SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
REVISTA CIENTÍFICA MULTIDISCIPLINAR SAGA
Artículo de Investigación
Análisis y Predicción de las Emisiones de CO₂ en Bolivia a través de Redes
Neuronales Artificiales
Analysis and Prediction of CO₂ Emissions in Bolivia Through Artificial Neural Networks
1
Investigador Independiente, La Paz, Bolivia
INFORMACIÓN DEL
ARTÍCULO
Historial del artículo
Recibido: 10/03/2025
Aceptado: 14/04/2025
Publicado: 18/04/2025
Palabras clave:
cambio climático,
emisiones de CO₂,
modelos de series
temporales, predicción
ambiental, redes
neuronales artificiales
ARTICLE INFO
Article history:
Received: 03/10/2025
Accepted: 04/14/2025
Published: 04/18/2025
Keywords:
climate change, CO₂
emissions, time series
models, environmental
prediction, artificial
neural networks
INFORMAÇÕES DO
ARTIGO
Histórico do artigo:
Recebido: 10/03/2025
Aceito: 14/04/2025
Publicado: 18/04/2025
Palavras-chave:
mudanças climáticas,
emissões de CO₂,
RESUMEN
El presente estudio investigó la evolución y predicción de las emisiones de dióxido de
carbono (CO₂) en Bolivia como un problema ambiental de creciente importancia en el
contexto del cambio climático. Se emplearon registros anuales comprendidos entre los
años 2000 y 2024 que incluyen variables de impacto ambiental, energéticas, productivas y
poblacionales. Se aplicaron tres modelosde predicción: regresión lineal, ARIMAy redes
neuronales artificiales (RNA), siendo este último el que presentó mejor desempeño, con
un coeficiente de determinación (R²) de 0.9391,error cuadrático medio (RMSE) de 0.3868
y error absoluto medio (MAE) de 0.3294. La red neuronal fue entrenada en RStudio
mediante la técnica de retropropagación y mostró una alta sensibilidad a variables
asociadas a la pérdida de cobertura forestal por incendios, consumo de gas licuado y el
producto interno bruto del sector industrial manufacturero. La proyección del modelo
indica que las emisiones de CO₂ continuarán aumentando hasta el año 2029, en ausencia
de políticas públicas efectivas de mitigación. Se concluye que la red neuronal es una
herramienta robusta para el análisis multivariable de datos ambientales y sugiere la
necesidad urgente de diseñar estrategias sostenibles que aborden las principales causas
de la contaminación en el país. Estos hallazgos tienen implicancias directas en la
planificación ambiental y energética a nivel nacional, y pueden ser aplicables a contextos
similares en países en vías de desarrollo.
ABSTRACT
This study investigated the evolution and prediction of carbon dioxide (CO₂) emissions in
Bolivia as an environmental issue of growing importance in the context of climate change.
Annual records from 2000 to 2024 were used, including variables related to environmental
impact, energy, production, and population. Three predictive models were applied: linear
regression, ARIMA, and artificial neural networks (ANN), with the latter showing thebest
performance, achieving a coefficient of determination (R²) of 0.9391, a root mean square
error (RMSE) of 0.3868, and a mean absolute error (MAE) of 0.3294. The neural network
was trained in RStudio using the backpropagation technique and demonstrated high
sensitivity to variables associated with forest cover loss due to fires, liquefied gas
consumption, and the gross domestic product of the manufacturing industrial sector. The
model’s projection indicates that CO₂ emissions will continue to rise until 2029, in the
absence of effective public mitigation policies. It is concluded that the neural network is a
robust tool for multivariable analysis of environmental data and underscores the urgent
need to design sustainable strategies that address the main causes of pollution in the
country. These findings have direct implications for national environmental and energy
planning and may be applicable to similar contexts in developing countries.
