Los mapas del entorno radioeléctrico (REM) pueden ser una herramienta esencial para numerosas aplicaciones en las futuras redes inalámbricas 5G. En este trabajo, empleamos un popular método geoestadístico llamado kriging ordinario para estimar el REM de un área cubierta por un eNodeB equipado con múltiples antenas. Los sensores inalámbricos se distribuyen por el área de interés y se organizan clústeres adaptativos de sensores para mejorar la calidad de la estimación del canal. En este trabajo, modificamos el algoritmo de clustering distribuido propuesto en un trabajo anterior para reducir la complejidad de la predicción de kriging. Se realizan simulaciones para detallar la técnica de formación de clústeres y analizar el rendimiento en comparación con los métodos de interpolación centralizados y clásicos. La complejidad computacional se verifica en términos del número de intercambios de mensajes entre los nodos sensores. Los resultados de la simulación demuestran que los clústeres están formados por una media de 5 nodos sensores.Radio Environment Maps (REM) can be an essential tool for numerous applications in future 5G wireless networks. In this paper, we employ a popular geo-statistical method called ordinary kriging to estimate the REM of an area covered by an eNodeB equipped with multiple antennas. Wireless sensors are distributed over the area of interest and adaptive clusters of sensors are arranged in order to improve the quality of the estimation. In this paper, we modify the distributed clustering algorithm proposed in a previous work to reduce the complexity of kriging prediction. Simulations are performed to detail the cluster formation technique and to analyze the performance in comparison with centralized and classical interpolation methods. The computational complexity is verified in terms of the number of message exchanges among the sensor nodes. Simulation results demonstrate that clusters are formed by an average of 5 sensor nodes.