Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Ciencias Ambientales de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Ciencias Ambientales
· Monitoreo de calidad del aire y agua con sensores IoT y redes neuronales.
· Predicción de sequías e inundaciones mediante modelos híbridos (LSTM + física).
· Clasificación de residuos sólidos urbanos con visión por computadora.
· Modelado de dispersión de contaminantes industriales usando redes neuronales físicas (PINN).
· Evaluación de servicios ecosistémicos con imágenes satelitales y aprendizaje profundo.
· Optimización de rutas de recolección de residuos con algoritmos genéticos.
—
1. AireSantaCruz – Predicción de calidad del aire (PM2.5, PM10) en el área metropolitana de Santa Cruz usando redes LSTM con datos de estaciones fijas y meteorología
Problema científico
Santa Cruz no tiene un sistema de pronóstico de contaminación atmosférica. Los modelos determinísticos requieren muchos parámetros y no capturan patrones no lineales.
Hipótesis principal
Un modelo LSTM bidireccional con capa de atención, entrenado con datos históricos de 5 estaciones de monitoreo (PM2.5, PM10, temperatura, humedad, velocidad del viento), predice los niveles de contaminación para las próximas 24 horas con un error RMSE <12 µg/m³ y un coeficiente de correlación >0,85, permitiendo emitir alertas tempranas.
Modelo de Red Neuronal Propuesto
LSTM (2 capas, 128 unidades) + atención. Entrada: series temporales de 48 horas (frecuencia horaria) de las variables. Salida: predicción de PM2.5 y PM10 para la siguiente hora (y horizonte 24h con multi-step).
Base teórica
La contaminación atmosférica depende de condiciones meteorológicas y emisiones. Las redes LSTM capturan dependencias temporales largas (Masood et al., 2020, IEEE Access).
Diseño Metodológico
Datos de la Red de Monitoreo de Calidad del Aire de Santa Cruz (si existe, o se instalarán 5 sensores de bajo costo durante 1 año). Variables climáticas del SENAMHI. Entrenamiento con 80% de los datos, validación temporal con el 20% más reciente. Métricas: RMSE, MAE, R².
Viabilidad Técnica (TRL)
TRL 6 – prototipo con servidor. Sensores de bajo costo (Plantower PMS5003 + ESP32, $100/unidad). Costo total: $10.000 (5 sensores + desarrollo).
Impacto Cuantificable
RMSE <12 µg/m³ para PM2.5. Alertas con 12 horas de anticipación, permitiendo a grupos vulnerables (asma, niños) tomar precauciones. Reducción de visitas a emergencias respiratorias en un 15% (estimación).
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Secretaría de Medio Ambiente), hospitales, colegios, medios de comunicación.
Proyección a 5 años
Red de 50 sensores en toda la ciudad, con aplicación móvil de pronóstico de calidad del aire.
—
2. ResiduoClasificador – Clasificación automática de residuos sólidos urbanos (plástico, vidrio, papel, orgánico) en plantas de reciclaje usando CNN (YOLOv8) y cintas transportadoras
Problema científico
La clasificación manual de residuos es lenta, peligrosa y costosa. Las plantas de reciclaje de Santa Cruz no utilizan tecnologías de visión artificial.
Hipótesis principal
Un modelo YOLOv8 (detección de objetos) entrenado con 10,000 imágenes de residuos (tomadas en condiciones reales de iluminación y superposición) clasifica y localiza cada ítem en tiempo real (30 FPS) con una precisión media (mAP@0.5) >0,90, superando la precisión humana (0,85) y aumentando la velocidad de procesamiento en un 300%.
Modelo de Red Neuronal Propuesto
YOLOv8 (You Only Look Once) con backbone CSPDarknet, entrenado con imágenes aumentadas (rotaciones, cambios de brillo). Salida: bounding boxes con clase y confianza.
Base teórica
La visión por computadora para reciclaje es una aplicación madura (Bobulski & Kubanek, 2021, Sensors). YOLO alcanza buen equilibrio velocidad/precisión.
Diseño Metodológico
Recopilación de 10,000 imágenes de residuos en una planta de reciclaje local (convenio con EMACRUZ o cooperativa). Anotación manual con Roboflow. Entrenamiento con 80%, validación 20%. Prueba en cinta transportadora piloto con 1,000 objetos.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en laboratorio con cinta transportadora pequeña y cámara industrial. Hardware: GPU NVIDIA Jetson Nano o similar. Costo: $8.000.
