Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Planificación Territorial de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Planificación Territorial
· Modelamiento de cambio de uso de suelo y expansión urbana con redes neuronales (LSTM, CNN) y autómatas celulares.
· Identificación de zonas de riesgo (inundación, deslizamiento) con machine learning y datos satelitales.
· Optimización de localización de equipamientos públicos (escuelas, hospitales) usando algoritmos genéticos.
· Análisis de conectividad ecológica y fragmentación con redes neuronales gráficas (GNN).
· Predicción de demanda de transporte público con series temporales y datos de telefonía móvil.
· Evaluación de impacto ambiental acumulativo con modelos de aprendizaje profundo.
—
1. LandUseChange – Predicción de cambio de uso de suelo (urbano, agrícola, forestal) en el departamento de Santa Cruz usando ConvLSTM y datos satelitales multitemporales
Problema científico
La expansión agrícola y urbana en Santa Cruz ocurre rápidamente, pero los modelos predictivos (Markov, autómatas celulares) no capturan dependencias espaciotemporales complejas.
Hipótesis principal
Una red ConvLSTM (convolucional + LSTM) entrenada con imágenes satelitales multiespectrales (Landsat/Sentinel) de 2000 a 2024 (cada 2 años) predice el mapa de uso de suelo para 2030 con una precisión global (Kappa) >0,85, superando a un autómata celular clásico (Kappa=0,75). La predicción muestra una pérdida de bosque del 12% en la zona de expansión agrícola.
Modelo de Red Neuronal Propuesto
ConvLSTM (5 capas) que procesa secuencias de imágenes (entrada: 12 bandas por fecha). Salida: clasificación pixel-wise de 5 usos (urbano, agrícola, forestal, pastizal, agua). Entrenamiento con pérdida de entropía cruzada.
Base teórica
Los modelos de deep learning espaciotemporal superan a los modelos tradicionales de cambio de uso (Bhatt et al., 2021, Remote Sensing of Environment).
Diseño Metodológico
Recopilación de imágenes Landsat (2000-2024, 6 fechas) para el departamento de Santa Cruz. Anotación de 20,000 puntos de entrenamiento con usos reales. Entrenamiento y validación temporal (entrenar 2000-2018, predecir 2020-2024). Métricas: precisión global, Kappa, recall por clase.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor GPU con Google Earth Engine y Python. Datos públicos. Costo: $15.000.
Impacto Cuantificable
Precisión >85% para 2030. Permite planificar áreas de conservación y expansión urbana ordenada. Estimación de pérdida de bosque por actividad antrópica.
Aplicabilidad Práctica Inmediata
Gobernación de Santa Cruz (Plan de Ordenamiento Territorial), Ministerio de Planificación, ONG ambientales.
Proyección a 5 años
Sistema “LandUseChange” actualizado anualmente, con alertas tempranas de deforestación. Integración con plataforma de monitoreo territorial.
—
2. FloodRisk – Mapeo de riesgo de inundación en la cuenca del río Piraí (Santa Cruz) usando redes neuronales (MLP) y datos de elevación, suelo y precipitación
Problema científico
Las inundaciones en Santa Cruz son recurrentes (2014, 2022). Los mapas de riesgo actuales se basan en modelos hidráulicos lentos y no integran variables de cobertura vegetal.
Hipótesis principal
Un modelo MLP (multilayer perceptron) entrenado con datos históricos de inundación (manchas satelitales), pendiente (DEM), tipo de suelo, uso de suelo y precipitación acumulada, clasifica el riesgo de inundación (alto, medio, bajo) con precisión >85% (validación cruzada espacial). El modelo identifica zonas de riesgo no mapeadas previamente en distritos 8 y 12.
Modelo de Red Neuronal Propuesto
MLP de 3 capas (128, 64, 3). Entrada: 10 variables raster (pendiente, distancia a río, tipo de suelo, NDVI, etc.) por píxel. Salida: clase de riesgo.
Base teórica
El mapeo de riesgo con ML supera a métodos estadísticos tradicionales (Tehrany et al., 2019, Science of the Total Environment).
