Modelos de predicción de impactos ambientales con inteligencia artificial: una revisión bibliométrica

Autores/as
DOI:
https://doi.org/10.47456/bjpe.v12i5.53323
Resumen

Este estudio examina la evolución de la producción científica internacional sobre modelos de predicción del impacto ambiental basados en algoritmos de IA, con énfasis en las técnicas de Machine Learning-ML aplicadas al contexto del cambio climático. El objetivo fue mapear tendencias, identificar brechas y evaluar la consolidación de este campo, considerando su potencial para integrarse con métricas de sostenibilidad. La investigación utilizó métodos bibliométricos basados en 631 artículos indexados en la WoS entre 1945-2023, analizados con el software Bibliometrix en R. Los resultados indican un crecimiento exponencial de las publicaciones desde 2016, acompañado por el predominio de China, EE. UU. e India tanto en volumen como en influencia científica. La aplicación de las leyes de Bradford y Lotka reveló una concentración de la producción en pocas revistas y una alta fragmentación autoral. El análisis temático mostró que el ML, el cambio climático y los modelos de predicción son los temas impulsores del campo, aunque todavía centrados en variables ambientales aisladas. Se constató la ausencia de modelos integrados que articulen pronósticos ambientales, impactos socioeconómicos y dimensiones de gobernanza, así como la falta de conexiones sistemáticas entre técnicas de IA e indicadores ESG. Se concluye que esta integración constituye una frontera prometedora para investigaciones futuras y para la formulación de estrategias de sostenibilidad.

Biografía del autor/a
  1. Graziela Luiz Franco Martinez, Universidade Federal de Rondônia

    Possui graduação em Ciências Econômicas pela Universidade Federal de Viçosa (UFV - 2002) e mestrado em Teoria Econômica pela Universidade Estadual de Maringá (UEM - 2005). Atualmente é Professora Assistente da Universidade Federal de Rondônia - Campus Francisco Gonçalves Quiles (Cacoal), atendendo os departamentos de Engenharia de Produção, Administração e Direito com as disciplinas relacionadas a área da Economia. Tem experiência na área de Economia, com ênfase em Teoria Econômica, atuando principalmente nos seguintes temas: Rondônia, Desenvolvimento Econômico Local, Indice de Preços e Arranjo Produtivo Local. http://lattes.cnpq.br/3710081645204535 

  2. Michel Angelo Constantino, Universidade Católica Dom Bosco

    Atualmente Pró-reitor da Pró-reitoria de Pesquisa e Pós-graduação e Professor Titular na Universidade Católica Dom Bosco - UCDB. Doutor em Economia pela Universidade Católica de Brasília (UCB), Cientista de Dados - Mestre em Desenvolvimento Local (UCDB) e Administrador. Foi coordenador do Doutorado e Mestrado em Desenvolvimento Local da UCDB. Professor nos Programas de Doutorado em Ciências Ambientais e Sustentabilidade Agropecuária e em Desenvolvimento Local. Pesquisador da área de Políticas Públicas, Economia e Econometria. Academic Board Members: Journal of Cleaner Production (Elsevier). Editor associado da Economic Analysis of Law Review e Editor Associado da Revista EconomiA | Emerald . Líder do Grupo de Pesquisa CNPq - Science With R. Atuou como Cientista de Dados na Agência Brasileira de Desenvolvimento Industrial - Brasília/DF (2019-2024). Foi coordenador do PEIEX - Programa de Exportação do Governo Federal (APEX) para Mato Grosso do Sul entre 2018-2021. Premiado como melhor pesquisador da área de Economia do Setor Público e Inovação do Mato Grosso do Sul pelo Prêmio FUNDECT/2021. Foi Pesquisador Visitante e Bolsista do Instituto de Pesquisa Econômica e Aplicada - IPEA-Brasília/DF | Orientador do Programa ALI SEBRAE/DF. Atua como Pesquisador Associado e Pós doutorando em Políticas Públicas na FGV/EPPG - DF no Laboratório Experimental de Políticas Públicas. Head do Laboratório S-Inova Data Lab - Laboratório de Dados e Bioeconomia da UCDB. Coordenador do Projeto: Estudo de cenários e externalidades geradas após criação da Lei do Pantanal frente às mudanças climáticas e a economia do Mato Grosso do Sul - Chamada Fundect 08/2024 - Mudanças Climáticas. Participa do Ranking da AD Scientific Índex e está entre os 100 cientistas brasileiros da área de Economia. Especialista na linguagem de programação R e modelagem preditiva. Member Sustainability Academic Network (SUSAN) at SUSANhub.com. Consultor e Palestrante - CEO da Constantino Consultoria Ltda. http://lattes.cnpq.br/2196653320939118

