantiza la portabilidad, escalabilidad horizontal y facilita el
mantenimiento distribuido del sistema, permitiendo actualizaciones independientes de cada
componente sin afectar la operación global de la plataforma.
Para lograr una articulación de todos los servicios se abordó una estrategia de orquestación de
contenedores, los cuales se instalaron dentro de dos máquinas virtuales. La primera máquina virtual
implementa una arquitectura de microservicios orquestada mediante Docker Compose, integrando siete
servicios especializados que operan de manera coordinada. El servicio principal ChirpStack v4 se
configura como el núcleo del Network Server, exponiendo el puerto 8080 para la interfaz web de
administración y estableciendo dependencias directas con los servicios de soporte.
La configuración incluye ChirpStack Gateway Bridge en dos modalidades: el servicio estándar que
opera en el puerto UDP 1700 para la recepción de paquetes LoRaWAN, y una instancia especializada
para Basic Station en el puerto 3001, ambas configuradas para la banda de frecuencia US915_1.
La primera máquina virtual se configuró como servidor dedicado para la gestión integral de las
comunicaciones LoRaWAN, alojando exclusivamente la suite completa de ChirpStack y sus
dependencias críticas. Esta instancia integra Mosquitto como broker MQTT para la gestión de
mensajería asíncrona, PostgreSQL como sistema de gestión de base de datos relacional para el
almacenamiento de metadatos de dispositivos y configuraciones de red, y Redis como sistema de caché
distribuido para optimizar el rendimiento de las consultas frecuentes y la gestión de sesiones.
La segunda máquina virtual se especializó en los servicios de almacenamiento temporal y visualización
de datos, integrando InfluxDB como base de datos de series temporales optimizada para el manejo de
métricas ambientales de alta frecuencia, y Grafana como plataforma de monitoreo y seguimiento de
indicadores, para ello se generó un dashboards interactivos y sistemas de alertas.
El flujo de información opera mediante un pipeline unidireccional donde los dispositivos IoT establecen
comunicación directa con la instancia de ChirpStack, la cual procesa y valida los datos antes de
transmitirlos hacia InfluxDB. Posteriormente, Grafana consume estos datos para la generación de
visualizaciones en tiempo real y análisis históricos.
Ambas instancias fueron implementadas utilizando una arquitectura de microservicios basada en
contenedores Docker, lo que garantiza la portabilidad, escalabilidad horizontal y facilita el
mantenimiento distribuido del sistema, permitiendo actualizaciones independientes de cada
componente sin afectar la operación global de la plataforma.
Para lograr una articulación de todos los servicios se abordó una estrategia de orquestación de
contenedores, los cuales se instalaron dentro de dos máquinas virtuales. La primera máquina virtual
implementa una arquitectura de microservicios orquestada mediante Docker Compose, integrando siete
servicios especializados que operan de manera coordinada. El servicio principal ChirpStack v4 se
configura como el núcleo del Network Server, exponiendo el puerto 8080 para la interfaz web de
administración y estableciendo dependencias directas con los servicios de soporte.
La configuración incluye ChirpStack Gateway Bridge en dos modalidades: el servicio estándar que
opera en el puerto UDP 1700 para la recepción de paquetes LoRaWAN, y una instancia especializada
para Basic Station en el puerto 3001, ambas configuradas para la banda de frecuencia US915_1.
pág. 9659
El sistema incorpora además ChirpStack REST API en el puerto 8090, proporcionando interfaces
programáticas para la integración con sistemas externos.
Los servicios de soporte incluyen PostgreSQL 14 Alpine como sistema de gestión de base de datos
principal, Redis 7 Alpine configurado como sistema de caché con persistencia optimizada mediante
snapshots periódicos, y Eclipse Mosquitto v2 como broker MQTT en el puerto 1883. La persistencia
de datos se garantiza mediante volúmenes Docker dedicados para PostgreSQL y Redis.
La segunda máquina virtual aloja una arquitectura simplificada de dos servicios críticos: InfluxDB
como base de datos de series temporales, configurada con una base de datos denominada "Grafana" y
credenciales administrativas predefinidas, expuesta en el puerto 8086. El servicio Grafana se ejecuta
en el puerto 3000 con dependencia directa del servicio InfluxDB, configurado con credenciales
administrativas y volúmenes persistentes para la conservación de dashboards y configuraciones.
Figura 2: Configuración de red LoRaWAN: Integración ChirpStack con gateway RAKwireless
La integración de dispositivos IoT en la plataforma ChirpStack requiere la configuración previa de
perfiles de dispositivo específicos, los cuales definen las capacidades técnicas y parámetros
operacionales de cada tipo de sensor.
El registro de dispositivos se realiza a través del módulo "Devices" de la interfaz web de ChirpStack,
donde se completan los campos obligatorios de identificación y se asocia el perfil de dispositivo
correspondiente. El sistema solicita posteriormente la configuración de claves de seguridad,
diferenciando entre root-keys para dispositivos OTAA (Over-The-Air Activation) y session-keys para
dispositivos ABP (Activation By Personalization).
El sistema incorpora además ChirpStack REST API en el puerto 8090, proporcionando interfaces
programáticas para la integración con sistemas externos.
Los servicios de soporte incluyen PostgreSQL 14 Alpine como sistema de gestión de base de datos
principal, Redis 7 Alpine configurado como sistema de caché con persistencia optimizada mediante
snapshots periódicos, y Eclipse Mosquitto v2 como broker MQTT en el puerto 1883. La persistencia
de datos se garantiza mediante volúmenes Docker dedicados para PostgreSQL y Redis.
