ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
Art´ıculo de revisi´on bibliogr´afica https://doi.org/10.47460/mine rva.v6i18.227
Inteligencia artificial en el estudio de metales pesados en agricultura:
Un estudio bibliom´etrico
Samuel Pacheco-March
´
an
https://orcid.org/0009-0003-2381-8606
spachecom@untumb es.edu.pe
Universidad Nacional de Tumbes
Tumbes, Per
´
u
Luis A. Bermejo
https://orcid.org/0000-0001-5294-7034
lbermejor@untumbes.edu.pe
Universidad Nacional de Tumbes
Tumbes, Per
´
u
Cristhofer Villar-Cruz
https://orcid.org/0009-0009-3325-8896
180605191@untumb es.edu.pe
Universidad Nacional de Tumbes
Tumbes, Per
´
u
Nicole Vergara-Alfaro
https://orcid.org/0009-0005-7465-3957
180364161@untumbes.edu.pe
Universidad Nacional de Tumbes
Tumbes, Per
´
u
Alberto Ordinola-Zapata*
https://orcid.org/0000-0002-9644-0531
aordinolaz@untumbes.edu.pe
Universidad Nacional de Tumbes
Tumbes, Per
´
u
*Autor de correspondencia:
aordinolaz@untumbes.edu.pe
Recibido (19/07/2025), Aceptado (25/08/2025)
Resumen. Este estudio bibliom
´
etrico evalu
´
o la producci
´
on cient
´
ıĄca sobre el uso de la inteligencia
artiĄcial (IA) en el estudio de metales pesados en la agricultura, con el objetivo de identiĄcar vac
´
ıos
y tendencias en las l
´
ıneas de investigaci
´
on. Se realiz
´
o una b
´
usqueda en Scopus recuperando 127
registros; tras aplicar criterios de inclusi
´
on y exclusi
´
on, se eliminaron 58 registros y los 69 restantes se
analizaron con Bibliometrix y VOSviewer. Se generaron gr
´
aĄcos de evoluci
´
on temporal, producci
´
on por
pa
´
ıses, coocurrencia de palabras clave y an
´
alisis tem
´
atico. Las publicaciones presentan una alta tasa de
crecimiento anual (42,86%), con China e India como principales contribuyentes. El an
´
alisis revel
´
o l
´
ıneas
emergentes en fertilizaci
´
on, biorremediaci
´
on y monitoreo inteligente, as
´
ı como vac
´
ıos en toxicolog
´
ıa
alimentaria, validaci
´
on de insumos, capacitaci
´
on rural con IA y uso de interfaces conversacionales como
ChatGPT para una agricultura sostenible. Estos hallazgos constituyen una base estrat
´
egica para orientar
futuras investigaciones interdisciplinarias en el campo agroambiental.
Palabras clave: inteligencia artiĄcial, metales pesados, agricultura, an
´
alisis bibliom
´
etrico.
Artificial Intelligence in the Study o f Heavy Metals i n Agriculture: A
Bibliometric Study
Abstract. This bibliometric study evaluated the scientiĄc output on the use of artiĄcial intelligence
(AI) in the study of heavy metals in agriculture, aiming to identify research gaps and emerging trends. A
search in Scopus retrieved 127 records; after applying inclusion and exclusion criteria, 58 were discarded
and the remaining 69 were analyzed using Bibliometrix and VOSviewer. Graphs were generated to
illustrate te mporal evolution, country-level production, keyword co-occurrence, and thematic mapping.
The publications show a high annual growth rate (42.86%), with China and India as leading contributors.
The analysis revealed emerging research lines in fertilization, bioremediation, and intelligent monitoring,
as well as gaps in food toxicology, input validation, rural training with AI, and the use of conversational
interfaces such as ChatGPT for sustainable agriculture. These Ąndings provide a strategic foundation
to guide future interdisciplinary research in the agro-environmental Ąeld.
Keywords: artiĄcial intelligence, heavy metals, agriculture, bibliometric analysis.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
39
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
I. INTRODUCCI
Â
ON
La contaminaci
´
on por metales pesados en suelos agr
´
ıcolas representa uno de los desaf
´
ıos ambientales
m
´
as cr
´
ıticos del siglo XXI, amenazando tanto la productividad agr
´
ıcola como la seguridad alimentaria a
nivel global. La presencia y acumulaci
´
on de metales pesados y metaloides en suelos agr
´
ıcolas, derivada
de m
´
ultiples fuentes antropog
´
enicas y naturales, afecta signiĄcativamente la fertilidad del suelo, la
microbiota ed
´
aĄca y, en
´
ultima instancia, la salud humana [
1]. Diversas investigaciones han precisado
que metales pesados como cadmio, plomo, ars
´
enico, mercurio y cromo alteran la Ąsiolog
´
ıa vegetal,
reduciendo el rendimiento de los cultivos y la calidad nutricional de los alimentos [
2]. Esta problem
´
atica
se ha vuelto cr
´
ıtica debido al crecimiento poblacional y a la intensiĄcaci
´
on agr
´
ıcola, por lo que la
investigaci
´
on cient
´
ıĄca busca soluciones eĄcientes para el monitoreo, detecci
´
on y remediaci
´
on de estos
contaminantes.