Rómulo Elías Betancourt Tórrez
1
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
162
modelos de séries
temporais, previsão
ambiental, redes
neurais artificiais
RESUMO
O presente estudo investigou a evolução e a previsão das emissões de dióxido de carbono
(CO₂) na Bolívia como um problema ambiental de crescente importância no contexto das
mudanças climáticas. Foram utilizados registros anuais compreendidos entre os anos de
2000 e 2024, que incluíram variáveis de impacto ambiental, energéticas, produtivas e
populacionais. Aplicaram-se três modelos de previsão: regressão linear, ARIMA e redes
neurais artificiais (RNA), sendo este último o que apresentou o melhor desempenho, com
um coeficiente de determinação (R²) de 0,9391, erro quadrático médio (RMSE) de 0,3868
e erro absoluto médio (MAE) de 0,3294. A rede neural foi treinada no RStudio utilizando a
técnica de retropropagação e demonstrou alta sensibilidade a variáveis associadas à perda
de cobertura florestal por incêndios, consumo de gás liquefeito e o produto interno bruto
do setor industrial manufatureiro. A projeção do modelo indica que as emissões de CO₂
continuarão aumentando até o ano de 2029, na ausência de políticas públicas eficazes de
mitigação. Conclui-se que a rede neural é uma ferramenta robusta para a análise
multivariada de dados ambientais e sugere a necessidade urgente de desenvolver
estratégias sustentáveis que abordem as principais causas da poluição no país. Esses
achados têm implicações diretas no planejamento ambiental e energético em nível
nacional, podendo ser aplicáveis a contextos similares em países em desenvolvimento.
Cómo citar
Betancourt Tórrez, R. E. (2025). Análisis y Predicción de las Emisiones de CO₂ en Bolivia a través de Redes
NeuronalesArtificiales.SAGA:RevistaCientíficaMultidisciplinar,2(2),161-170.
INTRODUCCIÓN
En las últimas décadas, el cambio climático
ha emergido como una de las principales
amenazas ambientales, sociales y económicas a
nivel global. Entre los factores que más
contribuyenalcalentamientoglobalse
encuentran las emisiones de dióxido de carbono
(CO₂), derivadas de la quema de combustibles
fósiles, la deforestación y la actividad industrial.
Bolivia, pese a no ser uno de los países con
mayores emisiones en términos absolutos,
enfrenta un crecimiento progresivo en sus
niveles de CO₂, en un contexto de acelerado
cambio de uso del suelo, expansión urbana y
explotación derecursosnaturales. Este
escenario plantea la necesidad urgente de
comprender y predecir la evolución de las
emisiones, a fin de establecer estrategias de
mitigación y adaptación más efectivas (IPCC,
2021).
El presente estudio tiene como objetivo
analizar y predecir las emisiones de CO₂ en
Bolivia mediante el uso de redes neuronales
artificiales, una técnica moderna y eficiente de
aprendizaje automático que permite modelar
patrones no lineales en series temporales. La
elección de esta metodología responde a la
necesidad de superar las limitaciones de
modelos estadísticos tradicionales y aprovechar
el potencial de las redes neuronales para captar
complejidades en los datos históricos. Así, se
desarrollanmodeloscomputacionalesque
permiten proyectar las emisiones hasta el año
2029, utilizando datos históricos del período
2000–2024.
La relevancia de este trabajo radica en su
contribución a los estudios sobre cambio
climático en países en vías de desarrollo, donde
la información y herramientas de modelado
predictivo suelen ser limitadas. Además, se
alineaconlosObjetivosdeDesarrollo
Sostenible, particularmente con el ODS 13:
Acción por el Clima (Naciones Unidas, 2015).
Identificar tendencias futuras en las emisiones
de CO₂ es esencial para diseñar políticas
públicas basadas en evidencia y orientar la toma
de decisiones hacia un desarrollo más sostenible
y resiliente.
Esta obra está bajo una licencia internacional
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
163
Diversos estudios han explorado el uso de
técnicasdeinteligenciaartificialenla
modelación ambiental. Por ejemplo, Zhang et al.