La segunda máquina virtual aloja una arquitectura simplificada de dos servicios críticos: InfluxDB
como base de datos de series temporales, configurada con una base de datos denominada "Grafana" y
credenciales administrativas predefinidas, expuesta en el puerto 8086. El servicio Grafana se ejecuta
en el puerto 3000 con dependencia directa del servicio InfluxDB, configurado con credenciales
administrativas y volúmenes persistentes para la conservación de dashboards y configuraciones.
Figura 2: Configuración de red LoRaWAN: Integración ChirpStack con gateway RAKwireless
La integración de dispositivos IoT en la plataforma ChirpStack requiere la configuración previa de
perfiles de dispositivo específicos, los cuales definen las capacidades técnicas y parámetros
operacionales de cada tipo de sensor.
El registro de dispositivos se realiza a través del módulo "Devices" de la interfaz web de ChirpStack,
donde se completan los campos obligatorios de identificación y se asocia el perfil de dispositivo
correspondiente. El sistema solicita posteriormente la configuración de claves de seguridad,
diferenciando entre root-keys para dispositivos OTAA (Over-The-Air Activation) y session-keys para
dispositivos ABP (Activation By Personalization).
pág. 9660
En configuraciones donde ChirpStack opera con un join-server dedicado, los dispositivos OTAA
pueden utilizar este servidor para la activación automática, eliminando la necesidad de introducir
manualmente las root-keys en la plataforma.
La validación del registro se ejecuta mediante el monitoreo simultáneo de las pestañas "Device data" y
"LoRaWAN frames" en la interfaz web. Para dispositivos OTAA, el proceso de activación genera
inicialmente mensajes JoinRequest seguidos de JoinAccept en el registro de tramas LoRaWAN. Una
vez establecida la conectividad, la transmisión de datos genera eventos "Join" y "Up" en la pestaña de
datos del dispositivo, confirmando la correcta integración del nodo sensor en la red LoRaWAN y su
capacidad para transmitir información telemétrica hacia la infraestructura de procesamiento.
El núcleo de procesamiento del sistema se implementó mediante el módulo RAK4631, el cual integra
el microcontrolador Nordic nRF52840 como unidad central de procesamiento. Los chips de la familia
nRF se caracterizan por su arquitectura multiprotocolo, proporcionando compatibilidad nativa con
múltiples estándares de comunicación inalámbrica, incluyendo Bluetooth Low Energy (BLE),
Bluetooth Mesh, Thread, Zigbee, IEEE 802.15.4 y ANT, entre otros protocolos emergentes.
La integración del sistema se realizó sobre la placa base RAK19007, diseñada específicamente para
aplicaciones IoT modulares. Esta plataforma proporciona cinco slots de expansión compatibles con el
ecosistema RAK, permitiendo la incorporación de módulos especializados para sensores adicionales,
sistemas de almacenamiento local, interfaces de usuario y otros periféricos según los requerimientos
específicos de cada aplicación.
Para la adquisición de variables ambientales, se implementó el módulo sensor RAK1906, el cual integra
cuatro transductores especializados en un único encapsulado. Este módulo multi-sensor permite la
medición simultánea de temperatura, humedad, presión barométrica y concentraciones de gases,
proporcionando un conjunto completo de parámetros ambientales críticos para aplicaciones de
monitoreo industrial.
Las pruebas de integración se diseñaron para validar la funcionalidad punto a punto el sistema, donde
se tuviera una prueba de concepto en un clima tropical para evaluar la comunicación bidireccional entre
dispositivos IoT con comunicaciones LoRaWAN con la infraestructura cloud de AWS que aloja los
servicios de abonados mediante ChirpStack y reportando resultados en el servidor de Grafana.
En configuraciones donde ChirpStack opera con un join-server dedicado, los dispositivos OTAA
pueden utilizar este servidor para la activación automática, eliminando la necesidad de introducir
manualmente las root-keys en la plataforma.
La validación del registro se ejecuta mediante el monitoreo simultáneo de las pestañas "Device data" y
"LoRaWAN frames" en la interfaz web. Para dispositivos OTAA, el proceso de activación genera
inicialmente mensajes JoinRequest seguidos de JoinAccept en el registro de tramas LoRaWAN. Una
vez establecida la conectividad, la transmisión de datos genera eventos "Join" y "Up" en la pestaña de
datos del dispositivo, confirmando la correcta integración del nodo sensor en la red LoRaWAN y su
capacidad para transmitir información telemétrica hacia la infraestructura de procesamiento.
El núcleo de procesamiento del sistema se implementó mediante el módulo RAK4631, el cual integra
el microcontrolador Nordic nRF52840 como unidad central de procesamiento. Los chips de la familia
nRF se caracterizan por su arquitectura multiprotocolo, proporcionando compatibilidad nativa con
múltiples estándares de comunicación inalámbrica, incluyendo Bluetooth Low Energy (BLE),
Bluetooth Mesh, Thread, Zigbee, IEEE 802.15.4 y ANT, entre otros protocolos emergentes.
La integración del sistema se realizó sobre la placa base RAK19007, diseñada específicamente para
aplicaciones IoT modulares. Esta plataforma proporciona cinco slots de expansión compatibles con el
ecosistema RAK, permitiendo la incorporación de módulos especializados para sensores adicionales,
sistemas de almacenamiento local, interfaces de usuario y otros periféricos según los requerimientos
específicos de cada aplicación.