Diseño Metodológico
Recopilación de manchas de inundación de eventos 2014 y 2022 (imágenes Sentinel-1). Muestreo de 10,000 puntos (50% inundados, 50% no). Extracción de covariables. Entrenamiento con validación espacial (bloques). Métricas: AUC, precisión.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (scikit-learn, TensorFlow). Datos públicos y de SENAMHI. Costo: $12.000.
Impacto Cuantificable
AUC >0,90. Identificación de áreas de riesgo alto no consideradas en planes actuales. Reducción potencial de daños en un 30% al reubicar asentamientos.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Unidad de Gestión de Riesgos), Gobernación, Defensa Civil.
Proyección a 5 años
Mapa de riesgo dinámico (actualizable tras cada lluvia intensa) integrado en sistema de alerta temprana.
—
3. EquipamientosOpt – Optimización de la localización de nuevos centros de salud en el área metropolitana de Santa Cruz usando algoritmo genético (NSGA-II) y redes neuronales para predecir demanda
Problema científico
La expansión urbana ha dejado zonas sin acceso a centros de salud primaria. La localización óptima debe minimizar distancia y maximizar cobertura de población vulnerable.
Hipótesis principal
Un algoritmo genético multiobjetivo (NSGA-II) que utiliza una red neuronal (MLP) para predecir la demanda de consultas (por manzana) a partir de densidad poblacional, ingresos, y distancia a centros existentes, logra ubicar 5 nuevos centros que reducen el tiempo de viaje promedio en un 40% y alcanzan una cobertura del 90% de la población (vs 70% actual).
Modelo de Red Neuronal Propuesto
MLP para predecir demanda (número de consultas mensuales) por manzana. Luego NSGA-II minimiza distancia ponderada y maximiza cobertura de demanda.
Base teórica
La optimización de localización de servicios públicos con metaheurísticas y ML es estándar (Murray et al., 2020, Computers, Environment and Urban Systems).
Diseño Metodológico
Datos censales (INE) por manzana, localización de centros existentes, datos de movilidad (para tiempos de viaje). Entrenamiento del MLP. Ejecución de NSGA-II (100 generaciones). Validación con expertos en salud.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (DEAP, scikit-learn). Costo: $14.000.
Impacto Cuantificable
Reducción del 40% en tiempo de viaje promedio (de 25 min a 15 min). Cobertura del 90% de población con acceso a menos de 30 minutos.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Secretaría de Salud), Gobernación, Ministerio de Salud.
Proyección a 5 años
Sistema “EquipamientosOpt” aplicable a escuelas, centros de bomberos, áreas verdes.
—
4. ConectividadEcológica – Análisis de fragmentación y conectividad de corredores biológicos en el Área Metropolitana de Santa Cruz usando redes neuronales gráficas (GNN) y datos de cobertura vegetal
Problema científico
La expansión urbana fragmenta hábitats. Los corredores ecológicos se diseñan manualmente. Las GNN pueden optimizar la conectividad entre parches de vegetación.
Hipótesis principal
Un modelo GNN (Graph Neural Network) que representa parches de vegetación como nodos (con atributos: área, NDVI, biodiversidad estimada) y potenciales corredores como aristas (costo basado en uso de suelo), identifica las rutas de conectividad óptimas que maximizan el flujo de especies (medido con métrica de conectividad global) con un costo de implementación (reforestación) 25% menor que un diseño manual.
Modelo de Red Neuronal Propuesto
GNN (Graph Convolutional Network) para predecir el flujo entre parches. Luego se aplica algoritmo de Steiner tree para seleccionar corredores.
Base teórica
Las GNNs se usan para optimización de redes ecológicas (Tao et al., 2020, Landscape Ecology).
Diseño Metodológico
Mapa de uso de suelo de 2024 (resolución 10m). Identificación de parches >5 ha. Construcción de grafo con distancias y costos. Entrenamiento de GNN con datos simulados. Validación con ecólogos (evaluación de rutas propuestas).
