📄 earth_science

Geospatial Methods for SDG-Aligned Land and Water Resource Management: A Bibliometric and Systematic Review of Research Trends (2021–2026)

Este estudio combina revisiones bibliométricas y sistemáticas de investigaciones de 2021–2026 para mapear las tendencias globales en métodos geoespaciales para la gestión de la tierra y el agua, revelando un cambio hacia plataformas basadas en la nube y el aprendizaje automático al tiempo que identifica brechas críticas en el monitoreo en tiempo real y la integración de políticas para apoyar mejor el ODS 6 y el ODS 15.

Autores originales: Ajay Prakash M., Ragunath K. P., Pazhanivelan S., Muthumanickam D., Sivamurugan A. P., Vanitha G., Fawaz Parapurath, Kamalesh Kanna S., Sivakumar D., Kumar V.

Publicado 2026-08-06

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ajay Prakash M., Ragunath K. P., Pazhanivelan S., Muthumanickam D., Sivamurugan A. P., Vanitha G., Fawaz Parapurath, Kamalesh Kanna S., Sivakumar D., Kumar V.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina la Tierra como un rompecabezas gigante y vivo donde la tierra y el agua son dos piezas que presionan constantemente una contra otra. Si presionas demasiado fuerte la tierra (como construir una ciudad o cultivar demasiado), el agua se ve exprimida, se seca o se ensucia. Si el agua se mueve de forma incorrecta, la tierra puede deslavarse. Durante mucho tiempo, los científicos intentaron resolver este rompecabezas enviando personas al campo con carpetas de notas y cubetas, pero eso es lento, costoso y, a veces, imposible cuando el clima es malo o el área es demasiado grande. Entran los detectives "Geoespaciales". Estos son científicos que usan satélites orbitando en lo alto como ojos gigantes y superpotentes para tomar fotos de la Tierra, y computadoras poderosas para convertir esas fotos en mapas. Utilizan herramientas como la Teledetección (tomar fotos desde el espacio), SIG (un sistema de capas de mapas digitales que permite apilar información como un sándwich) y el Aprendizaje Automático (computadoras que aprenden a detectar patrones mejor de lo que los humanos pueden hacerlo). Nos importa esto porque el mundo se está calentando, las ciudades están creciendo y el agua se está volviendo escasa. Si no podemos descubrir dónde se esconde el agua o cómo está cambiando la tierra, no podremos alimentar a la gente ni mantenerlos seguros de las inundaciones.

Ahora, imagina una biblioteca masiva que contiene cada artículo de investigación escrito entre 2021 y 2026 sobre estos mapas de satélite-espacio. Los autores de este artículo decidieron ser los bibliotecarios definitivos. No solo leyeron unos pocos libros; escanearon 335 artículos revisados por pares para ver qué estaba haciendo todo el mundo y luego profundizaron en 59 estudios específicos para ver si esos estudios realmente estaban haciendo un buen trabajo. Es como revisar una temporada de una serie de televisión: miraron los índices de audiencia (cuánta gente vio la serie) y luego criticaron la trama (¿tenía sentido la historia?).

Aquí está lo que encontraron, y es un poco un giro en la trama.

Primero, la biblioteca se está llenando rápido. El número de artículos publicados aumentó un 59.2% entre 2021 y 2025, alcanzando su punto máximo con 1,735 artículos en 2025. Es como una explosión repentina de interés, impulsada por la pandemia (que dificultó salir al exterior, por lo que la gente usó satélites en su lugar) y el impulso global para cumplir con los "Objetivos de Desarrollo Sostenible" de la ONU (una lista de verificación para salvar el planeta). Aunque los grandes actores como China y los EE. UU. escribieron la mayoría de los artículos, el trabajo más "citado" (más mencionado) provino de lugares como Kenia, Ecuador y Sudáfica. Parece que cuando te encuentras en un lugar donde el agua es realmente escasa, tu investigación recibe mucha atención porque resuelve un problema real y urgente.

Pero aquí está la gran sorpresa, el momento del "¡ajá!" de la historia. Durante años, muchos científicos han seguido una receta: "Para hacer un mejor mapa, solo añade más ingredientes". Pensaban que si apilaban más capas de datos (como añadir más ingredientes a una pizza) o verificaban tu mapa con más puntos en el terreno (como probar la pizza más veces), tu mapa sería automáticamente perfecto.

Los autores probaron esta idea con matemáticas, y no funcionó.