Ante esta problem
´
atica, la inteligencia artiĄcial (IA) se ha constituido como una herramienta trans-
formadora en el sector agr
´
ıcola, mediante el cambio de sistemas tradicionales por sistemas de precisi
´
on
[
1]. Se ha observado que la integraci
´
on de sensores avanzados, tecnolog
´
ıas de teledetecci
´
on y modelos
de aprendizaje autom
´
atico (machine learning) y aprendizaje profundo (deep learning) ha permitido el
desarrollo de sistemas inteligentes capaces de monitorear, predecir y optimizar diversos procesos pro-
ductivos [
3]. Eze et al. [1] mostraron c
´
omo la uni
´
on de IA e Internet de las Cosas (IoT) en agricultura
de precisi
´
on ha mejorado signiĄcativamente la clasiĄcaci
´
on de cultivos y la toma de decisiones basadas
en datos.
Las aplicaciones espec
´
ıĄcas de IA en el contexto de metales pesados en agricultura han mostrado
un potencial extraordinario para abordar las limitaciones de los m
´
etodos convencionales de detecci
´
on
y remediaci
´
on. Zhang et al. [
2] demostraron que los algoritmos de aprendizaje autom
´
atico para la
identiĄcaci
´
on de fuentes de contaminaci
´
on y predicci
´
on espac ial de metales pesados en suelos lograron
una precisi
´
on mayor al 85% en la clasiĄcaci
´
on de
´
areas contaminadas. Por su parte, Shi et al. [3] desar-
rollaron modelos predictivos basados en machine learning para optimizar procesos de Ątorremediaci
´
on,
identiĄcando las especies vegetales m
´
as eĄcientes para la extracci
´
on de contaminantes espec
´
ıĄcos bajo
diferentes condiciones edafoclim
´
aticas.
Las investigaciones muestran una importante diversiĄcaci
´
on en las aplicaciones de IA para la agricul-
tura, que incluyen redes neuronales artiĄciales, visi
´
on computarizada, rob
´
otica, aprendizaje autom
´
atico,
Internet de las Cosas, redes neuronales convolucionales, aprendizaje profundo y algoritmos gen
´
eticos
[
4]; muchas de ellas aplicables a los problemas de contaminaci
´
on por metales pesados en dicha ac-
tividad. Sin embargo, el r
´
apido incremento de investigaciones en este campo ha generado un corpus
cient
´
ıĄco fragmentado y heterog
´
eneo, donde m
´
ultiples metodolog
´
ıas y aplicaciones diĄcultan la s
´
ıntesis
integral del conocimiento. Esta diversidad, aunque enriquecedora, plantea desaf
´
ıos para identiĄcar las
tendencias de investigaci
´
on.
Basado en la informaci
´
on anterior, este trabajo tuvo como objetivo evaluar, a nivel bibliom
´
etrico,
la producci
´
on cient
´
ıĄca sobre el uso de la inteligencia artiĄcial para estudiar los metales pesados en
la agricultura, a Ąn de identiĄcar vac
´
ıos y tendencias en las l
´
ıneas que podr
´
ıan servir para futuras
investigaciones. Con dicho Ąn, se realiz
´
o este estudio bibliom
´
etrico en base a los datos recolectados de
Scopus, una de las principales bases de datos cient
´
ıĄcas mundiales. De esta manera, este art
´
ıculo se ha
organizado en secciones: en la primera se detalla el problema acerca del uso de la inteligencia artiĄcial
en el estudio de la contaminaci
´
on por metales pesados en la agricultura; en la segunda, se ampl
´
ıa la
teor
´
ıa; en la tercera, se detalla el m
´
etodo seguido Ůel cual emple
´
o paquetes bibliom
´
etricosŮ; y, por
´
ultimo, se exponen los resultados y las conclusiones a las que se ha arribado.
