Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
Recibido: 02/01/2024 Aceptado: 01/02/20204 Publicado: 05/03/2024
https://rivinglid.omeditorial.com
42
DOI: https://doi.org/10.63618/omd/revinvlid/v1/n1/9
Oportunidades y limitaciones de la inteligencia artificial
aplicada al monitoreo ambiental.
Opportunities and limitations of artificial intelligence applied to
environmental monitoring.
Guerrero-Calero, Juan Manuel
1
; Salvatierra-Pilozo, Darwin Marco
2
1
Universidad Estatal del Sur de Manabí; Ecuador ; https://orcid.org/0000-0002-1356-0475 ;
juan.guerrero@unesum.edu.ec.
2
Universidad Estatal del Sur de Manabí ; Ecuador ; https://orcid.org/0000-0002-2659-4471 ;
darwin.salvatierra@unesum.edu.ec.
Cita: Guerrero-Calero, J. M., & Salvatierra-Pilozo, D. M. (2024). Oportunidades y limitaciones
de la inteligencia artificial aplicada al monitoreo ambiental. Revista De Investigación Y
Liderazgo, 1(1), 42-55. https://doi.org/10.63618/omd/revinvlid/v1/n1/9.
Resumen
El monitoreo ambiental en Ecuador y América Latina enfrenta crecientes presiones climáticas, pérdida de
cobertura forestal, contaminación y limitaciones institucionales para procesar información oportuna. El
estudio tuvo como objetivo analizar las oportunidades y limitaciones de la inteligencia artificial aplicada al
monitoreo ambiental, considerando su uso en bosques, biodiversidad, agua, aire y riesgos climáticos. Se
desarrolló una investigación cualitativa, documental, no experimental y transversal, basada en la revisión
de literatura científica, informes institucionales y fuentes técnico-normativas publicadas entre 2020 y 2025.
Los resultados evidenciaron que la inteligencia artificial se aplica principalmente en clasificación, predicción,
detección temprana e integración de datos multifuente, con mayor consolidación en calidad del aire,
observación terrestre y monitoreo forestal. La discusión permitió interpretar que su utilidad depende de la
calidad de los datos, la infraestructura disponible, la interoperabilidad institucional y los criterios éticos de
gobernanza. Se concluye que la inteligencia artificial puede fortalecer el monitoreo ambiental si se integra
con validación contextual, capacidades técnicas locales y principios de transparencia, trazabilidad y
responsabilidad pública.
Palabras clave: inteligencia artificial; monitoreo ambiental; teledetección; gobernanza de datos; Ecuador.
Abstract
Environmental monitoring in Ecuador and Latin America faces growing pressures from climate change, loss
of forest cover, pollution, and institutional limitations in processing timely information. The study aimed to
analyze the opportunities and limitations of artificial intelligence applied to environmental monitoring,
considering its use in forests, biodiversity, water, air, and climate risks. A qualitative, documentary, non-
experimental, and cross-sectional study was conducted, based on a review of scientific literature, institutional
reports, and technical and regulatory sources published between 2020 and 2025. The results showed that
artificial intelligence is primarily applied to classification, prediction, early detection, and the integration of
multi-source data, with the most established applications in air quality, Earth observation, and forest
monitoring. The discussion led to the conclusion that its usefulness depends on data quality, available
infrastructure, institutional interoperability, and ethical governance criteria. It is concluded that artificial
intelligence can strengthen environmental monitoring if it is integrated with contextual validation, local
technical capabilities, and principles of transparency, traceability, and public accountability.
Keywords: artificial intelligence; environmental monitoring; remote sensing; data governance; Ecuador.
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
43
1. Introducción
La inteligencia artificial aplicada al monitoreo ambiental adquiere relevancia estratégica
en Ecuador y América Latina porque conecta la gestión de ecosistemas, datos públicos
y decisiones territoriales en una región expuesta a presiones climáticas, extractivas y
urbanas. En Ecuador, la población proyectada alcanza 18.815.497 habitantes en 2024,
con 11.467.010 residentes urbanos y 6.636.650 rurales en 2025, lo que amplía la
demanda de información ambiental útil para prevenir riesgos y orientar políticas (INEC,
2024). La unidad de análisis de este estudio se delimita en los sistemas, flujos de datos
y prácticas institucionales de monitoreo ambientales sensores, estaciones, imágenes
satelitales, cámaras, registros de calidad de aire y agua aplicados a ecosistemas
terrestres, hídricos y urbanos. Esta delimitación resulta pertinente porque Ecuador
mantiene cerca de 14 millones de hectáreas de bosque natural, equivalentes al 56 % de
su superficie terrestre, y forma parte de los países megadiversos del planeta (Global
Forest Watch, 2026; CBD, s. f.).
La urgencia de fortalecer el monitoreo ambiental se intensifica cuando los fenómenos
climáticos y la degradación ecológica se traducen en pérdidas humanas, económicas e
institucionales. En 2023, América Latina y el Caribe registra daños económicos por
aproximadamente US$21.000 millones asociados a eventos hidrometeorológicos, con
82 % de las pérdidas vinculadas a tormentas e inundaciones, mientras que en 2024 la
región enfrenta huracanes, incendios, sequías e inundaciones que afectan medios de
vida, cadenas alimentarias y seguridad hídrica (WMO, 2024, 2025). En Ecuador, la
pérdida reciente de bosque natural se expresa en miles de hectáreas anuales y en
emisiones asociadas; Global Forest Watch estima 33 mil hectáreas perdidas en 2025 y
22 Mt de CO₂ equivalente (Global Forest Watch, 2026). No abordar estas brechas
reduce la capacidad estatal para anticipar incendios, contaminación, deforestación,
pérdida de biodiversidad y conflictos socioambientales, lo que debilita la prevención y
encarece la respuesta pública (Olawade et al., 2024).
