Aprendizaje automático para la estimación de vectores de calor urbano con el fin de contribuir a la descarbonización de las ciudades
Características relevantes, transferibilidad y el papel de los patrones espaciales
DOI:
https://doi.org/10.62161/sauc.v12.6400Palabras clave:
Inteligencia Artificial, vector energético de calefacción, descarbonización, machine learning, análisis espacial, zona climática, transferibilidadResumen
Para apoyar la descarbonización urbana, se desarrollaron clasificadores XGBoost para predecir los vectores energéticos de calefacción residencial en España, utilizando datos abiertos del catastro, el censo y los Certificados de Eficiencia Energética. El entrenamiento en las zonas climáticas C1, D1 y D3 permitió evaluar el impacto de variables no espaciales, derivadas de coordenadas y basadas en el entorno (neighbour-corpus). Los modelos con conciencia espacial alcanzaron una precisión de hasta el 73,6%, siendo las probabilidades energéticas de los vecinos el factor que aportó la ganancia más significativa y redujo la agrupación de errores de clasificación. Sin embargo, la transferencia a ciudades sin datos reales (ground truth) reveló inestabilidad (con una concordancia a nivel de edificio del 54,6%), lo que subraya la necesidad de recopilar datos reales a nivel de barrio para garantizar predicciones fiables a escala urbana.
Descargas
Estadísticas globales ℹ️
|
0
Visualizaciones
|
0
Descargas
|
|
0
Total
|
|
Citas
Ali, U., Shamsi, M. H., Hoare, C., Mangina, E., & O’Donnell, J. (2019). A data-driven approach for multi-scale building archetypes development. Energy and Buildings, 202, 109364. https://doi.org/10.1016/j.enbuild.2019.109364
Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93-115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x
Badec, K. P., & Salam, P. A. (2024). Building Energy Performance Benchmarking: Current Methods, Applications, and Implications for the Philippines. 2024 International Conference on Sustainable Energy: Energy Transition and Net-Zero Climate Future (ICUE), 1-8. https://doi.org/10.1109/ICUE63019.2024.10795622
Beltrán-Velamazán, C., Monzón-Chavarrías, M., & López-Mesa, B. (2025). Predicting Energy and Emissions in Residential Building Stocks: National UBEM with Energy Performance Certificates and Artificial Intelligence. Applied Sciences, 15(2), 514. https://doi.org/10.3390/app15020514
BPIE (Buildings Performance Institute Europe). (2025). Delivering the EPBD: A guide towards better, affordable and more resilient buildings for all in Europe. https://www.bpie.eu/delivering-the-epbd-a-guide-towards-better-affordableand-more-resilient-buildings-for-all-in-europe/
Cerezo Davila, C. (2017). Building archetype calibration for effective urban building energy modeling [Massachusetts Institute of Technology]. http://hdl.handle.net/1721.1/111487
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357. https://doi.org/10.1613/jair.953
Chen, G., Lu, S., Zhou, S., Tian, Z., Kim, M. K., Liu, J., & Liu, X. (2025). A Systematic Review of Building Energy Consumption Prediction: From Perspectives of Load Classification, Data-Driven Frameworks, and Future Directions. Applied Sciences, 15(6), 3086. https://doi.org/10.3390/app15063086
Cities—United Nations Sustainable Development Action 2015. (s. f.). United Nations Sustainable Development. Recuperado 29 de julio de 2026, de https://www.un.org/sustainabledevelopment/cities/
Directive 2023/1791 of the European Parliament and of the Council on Energy Efficiency and Amending Regulation 2023/955, EP, CONSIL, 231 OJ L (2023). http://data.europa.eu/eli/dir/2023/1791/oj
Directive 2024/1275 of the European Parliament and of the Council on the Energy Performance of Buildings, EP, CONSIL (2024). http://data.europa.eu/eli/dir/2024/1275/oj
Economidou, M., Todeschi, V., Bertoldi, P., D’Agostino, D., Zangheri, P., & Castellazzi, L. (2020). Review of 50 years of EU energy efficiency policies for buildings. Energy and Buildings, 225, 110322. https://doi.org/10.1016/j.enbuild.2020.110322
Eguiarte, O., de Agustín-Camacho, P., & del Portillo-Valdés, L. (2022). Energy and economic analysis of domestic heating costs based on distributed energy resources: A case study in Spain. Energy Reports, Selected papers from 2022 7th International Conference on Advances on Clean Energy Research, 8, 56-61. https://doi.org/10.1016/j.egyr.2022.10.214
Eguiarte, O., Garrido-Marijuán, A., de Agustín-Camacho, P., del Portillo, L., & Romero-Amorrortu, A. (2020). Energy, Environmental and Economic Analysis of Air-to-Air Heat Pumps as an Alternative to Heating Electrification in Europe. Energies, 13(15), 3939. https://doi.org/10.3390/en13153939
EU Mission: Climate-Neutral and Smart Cities. (2026, julio 20). https://research-and-innovation.ec.europa.eu/funding/funding-opportunities/funding-programmes-and-open-calls/horizon-europe/eu-missions-horizon-europe/climate-neutral-and-smart-cities_en
