Machine learning en la gestión de servicios de agua potable en América Latina: revisión sistemática
DOI:
https://doi.org/10.70208/3007.8245.v6.n3.547Palabras clave:
Inteligencia artificial, machine learning, agua potable, gestión del agua, América LatinaResumen
Esta revisión sistemática analizó la evidencia científica sobre la aplicación de machine learning (ML) en la gestión de servicios de agua potable en América Latina, identificando procesos de gestión, técnicas empleadas y resultados de desempeño. Se empleó un enfoque cualitativo, descriptivo y deductivo, siguiendo el protocolo PRISMA, con búsquedas en Scopus, Web of Science, Scielo, Redalyc y Dialnet en artículos de acceso abierto (2020-2025). De 96 registros identificados se incluyeron finalmente 8 estudios primarios de Perú, Colombia, Ecuador, México y estudios multinacionales con participación latinoamericana. Los resultados muestran que redes neuronales artificiales, algoritmos genéticos, máquinas de vectores de soporte y redes neuronales de grafos se aplican principalmente a la predicción de demanda, la calidad del agua y la dosificación de coagulantes, con precisiones de hasta 99,2 %; la identificación de agua no contabilizada y la detección de fugas, en cambio, se apoyan aún en modelos estadísticos y monitoreo instrumental, con integración algorítmica incipiente. Se concluye que el ML ofrece beneficios técnicos y económicos demostrados, pero su adopción en la región es incipiente, dispersa y limitada por brechas de digitalización, disponibilidad de datos y capacidades institucionales, lo que evidencia un vacío de investigación primaria específico para el contexto latinoamericano.
Citas
Aguilar Aguilar, A. C., & Obando Díaz, F. F. (2020). Aprendizaje automático para la predicción de calidad de agua potable. Ingeniare, (28), 47-62. https://doi.org/10.18041/1909-2458/ingeniare.28.6215
Ahmed, A. A., Sayed, S., Abdoulhalik, A., Moutari, S., & Oyedele, L. (2024). Applications of machine learning to water resources management: A review of present status and future opportunities. Journal of Cleaner Production, 441, Artículo 140715. https://doi.org/10.1016/j.jclepro.2024.140715
Bonilla, C. A., Zanfei, A., Brentan, B., Montalvo, I., & Izquierdo, J. (2022). A digital twin of a water distribution system by using graph convolutional networks for pump speed-based state estimation. Water, 14(4), Artículo 514. https://doi.org/10.3390/w14040514
Bueno-Herrera, D., Monroy-Ávila, E., & Zafra-Mejía, C. (2020). Análisis de agua no contabilizada en el sistema de abastecimiento urbano del municipio de Facatativá, Colombia. Tecnura, 24(63), 73-87. https://doi.org/10.14483/22487638.15333
Carrera, D., Martínez-Molina, C. A., & Montero-Yancha, W. F. (2024). Fugas de agua no visibles en los sistemas de abastecimiento hídrico de la Universidad de las Fuerzas Armadas (ESPE). European Public & Social Innovation Review, 9, 1-20. https://doi.org/10.31637/epsir-2024-326
Chowdhury, S., & Karanfil, T. (2024). Applications of artificial intelligence (AI) in drinking water treatment processes: Possibilities. Chemosphere, 356, Artículo 141958. https://doi.org/10.1016/j.chemosphere.2024.141958
Fan, X., Zhang, X., & Yu, X. B. (2021). Machine learning model and strategy for fast and accurate detection of leaks in water supply network. Journal of Infrastructure Preservation and Resilience, 2(1), Artículo 10. https://doi.org/10.1186/s43065-021-00021-6
Ghobadi, F., & Kang, D. (2023). Application of machine learning in water resources management: A systematic literature review. Water, 15(4), Artículo 620. https://doi.org/10.3390/w15040620
Huamán, H., Arauco, S., Rojas, R., & Rojas, J. (2020). Optimización de la cantidad de coagulantes para la producción de agua potable en zonas de la sierra del Perú. UCV-Scientia, 12(1), 9-23. https://doi.org/10.18050/ucvs.v.12i1.2598
Kimothi, S., Thapliyal, A., Akram, S. V., Singh, R., Gehlot, A., Mohamed, H. G., Anand, D., Ibrahim, M., & Noya, I. D. (2022). Big data analysis framework for water quality indicators with assimilation of IoT and ML. Electronics, 11(13), Artículo 1927. https://doi.org/10.3390/electronics11131927
Noriega-Murrieta, J. (2025). Intelligent optimization of rural water infrastructure through big data and predictive models: Insights from Latin America. Revista Científica de Sistemas e Informática, 5(1), Artículo e762. https://doi.org/10.51252/rcsi.v5i1.762
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, Artículo n71. https://doi.org/10.1136/bmj.n71
Ramirez Villacorta, J. M., Vilca Barbaran, R., Marthans Ruiz, A. A., Noronha Gomez, A., & Bardales Lozano, T. E. (2023). Tendencias de la aplicación de redes neuronales artificiales en el pronóstico del consumo de agua potable en la Amazonía Peruana. Ciencia Latina Revista Científica Multidisciplinar, 7(2), 7572-7589. https://doi.org/10.37811/cl_rcm.v7i2.5897
Rapp, A. H., Capener, A. M., & Sowby, R. B. (2023). Adoption of artificial intelligence in drinking water operations: A survey of progress in the United States. Journal of Water Resources Planning and Management, 149(7), Artículo 06023002. https://doi.org/10.1061/JWRMD5.WRENG-5870
Reyes, L., Torres, L., Jiménez, M., & Ríos, C. (2022). Predicción de la máxima demanda en un sector de la red de distribución de agua potable de la ciudad de Guanajuato, México. Tecnología y Ciencias del Agua, 13(4), 414-446. https://doi.org/10.24850/j-tyca-2022-04-09
Sörensen, J., Nilsson, E., Nilsson, D., Gröndahl, E., Rehn, D., & Giertz, T. (2024). Evaluation of ANN model for pipe status assessment in drinking water management. Water Supply, 24(5), 1985-1998. https://doi.org/10.2166/ws.2024.104
Tabesh, M., Roozbahani, A., Roghani, B., Faghihi, N. R., & Heydarzadeh, R. (2018). Risk assessment of factors influencing non-revenue water using Bayesian networks and fuzzy logic. Water Resources Management, 32(11), 3647-3670. https://doi.org/10.1007/s11269-018-2011-8
Torres González, M. A., Ceballos Pérez, S. G., Lara Figueroa, H. N., Ávila Camacho, F. J., Moreno Villalba, L. M., Stein Carrillo, J. M., & Meléndez Ramírez, A. (2026). Machine learning and predictive models for water management: A systematic review. Frontiers in Water, 8, Artículo 1756052. https://doi.org/10.3389/frwa.2026.1756052
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Jesús Alberto Barreto Paico, Juan Carlos Yarlaque Santisteban, Jersy Chichipe Bustamante, Juan Diego Saravia Linares, Danilo Alva Izquierdo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
