Las previsiones indican que el tráfico de datos móviles se multiplicará por siete en el periodo de 2016 a 2021, creciendo con una tasa agregada anual del 47%. Para satisfacer esta demanda, tanto la industria como la academia se están centrando en las redes de quinta generación o 5G. Las redes 5G se espera que constituyan un entorno complejo e interconectado, que además proporciones múltiples servicios y aplicaciones a un número masivo de usuarios y máquinas. En este concepto se incluye la necesidad de dar soporte o de crear servicios para el paradigma conocido como el Internet de las Cosas (IoT), donde la visión es la de crear un entorno de todo conectado con todo en todo momento, con aplicaciones fundamentalmente de dos tipos, comunicaciones masivas de tipo máquina y aplicaciones de misión crítica. En este contexto, un factor muy importante es el de la conectividad, que no puede experimentar discontinuidades de ningún tipo. Unas de las consecuencias de este cambio de visión de las comunicaciones es que se tiende hacia un entorno puramente heterogéneo, tanto desde el punto de vista de los dispositivos a los que se va a dar servicio, como desde el punto de vista del tipo de redes que van a dar servicio a estos dispositivos. Las redes heterogéneas ofrecerán conectividad ubicua para aplicaciones IoT a través de una variedad de técnicas de coordinación y cooperación. Además, será necesario que la red sea consciente del entorno, principalmente mediante el uso de información de tipo contextual en tiempo real. 5G tendrá la capacidad de extraer y procesar información contextual diversa, junto con información de localización, para mejorar el rendimiento general del sistema. En este marco, los mapas de entorno radio (REM) son herramientas que recopilan información contextual y de localización, dando servicio tanto a las tecnologías tradicionales como a las novedosas y disruptivas que se espera que puedan solucionar los retos asociados a la 5G. En esta Tesis, la información contextual es básicamente la información del enlace o las variaciones del canal inalámbrico, modelado de forma estadística como un sistema dinámico de escala múltiple, incluyendo los efectos de la propagación a gran escala y los efectos a pequeña escala como el desvanecimiento. Dado que el canal inalámbrico depende de la ubicación, se pueden utilizar herramientas de regresión estándar para la predicción de canales en REM. Dentro de las técnicas de regresión espacial, una técnica proveniente de la geoestadística llamada Kriging y la regresión de procesos Gaussianos o GPR son probablemente las técnicas más conocidas y aplicadas para la reconstrucción de REM. Sus inconvenientes son, la necesidad de realizar una predicción de canal centralizada y su complejidad computacional. Para abordar estas limitaciones, en esta Tesis, los REM se reconstruyen mediante un algoritmo distribuido con formación de agrupaciones de sensores incremental o DICA basado en la técnica de Kriging, y mediante una versión distribuida de GPR. La complejidad de los métodos propuestos se analiza y los resultados de la simulación se presentan para mostrar la eficacia de las soluciones propuestas en cuanto a reconstrucción de REM.Mobile data traffic is expected to grow sevenfold at a compound annual growth rate of 47 percent from 2016 to 2021. To meet these demands, wireless communication researchers and designers are turning their attention towards fifth generation (5G) networks. 5G will be a key enabler for the Internet of Things (IoT), whose vision is to create an environment of everything connected everywhere and provide a platform to massive machinetype communications and mission-critical applications. Heterogeneous networks will offer ubiquitous connectivity for IoT applications through a variety of coordination and cooperation techniques. Provisioning services and supporting diverse applications requires the network to be context-aware, utilizing contextual information in real-time. 5G will have the ability to extract and process various contextual information coupled with location information to improve the overall system performance. Radio environment map (REM) is a powerful tool that leverages link contextual information and location information, to support both the traditional and disruptive technologies in addressing the challenges of 5G. Link context refers in this Thesis to the evolution of the wireless propagation channel, which can be probabilistically modeled as a multi-scale dynamical system consisting of path-loss, shadowing and small-scale fading. Since the wireless channel is location-dependent, standard regression tools can be used for channel prediction in REMs. Kriging and Gaussian process regression (GPR) are popular spatial regression tools from Geo-statistics and machine learning, respectively. Drawbacks of Kriging and GPR are a traditional centralized prediction and their computing complexity. To address these limitations, in this Thesis, REMs are developed using a distributed incremental clustering algorithm (DICA) and distributed GPR to minimize the computational complexity of kriging and GPR, respectively. DICA is a kriging based interpolation method that employs the least number of closest measurements to leverage short range variations in the local neighborhood of the unmeasured location. Distributed GPR distributes the overall computations among the independent mobile agents. Learning and prediction phases of GPR are achieved by first performing local prediction and then combining the local information using a consensus scheme to obtain a global estimate. In addition, a novel distributed learning method based on importance sampling suitable for kriging and GPR is presented. The complexity of the proposed methods is analyzed and simulation results are presented to showcase the algorithm efficacy to REM reconstruction.