(2020) aplicaron redes neuronales profundas
para predecir emisiones en China, obteniendo
resultados más precisos que los modelos
ARIMA tradicionales. Enel contexto
latinoamericano, García y Paredes (2019)
utilizaron modelosneuronalesen Perú,
demostrando su eficacia en el análisis
energético y de emisiones. Sin embargo, en
Bolivia, este tipo de enfoques aún es
incipiente, lo que justificala necesidad de
investigaciones orientadas a llenar este vacío.
Se plantea como pregunta de investigación:
¿Es posible predecir con precisión las emisiones
futuras de CO₂ en Bolivia utilizando redes
neuronales artificiales? En función de ello, se
formulalasiguientehipótesis:lasredes
neuronales artificiales permiten modelar y
predecir eficazmente la tendencia futura de las
emisiones de CO₂ en Bolivia a partir de datos
históricos. Para probar esta hipótesis, se ha
diseñado un modelo de red neuronal con
arquitectura multicapa, entrenado con datos
normalizados, y validado mediante técnicas de
predicción y análisis gráfico.
METODOLOGÍA
En el presente estudio, se emplearon series
temporales de datos ambientales,
energéticos, productivas y poblacionales
recopilados entre
los años 2000 y 2024, con el objetivo de analizar
y predecir las emisiones de dióxido de carbono
(CO₂) en Bolivia. Las variables consideradas:
Definiciones Conceptuales y Operacionales de las Variables
Liberación de dióxido de
Mundial (2000–2024).
actividades
humanas,
ambiental
.
gasolina, diésel, keroseno, jet
anuales, con diferenciación por
emisiones del sector ganadero.
Contabilizado en unidades
PIB Industria
Manufacturer
a
Variable Definición Conceptual Definición Operacional
Medidas en megatoneladas
Emisiones de CO₂
carbono a la atmósfera.
anuales según datos del
Banco
Desechos sólidos generados por
Registrados en toneladas anuales
Residuos Sólidos (RR.SS.)
incluyendo residuos domésticos
según reportes de gestión
e industriales.
Consumo de combustiblesUso de derivados del petróleo
Medido en barriles anuales para
fósilescomo fuente energética.
fuel, gas licuado, etc.
Pérdida de coberturaDisminución de áreas boscosas
Cuantificada en hectáreas
forestalpor deforestación o incendios.
causa (humana o incendio).
Número de reses sacrificadas
Ganado bovino faenado
para consumo, influyendo en las
anuales, según registros del INE.
Habitantes que viven en zonasNúmero total de habitantes
Población urbanaurbanas caracterizadas por altaurbanos por año, basado en datos
densidad poblacional. del INE y Banco Mundial.
Valor económico total de laExpresado en millones de Bs,
producción de bienessegún el Banco Central de
industriales. Bolivia (2024).
Estainformaciónprovienedefuentes
confiables como el Banco Mundial (World
Bank,2024)yregistros nacionales,
garantizando su validez y pertinencia. Se
incluyeron únicamente datos con coherencia
temporal y valores completos, excluyéndose
registros incompletos o inconsistentes para
mantenerlacalidaddelanálisis.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
164
(Copernicus,2024; Paredes, 2024; UCA,2024;
OurWoldinData,2024;PGB,2023;
Datosmacro.com 2024; INE, 2024)
El estudio se basa en un muestreo de tipo no
probabilístico, puesto que se trabajó con la
totalidad de la población disponible (censo
completo) de emisiones de CO₂ desde el año
2000 al 2024. El tamaño de la muestra fue de 25
observaciones anuales, lo cual es adecuado para
entrenar modelos de predicción de series
temporales utilizando redes neuronales. El
contexto del estudio se centra en la realidad
medioambiental de Bolivia, caracterizada por un
crecimiento urbano no planificado, el uso
predominantedefuentesdeenergíano
renovables y la escasa implementación de
políticas de mitigación ambiental (PNUMA,
2022).
