La estimación de datos faltantes en series temporales ambientales es crucial para representar con exactitud procesos naturales a nivel de cuenca. Diversas técnicas, desde imputaciones estadísticas hasta métodos de aprendizaje automático, se han explorado para abordar este problema complejo. En particular, las técnicas de aprendizaje automático supervisado pueden representar de manera efectiva las relaciones no lineales entre variables medidas en estaciones espacialmente distribuidas. En este trabajo se presenta un marco metodológico (framework) para la imputación de datos ambientales que incluye datos meteorológicos, hidrológicos y de calidad de agua. Este marco implementa diferentes modelos de aprendizaje automático y restricciones físicas que consideran la alta variabilidad espacial y temporal de las variables imputadas. Los resultados muestran un framework que atiende exitosamente al desafío de imputar datos faltantes en varios dominios ambientales. Más del 75% de todos los datos imputados se caracteriza por NSE>0,45 (resultados satisfactorios). El desarrollo y la implementación de este framework representan un avance significativo en la gestión de datos ambientales, proporcionando una metodología eficiente y efectiva para enfrentar uno de los desafíos más persistentes en el campo de la ciencia ambiental.