Encontraron que añadir más "capas de entrada temática" (los ingredientes de datos de la pizza) apenas mejoraba la precisión de los mapas. De hecho, las matemáticas mostaron que el número de capas explicaba solo el 9.4% de por qué un mapa era bueno o malo. Es como darse cuenta de que añadir la décima rebanada de pepperoni a tu pizza no hace que sepa significativamente mejor; la calidad de la masa y la salsa importan mucho más. Del mismo modo, tener más puntos de verificación en el terreno ayudó un poco, pero no fue la solución mágica que todos pensaban.

Entonces, ¿qué es lo que hace que un mapa sea bueno? El artículo encontró que el método que utilizas es la verdadera salsa secreta.

Durante mucho tiempo, el método más popular fue llamado AHP (Proceso de Jerarquía Analítica). Piensa en el AHP como un "sistema de votación" donde los expertos deciden qué tan importante es cada capa del mapa. Es fácil de usar y muy común, especialmente en lugares como el sur de Asia y África donde las computadoras pueden ser más lentas. Pero el artículo encontró que el AHP es como una calculadora confiable y de la vieja escuela: hace el trabajo, pero no es la herramienta más rápida o inteligente disponible.

Cuando los autores compararon el AHP con el Aprendizaje Automático (donde la computadora aprende de los datos por sí sola), la computadora ganó cada vez. En los estudios que compararon ambos lado a lado, el Aprendizaje Automático logró una puntuación de precisión (llamada ROC-AUC) de 0.860, mientras que el AHP solo alcanzó 0.748. Esa es una mejora del 15%. Es la diferencia entre un GPS que te lleva a la calle correcta y uno que te lleva exactamente a la puerta de entrada.

Sin embargo, hay un giro triste. Aunque el Aprendizaje Automático es claramente mejor, los lugares que más lo necesitan (el sur de Asia y África, donde las aguas subterráneas se están secando) todavía utilizan mayoritariamente el viejo método AHP. Es como conducir un auto lento y confiable cuando un auto eléctrico rápido y moderno está sentado en el garaje, pero tienes demasiado miedo para cambiarte. El artículo sugiere que si estas regiones pudieran cambiar a los métodos más nuevos y más inteligentes, podrían encontrar agua con mucha más precisión.

El artículo también señala otras piezas faltantes en el rompecabezas.

El Problema de la "Caja Negra": Muchos estudios utilizan computadoras inteligentes pero no explican por qué la computadora tomó una decisión. Es como un profesor que te da una "A" pero no te dice qué hiciste bien. Los autores dicen que necesitamos una "IA Explicable" para que los responsables de la toma de decisiones puedan confiar en los resultados.
La Trampa de lo "Estático": La mayoría de los mapas son solo una instantánea de un momento en el tiempo. Pero el mundo siempre se está moviendo. El artículo argumenta que necesitamos monitoreo en "Tiempo Real", como una transmisión de video en vivo en lugar de una fotografía, para capturar inundaciones o sequías a medida que ocurren.
El Punto Ciego de "Solo la Oferta": Casi todos los estudios de agua solo miraron dónde está el agua (oferta), pero ninguno miró cuánto la está usando la gente (demanda). Es como medir cuánta agua hay en un cubo pero ignorar el agujero en el fondo. Sin saber cuánto se está usando, no podemos gestionar realmente el recurso.

Al final, este artículo es un llamado a la acción. Nos dice que las herramientas que tenemos están mejorando, pero estamos usando las más viejas y lentas en los lugares que más necesitan velocidad. El futuro no se trata solo de tomar más fotos desde el espacio; se trata de usar computadoras más inteligentes para interpretar esas fotos, explicar nuestras respuestas claramente y conectar los puntos entre dónde está el agua y cómo la usamos. Si podemos hacer eso, podríamos resolver el rompecabezas más grande de todos: mantener nuestra tierra y nuestro agua saludables para todos.