La literatura reciente muestra un crecimiento acelerado de la inteligencia artificial en
monitoreo ambiental, pero también evidencia un desequilibrio entre innovación técnica
y apropiación territorial. Una revisión bibliométrica identifica 4.762 publicaciones entre
1991 y 2024, con una tasa de crecimiento anual de 28,1 % en publicaciones y 35,6 %
en citaciones, aunque la producción se concentra en países con alta capacidad
tecnológica y deja menos representadas a regiones con infraestructura limitada (Alotaibi
& Nassif, 2024). Los avances en aprendizaje profundo, observación terrestre y sensores
permiten clasificar coberturas, detectar anomalías, estimar calidad del agua y proyectar
riesgos; aun así, persisten limitaciones por opacidad algorítmica, sesgos de
entrenamiento, baja calidad de datos, privacidad, interoperabilidad y dependencia
computacional (Tuia et al., 2024; Yuan et al., 2020). Esta brecha importa porque los
modelos pueden ser precisos en laboratorio y menos confiables en territorios andino-
amazónicos, costeros o insulares con datos incompletos (Zhong et al., 2021).
El estudio se justifica porque ofrece una lectura integrada de oportunidades y
limitaciones, en lugar de presentar la inteligencia artificial como una solución automática
o como un riesgo homogéneo. Ecuador dispone de condiciones iniciales para sostener
este análisis: el Sistema Nacional de Monitoreo de Bosques articula actores,
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
44
metodologías y procesos para generar información espacial, biofísica y socioeconómica,
mientras que el MAATE impulsa desde 2024 procesos de estandarización de
información ambiental e hídrica mediante cinco talleres de cocreación en Quito, Puyo,
Manta, Guayaquil y Loja (MAATE, 2024; MAATE, s. f.). Esta base permite discutir
viabilidad técnica sin asumir permisos inexistentes, pues el estudio puede apoyarse en
fuentes abiertas, literatura científica, datos institucionales y criterios éticos de
gobernanza. Su valor social reside en mejorar alertas y priorización ambiental; su valor
teórico, en precisar condiciones de adopción; y su utilidad metodológica, en ordenar
variables técnicas, institucionales y éticas comparables (UNESCO, 2021; Olawade et
al., 2024).
El propósito del artículo consiste en analizar las oportunidades y limitaciones de la
inteligencia artificial aplicada al monitoreo ambiental en Ecuador y América Latina,
considerando su potencial para procesar datos masivos y sus restricciones de
gobernanza, infraestructura y validación local. Para alcanzar este propósito, se plantean
dos objetivos específicos: describir las principales aplicaciones de la inteligencia artificial
en el monitoreo de bosques, biodiversidad, agua, aire y riesgos ambientales; y
determinar las limitaciones técnicas, institucionales y éticas que condicionan su
adopción en escenarios latinoamericanos con capacidades heterogéneas. La
contribución esperada radica en proponer una lectura crítica que conecte evidencia
científica, datos ambientales y necesidades de política pública, especialmente cuando
la región combina alta biodiversidad, pérdidas climáticas multimillonarias y brechas de
datos persistentes (Alotaibi & Nassif, 2024). Así, la originalidad del trabajo se sitúa en
evaluar la inteligencia artificial no solo por su precisión, sino por su capacidad real de
fortalecer decisiones ambientales responsables, verificables y contextualizadas (Tuia et
al., 2024).
2. Materiales y Métodos
La investigación se organizó desde una lógica cualitativa porque el propósito no
consistió en medir el rendimiento de un algoritmo específico, sino en interpretar cómo la
inteligencia artificial fue descrita, justificada y problematizada en el monitoreo ambiental
de Ecuador y América Latina. Esta orientación permitió examinar oportunidades,
restricciones técnicas, condiciones institucionales y dilemas éticos a partir de
documentos científicos y técnico-normativos, sin reducir el fenómeno a indicadores
aislados. La elección resultó coherente con un tema en el que la literatura reciente
identificó aplicaciones en calidad del aire, agua, biodiversidad, desastres y observación
terrestre, junto con limitaciones de datos, privacidad y capacidad técnica (Alotaibi &
Nassif, 2024; Olawade et al., 2024).
La indagación se desarrolló con un diseño no experimental y transversal, debido a que
no se manipuló ninguna variable tecnológica, ambiental o institucional, ni se
implementaron modelos de inteligencia artificial en campo. El análisis se efectuó
mediante un corte documental único, centrado en publicaciones y fuentes emitidas entre
2020 y 2025, con énfasis en evidencia reciente sobre inteligencia artificial, monitoreo
ambiental, observación de la Tierra y gobernanza de datos. Esta decisión permitió captar
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
45
el estado actual del debate sin atribuir cambios temporales que requerirían seguimiento
longitudinal. El carácter transversal fue pertinente porque las tecnologías de
observación ambiental evolucionaron rápidamente y exigieron una síntesis situada del
conocimiento disponible (Tuia et al., 2025; WMO, 2025).
La investigación se asumió como documental, puesto que las unidades de análisis
fueron artículos científicos, revisiones especializadas, informes institucionales,
lineamientos éticos y plataformas oficiales vinculadas con monitoreo ambiental e
inteligencia artificial. Se priorizaron documentos con revisión por pares, DOI verificable
o respaldo institucional, y se utilizaron fuentes oficiales cuando aportaron información
contextual sobre Ecuador o América Latina. La revisión documental se estructuró para
evitar una lectura meramente acumulativa, ya que la literatura metodológica reciente
señaló que las revisiones deben explicitar búsqueda, selección, síntesis y contribución
conceptual (Banister, 2024).