Los datos fueron recolectados directamente
desde bases estadísticas oficiales del Banco
Mundial (World Bank, 2024) y procesados
mediante herramientas computacionales. Se
utilizaron técnicas de normalización de datos
para ajustar las emisiones de CO₂ a una escala
compatible con algoritmos de aprendizaje
automático. El análisis y procesamiento se
realizaron en el software RStudio, utilizando
librerías como neuralnet, ggplot2 (Wickham,
2016), y readxl (R Core Team, 2024). La calidad y
fiabilidad del modelo fueron evaluadas
mediante validación cruzada, segmentando el
conjunto de datos en entrenamiento (80%) y
prueba(20%). Esto permitió ajustar los pesos sin
comprometer la generalización del modelo.
Este estudio se enmarca en un enfoque
cuantitativo,detiponoexperimental,
longitudinal y predictivo. Se aplicó un diseño de
investigación correlacional explicativo, ya que se
analizó la relación entre el tiempo y las
emisiones de CO₂, y se empleó un modelo de red
neuronalartificial (RNA)para preverel
comportamiento futuro de las emisiones hasta
el año 2029. No se manipularon variables, ya
que se trabajó únicamente con registros
históricos. El modelo utilizado fue una red
neuronal multicapa conarquitectura
feedforward y función de activación
logística, entrenada mediante
retropropagación (Haykin, 2009). La predicción
fue graficada y validada visualmente y
estadísticamente.
Por último, con el fin de obtener predicciones
robustas de las emisiones de CO₂ en Bolivia, se
compararon tres modelos de series temporales:
(1) redes neuronales artificiales (RNA), (2)
modelos autorregresivos integrados de medias
móviles (ARIMA) y (3) regresión lineal simple.
Cada modelo fue entrenado con la misma base
dedatos,normalizadaydivididaen
subconjuntos deentrenamientoyprueba
(80/20). Para evaluar su desempeño se
utilizaron métricas estándar como el error
cuadrático medio (RMSE), el error absoluto
medio (MAE) y el coeficiente de determinación
(R²) (Zhang et al., 2020). Esta estrategia
comparativa permitió identificar el modelo
con mayor precisión predictiva, considerando
además la naturaleza no lineal de los datos.
RESULTADOS
En cuanto al desempeño predictivo del
modelo, se comparó la RNA con un modelo
ARIMA y una regresión lineal simple. La Tabla
1 resume los resultados obtenidos según las
métricas estándar: RMSE, MAE y R².
Tabla 1. Comparación del rendimiento predictivo de los modelos
Modelo RMSE MAE R²
Red Neuronal 0.3868 0.3294 0.9391
ARIMA (0,1,0) 0.5428 0.4370 0.8800
Regresión Lineal 1.3546
1.2332 0.2529
Nota: Elaboración propia
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
165
Las métricas utilizadas para comparar los
modelos de predicción de emisiones de CO₂
fueron:
-RMSE (Root Mean Squared Error): mide el
promedio de los errores al cuadrado.
Penaliza más los errores grandes.
-MAE (Mean Absolute Error): mide el
promedio del valor absoluto del error. Más
directo y menos sensible a valores extremos.
-R² (Coeficiente de Determinación): indica
quétanbienelmodeloexplicala
variabilidad de los datos.
Los resultados muestran
que:
-La Red Neuronal es consistentemente el
modelo más preciso. Presenta el menor
RMSE (0.3868), el menor MAE (0.3294), y un
R² muy alto (0.9391), indicando un ajuste
casi perfecto.
- El modelo ARIMA (0,1,0) ofrece un
rendimiento intermedio, con errores
moderados y un R² aceptable (0.88), útil
para datos puramente temporales.
-La Regresión Lineal es el modelo con peor
rendimiento en todas las métricas, RMSE
(1.3546), MAE (1.2332) Y R²(0.2529), lo cual
sugiere que su simplicidad no permite
capturar adecuadamente la dinámica de las
emisiones.