  3. Hemerson Pistori, Universidade Católica Dom Bosco

    Prof. Pistori criou em 2004 e lidera até hoje o primeiro laboratório de visão computacional (VC) e inteligência artificial (IA) da região central do Brasil, o INOVISAO (inovisao.weebly.com), que já produziu dezenas de patentes e publicou centenas de artigos científicos relacionados com o desenvolvimento de algoritmos de IA para problemas na agricultura, pecuária e silvicultura. Já foi representante Brasileiro no International Association for Pattern Recognition (IAPR), membro do comitê gestor da Comissão Especial de Computação Gráfica e Processamento de Imagens da Sociedade Brasileira de Computação e membro do conselho superior da Fundação de Amparo à Pesquisa (FAP) do estado do Mato Grosso do Sul. Participa de comitês de avaliadores de diversas revistas de alto impacto, como a Pattern Recognition Letters, Computers and Electronics in Agriculture, a IEEE Geoscience and Remote Sensing Letters e a Nature Scientific Reports. Tem trabalhos publicados em coautoria com cientistas dos USA, UK, Itália, Canadá, Austrália e Alemanha. Seu canal de divulgação científica na área de IA, no youtube (https://www.youtube.com/hemersonpistori), possui quase 700 mil visualizações, sendo um dos mais vistos no mundo, em língua Portuguesa. Duas startups na área de IA para o agro já nasceram de projetos iniciados no Inovisão (www.kerow.com.br e geoia.tech). O laboratório do Prof. Pistori foi o primeiro a utilizar aprendizado profundo (IA) em um experimento com drones para identificação de plantas invasoras na soja, em 2017. Este trabalho já foi citado por cientistas de mais de 40 países e é um dos 3 mais citados do mundo nesta área. Foi pró-reitor de pesquisa e pós-graduação da Católica, e durante sua gestão ajudou na criação dos primeiros 5 programas de doutorado da instituição, do dept. de relações internacionais, da agência de inovação, do programa de iniciação tecnológica para alunos da graduação e do programa de iniciação científica junior para aproximar alunos do ensino médio das atividades de pesquisa científica. http://lattes.cnpq.br/8684549377565696 https://orcid.org/0000-0001-8181-760X

Referencias

Adisa, O. M., Masinde, M., Botai, J. O., & Botai, C. M. (2020). Bibliometric analysis of methods and tools for monitoring and forecasting droughts in Africa. Sustainability, 12(16), 6516. https://doi.org/10.3390/su12166516

Al-Abassi, A., Karimipour, H., Haddadpajouh, H., Dehghantanha, A., & Parizi, R. M. (2020). Industrial big data analytics: challenges and opportunities. In Handbook of Big Data Privacy (37-61). Springer. https://doi.org/10.1007/978-3-030-38557-6_3

Anderegg, W. R. L., Prall, J. W., Harold, J., & Schneider, S. H. (2010). Expert credibility on climate change. Proceedings of the National Academy of Sciences, 107(27), 12107-09. https://doi.org/10.1073/pnas.1003187107

Aria, M. & Cucurullo, C. (2017). Bibliometrix: an R tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007

Banihashemi, S., Ding, G., & Wang, J. (2017). Developing a hybrid model of prediction and classification algorithms for building energy consumption. Energy Procedia, 110, 371-376. https://doi.org/10.1016/j.egypro.2017.03.155

Belayneh, A., Adamowski, J., & Khalil, B. (2015). Short-term SPI drought forecasting in the Awash River Basin, Ethiopia, using wavelet transforms and machine learning methods. Sustainable Water Resources Management, 2, 87-101. https://doi.org/10.1007/s40899-015-0010-2

Bornmann, L. (2016). Bibliometrics in climate change research: A perspective from bibliometric indicators. PLoS ONE, 11(7), e0157650. https://doi.org/10.1371/journal.pone.0157650

Brookes, B. C. (1969). Bradford’s law and the bibliography of science. Nature, 224, 953-6. https://doi.org/10.1038/224953a0

Buarque, S. C. (2003). Metodologia e técnicas de construção de cenários globais e regionais. IPEA.