El razonamiento combinó procedimientos inductivos, deductivos y analíticos para
ordenar la evidencia sin perder sensibilidad al contexto latinoamericano. La fase
inductiva permitió reconocer categorías emergentes, como automatización del
monitoreo, integración de sensores, sesgos de datos, opacidad algorítmica y
dependencia de infraestructura. La fase deductiva contrastó esas categorías con
dimensiones previamente identificadas por la literatura: calidad de datos, interpretación
del modelo, aplicabilidad, transparencia y gobernanza. El procedimiento analítico
descompuso cada documento en aportes, limitaciones y condiciones de
implementación, siguiendo la necesidad de interpretar adecuadamente los modelos de
aprendizaje automático en ciencias ambientales (Zhong et al., 2021; Alotaibi & Nassif,
2024).
El alcance se mantuvo descriptivo, dado que el estudio buscó caracterizar
oportunidades y limitaciones de la inteligencia artificial aplicada al monitoreo ambiental,
no estimar efectos causales ni validar empíricamente la precisión de sistemas
algorítmicos específicos. La descripción se orientó a identificar usos frecuentes,
beneficios esperados, riesgos técnicos, condiciones de adopción y vacíos de
implementación en escenarios con capacidades institucionales heterogéneas. Para
sostener la coherencia interpretativa, se elaboraron matrices de extracción con cinco
dimensiones: aplicación ambiental, fuente de datos, técnica de inteligencia artificial,
oportunidad reportada y limitación asociada. Este procedimiento fue compatible con el
análisis temático cualitativo, que facilitó organizar patrones sin convertirlos en
frecuencias estadísticas concluyentes (Braun & Clarke, 2021; Page et al., 2021).
La búsqueda documental se realizó en bases académicas y repositorios especializados
como Scopus, Web of Science, ScienceDirect, IEEE Xplore, SpringerLink, Google
Scholar y organismos internacionales. Se incorporaron, además, fuentes oficiales
relacionadas con Ecuador, entre ellas el Sistema Nacional de Monitoreo de Bosques y
documentos de cooperación técnica sobre información forestal, por su pertinencia para
comprender la disponibilidad de datos ambientales nacionales. Los criterios de inclusión
consideraron publicaciones entre 2020 y 2025, pertinencia directa con inteligencia
artificial y monitoreo ambiental, acceso a resumen o texto completo y aplicabilidad
regional o global transferible. Se excluyeron documentos sin autoría identificable, textos
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
46
comerciales, duplicados, opiniones no académicas y fuentes sin relación verificable con
monitoreo ambiental (FAO, 2025; MAATE, s. f.; Page et al., 2021).
La codificación de los documentos se efectuó mediante lectura completa o lectura
analítica de secciones metodológicas, resultados, discusión y conclusiones, según la
disponibilidad de cada fuente. Cada registro se clasificó por ámbito ambiental —
bosques, biodiversidad, agua, aire, riesgos climáticos u observación terrestre— y por
tipo de oportunidad o limitación. Las oportunidades incluyeron predicción, detección
temprana, automatización, integración multifuente y apoyo a decisiones; las limitaciones
incluyeron sesgo, falta de explicabilidad, brecha de infraestructura, gobernanza de datos
y privacidad. Esta estrategia permitió comparar evidencia científica reciente con criterios
de inteligencia artificial responsable en observación terrestre y monitoreo ambiental
(Ghamisi et al., 2025; Tuia et al., 2025).
Las consideraciones éticas se abordaron desde el uso responsable de información
secundaria, por lo que no se recopilaron datos personales, no se contactó a
participantes humanos ni se procesaron bases sensibles. Aun así, el análisis incorporó
principios de transparencia, trazabilidad de fuentes, reconocimiento de autoría,
prevención de sesgos y precaución frente a inferencias no sustentadas. La
interpretación evitó presentar la inteligencia artificial como solución universal y se
concentró en condiciones verificables de adopción ambiental, especialmente en
contextos con desigualdad tecnológica. Este resguardo fue coherente con los principios
de proporcionalidad, seguridad, privacidad, supervisión humana y sostenibilidad
propuestos para la gobernanza ética de la inteligencia artificial (UNESCO, 2021;
Ghamisi et al., 2025).
3. Resultados
Aplicaciones de la inteligencia artificial en el monitoreo ambiental
El análisis documental permitió organizar las aplicaciones de la inteligencia artificial en
cinco ámbitos ambientales: calidad del aire, calidad del agua, monitoreo forestal y de
cobertura terrestre, biodiversidad y ecosistemas, y gestión de riesgos climáticos. Esta
clasificación se sostuvo en una literatura que mostró una expansión rápida del campo:
un análisis bibliométrico reciente registró 4.762 documentos publicados entre 1991 y
2024, procedentes de 1.580 fuentes, con 16.844 autores, una media de 5,08 coautores
por documento y 30,24 % de trabajos con coautoría internacional (Alotaibi & Nassif,
2024). El mismo conjunto evidenció una tasa anual de crecimiento de 28,1 % en
publicaciones y 35,6 % en citaciones, lo que indicó que el uso de aprendizaje
automático, aprendizaje profundo, sensores, teledetección e IoT se consolidó como una
línea aplicada del monitoreo ambiental (Alotaibi & Nassif, 2024).
La distribución temática mostró que las aplicaciones no se concentraron en una sola
disciplina, sino que articularon ciencias ambientales, computación e ingeniería. En la
producción revisada por Alotaibi y Nassif (2024), las ciencias ambientales concentraron
25 % de las publicaciones, seguidas por ciencias de la computación con 16 % e
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
47
ingeniería con 12 %, mientras que ciencias de la Tierra y planetarias aportaron 6 % y
ciencias agrícolas y biológicas 5 %. Este patrón permitió observar que las técnicas de
inteligencia artificial se aplicaron tanto al procesamiento de datos ambientales como al
diseño de sistemas operativos de monitoreo. Como se observa en la Tabla 1, las
aplicaciones identificadas se agruparon por dominio ambiental, tipo de dato y función
principal del modelo (Alotaibi & Nassif, 2024; Olawade et al., 2024).