Impacto Cuantificable
Precisión >90% y velocidad >30 objetos/segundo. Aumento de la eficiencia de reciclaje en un 50%, reducción de costo laboral en un 40%.
Aplicabilidad Práctica Inmediata
EMACRUZ (Empresa Municipal de Aseo), cooperativas de recicladores (La Paz, Cochabamba, Santa Cruz).
Proyección a 5 años
Sistema “ResiduoClasificador” integrado en plantas de clasificación de 5 ciudades bolivianas. Formación de operadores técnicos.
—
3. SequíaLSTM – Pronóstico de sequías agrícolas en la región de la Chiquitania usando índices de vegetación (NDVI, EVI) y redes neuronales LSTM con datos climáticos
Problema científico
La sequía afecta la producción ganadera y agrícola en la Chiquitania. Los pronósticos actuales (SPI, SPEI) no incorporan la dinámica de la vegetación.
Hipótesis principal
Un modelo LSTM que combina el índice SPEI (precipitación-evapotranspiración) con series históricas de NDVI (MODIS) predice la condición de vegetación (desviación del NDVI) con 3 meses de anticipación, logrando un error RMSE <0,1 (NDVI normalizado) y una precisión de alerta temprana del 80% para sequías moderadas.
Modelo de Red Neuronal Propuesto
LSTM con ventana de 12 meses. Entrada: SPEI-3, temperatura, precipitación, NDVI histórico. Salida: NDVI futuro (mes siguiente). Se entrena por píxel (agregación regional).
Base teórica
La respuesta de la vegetación a la sequía tiene un rezago. Las LSTM capturan esta memoria hidrológica (Khan et al., 2020, Remote Sensing).
Diseño Metodológico
Datos MODIS NDVI (2000-2024), clima (CHIRPS, ERA5). Se seleccionan 10 municipios de la Chiquitania. Entrenamiento con 2000-2019, validación con 2020-2024. Se definen umbrales de alerta (NDVI < -1 desviación).
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Google Earth Engine y Python. Datos públicos. Costo: $10.000.
Impacto Cuantificable
Anticipación de 3 meses. Permite a ganaderos y agricultores reducir pérdidas (ej. vender ganado anticipadamente, almacenar forraje). Estimación de ahorro del 15% de pérdidas económicas.
Aplicabilidad Práctica Inmediata
Gobernación de Santa Cruz (Unidad de Gestión de Riesgos), Asociación de Ganaderos de la Chiquitania (ASOGACH), SENAMHI.
Proyección a 5 años
Sistema de alerta temprana de sequía operativo para todo el departamento, integrado en plataforma móvil para productores.
—
4. DispersiónIndustrial – Modelado de dispersión de material particulado (PM10) desde una industria cementera en Warnes usando redes neuronales físicas (PINN) y datos de sensores
Problema científico
Las industrias emiten contaminantes que afectan a comunidades cercanas. Los modelos de dispersión gaussianos (AERMOD) requieren muchos parámetros y no se calibran con datos locales.
Hipótesis principal
Una red neuronal física (PINN) que incorpora la ecuación de advección-difusión como término de pérdida, entrenada con datos de 10 sensores de bajo costo alrededor de la fábrica, predice la concentración de PM10 en puntos no muestreados con un error MAE <15 µg/m³, superando a AERMOD (MAE >25 µg/m³) en un entorno industrial complejo.
Modelo de Red Neuronal Propuesto
PINN (Physics-Informed Neural Network): una red fully connected que aproxima el campo de concentración, con pérdida que incluye el residuo de la ecuación diferencial, más datos observados.
Base teórica
Las PINN integran leyes físicas en el aprendizaje, mejorando la generalización en dominios con pocos datos (Raissi et al., 2019, Journal of Computational Physics).
Diseño Metodológico
Instalación de 10 sensores de PM10 (Plantower) en un radio de 2 km alrededor de la cementera durante 3 meses. Registro de meteorología (estación propia). Se entrena una PINN con los datos de 8 sensores, se valida con los 2 restantes. Se compara con AERMOD simulado.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores y servidor. Hardware: sensores $100/unidad + estación meteorológica $500. Desarrollo en Python (DeepXDE). Costo: $12.000.
Impacto Cuantificable
Mapa de concentraciones de PM10 con resolución de 50 m. Identificación de viviendas en zonas de impacto crítico ( >50 µg/m³ ). Recomendaciones de reubicación o mitigación.
