📄 ciencias de la Tierra

Novel Use of Local Climate Zones: Urban Form-based Method for Carbon Sink Assessment using Convolutional Neural Network

Este estudio propone un nuevo método basado en la forma urbana para estimar los sumideros de carbono de las ciudades integrando mapas de Zonas Climáticas Locales (LCZ) con un modelo de Redes Neuronales Convolucionales (CNN), demostrando que los entornos construidos de menor intensidad (LCZ 5, 6 y 9) ofrecen un mayor potencial de secuestro de carbono logrando, al mismo tiempo, una alta precisión de estimación a pesar de su sensibilidad a la precisión del mapa de LCZ.

Autores originales: Tsz-Kin Lau, Li-Tzu Yu, Tzu-Ping Lin

Publicado 2026-09-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Tsz-Kin Lau, Li-Tzu Yu, Tzu-Ping Lin

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Las ciudades están en constante cambio, creciendo en altura y densidad a medida que llega más gente. Esta expansión a menudo desplaza los espacios verdes que limpian naturalmente nuestro aire, creando una necesidad urgente de comprender cuánto carbono pueden absorber aún estos entornos urbanos. Para abordar esto, los científicos han desarrollado una forma de categorizar la forma física de una ciudad en vecindarios distintos basados en cómo se disponen los edificios y el terreno. Llaman a estas categorías "Zonas Climáticas Locales", un sistema que agrupa áreas por su altura, densidad y materiales de superficie, que van desde distritos compactos de gran altura hasta áreas de baja altura abiertas y bosques densos. Junto con esto, el concepto de "sumidero de carbono" se refiere a la capacidad natural de la vegetación, como árboles y césped, para extraer dióxido de carbono de la atmósfera y almacenarlo. A medida que las ciudades se esfuerzan por cumplir los objetivos globales para reducir los gases de efecto invernadero, determinar exactamente cuánto puede capturar el verde restante se ha convertido en una tarea vital para los planificadores urbanos y los ambientalistas.

Un equipo de investigadores se propuso recientemente encontrar una forma más rápida y sencilla de medir este potencial de captura de carbono dentro de paisajes urbanos complejos. En lugar de depender de censos lentos y detallados de cada árbol individual, combinaron los mapas de zonificación de la ciudad con un tipo de programa informático conocido como red neuronal convolucional. Piense en este programa como un ojo altamente entrenado que puede mirar un mapa de zonas urbanas e identificar instantáneamente patrones para predecir cuánto carbono se está almacenando. El equipo probó este enfoque en dos ciudades taiwanesas muy diferentes: Taipéi, una metrópolis bulliciosa con una alta densidad de edificios altos, y Chiayi, una ciudad más pequeña con una mezcla de estructuras de baja y media altura. Primero crearon mapas detallados que mostraban dónde existían los árboles y los espacios verdes en ambas ciudades, calculando la cantidad exacta de carbono que cada área podía absorber. Luego, introdujeron estos mapas en su modelo informático, enseñándole a vincular los patrones visuales de las zonas urbanas con los datos de carbono.

Los resultados revelaron una conexión clara y algo sorprendente entre la forma de una ciudad y su capacidad para almacenar carbono. El estudio encontró que los sumideros de carbono más efectivos no eran siempre los bosques más densos, sino que también incluían tipos específicos de áreas urbanizadas. En particular, los vecindarios con edificios de menor altura y más espacio abierto, como aquellos con estructuras dispersas de baja altura o áreas de construcción escasa, mostraron un alto potencial para el almacenamiento de carbono. Esto sugiere que cuando las ciudades están menos intensamente desarrolladas, hay simplemente más espacio para que la vegetación crezca y prospere, permitiendo que los árboles y arbustos capturen más carbono. El modelo informático demostró ser notablemente exitoso al aprender estas relaciones en Taipéi, donde pudo predecir los niveles de carbono con alta precisión, coincidiendo estrechamente con los datos del mundo real. Sin embargo, el modelo tuvo dificultades cuando se aplicó a Chiayi, debido principalmente a que los mapas utilizados para describir las zonas de la ciudad contenían errores. En Chiayi, algunas áreas naturales fueron etiquetadas erróneamente como zonas urbanizadas en el mapa, lo que confundió a la computadora y condujo a predicciones inexactas.