Tabla 1
Aplicaciones identificadas de inteligencia artificial en el monitoreo ambiental
Dominio de
aplicación
Datos utilizados con
mayor frecuencia
Técnicas o sistemas
reportados
Indicadores o hallazgos
cuantitativos disponibles
Calidad del aire
Sensores fijos, sensores
de bajo costo, datos
meteorológicos,
imágenes satelitales
Random forest, modelos
ensamblados, optimización
bayesiana, aprendizaje
profundo
Modelos de PM2.5 explicaron
entre 83 % y 91 % de la
variabilidad; un modelo global
integró 5.446 estaciones en 65
países y alcanzó RMSE = 7,86
μg/m³
Calidad del
agua
Sensores, series
históricas, datos de
laboratorio, variables
hidrológicas
Redes neuronales
artificiales, XGBoost,
modelos híbridos,
detección de anomalías
Se reportaron coeficientes de
eficiencia Nash–Sutcliffe entre 0,8
y 0,9 en predicción de parámetros
de calidad del agua
Bosques y
cobertura
terrestre
Imágenes satelitales,
drones, datos
geoespaciales,
inventarios forestales
Clasificación de cobertura,
detección de cambios,
CNN, plataformas de big
data geoespacial
En Ecuador, el monitoreo forestal
fue pertinente ante una pérdida
acumulada de 1,1 Mha de
cobertura arbórea entre 2001 y
2025
Biodiversidad y
ecosistemas
Cámaras trampa,
imágenes UAV, registros
de especies, variables
ambientales
Reconocimiento de
imágenes, modelos de
distribución de especies,
detección de objetos
Se identificó uso de IA para
clasificación automática de
especies y seguimiento de
poblaciones en zonas remotas
Riesgos
climáticos y
desastres
Imágenes satelitales,
sensores, datos
climáticos, redes sociales
Modelos de
susceptibilidad, CNN,
regresión de procesos
gaussianos, simulaciones
Monte Carlo
Se reportaron aplicaciones para
inundaciones, huracanes,
incendios, deslizamientos y alertas
tempranas
Nota: La tabla sintetiza hallazgos documentales reportados en revisiones recientes y fuentes
institucionales. Los valores numéricos corresponden a indicadores publicados por las fuentes
consultadas, no a estimaciones inferenciales propias del presente estudio (Alotaibi & Nassif,
2024; Global Forest Watch, 2026; Olawade et al., 2024).
La calidad del aire fue el ámbito con mayor disponibilidad de indicadores de desempeño,
especialmente en modelos orientados a estimar concentraciones de PM2.5 y a mejorar
la resolución espacial de redes convencionales de monitoreo. Los resultados
documentados mostraron que un modelo basado en random forest explicó 83 % de la
variabilidad de PM2.5, mientras que los modelos ensamblados alcanzaron valores de
R² entre 0,86 y 0,89 en validación cruzada; además, un modelo global de aprendizaje
automático profundo integró 5.446 estaciones de monitoreo en 65 países, con resolución
espacial de 0,1° × 0,1°, explicó 91 % de la variabilidad observada y obtuvo un RMSE de
7,86 μg/m³ (Alotaibi & Nassif, 2024). Estos hallazgos ubicaron la predicción de
contaminación atmosférica como una aplicación madura frente a otros dominios, aunque
el estudio no calculó valores p ni intervalos de confianza porque su diseño fue
documental y descriptivo (Alotaibi & Nassif, 2024).
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
48
El monitoreo del agua, los bosques y la biodiversidad mostró una aplicación más
heterogénea, con modelos usados para estimar parámetros de calidad hídrica, detectar
anomalías, clasificar coberturas, identificar cambios y automatizar registros de fauna.
En calidad del agua, las redes neuronales artificiales reportaron coeficientes Nash–
Sutcliffe entre 0,8 y 0,9, lo que evidenció capacidad predictiva en variables como
nutrientes y oxígeno disuelto; en bosques y cobertura terrestre, los resultados se
asociaron con clasificación de uso del suelo, detección de deforestación y análisis de
imágenes satelitales o de drones (Alotaibi & Nassif, 2024; Tuia et al., 2024). Para
Ecuador, esta aplicación resultó especialmente visible porque el Sistema Nacional de
Monitoreo de Bosques generó, recopiló, analizó y reportó información espacial, biofísica
y socioeconómica sobre bosques y biodiversidad asociada, mientras que Global Forest
Watch registró una pérdida acumulada de 1,1 millones de hectáreas de cobertura
arbórea entre 2001 y 2025, equivalente al 6,0 % de la cobertura del año 2000 (Global
Forest Watch, 2026; MAATE, s. f.).
La síntesis descriptiva del subtema mostró que la inteligencia artificial se aplicó con
mayor claridad en tareas de predicción, clasificación, detección temprana e integración
de datos multifuente. La evidencia revisada indicó un núcleo dominante compuesto por
teledetección, sensores ambientales, IoT, aprendizaje automático y aprendizaje
profundo, con usos específicos en contaminación atmosférica, calidad hídrica,
deforestación, biodiversidad y riesgos climáticos (Alotaibi & Nassif, 2024; Olawade et
al., 2024). El hallazgo central fue que las aplicaciones más consolidadas
correspondieron a dominios con series de datos abundantes y mediciones recurrentes,
mientras que las aplicaciones en biodiversidad y territorios de baja disponibilidad de
datos aparecieron como áreas operativas en crecimiento, pero todavía dependientes de
infraestructura, datos de entrenamiento y validación contextual (Alotaibi & Nassif, 2024;
Tuia et al., 2024).