Viabilidad Técnica (TRL)
TRL 6 – prototipo con PyTorch Geometric y QGIS. Costo: $12.000.
Impacto Cuantificable
Mejora de conectividad global en un 30% (índice de mesura). Reducción del 25% en costo de implementación de corredores.
Aplicabilidad Práctica Inmediata
Gobernación (Dirección de Medio Ambiente), municipios metropolitanos, fundaciones ambientales.
Proyección a 5 años
Plataforma “ConectividadEcológica” integrada al Sistema de Información Ambiental departamental.
—
5. TransporteDemand – Predicción de demanda de transporte público (pasajeros por parada) en el sistema de micros de Santa Cruz usando LSTM con datos de tarjeta de prepago y GPS de flota
Problema científico
La planificación de frecuencias de micros se hace con aforos manuales. La demanda varía por hora y día.
Hipótesis principal
Un modelo LSTM entrenado con datos de validación de tarjetas (20 millones de transacciones) y ubicación GPS de los buses (2 años) predice la demanda horaria por parada con error MAPE <15%, permitiendo ajustar frecuencias y reducir el tiempo de espera promedio en un 20%.
Modelo de Red Neuronal Propuesto
LSTM con capa de atención. Entrada: serie temporal de demanda por parada (últimas 168 horas). Covariables: hora, día de semana, feriados, clima. Salida: demanda para la próxima hora.
Base teórica
El forecasting de demanda de transporte público con deep learning es una práctica consolidada (Zhou et al., 2021, IEEE T-ITS).
Diseño Metodológico
Convenio con operador de transporte (Sindicato de Micros) para datos anonimizados. Entrenamiento con 18 meses, validación con 6 meses. Simulación de reasignación de flota.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Datos requieren convenio. Costo: $20.000.
Impacto Cuantificable
MAPE <15%. Reducción del 20% en tiempo de espera (de 12 min a 9.6 min). Aumento de satisfacción de usuarios.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Dirección de Tránsito y Transporte), operadores de transporte.
Proyección a 5 años
Sistema “TransporteDemand” integrado en app de movilidad, con información de llenado de buses en tiempo real.
—
6. ZonificaciónAgro – Delimitación de zonas aptas para cultivos de soja, maíz y girasol en Santa Cruz usando redes neuronales (CNN) y datos edafoclimáticos
Problema científico
La expansión agrícola a veces se da en suelos no aptos, causando pérdidas. Los mapas de aptitud se actualizan cada 10 años.
Hipótesis principal
Una CNN 1D sobre perfiles de suelo (profundidad, textura, pH, conductividad) + variables climáticas (precipitación, temperatura) clasifica la aptitud (alta, media, baja) para cada cultivo con precisión >85% (validación con rendimientos históricos). Se actualiza anualmente con nuevos datos climáticos.
Modelo de Red Neuronal Propuesto
CNN 1D para datos tabulares (perfil de suelo). Fusión con datos climáticos en MLP final. Salida multiclase para cada cultivo.
Base teórica
La clasificación de aptitud de suelos con ML mejora la precisión de métodos tradicionales (Karmaoui et al., 2021, Agronomy).
Diseño Metodológico
Datos de suelos (GeoBolivia, SENAMHI) para 1,000 puntos de muestreo. Rendimientos históricos por parcela (ANAPO). Entrenamiento y validación espacial. Mapa de aptitud a nivel de predio.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python. Costo: $12.000.
Impacto Cuantificable
Precisión >85%. Potencial aumento de rendimiento del 15% al sembrar cultivos según aptitud. Reducción de pérdidas por malas decisiones.
Aplicabilidad Práctica Inmediata
Asociación de Productores (ANAPO), Ministerio de Desarrollo Rural, cooperativas agrícolas.
Proyección a 5 años
Plataforma “ZonificaciónAgro” con recomendación de cultivos por parcela, integrada a mapas en línea.