Estos resultados respaldan el uso de redes
neuronales como la herramienta más adecuada
para predicciones confiables de emisiones de
CO₂ en Bolivia.
La Figura 1 representa la arquitectura de la
red neuronal entrenada, compuesta por una
capa de entrada con 12 variables, una capa
oculta con 5neuronasyuna
neuronadesalida correspondiente a la
predicción de emisiones de CO₂. Los pesos de
conexión (representados por los grosores de las
líneas) reflejan la intensidad de la influencia de
cada variable en la activación de las neuronas
ocultas.
Figura 1. Representación gráfica de la red neuronal empleada
Fuente: Elaboración propia en RStudio con `neuralnet`
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
166
La Figura 2 presenta la importancia relativa
de las variables predictoras utilizadas por el
modelo RNA. Las tres variables con mayor
influencia en la predicción fueron: Pérdida de
cobertura forestal por incendios (Perd.por.Inc),
Consumo de gas licuado (GLP) y el Producto
InternoBrutodelsectorindustrial
manufacturero (PIB.Ind.Man), siendolas
variables que concentran más del 50% de la
influencia total del modelo. Otras variables
relevantes incluyen el consumo de gasolina de
aviación, jet fuel, residuos sólidos y diésel oil.
Figura 2. Importancia relativa de las variables en la red neuronal
Fuente: Elaboración propia en RStudio con ‘ggplot2´
La Figura 3 muestra la evolución de las
emisiones de dióxido de carbono (CO₂) en
Bolivia desde el año 2000 hasta el 2024, junto
con una proyección realizada mediante redes
neuronales artificiales (RNA) hasta el año 2029.
Se observa una tendencia ascendente sostenida
en las emisiones, con una caída abrupta
alrededordelaño2020,
probablemente atribuible a la
desaceleración económica global durante la
pandemia de COVID-19, seguida de una
recuperación acelerada. Asimismo, el 2024 se
tuvo incendios forestales, en los meses de junio
a octubre, generando una emisión de CO2 de
alrededor 80 Megatoneladas (Copernicus,
2024) y una perdida forestal aproximada de 9
MM de hectáreas, considerándolos outliers
(valores atípicos) para este estudio, los cuales se
corrigieron con el Percentil (99) tomando en
cuenta valores menores a éste. (Paredes, 2024).
La predicción realizada mediante la red
neuronalmuestraunacontinuacióndel
incremento enlas emisiones(tendencia
ascendente), estimando que estas alcanzarán
aproximadamente 33.4 megatoneladas en 2029,
debido a la promulgaciónde distintas
normativas que posibilitan la ampliación de la
frontera agropecuaria, la dotación de tierras en
zonas de vocación forestal y la promoción de los
desmontes y chaqueos. (ANA, 2024)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
167
Este resultado respalda la hipótesis de que, en
ausencia de intervenciones estructurales,
Bolivia continuará incrementando sus niveles de
emisión de gases contaminantes.
Figura 3. Emisión de CO₂ en Bolivia: Datos reales y predicciones (2000–2029)
Fuente: Elaboración propia en RStudio con `ggplot2`
DISCUSIÓN
Elpresenteestudioconfirmaquelas
emisiones de dióxido de carbono (CO₂) en
Bolivia muestran una tendencia creciente y
preocupante hacia el año 2029, en ausencia de
políticas públicas eficaces de mitigación. El
modelo de red neuronal artificial (RNA), que
demostró un desempeño superior frente al
modelo ARIMA y la regresión lineal, permite
capturar la complejidad no lineal del fenómeno
ambiental,evidenciando suidoneidad en
contextos conmúltiples factores
interdependientes.
Los resultados obtenidos reflejan un ajuste
casi perfecto del modelo RNA (R² = 0.9391), lo
que sugiere que el patrón histórico de emisiones
está altamente correlacionado con variables
como la pérdida de cobertura forestal por
incendios, consumo de gas licuado y el Producto
InternoBrutodelsectorindustrial
manufacturero.