II. DESARROLLO
La contaminaci
´
on por metales pesados representa una amenaza para la salud ambiental y alimentaria
a nivel global. La evidencia de tal problema se observa en China, el principal productor agr
´
ıcola del
mundo, donde se ha reportado que los suelos agr
´
ıcolas superan los l
´
ımites m
´
aximos permisibles para
varios metales pesados, entre ellos: zinc (0,9%), cobre (2,1%), ars
´
enico (2,7%), n
´
ıquel (4,8%) y,
especialmente, cadmio con un preocupante 7,0% [
3]. Esta problem
´
atica afecta tambi
´
en a otras regiones
productoras del Asia, donde la acumulaci
´
on de metales pesados en suelos agr
´
ıcolas pone en riesgo la
seguridad alimentaria de millones de personas [
5]. Ante esto, la inteligencia artiĄcial (IA) emerge como
una potencial herramienta que podr
´
ıa ayudar a mejorar el monitoreo, la predicci
´
on y la remediaci
´
on de
la contaminaci
´
on p or metales pesados en la agricultura.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
40
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
En el campo agr
´
ıcola, la IA se aplica mediante metodolog
´
ıas que van desde algoritmos b
´
asicos
de clasiĄcaci
´
on y regresi
´
on hasta modelos avanzados como redes neuronales profundas y aprendizaje
reforzado [
6]. Estas t
´
ecnicas permiten analizar grandes vol
´
umenes de datos provenientes de sensores,
im
´
agenes satelitales y registros hist
´
oricos, facilitando la detecci
´
on de patrones de contaminaci
´
on y la
predicci
´
on de zonas de riesgo. Por ejemplo, el uso combinado de sensores IoT y aprendizaje autom
´
atico
ha demostrado ser eĄcaz para optimizar el uso de recursos y mejorar la resiliencia de los cultivos
frente a condiciones adversas, incluyendo la presencia de contaminantes [1]. Adem
´
as, enfoques como
el aprendizaje supervisado y los
´
arboles de decisi
´
on han sido utilizados para estimar concentraciones de
metales en suelos a partir de variables clim
´
aticas, geol
´
ogicas y socioecon
´
omicas [
7].
Diversos estudios han comenzado a explorar la aplicaci
´
on espec
´
ıĄca de la IA en el an
´
alisis de metales
pesados en contextos agr
´
ıcolas. Shi et al. [
3] desarrollaron modelos de aprendizaje autom
´
atico para
simular procesos de Ątorremediaci
´
on, evaluando la capacidad de ciertas especies vegetales para absorber
y estabilizar metales t
´
oxicos en suelos contaminados. Estos modelos permiten optimizar la selecci
´
on de
cultivos remediadores y predecir su eĄciencia en funci
´
on de las condiciones del terreno. Por otro lado,
investigaciones como la de Neme [8] han empleado t
´
ecnicas instrumentales como la espectrometr
´
ıa
de masas con plasma acoplado inductivamente (ICP-MS) para detectar metales en pesticidas, lo que
abre la posibilidad de integrar IA en la validaci
´
on automatizada de insumos agr
´
ıcolas. Asimismo, el
uso de algoritmos como los
´
arboles extremadamente aleatorizados ha permitido generar mapas globales
de contaminaci
´
on, identiĄcando zonas cr
´
ıticas con alta precisi
´
on [
2]. Estas experiencias evidencian el
potencial de la IA no solo para el diagn
´
ostico, sino tambi
´
en para la toma de decisiones estrat
´
egicas en
la gesti
´
on ambiental agr
´
ıcola.
En este contexto, la IA no solo se presenta como una herramienta t
´
ecnica, sino tambi
´
en como un
catalizador de transformaci
´
on en la cadena agroalimentaria. Su integraci
´
on en procesos de monitoreo,
an
´
alisis y remediaci
´
on puede contribuir signiĄcativamente a mitigar los efectos de la contaminaci
´
on
por metales pesados, mejorar la sostenibilidad de los sistemas agr
´
ıcolas y proteger la salud p
´
ublica.
Adem
´
as, el desarrollo de modelos generativos y plataformas conversacionales como ChatGPT abre
nuevas posibilidades para la automatizaci
´
on de tareas, la capacitaci
´
on de agricultores y la difusi
´
on de
buenas pr
´
acticas. La consolidaci
´
on de estas tecnolog
´
ıas, respaldada por evidencia cient
´
ıĄca, permite
vislumbrar un futuro en el que la inteligencia artiĄcial se convierta en un aliado estrat
´
egico para enfrentar
los desaf
´
ıos ambientales m
´
as urgentes del sector agr
´
ıcola.
III. METODOLOG
Â
IA
En este trabajo se usaron los registros documentarios obtenidos mediante una b
´
usqueda bibliogr
´
aĄca
en la base de datos Scopus, utilizando como cadena de consulta:
TITLE-ABS-KEY ( "heavy metals" OR "metal contamination" ) AND TITLE-ABS-KEY
( "agriculture" OR "agronomy" ) AND TITLE-ABS-KEY ( "artificial intelligence"
OR "AI" OR "machine learning" OR "natural language processing" )
Se descarg
´
o un archivo en formato .csv (valores separados por comas) que conten
´
ıa 127 registros.
Este archivo fue importado en OpenOffice Calc versi
´
on 4.1.15 y posteriormente se veriĄc
´
o su pertinencia
para ser incluido en el estudio, basado en los siguientes criterios de inclusi
´
on y exclusi
´
on:
Criterios de inclusi´on:
1. Investigaciones que traten sobre la aplicaci
´
on de la inteligencia artiĄcial, en sus diversas variantes
como aprendizaje autom
´
atico, aprendizaje profundo y procesamiento natural del lenguaje, en la
detecci
´
on, remo ci
´
on o remediaci
´
on de metales pesados.
2. Investigaciones que expl
´
ıcitamente aborden la tem
´
atica de los metales pesados en relaci
´
on con
la agricultura.