Cobo, M. J., López-Herrera, A. G., Herrera-Viedma, E., & Herrera, F. (2011). An approach for detecting, quantifying, and visualizing the evolution of a research field: a practical application to the fuzzy sets theory field. Journal of Informetrics, 5(1), 146-66. https://doi.org/10.1016/j.joi.2010.10.002

Ferreira, A. L., Marton, F., & Perez, G. (2022). Cybersecurity in services: a bibliometric study. Journal of Professional Master’s Degrees, 11(2). https://doi.org/10.51359/2317-0115.2022.256796

Gleckler, P. J., Taylor, K. E., & Doutriaux, C. (2008). Performance metrics for climate models. Journal of Geophysical Research: Atmospheres, 113, D06104. https://doi.org/10.1029/2007JD008972

Gosling, N. W. & Arnell, N. (2016). A global assessment of the impact of climate change on water scarcity. Climatic Change, 134, 371-85. https://doi.org/10.1007/s10584-013-0853-x

Greco, D. (2017). Modelos preditivos: o que são e para que servem. Análise de Dados. https://marketingpordados.com/2017/05/10/

Grieneisen, M. L. & Zhang, M. (2011). The current status of climate change research. Nature Climate Change, 1(2), 72-3. https://doi.org/10.1038/nclimate1093

Guresen, E., Kayakutlu, G., & Daim, T. U. (2011). Using artificial neural network models in stock market index prediction. Expert Systems with Applications, 38, 10389-97. https://doi.org/10.1016/j.eswa.2011.02.068

Haunschild, R., Bornmann, L., & Marx, W. (2016). Climate change research in view of bibliometrics. PLoS ONE, 11(7), e0157649. https://doi.org/10.1371/journal.pone.0157649

Hughes, L. (2003). Climate change and Australia: trends, projections and impacts. Austral Ecology, 28, 423-43. https://doi.org/10.1046/j.1442-9993.2003.01300.x

Hussin, F., Rahim, S. A. N. M., Hatta, N. S. M., Aroua, M. K., & Mazari, S. A. (2023). A systematic review of machine learning approaches in carbon capture applications. Journal of CO₂ Utilization, 71. https://doi.org/10.1016/j.jcou.2023.102474

IPCC. (2014). Climate change 2014: synthesis report. Summary for Policymakers. Intergovernmental Panel on climate change. https://www.ipcc.ch/pdf/assessment-report/ar5/syr/AR5_SYR_FINAL_SPM.pdf

Laniak, G. F. et al. (2013). Integrated environmental modeling: A vision and roadmap for the future. Environmental Modelling & Software, 39, 3-23. https://doi.org/10.1016/j.envsoft.2012.09.006

Li, J. F., Wang, M. H., & Ho, Y. S. (2011). Trends in global climate change research. Global and Planetary Change, 77(1-2), 13-20. https://doi.org/10.1016/j.gloplacha.2011.02.005

Li, W. & Zhao, Y. (2015). Bibliometric analysis of global environmental assessment research. Environmental Impact Assessment Review, 50, 158-66. https://doi.org/10.1016/j.eiar.2014.09.012

Liu, Y., Esan, O. C., Pan, Z., & An, L. (2021). Machine learning for advanced energy materials. Energy and AI, 3. https://doi.org/10.1016/j.egyai.2021.100049

Miyano, T. & Girosi, F. (1994). Forecasting global temperature variations by neural networks (Technical Report). MIT, Artificial Intelligence Laboratory.

Müller, V. C. & Bostrom, N. (2016). Future progress in artificial intelligence: A survey of expert opinion. In V. C. Müller (Ed.), Fundamental issues of artificial intelligence (553-71). Springer. https://doi.org/10.1007/978-3-319-26485-1_33

Okubo, Y. (1997). Bibliometric indicators and analysis of research systems: Methods and examples. OECD.

Penland, C. & Matrosova, L. (1998). Prediction of tropical Atlantic sea surface using linear inverse modeling. Journal of Climate, 11, 483-96. https://doi.org/10.1175/1520-0442(1998)011‹0483:POTASS›2.0.CO;2

Roesch, I. & Günther, T. (2018). Visualization of neural network predictions for weather forecasting. Computer Graphics Forum, 38, 209-20. https://doi.org/10.1111/cgf.13403

Rodrigues, C. & Godoy, A. F. G. (2016). Bibliometric studies on the scientific production of information and communication technologies in libraries. InCID: Revista de Ciência da Informação e Documentação, 7(1), 167-80. https://doi.org/10.11606/issn.2178-2075.v7i1p167-180

Sembay, M., Luiz Pinto, A., de Macedo, D. J., & Moreiro-González, J. A. (2020). Aplicación de la Ley de Bradford a la investigación sobre open government. Anales de Documentación, 23(1). https://doi.org/10.6018/analesdoc.326771

Smith, D. M., Cusack, S., Colman, A. W., Folland, C. K., Harris, G. R., & Murphy, J. M. (2007). Improved prediction of surface temperature for the next decade from a global climate model. Science, 317, 796-99.