Fang, C., Zhou, L., Gu, X., Liu, X., & Werner, M. (2025). A data driven approach to urban area delineation using multi source geospatial data. Scientific Reports, 15. https://doi.org/10.1038/s41598-025-93366-x
Harun, F., Pikas, E., Iliste, E., Hallik, J., & Kalamees, T. (2026). From static archetypes toward dynamic, condition-aware archetypes in UBEM: An integrative review with an illustrative case demonstration. Frontiers in Energy Research, 14. https://doi.org/10.3389/fenrg.2026.1800126
IDAE. (2026). SPAHOUSEC III. Estudio del consumo energético, equipamiento y hábitos de consumo de la energía del sector residencial en España. https://www.idae.es/sites/default/files/documentos/publicaciones_idae/20260123_SPAHOUSEC_III.pdf
Jiang, Q., Huang, C., Wu, Z., Yao, J., Wang, J., Liu, X., & Qiao, R. (2024). Predicting building energy consumption in urban neighborhoods using machine learning algorithms. Frontiers of Urban and Rural Planning, 2. https://doi.org/10.1007/s44243-024-00032-3
Li, K., Xue, W., Tan, G., & Denzer, A. S. (2020). A state of the art review on the prediction of building energy consumption using data-driven technique and evolutionary algorithms. Building Services Engineering Research & Technology, 41(1), 108-127. https://doi.org/10.1177/0143624419843647
Long, C., Yang, X., Su, Y., Liu, F., Ma, R., Ma, T., Wu, Y., & Shen, X. (2025). Air Conditioning Load Forecasting for Geographical Grids Using Deep Reinforcement Learning and Density-Based Spatial Clustering of Applications with Noise and Graph Attention Networks. Energies, 18(11), 2832. https://doi.org/10.3390/en18112832
Luqman, M., Rayner, P. J., & Gurney, K. R. (2023). On the impact of urbanisation on CO2 emissions. Npj Urban Sustainability, 3(1), 6. https://doi.org/10.1038/s42949-023-00084-2
Ministerio de Transportes, Movilidad y Agenda Urbana. Gobierno de España. (2019). Código Técnico de la Edificación: Documento Básico DB-HE Ahorro de Energía. https://www.codigotecnico.org/pdf/Documentos/HE/DBHE.pdf
Ministerio de Transportes, Movilidad y Agenda Urbana. Gobierno de España. (2025). Borrador del Plan Nacional de Renovación de Edificios (PNRE): Marco ARCE 2050. https://www.mivau.gob.es/recursos_mfom/audienciainfopublica/recursos/borrador_pnre.pdf
OECD. (2020). Strengthening Governance of EU Funds under Cohesion Policy: Administrative Capacity Building Roadmaps. OECD Multi‑level Governance Studies. https://doi.org/10.1787/9b71c8d8-en
Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345-1359. https://doi.org/10.1109/TKDE.2009.191
Reinhart, C. F., & Cerezo Davila, C. (2016). Urban building energy modeling – A review of a nascent field. Building and Environment, 97, 196-202. https://doi.org/10.1016/j.buildenv.2015.12.001
Rey, S. J., & Anselin, L. (2007). PySAL: A Python Library of Spatial Analytical Methods. Review of Regional Studies, 37(1). https://doi.org/10.52324/001c.8285
Roberts, D., Bahn, V., Ciuti, S., Boyce, M., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J., Schröder, B., Thuiller, W., Warton, D., Wintle, B., Hartig, F., & Dormann, C. (2016). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40. https://doi.org/10.1111/ecog.02881
Secretaría de estado de transportes, movilidad y agenda urbana. Gobierno de España. (2020). EREESE 2020. Actualización 2020 de la estrategia a largo plazo para la rehabilitación energética en el sector de la edificación en España. https://www.mivau.gob.es/recursos_mfom/paginabasica/recursos/eresee_2020.pdf
Shen, P., & Wang, H. (2024). Archetype building energy modeling approaches and applications: A review. Renewable and Sustainable Energy Reviews, 199, 114478. https://doi.org/10.1016/j.rser.2024.114478
Sisman, S., Kara, A., & Aydinoglu, A. C. (2025). Leveraging spatial data infrastructure for machine learning based building energy performance prediction. PLOS ONE, 20(10), e0335531. https://doi.org/10.1371/journal.pone.0335531
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y el derecho de edición
Esta obra está bajo una licencia internacional Creative Commons Atribución-SinDerivadas 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor.
- Los autores/as ceden a la revista el derecho de la primera publicación. La revista también posee los derechos de edición.
- Todos los contenidos publicados se regulan mediante una Licencia Atribución/Reconocimiento-SinDerivados 4.0 Internacional. Acceda a la versión informativa y texto legal de la licencia. En virtud de ello, se permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. Si transforma el material, no podrá distribuir el trabajo modificado.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales), una vez publicado en la revista y citando a la misma ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