Criterios de exclusi´on:
1. Documentos que, a pesar de tratar sobre metales pesados en la agricultura, no incluyan tec-
nolog
´
ıas de inteligencia artiĄcial.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
41
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
2. Documentos en los que el t
´
ermino ŞAIŤ represente otros conceptos no relacionados con inteligen-
cia artiĄcial (por ejemplo, irrigaci
´
on asistida).
La revisi
´
on de los registros se realiz
´
o de manera manual por dos de los investigadores para evitar
sesgos en la selecci
´
on. De esta manera, 58 registros fueron excluidos por no tratar sobre la aplicaci
´
on de
IA o por abordar tem
´
aticas no vinculadas con la agricultura, tales como salud humana o contaminaci
´
on
urbana. El archivo .csv con los 69 registros seleccionados constituy
´
o el corpus analizado con el software
Bibliometrix versi
´
on 5.0.0.
A partir de las palabras clave de los documentos, se generaron dos archivos de texto: el primero
conten
´
ıa 23 palabras clave normalizadas, y el segundo excluy
´
o una palabra irrelevante (article). Con
Bibliometrix se obtuvieron las caracter
´
ısticas principales de los documentos, la evoluci
´
on temp oral de
publicaciones, la producci
´
on cient
´
ıĄca por pa
´
ıses y el mapa tem
´
atico Ůen este
´
ultimo caso, se conĄgur
´
o
la frecuencia m
´
ınima de cl
´
uster p or cada 1000 documentos igual a 2.
El archivo .csv tambi
´
en fue importado en VOSviewer, donde se emple
´
o un archivo de tesauro
para estandarizar las mismas 23 palabras clave y eliminar la palabra article, como se hizo en el caso de
Bibliometrix. Con VOSviewer se gener
´
o una red de co-ocurrencia basada en las palabras clave totales
(tanto del autor como de la base de datos de indexaci
´
on).
IV. RESULTADOS
Como se aprecia en la Figura
1, generada en Bibliometrix, el corpus analizado fue reducido, con
un total de 69 publicaciones, lo cual indica que se trata de un
´
area de investigaci
´
on emergente. Este
hecho se conĄrma al observar que el periodo cubierto es relativamente reciente, extendi
´
endose de 2019
a 2025, y en particular porque la tasa de crecimiento anual de publicaciones es muy alta (42,86%),
un indicador t
´
ıpico de campos cient
´
ıĄcos con alto impacto global, como es el caso de la inteligencia
artiĄcial. Una tasa similar fue reportada p or Espina-Romero et al. [
9], al evaluar las tendencias de la
IA en el sector industrial.
Se observ
´
o adem
´
as que la mayor
´
ıa de las publicaciones se han realizado en coautor
´
ıa (5,78 autores
por docum ento) y se encuentran dispersas en un n
´
umero considerable de revistas (45), lo que evidencia
que la tem
´
atica se est
´
a ab ordando desde una perspectiva multidisciplinaria.
El incremento sostenido de publicaciones a partir de 2018 y su acentuaci
´
on desde 2022 parecen
correlacionarse con algunos hitos relevantes en la historia reciente de la inteligencia artiĄcial. Entre
ellos, el incremento de t
´
ecnicas basadas en aprendizaje autom
´
atico (machine learning) aplicadas a la
agricultura, registrado entre 2015 y 2018, incluyendo el aprendizaje profundo (deep learning), las redes
neuronales convolucionales (Convolutional Neural Network, CNN) y las redes neuronales recurrentes
(Recurrent Neural Network, RNN) [
6]. Asimismo, el lanzamiento en noviembre de 2022 del agente de
inteligencia artiĄcial generativa ChatGPT contribuy
´
o signiĄcativamente a la p opularizaci
´
on de la IA en
m
´
ultiples dominios del conocimiento [10].
A partir de los datos obtenidos en la revisi
´
on, se observ
´
o que los pa
´
ıses con mayor producci
´
on
cient
´
ıĄca relacionada con la aplicaci
´
on de la inteligencia artiĄcial al estudio de los metales pesados
en agricultura son China (243 participaciones en publicaciones), India (61) y Estados Unidos (15), tal
como se muestra en la Figura
2. Este predominio puede explicarse por el hecho de que estos tres pa
´
ıses
se encuentran entre las seis naciones con mayor producci
´
on cient
´
ıĄca a nivel mundial [
11].
La diferencia en volumen entre China e India frente a Estados Unidos se atribuye, en parte, a que
la actividad agr
´
ıcola constituye un sector econ
´
omico fundamental en ambos pa
´
ıses, los cuales ocupan
los dos primeros lugares en la producci
´
on mundial de arroz. Sin embargo, los suelos utilizados para
el cultivo de este cereal presentan altos niveles de contaminaci
´
on por cadmio [
5], lo que, sumado a
su alto desarrollo en inteligencia artiĄcial, ha impulsado una signiĄcativa producci
´
on cient
´
ıĄca en esta
tem
´
atica. Por su parte, Estados Unidos, aunque es una potencia agr
´
ıcola en cultivos como el ma
´
ız y la
soya, presenta campos con menor impacto por metales pesados [
12], lo que justiĄcar
´
ıa su menor inter
´
es
en investigar este problema espec
´
ıĄco.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
42
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
Fig. 1. Caracter
Â
ısticas de los documentos y evoluci
Â
on de su n
Â
umero en el tiempo.