Para la adquisición de variables ambientales, se implementó el módulo sensor RAK1906, el cual integra
cuatro transductores especializados en un único encapsulado. Este módulo multi-sensor permite la
medición simultánea de temperatura, humedad, presión barométrica y concentraciones de gases,
proporcionando un conjunto completo de parámetros ambientales críticos para aplicaciones de
monitoreo industrial.
Las pruebas de integración se diseñaron para validar la funcionalidad punto a punto el sistema, donde
se tuviera una prueba de concepto en un clima tropical para evaluar la comunicación bidireccional entre
dispositivos IoT con comunicaciones LoRaWAN con la infraestructura cloud de AWS que aloja los
servicios de abonados mediante ChirpStack y reportando resultados en el servidor de Grafana.
pág. 9661
El protocolo de pruebas incluyó la verificación del flujo completo de datos telemétricos (temperatura,
gas, presión barométrica y humedad), desde la adquisición en los nodos sensores hasta su
procesamiento y visualización en la plataforma Grafana.
Las mediciones de alcance efectivo establecieron una distancia máxima de transmisión de 9.8 km en
condiciones de línea de vista directa entre dispositivos IoT y gateway. Este parámetro se determinó
mediante pruebas sistemáticas de calidad de señal (RSSI) y relación señal-ruido (SNR) en diferentes
ubicaciones geográficas.
Sin embargo, las evaluaciones en zonas con alta densidad de cobertura vegetal en un ambiente de lluvia
tropical revelaron atenuaciones significativas en la potencia de señal recibida, fenómeno atribuible a
los efectos de dispersión y absorción electromagnética inherentes a entornos forestales densos. A pesar
de estas limitaciones de propagación, se validó que la ubicación estratégica de nodos en puntos con
condiciones favorables de propagación garantiza la continuidad operacional del sistema de monitoreo,
manteniendo la integridad de las comunicaciones dentro de los parámetros de calidad establecidos.
Figura 3: Área de cobertura alrededor de la antena (10 kilómetros)
El protocolo de pruebas incluyó la verificación del flujo completo de datos telemétricos (temperatura,
gas, presión barométrica y humedad), desde la adquisición en los nodos sensores hasta su
procesamiento y visualización en la plataforma Grafana.
Las mediciones de alcance efectivo establecieron una distancia máxima de transmisión de 9.8 km en
condiciones de línea de vista directa entre dispositivos IoT y gateway. Este parámetro se determinó
mediante pruebas sistemáticas de calidad de señal (RSSI) y relación señal-ruido (SNR) en diferentes
ubicaciones geográficas.
Sin embargo, las evaluaciones en zonas con alta densidad de cobertura vegetal en un ambiente de lluvia
tropical revelaron atenuaciones significativas en la potencia de señal recibida, fenómeno atribuible a
los efectos de dispersión y absorción electromagnética inherentes a entornos forestales densos. A pesar
de estas limitaciones de propagación, se validó que la ubicación estratégica de nodos en puntos con
condiciones favorables de propagación garantiza la continuidad operacional del sistema de monitoreo,
manteniendo la integridad de las comunicaciones dentro de los parámetros de calidad establecidos.
Figura 3: Área de cobertura alrededor de la antena (10 kilómetros)
pág. 9662
RESULTADOS
Los resultados demostraron una integración exitosa de todos los componentes, manteniendo la
integridad de los datos durante las transmisiones sin registrar pérdidas de paquetes o interrupciones en
el servicio. La validación confirmó la interoperabilidad entre los módulos de hardware distribuidos y
los servicios de procesamiento remoto, estableciendo la viabilidad técnica de la arquitectura propuesta.
Las pruebas de concepto se ejecutaron bajo condiciones ambientales representativas de la región,
incluyendo evaluaciones durante eventos de precipitación para determinar la robustez del sistema frente
a factores climáticos adversos. Los resultados evidenciaron que el protocolo LoRaWAN mantiene la
estabilidad de las comunicaciones incluso durante episodios de lluvia intensa, confirmando la
resiliencia de la tecnología ante las condiciones meteorológicas características del clima tropical.
AWS al ser una plataforma de nube muy popular y completa debido a los múltiples servicios que ofrece;
es una plataforma de servicios de nube que proporciona una variedad de servicios de cómputo llevando
a esta solución a ser flexible y fácil de escalar (Castillo, 2020, p. 3). Por ello el uso AWS como la
plataforma central para alojar todos los servicios requeridos para el desarrollo del proyecto, permite
que bajo el esquema de máquinas virtuales y contenedores sea rápido de escalar los servicios virtuales
que proporciona EC2.
Las dos máquinas virtuales, se ejecutan en todo momento con el sistema operativo Ubuntu, donde en
su interior se habilitó para usar Docker a fin de orquestar microservicios con los cuales se realizaría
todo el flujo de información para los objetivos deseados. Docker permite montar y orquestar
microservicios en cuestión de segundos, lo cual permite enfocarse en el uso de los microservicios antes
que programar alguna solución ya existente, además que permite el uso eficiente de los recursos de las
máquinas virtuales, permitiendo utilizar infraestructura más económica permitiendo ahorrar costos
(Arjona, C, 2020).
Partiendo de estas dos herramientas se planeó una infraestructura donde en una máquina virtual se
pudieran alojar exclusivamente los microservicios relacionados con los sensores de IOT. “ChirpStack
es un servidor de red LoRaWAN de código abierto que se puede utilizar para configurar redes
LoRaWAN.