—
7. RiesgoMulti – Mapa de riesgo múltiple (inundación, deslizamiento, incendio) en los valles cruceños (Samaipata, Vallegrande) usando redes neuronales profundas (Stacking) y datos de sensores remotos
Problema científico
Las amenazas naturales interactúan (un incendio puede aumentar riesgo de deslizamiento). Los mapas de riesgo individuales no se combinan.
Hipótesis principal
Un modelo de stacking (meta-aprendizaje) que integra predicciones de 3 CNNs (una por amenaza) con una red neuronal de segundo nivel, produce un mapa de riesgo integrado (índice de 0 a 1) con mayor poder predictivo (AUC >0,90) que la suma ponderada simple. El mapa identifica 5 corredores de riesgo alto en la carretera a Samaipata.
Modelo de Red Neuronal Propuesto
Tres CNNs independientes (para cada amenaza) entrenadas con imágenes satelitales y topográficas. Luego un MLP que combina las salidas para riesgo total.
Base teórica
El mapeo multi-riesgo con stacking es novedoso (Zhang et al., 2020, Natural Hazards).
Diseño Metodológico
Recopilación de datos históricos de eventos (deslizamientos 2018, incendios 2020, inundaciones 2022) en los valles. Imágenes DEM, Sentinel, clima. Entrenamiento individual y stacking. Validación cruzada espacial.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con GPU. Costo: $18.000.
Impacto Cuantificable
AUC >0,90. Identificación de tramos de carretera con alta probabilidad de corte por deslizamiento post-incendio. Mejor planificación de evacuaciones.
Aplicabilidad Práctica Inmediata
Gobernación (Unidad de Gestión de Riesgos), municipios de Samaipata, Vallegrande, Pucará.
Proyección a 5 años
Mapa multi-riesgo actualizable tras cada evento, integrado en sistemas de alerta temprana regionales.
—
8. CrecimientoInteligente – Simulación de escenarios de crecimiento urbano compacto (vs disperso) en Santa Cruz usando autómatas celulares integrados con redes neuronales (CA-NN) y preferencias ciudadanas (minería de texto de redes sociales)
Problema científico
La expansión urbana dispersa consume suelo agrícola y aumenta costos de servicios. Hay pocas herramientas de simulación participativa.
Hipótesis principal
Un modelo de autómatas celulares con reglas de transición aprendidas por una CNN (CA-NN) simula 4 escenarios (tendencial, compacto, disperso, ecológico). El escenario compacto (densificación con vivienda vertical) reduce la huella urbana en un 30% a 2035 comparado con el tendencial, y es preferido por el 65% de los ciudadanos en una consulta vía análisis de sentimiento (BERT) de comentarios en redes.
Modelo de Red Neuronal Propuesto
CNN para aprender las reglas de transición (de no urbano a urbano) a partir de imágenes de expansión histórica. Luego se modifican pesos para simular escenarios.
Base teórica
Los CA-NN han sido usados para simular crecimiento urbano (Chen et al., 2020, Computers, Environment and Urban Systems).
Diseño Metodológico
Imágenes satelitales históricas (2000-2020) para entrenar el CA-NN. Simulación de escenarios 2020-2035. Análisis de sentimiento de 50,000 tuits sobre expansión urbana (recolección con palabras clave). Comparación de escenarios con métricas de sostenibilidad.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (TensorFlow, Geopandas). Costo: $16.000.
Impacto Cuantificable
Reducción del 30% de huella urbana en escenario compacto. Informe para el Plan de Ordenamiento Territorial con respaldo ciudadano.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Planificación Urbana), Viceministerio de Vivienda, colectivos ciudadanos.
Proyección a 5 años
Plataforma interactiva de simulación para que ciudadanos y planificadores exploren escenarios.
—
9. ÁreasVerdes – Identificación de áreas prioritarias para creación de parques urbanos en Santa Cruz usando algoritmos de optimización (reforzamiento por aprendizaje) y datos de carencia de espacios verdes
Problema científico
Santa Cruz tiene un déficit de áreas verdes (2.5 m²/hab, vs recomendación OMS 9 m²). La asignación de nuevos parques es política y no basada en datos.