Este desajuste resaltó una lección crucial: el éxito de este nuevo método depende enteramente de la precisión de los mapas urbanos subyacentes. Si el mapa dice que un bosque es un estacionamiento, la computadora hará la suposición incorrecta sobre el almacenamiento de carbono. A pesar de esta limitación, el estudio demuestra que el uso de estos mapas de zonificación combinados con algoritmos informáticos inteligentes ofrece una herramienta poderosa y rentable para estimar los sumideros de carbono en ciudades enteras. Los investigadores concluyeron que, si bien el método funciona mejor cuando los datos de la ciudad son precisos, proporciona una alternativa mucho más sencilla a las técnicas de medición tradicionales y laboriosas. Al comprender qué formas urbanas favorecen el mayor crecimiento verde, los planificadores urbanos pueden tomar mejores decisiones para preservar o crear espacios que ayuden a combatir el cambio climático, asegurando que, incluso a medida que las ciudades crecen, sigan respirando por el planeta.

Resumen Técnico: Uso Novedoso de las Zonas Climáticas Locales para la Evaluación de Sumideros de Carbono Urbanos

Planteamiento del Problema
El calentamiento global requiere estrategias para la reducción de emisiones de carbono, donde los sumideros de carbono (específicamente los sumideros de carbono basados en la vegetación, o $CS_v$ ) desempeñan un papel crítico. Aunque los océanos y los bosques son los principales sumideros, la urbanización suele destruir los paisajes naturales, reduciendo la capacidad de una ciudad para secuestrar carbono. Los métodos actuales para estimar el $CS_v$ urbano a menudo requieren cálculos complejos, inventarios detallados de vegetación o modelos digitales de alta resolución, lo que dificulta su aplicación generalizada. Existe la necesidad de un método simplificado y rentable para cuantificar la relación entre la forma urbana y el secuestro de carbono para apoyar la planificación urbana y los objetivos de emisiones netas cero.

Metodología
Este estudio propone un marco novedoso que combina las Zonas Climáticas Locales (LCZ) y las Redes Neuronales Convolucionales (CNN) para estimar el $CS_v$ sin requerir datos detallados de la vegetación.

Áreas de Estudio y Datos: La investigación se centró en dos ciudades taiwanesas con diferentes intensidades de urbanización: la ciudad de Taipei (alta densidad) y la ciudad de Chiayi (menor densidad).
- Mapeo de LCZ: Se obtuvieron mapas globales de LCZ (resolución de 100 m) para ambas ciudades para cuantificar la forma urbana. Estos mapas clasifican los entornos en 17 clases (10 construidas, 7 naturales).
- Cálculo del Sumidero de Carbono ( $CS_v$ ): Se generó un modelo de vegetación 3D utilizando imágenes de SPOT 6, agrupamiento K-means y el mapa de altura de dosel ETH Global Sentinel-2. Basándose en las Directrices de Edificación Verde de Taiwán, el $CS_v$ se calculó categorizando la vegetación en árboles grandes, árboles pequeños, arbustos y campos verdes, asignando tasas de secuestro específicas (kgCO2e/m²/año) a cada uno.
- Preparación de Datos: Los mapas de $CS_v$ calculados se remuestrearon a una cuadrícula de 500 m. Los mapas de LCZ se remuestrearon a 10 m y se dividieron en cuadrículas de 50 m × 50 m (2,500 m²) para servir como imágenes de entrada para la CNN.
Arquitectura del Modelo: Se construyó un modelo CNN estándar con 4 capas convolucionales, 4 capas de agrupación (pooling) y 1 capa de aplanado (flattened).
- Entrenamiento: El modelo fue entrenado con entradas de cuadrícula LCZ para predecir los valores correspondientes de $CS_v$ . El entrenamiento se realizó con porcentajes de muestreo que oscilaron entre el 50% y el 80%.
- Evaluación: El rendimiento se evaluó utilizando el Coeficiente de Determinación ( $R^2$ ), el Error Absoluto Medio (MAE), la Similitud de Coseno y la Correlación de Pearson. Los modelos fueron probados tanto en datos "vistos" (misma ciudad) como en datos "extraños" (aplicación entre ciudades).