RESULTADOS
Los resultados demostraron una integración exitosa de todos los componentes, manteniendo la
integridad de los datos durante las transmisiones sin registrar pérdidas de paquetes o interrupciones en
el servicio. La validación confirmó la interoperabilidad entre los módulos de hardware distribuidos y
los servicios de procesamiento remoto, estableciendo la viabilidad técnica de la arquitectura propuesta.
Las pruebas de concepto se ejecutaron bajo condiciones ambientales representativas de la región,
incluyendo evaluaciones durante eventos de precipitación para determinar la robustez del sistema frente
a factores climáticos adversos. Los resultados evidenciaron que el protocolo LoRaWAN mantiene la
estabilidad de las comunicaciones incluso durante episodios de lluvia intensa, confirmando la
resiliencia de la tecnología ante las condiciones meteorológicas características del clima tropical.
AWS al ser una plataforma de nube muy popular y completa debido a los múltiples servicios que ofrece;
es una plataforma de servicios de nube que proporciona una variedad de servicios de cómputo llevando
a esta solución a ser flexible y fácil de escalar (Castillo, 2020, p. 3). Por ello el uso AWS como la
plataforma central para alojar todos los servicios requeridos para el desarrollo del proyecto, permite
que bajo el esquema de máquinas virtuales y contenedores sea rápido de escalar los servicios virtuales
que proporciona EC2.
Las dos máquinas virtuales, se ejecutan en todo momento con el sistema operativo Ubuntu, donde en
su interior se habilitó para usar Docker a fin de orquestar microservicios con los cuales se realizaría
todo el flujo de información para los objetivos deseados. Docker permite montar y orquestar
microservicios en cuestión de segundos, lo cual permite enfocarse en el uso de los microservicios antes
que programar alguna solución ya existente, además que permite el uso eficiente de los recursos de las
máquinas virtuales, permitiendo utilizar infraestructura más económica permitiendo ahorrar costos
(Arjona, C, 2020).
Partiendo de estas dos herramientas se planeó una infraestructura donde en una máquina virtual se
pudieran alojar exclusivamente los microservicios relacionados con los sensores de IOT. “ChirpStack
es un servidor de red LoRaWAN de código abierto que se puede utilizar para configurar redes
LoRaWAN.
pág. 9663
Proporciona una interfaz web para la gestión de gateways y dispositivos, así como para configurar
integraciones de datos con los principales proveedores de la nube, bases de datos y servicios
comúnmente utilizados para el manejo de datos de dispositivos.” (Lorenzo Castro, 2024, p. 10)
ChirpStack permite la comunicación con el gateway, el cual recibe los datos que envían los sensores
IOT, permitiendo visualizar la información necesaria, monitorear el gateway, además de permitir el
enlace de los datos con plataformas externas como en este caso con InfluxDB.
La segunda máquina virtual alojó toda la parte relacionada con el sistema de dashboards con InfluxDB
y Grafana, gracias a ChirpStack permite enlazar los datos con InfluxDB, esta se encarga de almacenar
los datos en tiempo real conforme los recibe ChirpStack, Grafana consume esos datos realizando
consultas a InfluxDB y mostrándose en tiempo real de manera gráfica.
Figura 4: Arquitectura de la comunicación de los dispositivos.
Para la máquina virtual de ChirpStack se montaron con Docker los servicios necesarios para la
comunicación con el gateway LoRaWAN. ChirpStack es la interfaz web para la interacción con los
servicios de ChirpStack, donde se configuran los datos necesarios para la interacción con el gateway,
los sensores IOT y la gestión de perfiles para el acceso a la información. ChirpStack Rest Api permite
realizar operaciones CRUD con el servidor de ChirpStack, integrada en este caso para futuras prácticas
con dispositivos específicos. ChirpStack Gateway Bridge actúa como puente para la comunicación
entre el gateway LoRa y el servidor ChirpStack.
Proporciona una interfaz web para la gestión de gateways y dispositivos, así como para configurar
integraciones de datos con los principales proveedores de la nube, bases de datos y servicios
comúnmente utilizados para el manejo de datos de dispositivos.” (Lorenzo Castro, 2024, p. 10)
ChirpStack permite la comunicación con el gateway, el cual recibe los datos que envían los sensores
IOT, permitiendo visualizar la información necesaria, monitorear el gateway, además de permitir el
enlace de los datos con plataformas externas como en este caso con InfluxDB.
La segunda máquina virtual alojó toda la parte relacionada con el sistema de dashboards con InfluxDB
y Grafana, gracias a ChirpStack permite enlazar los datos con InfluxDB, esta se encarga de almacenar
los datos en tiempo real conforme los recibe ChirpStack, Grafana consume esos datos realizando
consultas a InfluxDB y mostrándose en tiempo real de manera gráfica.
Figura 4: Arquitectura de la comunicación de los dispositivos.
Para la máquina virtual de ChirpStack se montaron con Docker los servicios necesarios para la
comunicación con el gateway LoRaWAN. ChirpStack es la interfaz web para la interacción con los
servicios de ChirpStack, donde se configuran los datos necesarios para la interacción con el gateway,
los sensores IOT y la gestión de perfiles para el acceso a la información. ChirpStack Rest Api permite
realizar operaciones CRUD con el servidor de ChirpStack, integrada en este caso para futuras prácticas
con dispositivos específicos. ChirpStack Gateway Bridge actúa como puente para la comunicación
entre el gateway LoRa y el servidor ChirpStack.
pág. 9664
El Gateway Bridge BasicStation funciona como una alternativa del gateway bridge, en caso de entornos
con restricciones o gateways más básicos. Mosquitto es un broker MQTT de código abierto que sirve
de intermediario para dispositivos de baja potencia (Amaguaya Ramos, 2020, p. 10). PostgreSQL es el
gestor de base de datos, en este caso, enfocado en la gestión de dispositivos, aplicaciones, gateway y
perfiles. Redis es el motor de base de datos enfocado en el almacenamiento temporal de los datos
obtenidos de las aplicaciones y dispositivos alojados en ChirpStack.