Hipótesis principal
Un agente de aprendizaje por refuerzo (Q-learning) que recorre la ciudad y selecciona ubicaciones para nuevos parques, maximizando el aumento de superficie verde per cápita y minimizando la distancia a las zonas más densas y con menor acceso actual, propone 10 ubicaciones que mejoran el indicador en un 40% (de 2.5 a 3.5 m²/hab) con el mismo presupuesto, superando a un método heurístico de selección por manzana más carenciada.
Modelo de Red Neuronal Propuesto
Q-learning con tabla Q (no red neuronal por simplicidad, pero se puede escalar con DQN). Estado: cuadrícula de 500m x 500m (indicador de carencia). Acción: ubicar parque. Recompensa: incremento de área verde por habitante servido.
Base teórica
La optimización de localización de parques con RL es un enfoque emergente (Zhang et al., 2021, Sustainable Cities and Society).
Diseño Metodológico
Datos censales por manzana, mapa de áreas verdes existentes (SIG municipal). Construcción de estado de carencia (inverso de área verde por habitante). Entrenamiento del agente (10,000 episodios). Validación con planificador urbano.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en Python (NumPy). Costo: $10.000.
Impacto Cuantificable
Aumento del 40% en m²/hab de áreas verdes (de 2.5 a 3.5). Beneficio a 200,000 habitantes de zonas densas.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Secretaría de Planificación, Dirección de Parques), organizaciones vecinales.
Proyección a 5 años
Sistema “ÁreasVerdes” utilizado por municipios de toda el área metropolitana.
—
10. ImpactoAcumulativo – Evaluación de impacto ambiental acumulativo de proyectos de infraestructura (carreteras, urbanizaciones) en el bosque seco chaqueño usando redes neuronales (CNN) y análisis de series temporales de deforestación
Problema científico
La evaluación de impacto ambiental individual por proyecto no capta efectos sinérgicos (ej. una carretera + una urbanización = más deforestación). Bolivia requiere EIA acumulativas.
Hipótesis principal
Una CNN 3D (espacio-temporal) que procesa imágenes satelitales multitemporales (2000-2024) y las ubicaciones de proyectos aprobados, predice la deforestación acumulada a 10 años con error MAE <50 ha por zona. Se identifican 3 corredores donde la interacción de proyectos causa deforestación acelerada, no visible en EIA individuales.
Modelo de Red Neuronal Propuesto
CNN 3D (convoluciones espaciales y temporales) sobre cubos de imágenes (100×100 píxeles x 12 fechas). Salida: mapa de deforestación futura.
Base teórica
El aprendizaje profundo para impacto acumulativo es una frontera (Kefi et al., 2020, Science of the Total Environment).
Diseño Metodológico
Recopilación de imágenes Landsat (2000-2024) y shapefiles de proyectos (carreteras, loteamientos) del departamento. Entrenamiento de CNN para predecir deforestación 5 años después de proyectos. Validación con datos de 2019-2024.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python (PyTorch3D). Datos públicos y de la Gobernación. Costo: $18.000.
Impacto Cuantificable
MAE <50 ha. Identificación de corredores de alta sinergia. Mejora de la planificación territorial para evitar impactos acumulativos.
Aplicabilidad Práctica Inmediata
Gobernación de Santa Cruz (Dirección de Medio Ambiente), Ministerio de Medio Ambiente, ONG.
Proyección a 5 años
Metodología estandarizada para EIA acumulativas en Bolivia. Herramienta de apoyo a la toma de decisiones.
—
📌 Nota final
Estos 10 proyectos para Planificación Territorial cubren:
· Modelamiento de uso de suelo (1, 8)
· Riesgos naturales y multi-riesgo (2, 7)
· Optimización de equipamientos y servicios (3, 5, 9)
· Conectividad ecológica (4)
· Zonificación productiva (6)
· Impacto ambiental acumulativo (10)
Costos entre $10.000 y $20.000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a gobiernos municipales y Gobernación) y DICIT (infraestructura de datos geoespaciales). Se recomienda convenios con el INE, SENAMHI y la Gobernación de Santa Cruz.