Resumen Técnico: Métodos Geoespaciales para la Gestión de los Recursos de Tierra y Agua Alineados con los ODS (2021–2026)

Planteamiento del Problema

La interconexión entre los recursos de tierra y agua es fundamental para el desarrollo sostenible, aunque su gestión eficaz se ve cada vez más desafiada por el cambio climático, la urbanización y la escasez de agua. Si bien las tecnologías geoespaciales (Teledetección, SIG, GNSS) ofrecen marcos robustos para la observación y el análisis, las revisiones de literatura previas se han visto limitadas por alcances de dominio específicos (centrándose únicamente en aguas subterráneas o cobertura terrestre) o marcos de método único que carecen de una síntesis transdominio. Además, existe una falta de evidencia cuantitativa sobre cómo las elecciones específicas del diseño del estudio —como el número de puntos de validación o de capas de entrada— influyen realmente en la precisión del modelo. Este estudio aborda la ausencia de una caracterización bibliométrica exhaustiva del panorama de investigación 2021–2026, la falta de un análisis cuantitativo que vincule el diseño del estudio con el rendimiento del modelo y la ausencia de un mapeo geográfico de las disparidades entre método y rendimiento.

Metodología

El estudio emplea un enfoque de doble método que combina el análisis bibliométrico con una revisión sistemática basada en PRISMA y una metarregresión.

1. Análisis Bibliométrico:

Fuente de Datos: El conjunto de datos primario se recuperó de la API de Dimensions, seleccionada por su amplia cobertura multidisciplinaria, metadatos de acceso abierto y capacidades de API programática.
Estrategia de Búsqueda: Se aplicó una cadena de búsqueda booleana ("Geospatial Methods AND Land AND Water Resource Management") en títulos y resúmenes.
Filtrado: De un registro inicial de 7,104 artículos, el conjunto de datos se filtró para incluir solo artículos revisados por pares publicados en inglés entre 2021 y 2026. Esto resultó en un corpus analítico final de 335 artículos.
Validación: La validación cruzada contra Scopus y Web of Science confirmó una alta concordancia (Spearman $\rho$ = 0.92 y 0.89, respectivamente) en las clasificaciones por país.
Herramientas: Microsoft Excel para el análisis de tendencias y VOSviewer para el mapeo de redes de coocurrencia de palabras clave y coautoría.

2. Revisión Sistemática:

Búsqueda: Realizada en Scopus, PubMed y Dimensions AI, arrojando 583 registros iniciales.
Cribado: Tras la eliminación de duplicados y el cribado de títulos y resúmenes, se evaluaron 136 artículos a texto completo.
Inclusión: 59 estudios cumplieron con los criterios de elegibilidad, requiriendo aplicaciones geoespaciales empíricas con métricas de validación cuantificables.
Evaluación de la Calidad: Se desarrolló una novedosa herramienta de evaluación de calidad de cinco dimensiones (adaptada de marcos clínicos como GRADE y ROBINS-I) para evaluar el sesgo de resolución espacial, la consistencia temporal, la integridad de la validación del modelo, la fiabilidad de la verdad de terreno y el sesgo de selección.

3. Metarregresión:

Se seleccionó un subconjunto de estudios que reportaban tanto puntuaciones ROC-AUC como parámetros de diseño específicos (conteo de puntos de validación y conteo de capas de entrada temáticas) para realizar el análisis de regresión con el fin de determinar los predictores de la precisión del modelo.

Contribuciones Clave

El artículo reivindica tres contribuciones metodológicas y empíricas primarias:

Primera Revisión Integrada: Es la primera revisión sistemática que combina el mapeo bibliométrico con la metarregresión basada en PRISMA específicamente para métodos geoespaciales en la gestión de recursos de tierra y agua durante el periodo 2021–2026.
Marco de Diseño Cuantitativo: Introduce un marco de metarregresión que demuestra que los parámetros de diseño de estudio comúnmente reportados (conteo de capas, conteo de puntos de validación) son predictores débiles de la precisión del modelo, desafiando la suposición de que "más datos" equivale a "mejores modelos".
Evaluación de Calidad Estandarizada: Propone una herramienta de evaluación de calidad de cinco dimensiones adaptada para revisiones sistemáticas geoespaciales, proporcionando la primera rúbrica de puntuación estandarizada para este campo.

Resultados Clave

1. Tendencias de Publicación y Colaboración:

La producción de publicaciones creció un 59.2% entre 2021 y 2025, alcanzando un máximo de 1,735 artículos en 2025.
China y los Estados Unidos dominan la producción colaborativa y la fuerza de los vínculos. Sin embargo, los países con estrés de recursos agudo (Kenia, Ecuador, Sudáfrica) demuestran un impacto de citación por documento desproporcionadamente alto.
El mapeo del potencial de aguas subterráneas es la aplicación más estudiada (39% del corpus), seguida por la detección de cambios en el Uso y Cobertura del Suelo (LULC).