Oportunidades operativas para la detección, predicción y toma de decisiones
ambientales
Las oportunidades operativas reportadas para convertir datos ambientales dispersos en
información útil para detección temprana, predicción y apoyo a decisiones. Los
hallazgos mostraron que la inteligencia artificial se aplicó principalmente en tareas de
clasificación, predicción, reconocimiento de patrones, detección de anomalías e
integración de datos multifuente, especialmente cuando existieron series temporales,
sensores o imágenes satelitales disponibles. La evidencia bibliométrica revisada registró
4.762 publicaciones sobre inteligencia artificial y monitoreo ambiental entre 1991 y 2024,
con una tasa anual de crecimiento de 28,1 % en publicaciones y 35,6 % en citaciones,
lo que indicó una expansión sostenida del campo como soporte operativo para la gestión
ambiental (Alotaibi & Nassif, 2024).
La concentración disciplinar de las aplicaciones permitió identificar un patrón operativo
dominante en torno a ciencias ambientales, computación e ingeniería. En el corpus
bibliométrico revisado, las ciencias ambientales reunieron 25 % de las publicaciones,
ciencias de la computación 16 % e ingeniería 12 %, lo que mostró que las oportunidades
no se limitaron al desarrollo algorítmico, sino que se orientaron a resolver problemas de
observación, medición y respuesta ambiental (Alotaibi & Nassif, 2024). Dentro de este
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
49
patrón, los sistemas basados en inteligencia artificial se utilizaron para procesar grandes
volúmenes de datos, automatizar monitoreos repetitivos y producir salidas aplicables a
mapas, alertas, estimaciones de riesgo y priorización de intervenciones (Olawade et al.,
2024).
Los resultados con mayor precisión documentada se ubicaron en la predicción de
contaminación atmosférica, especialmente en modelos de PM2.5. En este dominio, se
reportó que un modelo basado en random forest explicó 83 % de la variabilidad
observada, mientras que modelos ensamblados alcanzaron valores de R² entre 0,86 y
0,89; de forma complementaria, un modelo global de aprendizaje profundo integró 5.446
estaciones de monitoreo en 65 países, trabajó con resolución espacial de 0,1° × 0,1°,
explicó 91 % de la variabilidad y obtuvo un RMSE de 7,86 μg/m³ (Alotaibi & Nassif,
2024). Estos indicadores describieron una oportunidad operativa concreta: aumentar la
cobertura analítica de redes convencionales sin depender exclusivamente de estaciones
físicas densas (Alotaibi & Nassif, 2024).
Las oportunidades también se observaron en calidad del agua, bosques, biodiversidad
y riesgos climáticos, aunque con desempeños y niveles de madurez más heterogéneos.
En calidad hídrica, las redes neuronales artificiales y modelos híbridos reportaron
coeficientes de eficiencia Nash–Sutcliffe entre 0,8 y 0,9 para parámetros ambientales,
lo que evidenció capacidad predictiva en escenarios con datos históricos suficientes
(Alotaibi & Nassif, 2024). En observación terrestre, los modelos de visión computacional,
aprendizaje profundo y enfoques explicables se aplicaron para pasar de imágenes
satelitales sin procesar a información utilizable sobre coberturas, cambios territoriales,
eventos extremos y dinámicas ecosistémicas (Tuia et al., 2024).
El análisis regional mostró que estas oportunidades tuvieron mayor relevancia cuando
se relacionaron con pérdidas económicas y riesgos ambientales crecientes en América
Latina y el Caribe. La Organización Meteorológica Mundial reportó que en 2024 la región
enfrentó huracanes, inundaciones, sequías, incendios y retroceso glaciar, mientras que
los informes climáticos recientes destacaron daños económicos de al menos US$21.000
millones en 2023 asociados a eventos hidrometeorológicos (WMO, 2024, 2025). A partir
de esos datos, los hallazgos ubicaron la inteligencia artificial como una herramienta
operativa para anticipar amenazas, mejorar alertas, priorizar recursos y reducir tiempos
de respuesta, sin que ello implicara demostrar causalidad o impacto económico directo
en este estudio documental (Olawade et al., 2024; WMO, 2025).
La síntesis descriptiva del subtema mostró que la principal oportunidad operativa de la
inteligencia artificial no estuvo en reemplazar los sistemas de monitoreo ambiental, sino
en ampliar su capacidad de detección, predicción y uso decisional cuando existieron
datos suficientes, infraestructura mínima y criterios de validación. Los hallazgos
evidenciaron mayor consolidación en contaminación atmosférica y observación
terrestre, mientras que agua, biodiversidad y riesgos climáticos presentaron
oportunidades relevantes, pero dependientes de calidad de datos, interoperabilidad y
contexto territorial. En conjunto, el patrón central indicó que la inteligencia artificial
funcionó como un componente de aceleración analítica para convertir observaciones
ambientales en señales tempranas y productos de decisión (Alotaibi & Nassif, 2024;
Tuia et al., 2024).
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
50
Limitaciones técnicas, institucionales y éticas para la adopción en Ecuador y
América Latina
Las restricciones que condicionaron la adopción de inteligencia artificial en el monitoreo
ambiental, con énfasis en la disponibilidad de datos, infraestructura digital, gobernanza
institucional y resguardos éticos. Los hallazgos mostraron que las limitaciones no se
concentraron únicamente en el desempeño de los algoritmos, sino en el entorno que
permitió entrenarlos, validarlos, interpretarlos y usarlos en decisiones públicas. La
revisión bibliométrica de 4.762 publicaciones entre 1991 y 2024 evidenció un
crecimiento anual de 28,1 % en publicaciones y 35,6 % en citaciones, pero también una
producción liderada por países con mayor capacidad tecnológica, lo que delimitó una
brecha para contextos latinoamericanos con menor infraestructura científica y
computacional (Alotaibi & Nassif, 2024).
