Comprender los procesos naturales a escala de cuenca es crucial para la gestión eficaz de los recursos hídricos y el desarrollo sostenible. Sin embargo, el monitoreo ambiental, especialmente de las variables de calidad del agua, enfrenta desafíos debido a la variabilidad de los parámetros y la limitada disponibilidad de recursos, lo que dificulta una modelación integrada precisa. En nuestro trabajo anterior, desarrollamos un marco innovador para la imputación de datos faltantes meteorológicos, hidrométricos y de calidad del agua, integrando modelos basados en datos con restricciones físicas. Cada una de estas restricciones se implementó como una variable artificial que se añadió al dataset original, creando así una nueva variante. Este marco mostró resultados satisfactorios en la cuenca del río Santa Lucía Chico (Uruguay). El objetivo de este trabajo es extender este marco a toda la cuenca del río Santa Lucía, validando su robustez y efectividad a mayor escala. Los resultados demuestran un sólido desempeño del marco en diversos dominios ambientales, con más del 68% de los datos imputados con un NSE>0,45 (resultados satisfactorios). El Huber Regressor fue la técnica de imputación más exitosa, especialmente para las variables de precipitación y calidad del agua, seguido por el Support Vector Regressor para calidad del agua y K-Nearest Neighbours Regressor para variables hidrométricas. El 96,31% de las veces se identificó una variante o combinación de variantes como el mejor modelo-dataset, destacando la importancia de las restricciones físicas. Estos hallazgos subrayan la utilidad y la robustez del marco propuesto para la gestión integrada de recursos hídricos a escala de cuenca.