MACHINE LEARNING FOR URBAN HEATING VECTOR ESTIMATION TO SUPPORT CITY DECARBONIZATION
RELEVANT FEATURES, TRANSFERABILITY, AND THE ROLE OF SPATIAL PATTERNS
DOI:
https://doi.org/10.66838/sauc.6407Palabras clave:
Inteligencia Artificial, vector energético de calefacción, descarbonización, machine learning, análisis espacial, zona climática, transferibilidadResumen
Con el objetivo de contribuir a la descarbonización urbana, se han creado clasificadores XGBoost para predecir los vectores de calefacción residencial en España a partir de datos abiertos catastrales, censales y de Certificados de Eficiencia Energética. Mediante el entrenamiento en las zonas climáticas C1, D1 y D3, se analizó la influencia de características no espaciales, coordenadas y datos del entorno vecinal. Los modelos que integraron información espacial lograron una precisión de hasta el 73,6%, destacando que las probabilidades energéticas de las viviendas colindantes fueron la mejora más relevante y ayudaron a reducir la concentración de errores. No obstante, al aplicar el modelo en ciudades sin datos de verificación, se observó una inestabilidad (concordancia del 54,6% por edificio), evidenciando que es imprescindible contar con datos reales a nivel de barrio para asegurar predicciones fiables en toda la ciudad
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).