El servidor web de ChirpStack ha sido la herramienta principal para el desarrollo del proyecto, ya que
monitorea de primera mano los recursos utilizados para todas las prácticas, suministrando un dashboard
para el monitoreo del estado de los dispositivos y la tasa de datos utilizada.
Figura 5: Interfaz inicial de ChirpStack donde se muestran los dispositivos activos, gateways activos
y el uso de la velocidad de datos de los dispositivos.
Los perfiles para los dispositivos funcionan para configurar los tipos de dispositivos que se utilizarán
y la información que recibirá o transmitirá, en este caso los dispositivos enviaban información y el
servidor solo recibía los datos, por ello se le implementó una configuración en la sección de Códec
donde se decodifican los datos enviados por los sensores de IOT, donde se transforman los datos
recibidos que vienen en Bytes para la fácil lectura de estos en la interfaz web.
En este caso se le dio configuración extra relacionado con la forma en InfluxDB recibe y trabaja con
los datos, esta parte, funciona para formatear los datos en la forma en que necesitamos trabajar con
ellos, se pueden trabajar los datos de una manera más simplificada con una configuración por default
El Gateway Bridge BasicStation funciona como una alternativa del gateway bridge, en caso de entornos
con restricciones o gateways más básicos. Mosquitto es un broker MQTT de código abierto que sirve
de intermediario para dispositivos de baja potencia (Amaguaya Ramos, 2020, p. 10). PostgreSQL es el
gestor de base de datos, en este caso, enfocado en la gestión de dispositivos, aplicaciones, gateway y
perfiles. Redis es el motor de base de datos enfocado en el almacenamiento temporal de los datos
obtenidos de las aplicaciones y dispositivos alojados en ChirpStack.
El servidor web de ChirpStack ha sido la herramienta principal para el desarrollo del proyecto, ya que
monitorea de primera mano los recursos utilizados para todas las prácticas, suministrando un dashboard
para el monitoreo del estado de los dispositivos y la tasa de datos utilizada.
Figura 5: Interfaz inicial de ChirpStack donde se muestran los dispositivos activos, gateways activos
y el uso de la velocidad de datos de los dispositivos.
Los perfiles para los dispositivos funcionan para configurar los tipos de dispositivos que se utilizarán
y la información que recibirá o transmitirá, en este caso los dispositivos enviaban información y el
servidor solo recibía los datos, por ello se le implementó una configuración en la sección de Códec
donde se decodifican los datos enviados por los sensores de IOT, donde se transforman los datos
recibidos que vienen en Bytes para la fácil lectura de estos en la interfaz web.
En este caso se le dio configuración extra relacionado con la forma en InfluxDB recibe y trabaja con
los datos, esta parte, funciona para formatear los datos en la forma en que necesitamos trabajar con
ellos, se pueden trabajar los datos de una manera más simplificada con una configuración por default
pág. 9665
en el Códec llamada Cayenne LPP, pero por las necesidades de formateo se optó por suministrar una
función de JavaScript donde se especificó la forma en que se decodifican y como queríamos los datos
para su uso posterior.
Figura 6: Interfaz donde se escribe el código para la codificación o decodificación de los datos que
llegan al dispositivo.
Las aplicaciones se crean para establecer grupos de dispositivos con los que se desea trabajar,
constituyendo una forma de agrupar los dispositivos de manera que se puedan tener todos los
dispositivos de un mismo tipo juntos o incluso diferentes dispositivos con un mismo propósito. Dentro
de las aplicaciones se agregan los dispositivos, para los cuales es importante proporcionar la
información detallada y necesaria para su configuración. Los parámetros requeridos incluyen el Device
EUI, que corresponde al número de serie proporcionado por cada dispositivo físico; el Device Profile,
donde se selecciona el perfil de dispositivo configurado previamente para que la configuración se
aplique al dispositivo que se desea agregar; y la Application Key, donde se debe proporcionar una clave
de aplicación. En caso de ser el primer dispositivo de la aplicación, ChirpStack genera una clave
aleatoriamente, la cual deberá ser utilizada para todos los dispositivos que se integren posteriormente a
la aplicación.
Dentro de la parte de dispositivos en la aplicación se tiene un dashboard que proporciona información
principalmente sobre el rendimiento del dispositivo, los datos se muestran en un apartado llamado
en el Códec llamada Cayenne LPP, pero por las necesidades de formateo se optó por suministrar una
función de JavaScript donde se especificó la forma en que se decodifican y como queríamos los datos
para su uso posterior.
Figura 6: Interfaz donde se escribe el código para la codificación o decodificación de los datos que
llegan al dispositivo.