Su, H. & Lee, P. (2010). Mapping knowledge structure by keyword co-occurrence. Scientometrics, 85(1), 65-79. https://doi.org/10.1007/s11192-010-0252-8

Tanure, T. M. P., et al. (2020). The impacts of climate change on agricultural production, land use and economy of the Legal Amazon region between 2030 and 2049. Economia Aplicada, 21, 73-90. https://doi.org/10.11606/1980-5330/ea162093

Thai, H.-T. (2022). Machine learning for structural engineering: A state-of-the-art review. Structures, 38, 448–91. https://doi.org/10.1016/j.istruc.2022.02.003

Thompson, D. F. & Walker, C. K. (2015). A descriptive and historical review of bibliometrics with applications to the medical sciences. Pharmacotherapy, 35(6), 551-59. https://doi.org/10.1002/phar.1582

Tol, R. S. (2002). Estimates of the damage costs of climate change. Part 1: Baseline estimates. Environmental and Resource Economics, 21, 47-73. https://doi.org/10.1023/A:1014500930521

Urbizagastegui, R. (2008). The productivity of authors on Lotka’s Law. Ciência da Informação, 37(2), 87-102. https://doi.org/10.1590/S0100-19652008000200008

Wibisono, A. et al. (2016). Traffic big data prediction and visualization using fast incremental model trees-drift detection. Knowledge-Based Systems, 93, 33-46. https://doi.org/10.1016/j.knosys.2015.11.017

Wolpert, D. H. (1996). The lack of a priori distinctions between learning algorithms. Neural Computation, 8(7), 1341-90. https://doi.org/10.1162/neco.1996.8.7.1341

Yan, Y. et al. (2021). Harnessing the power of machine learning for carbon capture, utilization, and storage (CCUS). Energy & Environmental Science, 14(12), 6122-57. https://doi.org/10.1039/D1EE02395K

Zaihong, Z., Zhiqiang, D., & Rusch, K. A. (2012). Development of predictive models for determining enterococci levels at Gulf Coast beaches. Water Research, 46(2), 481-92. https://doi.org/10.1016/j.watres.2011.11.050

Zarur, M. A. F. (2000). Modelo para elaboração de cenários do setor energético, utilizando técnicas de data mining (Mestrado). Universidade Federal do Rio de Janeiro.

Zhu, D. et al. (1999). A process for mining science & technology documents databases. Ciência da Informação, 28(1), 7-20. https://doi.org/10.1590/S0100-19651999000100002

Cover Image
Portada de divulgación de un artículo científico publicado en la Brazilian Journal of Production Engineering (BJPE). La imagen muestra a una investigadora interactuando frente a un robot humanoide, representando el uso de la Inteligencia Artificial para la predicción de impactos ambientales. En la parte inferior aparece el título "El Futuro de la Predicción Ambiental con IA", seguido por los autores Martinez, G. L. F., Constantino, M. A. y Pistori, H. (2026), junto con los logotipos de las instituciones colaboradoras y de la BJPE.
Descargas
Publicado
2026-07-20
Número
Vol. 12 Núm. 5 (2026): Número especial VII Simposio sobre Ingeniería de Producción (SIENPRO)
Sección
Innovación, sostenibilidad y emprendimiento: caminos para transformar la ingeniería de producción.
Licencia

Derechos de autor 2026 Martinez, G. L. F., Constantino, M. A. & Pistori, H.

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Todas las obras publicadas en la Revista Brasileña de Ingeniería de Producción (BJPE) están bajo la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0). Esto significa que: Cualquier persona puede copiar, distribuir, exhibir, adaptar, remezclar e incluso utilizar comercialmente el contenido publicado en la revista; Siempre que se reconozca debidamente a los autores y a BJPE como fuente original; No se requiere permiso adicional para la reutilización, siempre que se respeten los términos de la licencia. Esta política cumple con los principios de acceso abierto, promoviendo la amplia difusión del conocimiento científico. 🔗 Haga clic aquí para acceder a la licencia completa.

Cómo citar

Martinez, G. L. F., Constantino, M. A., & Pistori, H. (2026). Modelos de predicción de impactos ambientales con inteligencia artificial: una revisión bibliométrica. Brazilian Journal of Production Engineering, 12(5), 153-165. https://doi.org/10.47456/bjpe.v12i5.53323