Oportunidades y limitaciones de la inteligencia artificial aplicada al monitoreo ambiental
DOI:
https://doi.org/10.63618/omd/revinvlid/v1/n1/9Palabras clave:
inteligencia artificial, monitoreo ambiental, teledetección, gobernanza de datos, EcuadorResumen
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.
Descargas
Referencias
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/
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.
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Guerrero-Calero, Juan Manuel, Salvatierra-Pilozo, Darwin Marco (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