La dimensión técnica agrupó limitaciones asociadas con calidad, resolución, continuidad
e interoperabilidad de los datos ambientales. Los documentos revisados reportaron que
la inteligencia artificial dependió de series históricas, sensores, imágenes satelitales,
datos georreferenciados y bases de entrenamiento suficientemente representativas;
cuando esos insumos fueron incompletos, heterogéneos o sesgados, disminuyó la
posibilidad de generalizar modelos a territorios andino-amazónicos, costeros o
insulares. Esta restricción fue relevante porque las aplicaciones más robustas se
observaron en dominios con mediciones abundantes, como PM2.5, mientras que
biodiversidad, agua y monitoreo territorial local presentaron mayor dependencia de
validación contextual (Alotaibi & Nassif, 2024; Olawade et al., 2024).
El análisis institucional mostró que la adopción también estuvo limitada por capacidades
desiguales de conectividad, gestión de datos y articulación entre organismos
ambientales, académicos y tecnológicos. En Ecuador, los indicadores TIC evidenciaron
una mejora reciente, pues los hogares con acceso a internet pasaron de 60,4 % en julio
de 2022 a 71,3 % en julio de 2025; del mismo modo, las personas que utilizaron internet
aumentaron de 69,7 % a 80,1 %, mientras que la tenencia de teléfonos inteligentes
alcanzó 59,3 % en 2025 (INEC, 2025). Estos datos describieron una base digital en
expansión, aunque todavía insuficiente para asumir que todas las instituciones,
territorios y comunidades contaron con capacidades homogéneas para implementar
monitoreo ambiental automatizado (INEC, 2025; CEPAL, 2022).
La dimensión ética concentró limitaciones vinculadas con explicabilidad, privacidad,
sesgos, seguridad, supervisión humana y trazabilidad de decisiones algorítmicas. En
observación de la Tierra, la literatura sobre inteligencia artificial responsable identificó
componentes críticos como mitigación de sesgos, geoprivacidad, seguridad, apertura
de datos y excelencia científica, especialmente cuando los modelos produjeron mapas,
alertas o clasificaciones que podían incidir en comunidades, territorios y recursos
naturales (Ghamisi et al., 2025). En el mismo sentido, la recomendación de la UNESCO
estableció principios de transparencia, equidad, supervisión humana y protección de
derechos, lo que situó la ética como una condición operativa, no como un elemento
externo al monitoreo ambiental (UNESCO, 2021).
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
51
Como se observa en la Tabla 2, las limitaciones identificadas se distribuyeron en cuatro
niveles de análisis: técnico, institucional, territorial y ético. La tabla no presentó
frecuencias inferenciales, medias, desviaciones estándar, intervalos de confianza ni
valores p, porque el diseño fue documental, cualitativo y descriptivo; en cambio, sintetizó
indicadores cuantitativos disponibles en fuentes verificadas y patrones recurrentes
reportados por la literatura. Esta organización permitió mostrar que las restricciones
operaron de manera acumulativa: un déficit de datos afectó la precisión; una brecha
institucional limitó la adopción; y una gobernanza débil aumentó los riesgos de uso no
transparente (Alotaibi & Nassif, 2024; Ghamisi et al., 2025).
Tabla 2
Limitaciones identificadas para la adopción de inteligencia artificial en el monitoreo
ambiental
Nivel de
limitación
Hallazgo descriptivo
identificado
Efecto observado en la
adopción
Técnico
Dependencia de datos
completos, representativos,
georreferenciados y
continuos
La precisión dependió de la
calidad del dato y de la
validación local
Técnico-
operativo
Desigual madurez entre
dominios ambientales
Aire mostró mayor
consolidación que
biodiversidad y monitoreo
local
Institucional
Brecha de conectividad y
capacidades digitales
La implementación
dependió de infraestructura
y capacidades
organizacionales
Territorial
Heterogeneidad entre zonas
urbanas, rurales,
amazónicas, costeras e
insulares
La cobertura tecnológica no
garantizó adopción territorial
homogénea
Ético
Riesgos de sesgo, baja
explicabilidad, geoprivacidad
y supervisión insuficiente
Las decisiones ambientales
requirieron trazabilidad y
control humano
Nota. Los indicadores fueron tomados de fuentes bibliográficas e institucionales revisadas; no
correspondieron a una base de datos primaria del estudio. R² = coeficiente de determinación;
NSE = coeficiente de eficiencia Nash–Sutcliffe; IA = inteligencia artificial (Alotaibi & Nassif, 2024;
Ghamisi et al., 2025; INEC, 2025; UNESCO, 2021).
La síntesis descriptiva del subtema mostró que las limitaciones más relevantes no fueron aisladas,
sino interdependientes: los modelos necesitaron datos adecuados, las instituciones requirieron
conectividad y capacidades de gestión, y las decisiones ambientales exigieron criterios éticos
verificables. En Ecuador y América Latina, la expansión de la conectividad ofreció una base
favorable, pero los valores disponibles —71,3 % de hogares ecuatorianos con internet y 59,3 %
de personas con teléfono inteligente en 2025— evidenciaron que aún persistieron brechas para
una adopción territorialmente equitativa (INEC, 2025). El hallazgo central fue que la inteligencia
artificial pudo fortalecer el monitoreo ambiental solo cuando la precisión técnica se articuló con
gobernanza de datos, infraestructura institucional y responsabilidad ética (Ghamisi et al., 2025;
UNESCO, 2021).