Aplicabilidad Práctica Inmediata
Gobierno Municipal de Warnes, empresas cementeras, fiscalización ambiental (Gobernación), comunidades vecinas.
Proyección a 5 años
Metodología “PINN-Dispersión” aplicable a otras industrias (azucareras, cerveceras) en Bolivia. Herramienta de licenciamiento ambiental.
—
5. AguaCalidad – Predicción de parámetros de calidad del agua (oxígeno disuelto, turbidez) en el río Piraí usando redes neuronales (MLP) y datos de sensores remotos
Problema científico
El río Piraí recibe descargas urbanas e industriales. El monitoreo puntual (estaciones fijas) es insuficiente para detectar eventos de contaminación aguda.
Hipótesis principal
Un modelo MLP que integra datos espectrales de satélites (Sentinel-2) y variables climáticas (precipitación, temperatura) predice la concentración de oxígeno disuelto y turbidez con error relativo <20%, permitiendo identificar tramos críticos sin necesidad de muestreo in situ.
Modelo de Red Neuronal Propuesto
MLP de 3 capas (64, 32, 1). Entrada: reflectancia en bandas específicas (ej. 490 nm, 560 nm), más temperatura y caudal. Salida: OD (mg/L) o turbidez (NTU).
Base teórica
La calidad del agua tiene firmas espectrales. Modelos empíricos con ML superan a algoritmos de satélite tradicionales (Zhang et al., 2021, Water Research).
Diseño Metodológico
Recopilación de datos de campo (20 puntos de muestreo en 5 fechas) con medidor multiparamétrico. Extracción de reflectancia de imágenes Sentinel-2 coincidentes. Entrenamiento y validación (80/20). Mapeo de OD y turbidez a lo largo de 50 km del río.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Google Earth Engine (JavaScript) + Python para modelo. Datos satelitales gratuitos, datos de campo recolectados por proyecto. Costo: $8.000.
Impacto Cuantificable
Mapas de calidad del agua con resolución de 10 m, actualizables cada 5 días (frecuencia Sentinel-2). Identificación de puntos calientes de contaminación para inspección.
Aplicabilidad Práctica Inmediata
Gobernación (Dirección de Recursos Hídricos), GAM Santa Cruz (Planta de tratamiento La Angostura), universidades.
Proyección a 5 años
Plataforma de monitoreo continuo de ríos del departamento, integrada con alertas a autoridades y comunidades.
—
6. CarbonoBosque – Estimación de biomasa aérea y carbono en el bosque chaqueño usando datos de radar (Sentinel-1) y redes neuronales convolucionales (CNN) 3D
Problema científico
Los proyectos de REDD+ requieren estimaciones precisas de carbono forestal. Los métodos de campo son costosos. Las imágenes ópticas se saturan en alta biomasa.
Hipótesis principal
Una CNN 3D (convolución espacial y sobre polarizaciones) que procesa imágenes Sentinel-1 (banda C, VV+VH) y Sentinel-2 (bandas ópticas) estima la biomasa aérea con un error RMSE <20 Mg/ha (rango 0-300 Mg/ha) y un coeficiente de determinación R² >0,75, validado con parcelas permanentes del Inventario Forestal Nacional.
Modelo de Red Neuronal Propuesto
CNN 3D con bloques residuales, entrada de tamaño 32×32 píxeles (múltiples canales: VV, VH, NDVI, etc.). Salida: biomasa en Mg/ha.
Base teórica
El retrodispersión de radar es sensible a la estructura del bosque (diámetro, densidad). Las CNNs extraen características texturales y de polarimetría (Pourshamsi et al., 2021, IEEE JSTARS).
Diseño Metodológico
Datos de parcelas permanentes (al menos 200 parcelas) del Bosque Seco Chiquitano (proyecto de REDD+). Imágenes Sentinel-1 y 2 de la misma época. Entrenamiento con 70% de parcelas, validación 30%. Mapeo para toda la ecorregión.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Google Earth Engine + TensorFlow. Datos públicos y parcelas existentes. Costo: $15.000 (incluye acceso a datos de campo).
Impacto Cuantificable
Mapa de biomasa con resolución de 10 m para 10 millones de hectáreas. Precisión RMSE <20 Mg/ha. Base para calcular créditos de carbono verificables.
Aplicabilidad Práctica Inmediata
Ministerio de Medio Ambiente (REDD+), Fundación para la Conservación del Bosque Chiquitano, empresas de certificación de carbono.
Proyección a 5 años
Metodología oficial para estimación de carbono en bosques secos de Bolivia. Actualización cada 3 años.