Por otro lado, resulta alentador que en regiones en v
´
ıas de desarrollo tambi
´
en se hayan reportado
estudios que emplean la inteligencia artiĄcial para abordar la problem
´
atica de los metales pesados en la
agricultura. En particular, en Latinoam
´
erica, Per
´
u destaca como el pa
´
ıs con mayor producci
´
on cient
´
ıĄca
en esta tem
´
atica, lo cual se explica por su relevancia en la exportaci
´
on de productos agr
´
ıcolas Ůcomo
los ar
´
andanosŮ [
13], as
´
ı como por la creciente preocupaci
´
on nacional por la contaminaci
´
on de suelos
agr
´
ıcolas p or metales pesados [14].
Fig. 2. Producci
Â
on cient
Â
ıfica a nivel mundial.
En base a esta panor
´
amica mundial, se inĄere que los pa
´
ıses con los cuales los grupos de investigaci
´
on
deber
´
ıan establecer v
´
ınculos de cooperaci
´
on internacional son China, India y, en menor medida, Estados
Unidos. Estos pa
´
ıses concentran una alta producci
´
on cient
´
ıĄca en el campo de la inteligencia artiĄcial
aplicada a la agricultura y al estudio de los metales pesados, lo que los convierte en socios estrat
´
egicos
para el fortalecimiento de capacidades investigativas.
Paralelamente, se observa que las regiones m
´
as afectadas por la contaminaci
´
on de suelos agr
´
ıcolas
con metales pesados ŮLatinoam
´
erica, Asia y
´
AfricaŮ presentan un desarrollo tecnol
´
ogico limitado
en inteligencia artiĄcial. Esta brecha sugiere la necesidad de fomentar colaboraciones orientadas a
la transferencia de conocimiento, el desarrollo de soluciones adaptadas a las condiciones locales y la
inclusi
´
on en redes cient
´
ıĄcas internacionales. La asociaci
´
on entre pa
´
ıses con alta capacidad tecnol
´
ogica
y regiones con alto riesgo ambiental permitir
´
ıa avanzar hacia una gesti
´
on m
´
as equitativa y eĄciente de
los riesgos asociados a la presencia de metales pesados en la agricultura, promoviendo adem
´
as soluciones
interdisciplinarias que integren inteligencia artiĄcial, an
´
alisis instrumental y estrategias de restauraci
´
on
ambiental.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
43
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
La Figura 3 muestra la transici
´
on temporal de las palabras clave empleadas en los estudios sobre
inteligencia artiĄcial aplicada al an
´
alisis de metales pesados en agricultura. Los t
´
erminos en azul
oscuro, tales como agricultura, suelo agr
´
ıcola, inteligencia artiĄcial, metal pesado, robots agr
´
ıcolas,
aprendizaje profundo y bioacumulaci
´
on, representan los aspectos m
´
as consolidados de la tem
´
atica, los
cuales fueron estudiados principalmente entre 2022 y 2023. Estas investigaciones se centraron en el uso
de algoritmos supervisados Ůcomo los
´
arboles de decisi
´
on y los bosques aleatoriosŮ para modelar la
presencia y acumulaci
´
on de contaminantes en suelos agr
´
ıcolas.
El empleo de tecnolog
´
ıas tradicionales de inteligencia artiĄcial, como los algoritmos supervisados,
concuerda con lo se
˜
nalado por Kamilaris y Prenafeta-Bold
´
u [
6], quienes reportaron un auge en el uso
de t
´
ecnicas de aprendizaje autom
´
atico aplicadas a la agricultura entre los a
˜
nos 2015 y 2018.
Fig. 3. Redes de palabras claves en el tiempo.
Por otra parte, los c
´
ırculos en tonos verdes que incluyeron t
´
erminos como cadmio, plomo, cobre, zinc,
contaminaci
´
on del suelo, China, pH, r
´
ıo y m
´
aquina de vectores de soporte, reĆejan la incorporaci
´
on
de nuevas t
´
ecnicas de inteligencia artiĄcial para el estudio de xenobi
´
oticos con alta incidencia en la
salud humana (cadmio y plomo), as
´
ı como de otros elementos que, sin ser xenobi
´
oticos, pueden generar
efectos adversos cuando se presentan en concentraciones elevadas (cobre y zinc).
La prevalencia del t
´
ermino China indica que las investigaciones en ese pa
´
ıs se intensiĄcaron entre
inicios y mediados de 2023, centr
´
andose en aspectos Ąsicoqu
´
ımicos del agua Ůcomo el pHŮ utilizada
en los cultivos, la cual proviene en gran parte de fuentes Ćuviales.