Las aplicaciones se crean para establecer grupos de dispositivos con los que se desea trabajar,
constituyendo una forma de agrupar los dispositivos de manera que se puedan tener todos los
dispositivos de un mismo tipo juntos o incluso diferentes dispositivos con un mismo propósito. Dentro
de las aplicaciones se agregan los dispositivos, para los cuales es importante proporcionar la
información detallada y necesaria para su configuración. Los parámetros requeridos incluyen el Device
EUI, que corresponde al número de serie proporcionado por cada dispositivo físico; el Device Profile,
donde se selecciona el perfil de dispositivo configurado previamente para que la configuración se
aplique al dispositivo que se desea agregar; y la Application Key, donde se debe proporcionar una clave
de aplicación. En caso de ser el primer dispositivo de la aplicación, ChirpStack genera una clave
aleatoriamente, la cual deberá ser utilizada para todos los dispositivos que se integren posteriormente a
la aplicación.
Dentro de la parte de dispositivos en la aplicación se tiene un dashboard que proporciona información
principalmente sobre el rendimiento del dispositivo, los datos se muestran en un apartado llamado
pág. 9666
Events donde se muestran los datos que el dispositivo manda, este puede mandar datos o avisos, como
es el caso cuando se activa el dispositivo donde avisa que se conectó con el gateway.
Figura 7: Interfaz donde se muestran gráficamente métricas relacionadas con el uso de los dispositivos.
Figura 8: Interfaz donde se muestran los datos que manda el dispositivo IOT a ChirpStack.
Estos datos se muestran formateados en como un arreglo de datos, dentro se muestran desplegados los
datos en el formato que configuramos en el Códec, además de los datos del dispositivo como se
muestran en las figuras.
Events donde se muestran los datos que el dispositivo manda, este puede mandar datos o avisos, como
es el caso cuando se activa el dispositivo donde avisa que se conectó con el gateway.
Figura 7: Interfaz donde se muestran gráficamente métricas relacionadas con el uso de los dispositivos.
Figura 8: Interfaz donde se muestran los datos que manda el dispositivo IOT a ChirpStack.
Estos datos se muestran formateados en como un arreglo de datos, dentro se muestran desplegados los
datos en el formato que configuramos en el Códec, además de los datos del dispositivo como se
muestran en las figuras.
pág. 9667
Figura 9: Datos crudos que manda el dispositivo IOT a ChirpStack.
Las aplicaciones tienen la posibilidad de hacer integraciones con otros servicios como LoRaCloud,
http, etc. En este caso se realizó una integración con InfluxDB como primer paso para pasar los datos
a Grafana.
En la segunda máquina virtual se montaron dos servicios. Grafana es una herramienta que permite
convertir los datos de series temporales en gráficos. InfluxDB es una base de datos para la gestión de
series de datos temporales. Una vez creada la base de datos dentro de InfluxDB, los datos necesarios
sobre la base de datos se registran en ChirpStack para la integración permitiendo que los datos se
transmitan a InfluxDB en tiempo real. Automáticamente detecta los dispositivos y los va seccionando
dentro de la base de datos en el momento en el que mandan por primera vez información. Grafana como
ChirpStack cuenta con la posibilidad de realizar una integración con InfluxDB, de manera que Grafana
consume los datos alojados en la base de datos y permite trabajar con estos para la creación de gráficos
interactivos.
Grafana pide una sentencia para realizar la búsqueda de los datos deseados, se puede copiar la misma
sentencia que se utiliza en InfluxDB, se accede a la información de forma gráfica en la interfaz de
InfluxDB pero se extrae la sentencia para ingresarla en Grafana y que este realice una consulta en la
base de datos, Grafana cada 5 segundos consultará los datos actualizando los datos en tiempo real desde
InfluxDB, incluso en caso de no tener datos actualizados Grafana realiza un promedio de los datos
obtenidos en el transcurso de tiempo seleccionado.
Figura 9: Datos crudos que manda el dispositivo IOT a ChirpStack.
Las aplicaciones tienen la posibilidad de hacer integraciones con otros servicios como LoRaCloud,
http, etc. En este caso se realizó una integración con InfluxDB como primer paso para pasar los datos
a Grafana.
En la segunda máquina virtual se montaron dos servicios. Grafana es una herramienta que permite
convertir los datos de series temporales en gráficos. InfluxDB es una base de datos para la gestión de
series de datos temporales. Una vez creada la base de datos dentro de InfluxDB, los datos necesarios
sobre la base de datos se registran en ChirpStack para la integración permitiendo que los datos se
transmitan a InfluxDB en tiempo real. Automáticamente detecta los dispositivos y los va seccionando
dentro de la base de datos en el momento en el que mandan por primera vez información. Grafana como
ChirpStack cuenta con la posibilidad de realizar una integración con InfluxDB, de manera que Grafana
consume los datos alojados en la base de datos y permite trabajar con estos para la creación de gráficos
interactivos.
Grafana pide una sentencia para realizar la búsqueda de los datos deseados, se puede copiar la misma
sentencia que se utiliza en InfluxDB, se accede a la información de forma gráfica en la interfaz de
InfluxDB pero se extrae la sentencia para ingresarla en Grafana y que este realice una consulta en la
base de datos, Grafana cada 5 segundos consultará los datos actualizando los datos en tiempo real desde
InfluxDB, incluso en caso de no tener datos actualizados Grafana realiza un promedio de los datos
obtenidos en el transcurso de tiempo seleccionado.
pág. 9668
El diseño del dashboard fue personalizado según las necesidades específicas del proyecto. En este caso,
se creó un conjunto de dashboards para cada parámetro que evalúa el sensor, donde se obtiene la
información de cada dispositivo y se pueden comparar los datos que cada uno transmite. Grafana
permite publicar los dashboards para que otras personas puedan visualizar los datos, facilitando la
creación de un enlace público para acceder a la información.
