Olmos Ruiz, Vicente José2026-11-062026-11-062026https://repositorio.usm.cl/handle/123456789/79699Este trabajo presenta el desarrollo de un sistema de obtención y procesamiento de datos climáticos orientado a la predicción de heladas en agricultura inteligente. Su objetivo es transformar información meteorológica de distintas fuentes en insumos que apoyen la toma de decisiones preventivas frente a bajas temperaturas. La metodología comprende la recopilación, limpieza, normalización e integración de registros provenientes de INIA, MeteoChile y el Atlas de Riesgo Climático, mediante consultas a servicios, descarga de archivos y extracción web automatizada con Playwright. Para el procesamiento y modelamiento se utilizaron Python, pandas, NumPy, scikit-learn y XGBoost, evaluando modelos de clasificación de heladas y estimación de temperatura. La arquitectura incorpora Node.js y Express para la gestión de solicitudes, y MySQL para la persistencia de datos. Asimismo, se integraron Miido como plataforma de gestión territorial y WhatsApp como canal de comunicación. Los resultados documentan la consolidación de más de 750.000 registros climáticos, la evaluación preliminar de modelos predictivos y la integración de interfaces de consulta y gestión. El trabajo establece una base técnica para apoyar la gestión del riesgo de heladas, aunque su efectividad operativa y utilidad para los agricultores requieren validación en terreno.This thesis presents the development of a climate data acquisition and processing system for frost prediction in smart agriculture. Its objective is to transform meteorological information from multiple sources into actionable inputs to support preventive decision-making during low-temperature events. The methodology includes collecting, cleaning, normalizing, and integrating records from INIA, MeteoChile, and the Climate Risk Atlas through service requests, file downloads, and automated web extraction using Playwright. Data processing and predictive modeling were conducted using Python, pandas, NumPy, scikit-learn, and XGBoost, evaluating models for frost classification and temperature estimation. The architecture incorporates Node.js and Express for request handling and MySQL for data storage. Miido was integrated as a land management platform, alongside WhatsApp as a communication channel. Documented results include the consolidation of more than 750,000 climate records, preliminary evaluation of predictive models, and integration of consultation and management interfaces. This work establishes a technical foundation for supporting frost risk management; however, its operational effectiveness and usefulness to farmers require field validation.99 páginashttps://creativecommons.org/licenses/by-nc/4.0/Predicción de heladasAgricultura inteligenteDatos climáticosModelos predictivosAprendizaje automáticoProcesamiento de datosGestión del riesgo agrícola35609002931349 Industria, innovación e infraestructura12 Producción y consumo responsables13 Acción por el clima