Por
´
ultimo, los c
´
ırculos en tonos amarillos con t
´
erminos como fertilizante, mercurio, biorremediaci
´
on
e ICP-MS representan l
´
ıneas emergentes orientadas a la restauraci
´
on ambiental y al control de la con-
taminaci
´
on por metales pesados originada por fertilizantes. En particular, se destaca la contaminaci
´
on
por mercurio y el uso de an
´
alisis instrumental avanzado (ICP-MS). Las tendencias actuales apuntan al
uso de la inteligencia artiĄcial para optimizar la aplicaci
´
on de fertilizantes [
4, 15], reduciendo la incor-
poraci
´
on de metales pesados presentes en ellos, y al fortalecimiento de t
´
ecnicas instrumentales como
la espectrometr
´
ıa de masas por plasma, que pasa de ser una herramienta meramente anal
´
ıtica a un
sistema automatizado y predictivo, como lo se
˜
nala Neme [8].
El an
´
alisis realizado evidencia una tendencia hacia estudios centrados en la prevenci
´
on de la contam-
inaci
´
on y en la aplicaci
´
on de t
´
ecnicas de biorremediaci
´
on, as
´
ı como en el uso de la inteligencia artiĄcial
como complemento de las metodolog
´
ıas tradicionales para la evaluaci
´
on de metales pesados. Estas
l
´
ıneas de investigaci
´
on, p or su car
´
acter innovador, pueden orientar a futuros investigadores interesados
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
44
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
en e sta tem
´
atica. Se recomienda abordar el tema desde una perspectiva interdisciplinaria que combine
el monitoreo instrumental de alta precisi
´
on con algoritmos de aprendizaje autom
´
atico, integrando vari-
ables ed
´
aĄcas, productivas y toxicol
´
ogicas. Esta convergencia permitir
´
a avanzar hacia una agricultura
m
´
as segura, sostenible y tecnol
´
ogicamente fortalecida, en la que la detecci
´
on de metales pesados sea
m
´
as eĄciente, predictiva y preventiva.
El mapa tem
´
atico mostrado en la Figura
4 revela que los temas motores presentan una convergencia
entre metodolog
´
ıas avanzadas Ůcomo el aprendizaje profundoŮ y aplicaciones pr
´
acticas en cultivo y
fertilizaci
´
on. Esta tendencia coincide con lo reportado por Gupta y Kumar [16], quienes demostraron
que el aprendizaje profundo permite optimizar la fertilizaci
´
on y detectar contaminantes como el plomo
en suelos agr
´
ıcolas.
Entre los temas b
´
asicos se encuentran aquellos que constituyen los pilares del campo de estudio,
tales como qu
´
ımica, inteligencia artiĄcial, metal pesado y contaminaci
´
on del suelo. En los temas nicho
Ąguran t
´
ecnicas como distribuci
´
on espacial y an
´
alisis de componentes principales, las cuales, seg
´
un Eze
et al. [
1], son esenciales para mapear zonas de riesgo y optimizar la biorremediaci
´
on. Finalmente, entre
los temas emergentes o en declive se ubican agricultura de precisi
´
on, estr
´
es abi
´
otico, residuos agr
´
ıcolas
y rob ots agr
´
ıcolas.
Estos
´
ultimos se explican porque una agricultura de precisi
´
on requiere del monitoreo constante de los
par
´
ametros del suelo, el cual se logra mediante sensores integrados a sistemas del Internet de las Cosas
(IoT) y la inteligencia artiĄcial, posibilitando el control de metales pesados y la toma de decisiones
en tiempo real. Asimismo, se observa una orientaci
´
on hacia la biorremediaci
´
on basada en residuos
agr
´
ıcolas, en concordancia con la tendencia actual hacia una econom
´
ıa circular que otorga valor a los
desechos como insumos
´
utiles para la restauraci
´
on ambiental.
Fig. 4. Mapa tem
Â
atico donde se destaca la evoluci
Â
on de la investigaci
Â
on en el tema, las
tendencias actuales y posibles l
Â
ıneas futuras.
El mapa tem
´
atico evidencia una estructura en transici
´
on, donde los temas motores articulan metodo-
log
´
ıas avanzadas como el aprendizaje profundo con aplicaciones agron
´
omicas concretas. Los temas
b
´
asicos consolidan el marco conceptual relacionado con la inteligencia artiĄcial y uno de sus principales
enfoques, el aprendizaje autom
´
atico; mientras que los nichos aportan herramientas anal
´
ıticas clave
para la caracterizaci
´
on espacial de la contaminaci
´
on, como la teledetecci
´
on y las t
´
ecnicas estad
´
ısticas
aplicadas.
Los temas emergentes, orientados a la restauraci
´
on ambiental, la agricultura de precisi
´
on y la
econom
´
ıa circular, reĆejan una evoluci
´
on hacia enfo ques m
´
as sostenibles. Este panorama evidencia una
tendencia por la cual la inteligencia artiĄcial est
´
a dejando de ser una herramienta auxiliar para convertirse
en un eje estrat
´
egico dentro de la gesti
´
on predictiva y preventiva de suelos agr
´
ıcolas contaminados.