CONCLUSIONES
La implementación del prototipo de monitoreo petrolero basado en LoRaWAN y arquitectura cloud-
native demostró que es posible integrar de manera eficiente tecnologías IoT, orquestación de
microservicios y visualización de datos en tiempo real, incluso bajo las condiciones ambientales
extremas del trópico húmedo del sur de México. Los resultados obtenidos validan la viabilidad técnica
del sistema, además de su resiliencia frente a factores climáticos adversos y sus capacidades para
mantener comunicaciones estables en rangos operativos cercanos a los 10 kilómetros.
La arquitectura distribuida propuesta optimizó el uso de recursos computacionales, garantizó la
continuidad operacional y facilitó el mantenimiento independiente de cada componente, cumpliendo
con los principios de escalabilidad y portabilidad requeridos en entornos industriales críticos.
Asimismo, la incorporación de métricas de desempeño y pruebas de campo en escenarios reales
permitió obtener datos empíricos valiosos que fortalecen la evidencia sobre el comportamiento de redes
LoRaWAN en contextos de alta humedad y vegetación densa.
Este trabajo aporta un marco metodológico replicable que puede servir como base para futuras
implementaciones de monitoreo industrial en regiones remotas. La propuesta representa una alternativa
económicamente viable frente a sistemas SCADA tradicionales, democratizando el acceso a tecnologías
avanzadas para pequeñas y medianas operaciones petroleras. La investigación no sólo cierra una brecha
en la literatura especializada sobre despliegues IoT en ambientes tropicales, sino que sienta un
precedente para el desarrollo de soluciones industriales robustas, escalables y sostenibles.
REFERENCIAS BIBLIOGRÁFICAS
Alghamdi, F. (2025). Adaptive real-time channel estimation and parameter adjustment for LoRa
networks in dynamic IoT environments. Sensors, 25(7), 2121. https://doi.org/10.3390/s25072121
El diseño del dashboard fue personalizado según las necesidades específicas del proyecto. En este caso,
se creó un conjunto de dashboards para cada parámetro que evalúa el sensor, donde se obtiene la
información de cada dispositivo y se pueden comparar los datos que cada uno transmite. Grafana
permite publicar los dashboards para que otras personas puedan visualizar los datos, facilitando la
creación de un enlace público para acceder a la información.
CONCLUSIONES
La implementación del prototipo de monitoreo petrolero basado en LoRaWAN y arquitectura cloud-
native demostró que es posible integrar de manera eficiente tecnologías IoT, orquestación de
microservicios y visualización de datos en tiempo real, incluso bajo las condiciones ambientales
extremas del trópico húmedo del sur de México. Los resultados obtenidos validan la viabilidad técnica
del sistema, además de su resiliencia frente a factores climáticos adversos y sus capacidades para
mantener comunicaciones estables en rangos operativos cercanos a los 10 kilómetros.
La arquitectura distribuida propuesta optimizó el uso de recursos computacionales, garantizó la
continuidad operacional y facilitó el mantenimiento independiente de cada componente, cumpliendo
con los principios de escalabilidad y portabilidad requeridos en entornos industriales críticos.
Asimismo, la incorporación de métricas de desempeño y pruebas de campo en escenarios reales
permitió obtener datos empíricos valiosos que fortalecen la evidencia sobre el comportamiento de redes
LoRaWAN en contextos de alta humedad y vegetación densa.
Este trabajo aporta un marco metodológico replicable que puede servir como base para futuras
implementaciones de monitoreo industrial en regiones remotas. La propuesta representa una alternativa
económicamente viable frente a sistemas SCADA tradicionales, democratizando el acceso a tecnologías
avanzadas para pequeñas y medianas operaciones petroleras. La investigación no sólo cierra una brecha
en la literatura especializada sobre despliegues IoT en ambientes tropicales, sino que sienta un
precedente para el desarrollo de soluciones industriales robustas, escalables y sostenibles.
REFERENCIAS BIBLIOGRÁFICAS
Alghamdi, F. (2025). Adaptive real-time channel estimation and parameter adjustment for LoRa
networks in dynamic IoT environments. Sensors, 25(7), 2121. https://doi.org/10.3390/s25072121
pág. 9669
Amaguaya Ramos, R. X. (2020). Análisis comparativo a nivel transaccional de brokers MQTT
(Mosquitto, Mosca y Emq) con respecto a la disponibilidad en infraestructuras IoT ante ataques
DDoS (Master's thesis, Quito, 2020.).
Aragonés, R. (2025). Enhanced heat-powered batteryless IIoT architecture with NB-IoT for predictive
maintenance in the oil and gas industry. Sensors, 25(8), 2590. https://doi.org/10.3390/s25082590
Arjona, C. (2020). Webinar: Docker, creando entorno de desarrollo seguro.
Bankov, D., Khorov, E., & Lyakhov, A. (2016, November). On the limits of LoRaWAN channel access.
In 2016 International conference on engineering and telecommunication (EnT) (pp. 10-14). IEEE.
Bonavolontà, F., Capunzo, M., De Benedetto, E., Duraccio, L., Giordano, D., Lanzillo, S., Silvestri, S.,
& Tessitore, S. (2025). Real-time monitoring of energy contributions in renewable energy
communities through an IoT measurement system. Sensors, 25(5), 1402.
https://doi.org/10.3390/s25051402
Castillo Barquero, R. (2020). Servicios de amazon en la nube: AWS.