—
7. RuidoAmbiental – Mapa de ruido urbano en tiempo real para la ciudad de Santa Cruz usando redes neuronales (CNN 1D) con datos de micrófonos distribuidos y tráfico de Waze
Problema científico
El ruido del tráfico es el segundo factor ambiental de mayor queja ciudadana. Los mapas de ruido tradicionales se actualizan cada 5 años y no son dinámicos.
Hipótesis principal
Una CNN 1D sobre series temporales de nivel sonoro (Leq) de 30 sensores de bajo costo + datos de densidad vehicular (Waze API) estima el nivel de ruido en cualquier punto de la ciudad con error <3 dB(A) y resolución de 15 minutos, permitiendo generar mapas de ruido en tiempo real.
Modelo de Red Neuronal Propuesto
CNN 1D que procesa las últimas 24 horas de datos de los sensores vecinos y de tráfico. Salida: Leq horario en una cuadrícula de 250 m.
Base teórica
La contaminación acústica puede modelarse con redes neuronales a partir de datos dispersos (Grama et al., 2020, IEEE Sensors Journal).
Diseño Metodológico
Instalación de 30 sensores (ESP32 + micrófono MAX4466) en postes de alumbrado público. Recolección durante 3 meses. Entrenamiento de la CNN para interpolar entre sensores. Validación con 10 sensores portátiles (referencia). Aplicación en mapa web interactivo.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores y servidor. Hardware: $30/sensor (30 sensores = $900). Desarrollo: $7.000. Total: $8.000.
Impacto Cuantificable
Mapa de ruido con actualización cada hora. Identificación de zonas con Leq >65 dB (dañino para salud). Recomendaciones para reordenamiento de tráfico o barreras acústicas.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Dirección de Medio Ambiente), organizaciones vecinales, planificadores urbanos.
Proyección a 5 años
Red de 200 sensores de ruido y calidad del aire, integrada en plataforma de ciudad inteligente.
—
8. HumedalSAR – Monitoreo de la dinámica de inundación de humedales (Bañados del Izozog) usando imágenes Sentinel-1 (SAR) y redes neuronales (U-Net) para clasificar agua y vegetación
Problema científico
Los humedales del Izozog (Chaco) son ecosistemas clave pero sufren sequías e incendios. Las imágenes ópticas no penetran nubes en época de lluvia. El radar (SAR) sí lo hace.
Hipótesis principal
Una red U-Net entrenada con imágenes Sentinel-1 (polarizaciones VV, VH) clasifica píxeles en 4 categorías (agua abierta, vegetación inundada, suelo seco, vegetación no inundada) con una precisión global >90% (validada con imágenes ópticas sin nubes). Se detecta una reducción del 30% en la extensión de inundación entre 2018 y 2024.
Modelo de Red Neuronal Propuesto
U-Net con backbone ResNet-34. Entrada: par de imágenes SAR (VV, VH) en la misma fecha. Salida: mapa de 4 clases.
Base teórica
La clasificación de inundación con SAR es robusta. Las U-Net mejoran la segmentación semántica (Bonafilia et al., 2020, CVPR Workshops).
Diseño Metodológico
Recopilación de imágenes Sentinel-1 (2018-2024) para el área de los Bañados. Anotación manual de 500 parches (256×256 píxeles) usando imágenes ópticas sin nubes. Entrenamiento y validación. Series temporales de superficie inundada por estación.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Google Earth Engine (JavaScript) + TensorFlow. Datos públicos. Costo: $10.000.
Impacto Cuantificable
Mapas de inundación con resolución de 10 m, frecuencia de 12 días (cada paso de Sentinel-1). Cuantificación de tendencias de pérdida de humedal. Información para gestión de agua y conservación.
Aplicabilidad Práctica Inmediata
Gobernación de Santa Cruz (Recursos Hídricos), Fundación Natura Bolivia, municipios de Charagua y Cabezas.
Proyección a 5 años
Sistema de monitoreo de humedales de Bolivia (Cuenca del Plata), integrado en plataforma nacional de recursos hídricos.
—
9. RutaLimpia – Optimización de rutas de recolección de residuos sólidos en el municipio de Santa Cruz usando algoritmos genéticos y datos de contenedores inteligentes
Problema científico
La recolección de residuos consume el 50% del presupuesto de aseo urbano. Las rutas actuales son fijas y no responden a la ocupación real de contenedores.
