El Estado Actual de la Remediación de Sitios Contaminados y las Perspectivas de Aplicación de la Inteligencia Artificial—Una Revisión

La industrialización ha llevado a la liberación sustancial de metales pesados y contaminantes orgánicos en suelos y aguas subterráneas, lo que resulta en graves problemas de sitios contaminados que representan amenazas significativas para los ecosistemas y la salud humana. Esta revisión tiene como objetivo revisar sistemáticamente el estado actual de desarrollo y los desafíos de las tecnologías de remediación de sitios contaminados, y explorar el potencial de las aplicaciones de la inteligencia artificial (IA) en la remediación de sitios, para proporcionar una referencia teórica para avanzar en la remediación inteligente. Las tecnologías de remediación convencionales incluyen principalmente métodos físicos (p. ej., solidificación/estabilización (S/S), extracción de vapor de suelo (SVE), desorción térmica, bombeo y tratamiento (P&T), pozos de circulación de aguas subterráneas (GCWs)), métodos químicos (p. ej., oxidación/reducción química, remediación electrocinética (EKR), lavado de suelos), y métodos biológicos (fitorremediación, remediación microbiana), junto con estrategias combinadas que integran múltiples enfoques. Aunque estas tecnologías han logrado ciertos éxitos en la práctica ingenieril, aún enfrentan desafíos comunes como riesgos de contaminación secundaria, largos períodos de remediación, altos costos, mala adaptabilidad a condiciones hidrogeológicas complejas y estabilidad a largo plazo insuficiente, lo que dificulta satisfacer completamente las demandas de remediación de sitios contaminados complejos. Posteriormente, se introduce el potencial de tecnologías emergentes, incluyendo remediación basada en nanomateriales, sistemas bioelectroquímicos y remediación asistida por biología molecular. Sobre esta base, se discuten las aplicaciones de vanguardia de la IA en la remediación de sitios contaminados, abarcando el monitoreo y caracterización del sitio, evaluación de riesgos, selección de estrategias de remediación, predicción de procesos y optimización de parámetros, diseño de materiales y gestión inteligente post-remediación. El aprendizaje automático (ML), la IA explicable (XAI) y los enfoques de modelado híbrido han mejorado notablemente la eficiencia de remediación y la toma de decisiones. De cara al futuro, con los avances en XAI, modelos de fusión de datos de mecanismos y modelos fundacionales ambientales, la IA está lista para impulsar un cambio de paradigma hacia la remediación inteligente y precisa. Sin embargo, los desafíos relacionados con la calidad de los datos, la interpretabilidad del modelo y la experiencia interdisciplinaria siguen siendo barreras clave por superar.