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
52
4. Discusión
El estudio analiza las oportunidades y limitaciones de la inteligencia artificial aplicada al
monitoreo ambiental en Ecuador y América Latina, y los hallazgos sugieren que su
principal valor se encuentra en ampliar la capacidad de observación, clasificación,
predicción y respuesta frente a problemas ambientales complejos. La evidencia revisada
muestra un campo en expansión, con 4.762 publicaciones entre 1991 y 2024 y tasas de
crecimiento anual de 28,1 % en publicaciones y 35,6 % en citaciones, lo que confirma
que la inteligencia artificial deja de ser un recurso experimental y se incorpora
progresivamente como soporte analítico para la gestión ambiental (Alotaibi & Nassif,
2024). Este resultado adquiere mayor relevancia en una región donde los eventos
hidrometeorológicos generan pérdidas estimadas en US$21.000 millones y donde
Ecuador conserva cerca de 14 millones de hectáreas de bosque natural sujetas a
presiones crecientes (Global Forest Watch, 2026; WMO, 2025). En este sentido, los
hallazgos sugieren que el monitoreo ambiental basado en inteligencia artificial puede
fortalecer la detección temprana, aunque su contribución debe interpretarse con cautela
por el carácter documental y descriptivo del estudio (Olawade et al., 2024).
La comparación con investigaciones previas muestra convergencias claras en torno al
potencial de la inteligencia artificial para procesar datos multifuente y convertir
observaciones dispersas en productos útiles para la toma de decisiones. Los resultados
coinciden con Alotaibi y Nassif (2024), quienes identifican una integración creciente
entre ciencias ambientales, computación e ingeniería, y también con Tuia et al. (2024),
quienes destacan el papel de la observación terrestre y el aprendizaje profundo en la
generación de información ambiental a partir de imágenes satelitales. Los desempeños
documentados en contaminación atmosférica —con modelos de PM2.5 que explican
entre 83 % y 91 % de la variabilidad— refuerzan esta convergencia, especialmente en
dominios con datos abundantes y mediciones recurrentes (Alotaibi & Nassif, 2024). Sin
embargo, la evidencia también diverge cuando se traslada a biodiversidad, agua o
territorios con menor densidad de datos, donde las aplicaciones aparecen menos
consolidadas y más dependientes de validación local, como advierten Yuan et al. (2020)
y Zhong et al. (2021).
Las implicaciones del estudio se sitúan en tres planos complementarios: teórico, práctico
y metodológico. En el plano teórico, los hallazgos permiten comprender la inteligencia
artificial no como una tecnología homogénea, sino como un conjunto de capacidades
condicionadas por datos, infraestructura, gobernanza y contexto territorial (Ghamisi et
al., 2025; UNESCO, 2021). En el plano práctico, los resultados parecen indicar que
Ecuador y América Latina pueden beneficiarse de sistemas de alerta, clasificación de
cobertura, predicción de calidad del aire y monitoreo forestal, siempre que estos se
articulen con capacidades institucionales y criterios de trazabilidad. La expansión de la
conectividad en Ecuador —71,3 % de hogares con internet y 80,1 % de personas
usuarias en 2025— ofrece una base favorable, pero no elimina la desigualdad territorial
ni garantiza adopción institucional homogénea (INEC, 2025). Metodológicamente, el
estudio aporta una matriz interpretativa que permite ordenar aplicaciones,
oportunidades y limitaciones sin atribuir relaciones causales que el diseño no puede
demostrar (Braun & Clarke, 2021; Page et al., 2021).
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
53
Las limitaciones del estudio derivan de su carácter cualitativo, documental, no
experimental y transversal, por lo que los resultados no permiten estimar efectos
causales, validar modelos algorítmicos ni medir impactos económicos directos de la
inteligencia artificial en la gestión ambiental. A partir de ello, futuras investigaciones
podrían desarrollar estudios comparativos entre países latinoamericanos, evaluar
pilotos institucionales de monitoreo con inteligencia artificial, estimar costos de
implementación y analizar el desempeño de modelos en territorios andino-amazónicos,
costeros e insulares con datos incompletos. También sería pertinente profundizar en
explicabilidad, sesgos, geoprivacidad y supervisión humana, dado que la adopción
responsable exige algo más que precisión técnica (Ghamisi et al., 2025; UNESCO,
2021). En síntesis, la contribución central del estudio consiste en mostrar que la
inteligencia artificial puede fortalecer el monitoreo ambiental solo cuando sus
oportunidades operativas se integran con gobernanza de datos, infraestructura
institucional y validación contextual, justamente la brecha que motiva este artículo
(Alotaibi & Nassif, 2024; Olawade et al., 2024).
5. Conclusiones
Los resultados permiten concluir que la inteligencia artificial aplicada al monitoreo
ambiental constituye una herramienta con potencial relevante para fortalecer la
observación, clasificación, predicción y gestión de información ambiental en Ecuador y
América Latina. Su aporte principal se identifica en la capacidad de procesar datos
provenientes de sensores, imágenes satelitales, estaciones de monitoreo y registros
ambientales, especialmente en un contexto regional marcado por pérdidas económicas
asociadas a eventos hidrometeorológicos y presión creciente sobre bosques, agua,
biodiversidad y calidad del aire. No obstante, este potencial debe interpretarse dentro
del alcance documental y descriptivo del estudio, sin asumir efectos causales ni
impactos directos no comprobados.
Los hallazgos vinculados con los objetivos específicos evidencian que las aplicaciones
más consolidadas se concentran en calidad del aire, observación terrestre y monitoreo
forestal, mientras que calidad del agua, biodiversidad y riesgos climáticos presentan
avances relevantes, pero con mayor dependencia de datos históricos, infraestructura y
validación contextual. En conjunto, se observa que la inteligencia artificial ofrece
oportunidades operativas para detección temprana, predicción y apoyo a decisiones,
aunque esas oportunidades se reducen cuando existen datos incompletos, baja
interoperabilidad, sesgos de entrenamiento o capacidades institucionales desiguales.