Hipótesis principal
Un algoritmo genético (NSGA-II) que optimiza rutas diarias con datos de sensores de llenado en 500 contenedores (nivel de llenado en tiempo real) reduce la distancia recorrida por los camiones en un 25% y el consumo de combustible en un 20%, en comparación con rutas fijas.
Modelo de Red Neuronal Propuesto
No se usa red neuronal. Algoritmo genético multiobjetivo (minimizar distancia y número de camiones) con restricción de capacidad. Los datos de llenado se predicen con un modelo ARIMA simple si no hay sensores.
Base teórica
La optimización de rutas de recolección es un problema clásico de vehículo de capacidad (CVRP). Los algoritmos genéticos han demostrado mejoras significativas (El-Sherbeny, 2010, Operational Research).
Diseño Metodológico
Se instalan sensores de llenado ultrasónicos en 500 contenedores (distribuidos en zona piloto). Durante 6 meses se recopilan datos de llenado diario. Se implementa un algoritmo genético que reoptimiza rutas cada noche para el día siguiente. Se comparan indicadores con rutas históricas (misma zona).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con sensores y software. Hardware: sensor ultrasónico + ESP8266 ($25/unidad) para 500 unidades: $12,500. Desarrollo: $10,000. Total: $22,500.
Impacto Cuantificable
Reducción del 25% en distancia (ej. de 200 km/día a 150 km/día). Ahorro anual de combustible: $50,000 para la flota piloto. Reducción de emisiones de CO₂ en 30 toneladas/año.
Aplicabilidad Práctica Inmediata
EMACRUZ, municipios metropolitanos, empresas de gestión de residuos.
Proyección a 5 años
Sistema “RutaLimpia” implementado en toda la ciudad de Santa Cruz (10,000 contenedores inteligentes). Extensión a otros municipios.
—
10. ZonaVerde – Identificación de áreas prioritarias para restauración ecológica en el Área Metropolitana de Santa Cruz usando redes neuronales (CNN) y datos de servicios ecosistémicos
Problema científico
La expansión urbana ha degradado ecosistemas. Se requieren criterios objetivos para priorizar áreas de restauración (conectividad, captura de carbono, control de inundaciones).
Hipótesis principal
Una CNN multicanal (entrada: mapa de cobertura vegetal, pendiente, distancia a ríos, densidad de viviendas, costo de suelo) produce un mapa de prioridad de restauración (0-1). El 10% de las áreas con mayor prioridad, si se restauran, aumentarían la conectividad ecológica en un 40% y el servicio de control de inundaciones en un 25% (simulado con modelos hidrológicos).
Modelo de Red Neuronal Propuesto
CNN (tipo U-Net) que segmenta y asigna prioridad. Entrada: 6 capas raster. Salida: mapa de prioridad. Entrenamiento con datos de proyectos de restauración exitosos (puntos etiquetados por expertos).
Base teórica
La priorización de restauración puede automatizarse con ML (Di Marco et al., 2020, Conservation Biology).
Diseño Metodológico
Se recopilan capas geoespaciales (cobertura vegetal actual, áreas protegidas, etc.) para el Área Metropolitana. Se identifican 500 puntos de restauración exitosa (árboles plantados) y 500 puntos degradados (sin restauración). Se entrena una CNN para clasificar prioridad. Se genera mapa de prioridad. Se validan los servicios ecosistémicos con expertos.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en QGIS y Python (TensorFlow). Datos públicos y de la Gobernación. Costo: $10.000.
Impacto Cuantificable
Mapa de prioridad de restauración para 200,000 hectáreas. Permite a los municipios invertir de manera eficiente (reducción del 30% del costo por hectárea restaurada).
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Parques y Jardines), Gobernación, programas de arborización urbana, ONG ambientales.
Proyección a 5 años
Plataforma “ZonaVerde” utilizada por todos los municipios metropolitanos para planificar la restauración. Integración con proyectos de captura de carbono.
—
📌 Nota final
Estos 10 proyectos para Ciencias Ambientales cubren:
· Calidad del aire (1, 4, 7)
· Residuos sólidos y reciclaje (2, 9)
· Recursos hídricos y sequías (3, 5, 8)
· Cambio climático y carbono (6)
· Restauración ecológica (10)
Costos entre $8,000 y $22,500, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a municipios y empresas) y DICIT (infraestructura de sensores y modelos). Se recomienda convenios con EMACRUZ, GAM Santa Cruz, Gobernación, SENAMHI y el Museo de Historia Natural Noel Kempff Mercado.