2. Rendimiento Metodológico (Metarregresión):

Puntos de Validación: Existe una correlación positiva entre el número de puntos de validación de campo y el ROC-AUC ( $R^2 = 0.394$ ), pero esto explica menos del 40% de la varianza.
Capas de Entrada: El número de capas temáticas de entrada tiene un impacto insignificante en la precisión del modelo ( $R^2 = 0.094$ ). Los estudios con menos capas a menudo superaron a los de más capas, lo que indica que la calidad y relevancia de las capas son más críticas que la cantidad.
Familia de Métodos: Los métodos de Aprendizaje Automático (ML) y de ensamble superaron consistentemente a los marcos de Proceso de Jerarquía Analítica (AHP).
- Solo AHP: ROC-AUC medio = 0.748.
- Híbrido AHP: ROC-AUC medio = 0.815.
- ML/Ensamble: ROC-AUC medio = 0.860.
Disparidad Geográfica: A pesar del rendimiento superior del ML, el AHP sigue siendo el método dominante en el sur de Asia y África (regiones con el mayor estrés de aguas subterráneas), mientras que el ML se concentra en América del Norte y partes del sur de Asia con mejor infraestructura computacional.

3. Hallazgos Temáticos:

Gestión de la Tierra: El 92% de los estudios comparativos confirmaron que la expansión urbana y agrícola reduce mensurablemente los niveles de aguas subterráneas y la extensión de los cuerpos de agua. Sin embargo, ninguno de los 15 estudios de gestión de la tierra vinculó explícitamente los hallazgos con los objetivos cuantitativos del ODS 15.
Gestión del Agua: El mapeo de zonas de potencial de aguas subterráneas (GPZ) representó el 56% de los estudios de agua. Una brecha crítica identificada es el sesgo del lado de la oferta: el 100% de los estudios de gestión del agua se centraron en el mapeo de la oferta sin integrar indicadores del lado de la demanda (precios, eficiencia del consumo), lo que los hace insuficientes para el monitoreo del ODS 6.4.
Brecha Tecnológica: A pesar de la prominencia bibliométrica, herramientas avanzadas como los datos SAR (8% de uso), Google Earth Engine (7% de uso) y sensores hiperespectrales (0% de uso) están infrautilizadas en la investigación operativa en comparación con la imaginería óptica y el GIS de escritorio.

4. Calidad y Reproducibilidad:

Fiabilidad de la Verdad de Terreno: La debilidad metodológica más frecuente (señalada en el 57% de los estudios evaluados) fue una verdad de terreno inadecuada, recurriendo a menudo a la interpretación de Google Earth o a menos de 20 puntos de campo.
Consistencia Temporal: Muchos estudios utilizaron conjuntos de datos estáticos de un solo periodo en contextos que requieren análisis multitemporales, lo que limita la capacidad de detectar tendencias.

Significación y Reivindicaciones

El artículo se posiciona como una intervención crítica en el campo de la gestión de recursos geoespaciales al ir más allá del mapeo descriptivo hacia la crítica metodológica basada en evidencia.

Relevancia Política: El estudio argumenta que la investigación geoespacial actual suele estar desconectada de la implementación de políticas. Destaca que, sin integrar datos del lado de la demanda e indicadores de gobernanza, los resultados geoespaciales no pueden apoyar eficazmente el monitoreo de los ODS 6 (Agua Limpia) y 15 (Vida de Ecosistemas Terrestres).
Cambio Metodológico: Reivindica que el campo está pasando de la adquisición de datos (Teledetección) a la interpretación de datos y la integración de decisiones. Sin embargo, identifica una "brecha de traducción" donde los métodos superiores (ML) no se están adoptando en las regiones que más los necesitan debido a las limitaciones de datos y computación.
Prioridades Futuras: Los autores identifican tres prioridades críticas para avanzar en el campo:
1. Monitoreo en tiempo real: Pasar de instantáneas estáticas a marcos continuos integrados con IoT.
2. IA Explicable (XAI): Requerir salidas de SHAP o LIME para asegurar la interpretabilidad del modelo para los responsables de la toma de decisiones.
3. Marcos Resilientes al Clima: Integrar proyecciones climáticas dinámicas (CMIP6) en los modelos geoespaciales para asegurar la relevancia a largo plazo.

El estudio concluye que, si bien las tecnologías geoespaciales son indispensables, el campo debe evolucionar de estudios descriptivos, estáticos y centrados en la oferta hacia herramientas de decisión predictivas, integradas en la política y reproducibles para cumplir con la agenda de los ODS 2030.