El estudio aporta una lectura integrada que evita presentar la inteligencia artificial como
una solución automática y la sitúa como una capacidad tecnológica condicionada por
factores técnicos, institucionales, territoriales y éticos. Esta perspectiva resulta
pertinente para el campo académico y profesional porque permite ordenar aplicaciones,
oportunidades y limitaciones en una matriz comprensible para investigaciones futuras,
políticas públicas y procesos de gestión ambiental. En el plano institucional, los
resultados sugieren que la expansión digital en Ecuador representa una base favorable,
pero todavía insuficiente para garantizar adopción equitativa y responsable.
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
54
A partir de estos hallazgos, se recomienda avanzar con prudencia hacia estudios
empíricos, pilotos territoriales y evaluaciones comparativas que permitan estimar
desempeño, costos, gobernanza y utilidad real de los sistemas de inteligencia artificial
en contextos ambientales latinoamericanos. Futuras investigaciones deberían priorizar
territorios con baja disponibilidad de datos, ecosistemas sensibles y escenarios donde
la explicabilidad, la geoprivacidad y la supervisión humana resulten determinantes para
la toma de decisiones. La contribución central de esta investigación consiste en mostrar
que la inteligencia artificial puede fortalecer el monitoreo ambiental si se articula con
datos confiables, capacidades institucionales y criterios éticos verificables.
Referencias Bibliográficas
Alotaibi, E., & Nassif, N. (2024). Artificial intelligence in environmental monitoring: In-
depth analysis. Discover Artificial Intelligence, 4, Article 84.
https://doi.org/10.1007/s44163-024-00198-1.
Bainomugisha, E., Warigo, P. A., Daka, F. B., Nshimye, A., Birungi, M., & Okure, D.
(2024). AI-driven environmental sensor networks and digital platforms for urban
air pollution monitoring and modelling. Societal Impacts, 3, Article 100044.
https://doi.org/10.1016/j.socimp.2024.100044.
Braun, V., & Clarke, V. (2021). Thematic analysis: A practical guide. SAGE.
https://uk.sagepub.com/en-gb/eur/thematic-analysis/book248481
Convention on Biological Diversity. (s. f.). Ecuador: Country profile.
https://www.cbd.int/countries/profile/?country=ec
Ghamisi, P., Yu, W., Marinoni, A., Gevaert, C. M., Persello, C., Selvakumaran, S.,
Girotto, M., Horton, B. P., Rufin, P., Hostert, P., Pacifici, F., & Atkinson, P. M.
(2025). Responsible artificial intelligence for Earth observation: Achievable and
realistic paths to serve the collective good. IEEE Geoscience and Remote
Sensing Magazine, 13(2), 72–88. https://doi.org/10.1109/MGRS.2025.3529726.
Global Forest Watch. (2026). Ecuador deforestation rates and statistics.
https://www.globalforestwatch.org/dashboards/country/ECU/
Instituto Nacional de Estadística y Censos. (2024). Estimaciones y proyecciones de
población de Ecuador, revisión 2024.
https://www.ecuadorencifras.gob.ec/proyecciones-poblacionales/
Instituto Nacional de Estadística y Censos. (2025). Tecnologías de la Información y
Comunicación-TIC. https://www.ecuadorencifras.gob.ec/tecnologias-de-la-
informacion-y-comunicacion-tic/
Ministerio del Ambiente, Agua y Transición Ecológica. (2024). El MAATE desarrolló
talleres de cocreación para estandarizar la información ambiental e hídrica del
Ecuador. https://www.ambienteyenergia.gob.ec/ambiente/el-maate-desarrollo-
talleres-de-cocreacion-para-estandarizar-la-informacion-ambiental-e-hidrica-
del-ecuador/
Ministerio del Ambiente, Agua y Transición Ecológica. (s. f.). Sistema Nacional de
Monitoreo de Bosques. https://snmb.ambiente.gob.ec/snmb/
Revista de Investigación y Liderazgo Vol. 01 (Num. 01)(Enero – Marzo 2024) ISSN 3151-8532
Ciencia, sociedad y transformación del pensamiento
https://rivinglid.omeditorial.com
55
Ministerio del Ambiente, Agua y Transición Ecológica. (s. f.). Sistema Nacional de
Monitoreo de Bosques. https://snmb.ambiente.gob.ec/snmb/
Olawade, D. B., Wada, O. Z., Ige, A. O., Egbewole, B. I., Olojo, A., & Oladapo, B. I.
(2024). Artificial intelligence in environmental monitoring: Advancements,
challenges, and future directions. Hygiene and Environmental Health Advances,
12, Article 100114. https://doi.org/10.1016/j.heha.2024.100114.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting
systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
UNESCO. (2021). Recommendation on the ethics of artificial intelligence.
https://unesdoc.unesco.org/ark:/48223/pf0000380455.
World Meteorological Organization. (2025). State of the climate in Latin America and the
Caribbean 2024. https://wmo.int/resources/publication-series/state-of-climate-
latin-america-and-caribbean/state-of-climate-latin-america-and-caribbean-2024
Yuan, Q., Shen, H., Li, T., Li, Z., Li, S., Jiang, Y., Xu, H., Tan, W., Yang, Q., Wang, J.,
Gao, J., & Zhang, L. (2020). Deep learning in environmental remote sensing:
Achievements and challenges. Remote Sensing of Environment, 241, Article
111716.
Zhong, S., Zhang, K., Bagheri, M., Burken, J. G., Gu, A., Li, B., Ma, X., Marrone, B. L.,
Ren, Z. J., Schrier, J., Shi, W., Tan, H., Wang, T., Wang, X., Wong, B. M., Xiao,
X., Yu, X., Zhu, J. J., & Zhang, H. (2021). Machine learning: New ideas and tools
in environmental science and engineering. Environmental Science & Technology,
55(19), 12741–12754.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.