Khalilnasl, H. (2025). On the use of containers for LoRaWAN node virtualization: Practice and
performance evaluation. Electronics, 14(8), 1568. https://doi.org/10.3390/electronics14081568
López, J. J., Lamo, P., Penella-López, M. T., & Nieto-Peroy, C. (2023). Rapid IoT prototyping: A visual
programming tool and hardware solutions for LoRa-based devices. Sensors, 23(17), 7511.
https://doi.org/10.3390/s23177511
Lorenzo Castro, Á. (2024). Sistema de monitorización agrícola mediante comunicación LoRa basado
en Chirpstack.
Mota, A. (2025). Implementation of an Internet of Things architecture to monitor indoor air quality: A
case study during sleep periods. Sensors, 25(6), 1683. https://doi.org/10.3390/s25061683
Rodríguez, C., & Andrés, E. (2024). Análisis comparativo de protocolos de seguridad en diferentes
plataformas de nube, como AWS, Google Cloud y Microsoft Azure (Master's thesis, Quito,
Ecuador: Universidad Tecnológica Israel).
Sánchez, I. (2025). Implementation of a remote monitoring station for measuring UV radiation levels
from solarimeters using LoRaWAN technology. Sensors, 25(10), 3110.
https://doi.org/10.3390/s25103110
Amaguaya Ramos, R. X. (2020). Análisis comparativo a nivel transaccional de brokers MQTT
(Mosquitto, Mosca y Emq) con respecto a la disponibilidad en infraestructuras IoT ante ataques
DDoS (Master's thesis, Quito, 2020.).
Aragonés, R. (2025). Enhanced heat-powered batteryless IIoT architecture with NB-IoT for predictive
maintenance in the oil and gas industry. Sensors, 25(8), 2590. https://doi.org/10.3390/s25082590
Arjona, C. (2020). Webinar: Docker, creando entorno de desarrollo seguro.
Bankov, D., Khorov, E., & Lyakhov, A. (2016, November). On the limits of LoRaWAN channel access.
In 2016 International conference on engineering and telecommunication (EnT) (pp. 10-14). IEEE.
Bonavolontà, F., Capunzo, M., De Benedetto, E., Duraccio, L., Giordano, D., Lanzillo, S., Silvestri, S.,
& Tessitore, S. (2025). Real-time monitoring of energy contributions in renewable energy
communities through an IoT measurement system. Sensors, 25(5), 1402.
https://doi.org/10.3390/s25051402
Castillo Barquero, R. (2020). Servicios de amazon en la nube: AWS.
Khalilnasl, H. (2025). On the use of containers for LoRaWAN node virtualization: Practice and
performance evaluation. Electronics, 14(8), 1568. https://doi.org/10.3390/electronics14081568
López, J. J., Lamo, P., Penella-López, M. T., & Nieto-Peroy, C. (2023). Rapid IoT prototyping: A visual
programming tool and hardware solutions for LoRa-based devices. Sensors, 23(17), 7511.
https://doi.org/10.3390/s23177511
Lorenzo Castro, Á. (2024). Sistema de monitorización agrícola mediante comunicación LoRa basado
en Chirpstack.
Mota, A. (2025). Implementation of an Internet of Things architecture to monitor indoor air quality: A
case study during sleep periods. Sensors, 25(6), 1683. https://doi.org/10.3390/s25061683
Rodríguez, C., & Andrés, E. (2024). Análisis comparativo de protocolos de seguridad en diferentes
plataformas de nube, como AWS, Google Cloud y Microsoft Azure (Master's thesis, Quito,
Ecuador: Universidad Tecnológica Israel).
Sánchez, I. (2025). Implementation of a remote monitoring station for measuring UV radiation levels
from solarimeters using LoRaWAN technology. Sensors, 25(10), 3110.
https://doi.org/10.3390/s25103110
pág. 9670
Sisinni, E., Fernandes Carvalho, D., Deperassinge, C., Deprez, F., Ferrari, P., Flammini, A., Galimberti,
G., Giuliano, R., Pavei, A., Rinaldi, S., & Roedig, U. (2023). Assessing a methodology for
evaluating the latency of IPv6 with SCHC compression in LoRaWAN deployments. Sensors,
23(5), 2407. https://doi.org/10.3390/s23052407
Yoon, I. (2025). Dual-mode data collection for periodic and urgent data transmission in energy
harvesting wireless sensor networks. Sensors, 25(8), 2559. https://doi.org/10.3390/s25082559
Zeta, B. M. A. (2025). A low-cost pH sensor for real-time monitoring of aquaculture systems in a multi-
layer wireless sensor network. Sensors, 25(9), 2824. https://doi.org/10.3390/s25092824
Sisinni, E., Fernandes Carvalho, D., Deperassinge, C., Deprez, F., Ferrari, P., Flammini, A., Galimberti,
G., Giuliano, R., Pavei, A., Rinaldi, S., & Roedig, U. (2023). Assessing a methodology for
evaluating the latency of IPv6 with SCHC compression in LoRaWAN deployments. Sensors,
23(5), 2407. https://doi.org/10.3390/s23052407
Yoon, I. (2025). Dual-mode data collection for periodic and urgent data transmission in energy
harvesting wireless sensor networks. Sensors, 25(8), 2559. https://doi.org/10.3390/s25082559
Zeta, B. M. A. (2025). A low-cost pH sensor for real-time monitoring of aquaculture systems in a multi-
layer wireless sensor network. Sensors, 25(9), 2824. https://doi.org/10.3390/s25092824