Finalmente, la revisi
´
on bibliom
´
etrica permiti
´
o identiĄcar nuevas l
´
ıneas de investigaci
´
on centradas
en la optimizaci
´
on de la fertilizaci
´
on, la biorremediaci
´
on y el monitoreo inteligente de suelos contamina-
dos. Estos hallazgos muestran que la integraci
´
on de herramientas de inteligencia artiĄcial con t
´
ecnicas
anal
´
ıticas avanzadas puede fomentar una agricultura m
´
as segura, sostenible y tecnol
´
ogicamente for-
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
45
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
talecida, contribuyendo a la mitigaci
´
on y prevenci
´
on de la presencia de metales pesados en sistemas
agr
´
ıcolas.
El an
´
alisis bibliom
´
etrico tambi
´
en revel
´
o vac
´
ıos signiĄcativos en la aplicaci
´
on de la inteligencia artiĄ-
cial al estudio de metales pesados en agricultura. A pesar de los avances en los modelos de predicci
´
on
y Ątorremediaci
´
on [
3], se observa una limitada integraci
´
on de la inteligencia artiĄcial en la evaluaci
´
on
toxicol
´
ogica de los alimentos agr
´
ıcolas, en la veriĄcaci
´
on automatizada de insumos y en el dise
˜
no de
sistemas de alerta temprana.
Asimismo, existe poca investigaci
´
on sobre el impacto de las interfaces conversacionales Ůcomo
ChatGPTŮ en los procesos de capacitaci
´
on rural y gesti
´
on ambiental, aunque, seg
´
un Siche y Siche
[
15], estas herramientas poseen un alto potencial para dichos Ąnes. Estos vac
´
ıos abren la posibilidad
de proponer investigaciones interdisciplinarias orientadas a explorar el uso de la inteligencia artiĄcial en
el estudio de los metales pesados en la agricultura, as
´
ı como su impacto en la salud p
´
ublica, el cuidado
ambiental y la sostenibilidad de los cultivos.
CONCLUSIONES
A partir de los datos obtenidos en el estudio se evidenci
´
o que la investigaci
´
on sobre inteligencia artiĄcial
aplicada al estudio de metales pesados en la agricultura se encuentra en expansi
´
on, impulsada por la
creciente preocupaci
´
on mundial por prevenir o mitigar la contaminaci
´
on de los suelos agr
´
ıcolas. Desde el
punto de vista tem
´
atico, se identiĄc
´
o una tendencia hacia el uso de algoritmos de aprendizaje profundo,
la automatizaci
´
on instrumental y las estrategias de biorremediaci
´
on, que proporcionan herramientas
cada vez m
´
as p otentes para mejorar las capacidades de diagn
´
ostico y restauraci
´
on ambiental.
Las l
´
ıneas de investigaci
´
on emergentes incluyen el empleo de t
´
ecnicas multivariadas, sensores in-
teligentes y modelos basados en econom
´
ıa circular aplicados a la gesti
´
on agr
´
ıcola. Sin embargo, a
´
un
persisten vac
´
ıos en la integraci
´
on de variables productivas, toxicol
´
ogicas y espaciales, as
´
ı como en la
adaptaci
´
on de los modelos a contextos locales y espec
´
ıĄcos.
Asimismo, se identiĄcaron oportunidades en el desarrollo de pr
´
acticas de fertilizaci
´
on optimizada,
monitoreo inteligente y programas de capacitaci
´
on rural mediados p or interfaces conversacionales. Es-
tas l
´
ıneas representan un campo f
´
ertil para la investigaci
´
on interdisciplinaria, que busca fortalecer la
sostenibilidad agr
´
ıcola mediante el uso
´
etico, eĄciente y estrat
´
egico de la inteligencia artiĄcial.
REFERENCIAS
[1] V. H. U. Eze et al., ŞIntegrating iot sensors and machine learning for sustainable preci-
sion agroecology: enhancing crop resilience and resource efficiency through data-driven
strategies, challenges, and future prospects,Ť Discover Agriculture, vol. 3, no. 1, p. 83,
May 2025.
[2] H. Zhang, Y. Liu, Y. Wang, Y. Li, and Y. Chen, ŞMachine learning-based source identiĄ-
cation and spatial prediction of heavy metals in soil in a rapid urbanization area, eastern
china,Ť Journal of Cleaner Production, vol. 273, p. 122858, Nov 2020.
[3] L. Shi et al., ŞModeling phytoremediation of heavy metal contaminated soils through
machine learning,Ť Journal of Hazardous Materials, vol. 441, p. 129904, Jan 2023.
[4] R. Cavalcante and R. D. De Souza, ŞArtiĄcial intelligence in agriculture: BeneĄts, chal-
lenges, and trends,Ť Applied Sciences, vol. 13, no. 13, p. 7405, Jun 2023.
[5] Y. Gao, Z. Duan, L. Zhang, D. Sun, and X. Li, ŞThe status and research progress of
cadmium pollution in rice- (oryza sativa l.) and whe at- (triticum aestivum l.) cropping
systems in china: a critical review,Ť Toxics, vol. 10, no. 12, p. 794, Dec 2022.