En contraste, el modelo de regresión lineal
mostró una capacidad limitada para ajustarse a
los datos, subestimando los valores reales en
varios puntos críticos de la serie. Por su parte, el
modelo ARIMA, aunque más preciso que la
regresión lineal, no logró superar el desempeño
dela red neuronal, lo querefuerzala importancia
de utilizar técnicas avanzadas de aprendizaje
automáticoenestudiosambientalescon
múltiples variables.
Desde una perspectiva política y ambiental,
los resultados son alarmantes. La tendencia
creciente hasta 2029 indica que, de mantenerse
lascondicionesactuales,Boliviapodría
enfrentar mayores niveles de contaminación
atmosférica, con impactos negativos en la salud
pública, los ecosistemas y la economía nacional.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
168
Los resultados obtenidos son consistentes con
estudiosanterioresqueidentificanala
deforestación, la expansión del sector
energético y el crecimiento industrial como
principales impulsores de las emisiones de gases
de efecto invernadero (Haykin, 2009; James et
al., 2013). El incremento acelerado proyectado
para los años posteriores a 2024 refleja una
dependencia estructural del país en actividades
económicas intensivas en carbono.
El análisis de importancia relativa destaca el
rol protagónico de factores ambientales y
energéticos.Lapérdidadebosquespor
incendios, principal variable explicativa, el
segundo y tercer lugar ocupado por el gas
licuado y el sector industrial manufacturero
evidencian que el patrón de consumo
energético actual no se orienta hacia fuentes
limpias o sostenibles.
Además, el presente estudio destaca el
potencial de las redes neuronales no solo como
herramientas de predicción, sino también como
mecanismos analíticos que permiten identificar
los factores críticos queimpulsan los cambios en
los indicadores medioambientales. Este enfoque
puede ser replicado en otros países de la región
que enfrentan problemáticas similares.
CONCLUSIONES
Elmodeloderedneuronalsuperó
significativamente a lasmetodologías
tradicionales, como el modelo ARIMA y la
regresión lineal simple, en términos de ajuste y
precisión predictiva. Las métricas estadísticas
(RMSE,MAE y R²) confirmaronsu
superioridad, destacando la capacidad de la
RNA para capturar relaciones no lineales y
detectar patrones complejos.
Este estudio permitió demostrar que las
redes neuronales artificiales (RNA) representan
una herramienta eficaz y precisa para la
predicción de emisiones de dióxido de carbono
(CO₂) en contextos complejos y multivariados
como el boliviano.Medianteel
análisisdedatos históricos
desde el año 2000 hasta el 2024, y la proyección
hasta el 2029, se identificó una tendencia
sostenida al alza en las emisiones, impulsada
principalmente por la pérdida de cobertura
forestal por incendios, consumo de gas licuado
y el producto interno bruto del sector
industrialmanufacturero,concluyéndose
entonces que, la falta de medidas de mitigación
estructurales en Bolivia podría contribuir a que
las emisiones de CO₂ continúen aumentando en
los próximos años.
Desde el punto de vista práctico, los
resultados de esta investigación pueden servir
como una herramienta de apoyo para diseñar
políticas públicas más efectivas y sostenibles. La
modelación con redes neuronales no solo
permite prever el comportamiento futuro de las
emisiones, sino también identificar los factores
clave sobre los cuales se deben centrar las
acciones correctivas.
Finalmente, se recomienda ampliar futuras
investigaciones incorporando más variables de
tipo económico, social y climático, así como
realizar estudios regionales o departamentales
que permitan un abordaje territorial más
detallado del problema ambiental en Bolivia.
REFERENCIAS BIBLIOGRÁFICAS
García, R., & Paredes, M. (2019). Aplicación de
redes neuronales para la predicción de
emisiones de CO₂ en el sector energético
peruano. Revista de Energía y Medio
Ambiente, 15(2), 45–58.
