Inteligencia artificial y sensores remotos como guardianes de los humedales: predicción y alerta temprana para la gestión ambiental preventiva
DOI:
https://doi.org/10.30972/arq.279552Palabras clave:
humedales, inteligencia artificial, imágenes satelitales, teledetección, gestión ambiental preventivaResumen
Los humedales constituyen ecosistemas estratégicos para la regulación hídrica, la captura de carbono y el soporte de la biodiversidad. En Argentina representan aproximadamente el 21 % de la superficie nacional y enfrentan una acelerada degradación por presiones antrópicas y climáticas. Este artículo presenta una revisión crítica de la convergencia entre la inteligencia artificial (IA) y la teledetección satelital como herramienta de predicción temprana del estado y la dinámica de los humedales, con especial atención a su potencial aporte a la gestión ambiental preventiva. Se revisan algoritmos de aprendizaje automático —Random Forest, redes neuronales convolucionales y XGBoost— aplicados en la literatura al procesamiento de imágenes Sentinel-1, Sentinel-2 y Landsat, junto con índices espectrales NDWI y NDVI, y se propone un marco metodológico preliminar para el monitoreo continuo, la predicción de cambios y la activación de alertas tempranas, adaptado al contexto del Litoral argentino. La literatura revisada reporta que estos sistemas pueden alcanzar precisiones superiores al 90 % en la detección de variaciones hidrológicas; no obstante, el presente trabajo no incluye una validación empírica propia, por lo que su aporte debe entenderse como una síntesis bibliográfica y una propuesta metodológica a desarrollar y contrastar en el terreno.
Citas
Andros, C. S., Conery, I. W., Alvarado, T. R., DeVore, K. R., Calaway, T. D., Rovai, A. S., Ikeda, J., Collins, A. M., & Masue-Slowey, Y. (2026). Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Scientific Reports, 16, Article 8830. https://doi.org/10.1038/s41598-026-39257-1
Boguszewski, A., Grabowski, T., Krzywda, M., Walczak, J., & Kowalski, M. (2022). A deep learning framework based on generative adversarial networks and vision transformer for complex wetland classification using limited training samples. International Journal of Applied Earth Observation and Geoinformation, 114, Article 103051. https://doi.org/10.1016/j.jag.2022.103051
Bonafilia, D., Tellman, B., Anderson, T., & Issenberg, E. (2020). Sen1Floods11: A georeferenced dataset to train and test deep learning flood algorithms for Sentinel-1. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), 1-8.
CONAE – Comisión Nacional de Actividades Espaciales. (2020). Imágenes satelitales elaboradas por la CONAE aportan información sobre áreas afectadas por las inundaciones en el Litoral Argentino. Ministerio de Ciencia, Tecnología e Innovación, Argentina. https://www.argentina.gob.ar/ciencia/conae
CONICET – Consejo Nacional de Investigaciones Científicas y Técnicas. (2023). Nuevo estudio publicado en Science vincula el aumento de las inundaciones en la llanura argentina con los cambios en el uso de la tierra. https://www.conicet.gov.ar
Convención de Ramsar. (2023). Global Wetland Outlook: Special Edition 2021. Ramsar Convention on Wetlands. https://www.ramsar.org
Gobierno de Argentina – Ministerio de Ambiente y Desarrollo Sustentable. (2022). ¿Qué son los humedales y por qué es importante conservarlos? https://www.argentina.gob.ar/ambiente/contenidos/humedales
Instituto Geográfico Nacional (IGN). (2024). Datos desde el espacio, información desde la nube: teledetección satelital y procesamiento remoto para la generación de información geoespacial. https://www.ign.gob.ar
Jocea, A. F., Porumb, L., Necula, L., & Raducanu, D. (2025). Sentinel-2 land cover classification: State-of-the-art methods and the reality of operational deployment—A systematic review. Sustainability, 17(22), Article 10324. https://doi.org/10.3390/su172210324
Mahdianpari, M., Salehi, B., Mohammadimanesh, F., Brisco, B., Homayouni, S., Gill, E., DeLancey, E. R., & Karami, O. (2019). Google Earth Engine, open-access satellite data, and machine learning in support of large-area probabilistic wetland mapping. Remote Sensing, 9(12), 1315. https://doi.org/10.3390/rs9121315
McFeeters, S. K. (1996). The use of the normalized difference water index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425-1432. https://doi.org/10.1080/01431169608948714
Nearing, G., Cohen, D., Dube, V., Gauch, M., Gilon, O., Harrigan, S., Hassidim, A., Klotz, D., Kratzert, F., Metzger, A., Nevo, S., Pappenberger, F., Prudhomme, C., Shalev, G., Shenzis, S., Tekalign, T. Y., Weitzner, D., & Matias, Y. (2024). Global prediction of extreme floods in ungauged watersheds. Nature, 627(8004), 559-563. https://doi.org/10.1038/s41586-024-07145-1
Nigar, A., Li, Y., Jat Baloch, M. Y., & Almutairi, M. H. (2024). Comparison of machine and deep learning algorithms using Google Earth Engine and Python for land classifications. Frontiers in Environmental Science, 12, Article 1378443. https://doi.org/10.3389/fenvs.2024.1378443
Salas, E. A. L., Subburayalu Kumaran, S., Bennett, R., Willis, L. P., & Mitchell, K. (2024). Machine learning-based classification of small-sized wetlands using Sentinel-2 images. AIMS Geosciences, 10(1), 62-79. https://doi.org/10.3934/geosci.2024005
Shahabi, H., Shirzadi, A., Ghaderi, K., Omidvar, E., Al-Ansari, N., Clague, J. J., Geertsema, M., Khosravi, K., Amini, A., Bahrami, S., Rahmati, O., Habibi, K., Mohammadi, A., Nguyen, H., Melesse, A. M., Bin Ahmad, B., & Ahmad, A. (2020). Flood detection and susceptibility mapping using Sentinel-1 remote sensing data and a machine learning approach: Hybrid intelligence of bagging ensemble based on K-Nearest Neighbor classifier. Remote Sensing, 12(2), 266. https://doi.org/10.3390/rs12020266
UN-SPIDER Knowledge Portal. (2022). Aplicación de datos del mes: aprendizaje automático para la detección de inundaciones. Oficina de las Naciones Unidas para Asuntos del Espacio Exterior. https://www.un-spider.org
Zerrouk, M., Ait El Kadi, K., Sebari, I., & Fellahi, S. (2025). Machine and deep learning for wetland mapping and bird-habitat monitoring: A systematic review of remote-sensing applications (2015–April 2025). Remote Sensing, 17(21), Article 3605. https://doi.org/10.3390/rs17213605
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores ceden a Arquitecno los derechos de publicación de sus trabajos, toda vez que hayan sido admitidos como parte de alguno de sus números. Ellos, no obstante, retienen los derechos de propiedad intelectual y responsabilidad ética así como la posibilidad de dar difusión propia por los medios que consideren.
52.jpg){kind=logo}