[6] A. Kamilaris and F. X. Prenafeta-Bold
´
u, ŞDeep learning in agriculture: A survey,Ť Com-
puters and Electronics in Agriculture, vol. 147, pp. 70Ű90, Apr 2018.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
46
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
[7] Q.-Q. Peng et al., ŞBridging the gap: Limitations of machine learning in real-world pre-
diction of heavy metal accumulation in rice in hunan province,Ť Agronomy, vol. 15, no. 6,
p. 1478, Jun 2025.
[8] S. Neme, ŞDetecci
´
on de metales pesados en pesticidas por icp-ms,Ť Tesis de Qu
´
ımico,
PontiĄcia Universidad Cat
´
olica del Per
´
u, Lima, Per
´
u, 2025.
[9] L. Espina-Romero et al., ŞWhich industrial sectors are affected by artiĄcial intelligence? a
bibliometric analysis of trends and perspectives,Ť Sustainability, vol. 15, no. 16, p. 12176,
Aug 2023.
[10] C. Krupitzer, ŞGenerative artiĄcial intelligence in the agri-food value c hain: overview,
potential, and research challenges,Ť Frontiers in Food Science and Technology, vol. 4, p.
1473357, Sep 2024.
[11] E. A. Oliveira et al., ŞGlobal scientiĄc production in the pre-covid-19 era: An analysis of
53 countries for 22 years,Ť Anais da Academia Brasileira de Ci
ˆ
encias, vol. 94, no. suppl
3, p. e20201428, Dec 2022.
[12] K. Chinnannan, P. Somagattu, H. Yammanuru, U. K. Reddy, and P. Nimmakayala,
ŞHealth risk asse ssment of heavy metals in soil and vegetables from major agricultural
sites of ohio and west virginia,Ť Biocatalysis and Agricultural Biotechnology, vol. 57, p.
103108, Apr 2024.
[13] J. A. Ram
´
ırez, D. L. Mendoza, and E. J. Asnate, ŞCompetitividad de la industria agroex-
portadora del ar
´
andano en el per
´
u, 2015Ű2019,Ť Revista Alfa, vol. 8, no. 22, pp. 256Ű272,
Jan 2024.
[14] M. Mamani et al., ŞContenido de metales pesados en los peces en el per
´
u: una revisi
´
on
sist
´
emica,Ť Revista de Investigaciones Interdisciplinarias en Ciencias y Recursos Naturales,
vol. 12, no. 1, pp. 131Ű141, Apr 2025.
[15] R. Siche and N. Siche, ŞEl modelo de lenguaje basado en inteligencia artiĄcial sensible
Ű chatgpt: An
´
alisis bibliom
´
etrico y posibles usos en la agricultura y pecuaria,Ť Scientia
Agropecuaria, vol. 14, no. 1, pp. 111Ű116, Mar 2023.
[16] G. Gupta and S. Kumar, ŞApplications of ai in precision agriculture,Ť Discover Agriculture,
vol. 3, no. 1, p. 61, Apr 2025.
AUTORES
Ing. Qu´ımico Samuel Pacheco March´an. Maestro en Ingenier
´
ıa Ambi-
ental y Doctorando en Ciencias Ambientales. Profesor en la Facultad de
Ciencias Agrarias de la Universidad Nacional de Tumbes (UNTUMBES).
Investiga problemas ambientales por metales pesados en el r
´
ıo Tumbes.
Dr. Luis Bermejo Requena. Ingeniero Agr
´
onomo, Maestro en Ciencias
con menci
´
on en Desarrollo Rural y Doctor en Ciencias Agrarias. Profesor
Principal, investiga en Ciencias Agrarias. Creador de la L
´
ınea de Investi-
gaci
´
on en Servicios Ecosist
´
emicos de la UNTUMBES..
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
47
ISSN-e: 2697-3650
Per
Â
ıodo: septiembre-diciembre, 2025
Revista Minerva
Vol. 6, N
Â
umero 18. (pp. 39-48)
Ing. Cristhofer Villar Cruz. Ingeniero Industrial Pesquero, Maestrante
en Ciencias con menci
´
on en Gesti
´
on Ambiental. Con experiencia en labo-
ratorio, colabora en investigaciones en microbiolog
´
ıa, biolog
´
ıa molecular y
procesos pesqueros en la UNTUMBES.
Ing. Nicole Vergara-Alfaro. Ingeniera Industrial Pesquera, con estudios
de Maestr
´
ıa en Ciencias con menci
´
on en Gesti
´
on Ambiental. Actualmente,
me desempe
˜
no en la ejecuci
´
on de proyectos de investigaci
´
on en la Univer-
sidad Nacional de Tumbes.
Dr. Alberto Ordinola Zapata. Ingeniero Pesquero, Maestro en Acui-
cultura y Gesti
´
on Ambiental y Do ctor en Ciencias Ambientales. Profesor
Investigador. Dirige el Grupo de Investigaci
´
on de Biodiversidad Acu
´
atica
Tropical de la UNTUMBES.
Pacheco-MarchÂan S. et al. Inteligencia artificial en el estudio de metales pesados en agricultura
48