Intergovernmental Panel on Climate Change (IPCC).
(2021). Climate Change 2021: The Physical
Science Basis. Cambridge University Press.
https://www.ipcc.ch/report/ar6/wg1/
Naciones Unidas. (2015). Objetivos de Desarrollo
Sostenible: Agenda 2030 para el Desarrollo
Sostenible. https://sdgs.un.org/goals
Zhang, Y., Li, X., Wang, J., & Zhao, Y. (2020). Deep
learning approaches for CO₂ emission
prediction in China. Environmental Science
and Pollution Research, 27(8), 8572–8584.
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
169
PNUMA. (2022). Perspectivas del Medio Ambiente
Mundial: América Latina y el Caribe.
Programa de las Naciones Unidas para el
Medio Ambiente.
R Core Team. (2024). R:Alanguage and
environment for statistical computing. R
Foundation for Statistical Computing.
https://www.r-project.org/
World Bank. (2024). World Development
Indicators.
https://databank.worldbank.org/
Wickham, H. (2016). ggplot2: Elegant Graphics for
Data Analysis. Springer-Verlag New York.
https://ggplot2.tidyverse.org
Haykin, S. (2009). Neural Networks and Learning
Machines (3rd ed.). Pearson Education.
James, P., Magee, L., Scerri, A., & Steger, M. B.
(2013). Urban Sustainability in Theory and
Practice: Circles of Sustainability.
Routledge.
Copernicus (2024). Atmosphere Monitoring Service .
https://atmosphere.copernicus.eu/south-
america-sees-historic-emissions-during-
2024-wildfire-season
Paredes, I. (2024). Balance ambiental de Bolivia en
2024. Mongabay.
https://es.mongabay.com/2024/12/balance
-ambiental-bolivia-2024-deforestacion-
mineria-
ilegal/#:~:text=Desde%20junio%20hasta%
20octubre%20se,esa%20cifra%20podr%C3
%ADa%20ser%20mayor.
Universidad Católica Boliviana (UCA). (2024).
Indicadores: Medio Ambiente.
Our World in Data (2024). CO2 Emissions.
https://ourworldindata.org/co2/country/b
oli via#what-are-the-country-s-annual-co2-
emissions
Producción de Ganado Bovino (PGB). (2023).
https://data-
bolivia.produccion.gob.bo/produccion/bovi
no
Datosmacro.com (2024).
https://datosmacro.expansion.com/energi
a-y-medio-ambiente/emisiones-co2/bolivia
Instituto Nacional de Estadística (INE). (2024).
https://www.ine.gob.bo/index.php/estadist
ic as-economicas/hidrocarburos-
mineria/hidrocarburo-cuadros-estadisticos/
Agencia de Noticias Ambientales (ANA). (2024).
https://anabolivia.org/incendios-forestales-
historicos-en-bolivia-al-menos-tres-causas-
que-los-provocan/
Banco Central de Bolivia (BCB). (2024).
chrome-
extension://efaidnbmnnnibpcajpcglclefindmkaj
/
https://www.bcb.gob.bo/webdocs/publicacione
s bcb/pib.pdf
DECLARACIÓN DE CONFLICTO DE INTERESES Los autores
declaran no tener conflictos de intereses.
DERECHOS DE AUTOR
Betancourt Tórrez, R. E. (2025)
SAGA Rev. Cienc. Multidiscip. | e-ISSN 3073-1151 | Abril-Junio, 2025 | vol. 2 | núm. 2 | pág. 161-170
Betancourt Tórrez, R. E.
170
Este es un artículo de acceso abierto distribuido bajo la licencia Creative Commons de Atribución No
Comercial 4.0, que permite su uso sin restricciones, su distribución y reproducción por cualquier
medio, siempre que no se haga con fines comerciales y el trabajo original sea fielmente citado.
El texto final, datos, expresiones, opiniones y apreciaciones contenidas en esta publicación es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la revista.
