Este trabajo investigativo se concentra en la mejora de una infraestructura preexistente de sensores de humedad en un jardín contiguo al laboratorio de telemática. Con el objetivo de fortalecer la red de sensores, se introdujeron dos nodos adicionales mediante microcontroladores que operan bajo el protocolo ESPNOW. Este enfoque se diseñó para ampliar la cobertura y obtener mediciones más precisas, aspecto crucial para la eficacia en la toma de decisiones respecto al riego. Como estrategia de optimización, se implementó un modelo de aprendizaje automático basado en Random Forest. Este modelo se nutre de datos provenientes de la API meteorológica Tomorrow.io y de la plataforma HayIoT de la universidad ESPOL. La válvula inteligente de la marca Tuya, responsable de controlar los aspersores, responde activándose o desactivándose según el previo entrenamiento realizado, asegurando un riego eficiente del jardín hasta alcanzar niveles óptimos de humedad. Desde la perspectiva de la programación, se llevaron a cabo solicitudes a ambas APIs mencionadas, integrando la información obtenida para obtener lecturas actualizadas de las variables requeridas para la predicción del modelo. Los scripts, que incluyen el modelo Random Forest, se ejecutan periódicamente en una máquina virtual configurada como servidor. Además, se implementó un sistema de registro detallado mediante archivos .txt que almacenan la hora, fecha y la acción específica de apertura o cierre de la válvula. Este registro se convierte en un historial esencial para el análisis y la evaluación del rendimiento del sistema a lo largo del tiempo. Palabras Clave: Sensores de humedad, Válvula inteligente, Random Forest, Machine Learning, Red de sensores