Resultos Clave

Forma Urbana y Sumidero de Carbono: El análisis estadístico reveló que los entornos construidos con menor intensidad de urbanización —específicamente LCZ 5 (Abierta de media altura), LCZ 6 (Abierta de baja altura) y LCZ 9 (Edificación dispersa)— tienen un alto potencial para contribuir al $CS_v$ . Esto se atribuye a la disponibilidad de espacio para el crecimiento de la vegetación. Los paisajes naturales (LCZ 11, 12, 14) también mostraron una alta contribución, de acuerdo con las expectativas.
Rendimiento de la CNN (Taipei): El modelo CNN entrenado con los datos de la ciudad de Taipei funcionó con fuerza, logrando una puntuación $R^2$ superior a 0.75 y un MAE bajo (aproximadamente 29,000 kgCO2e/año) con un muestreo del 50%. El modelo demostró una alta correlación (Pearson ~0.999) entre los valores observados y predichos dentro de la misma ciudad.
Rendimiento de la CNN (Chiayi): El modelo entrenado con los datos de la ciudad de Chiayi funcionó deficientemente, con puntuaciones $R^2$ negativas o bajas y un MAE elevado. Los autores atribuyen esto a errores de clasificación en el mapa de LCZ para Chiayi (por ejemplo, paisajes naturales clasificados incorrectamente como zonas construidas), lo que llevó al modelo a aprender relaciones poco fiables entre la forma urbana y el sumidero de carbono.
Aplicabilidad entre Ciudades: Cuando los modelos entrenados en una ciudad se aplicaron a la otra ("conjuntos de datos extraños"), el rendimiento disminuyó significativamente (bajo $R^2$ , alto MAE). El análisis de correlación confirmó que Taipei y Chiayi tienen patrones espaciales distintos de $CS_v$ y LCZ, lo que indica que los modelos aprenden relaciones específicas de cada ciudad en lugar de patrones globales generalizados.

Contribuciones Clave

Aplicación Novedosa de LCZ: El estudio va más allá del uso tradicional de LCZ para el clima urbano y los estudios de isla de calor, proponiendo su uso como un indicador para cuantificar la forma urbana para estimar los sumideros de carbono.
Método de Estimación Simplificado: El método propuesto de CNN-LCZ ofrece una alternativa más sencilla a la evaluación tradicional del $CS_v$ , ya que no requiere inventarios detallados de vegetación a nivel de suelo ni modelos 3D complejos para la fase de predicción, basándose en su lugar en mapas de LCZ y teledetección.
Impacto Cuantificado de la Forma Urbana: La investigación demuestra empíricamente que los entornos construidos de menor densidad (LCZ 5, 6, 9) pueden contribuir significativamente a los sumideros de carbono urbanos, proporcionando información accionable para la planificación urbana.

Significancia y Reclamaciones
Los autores afirman que este estudio presenta un método novedoso, rentable y eficiente para estimar los sumideros de carbono urbanos. Al aprovechar la relación entre los patrones de LCZ y el $CS_v$ , el método puede asistir en la planificación urbana para asegurar que el desarrollo mantenga un alto nivel de secuestro de carbono.

Sin embargo, el documento mantiene un tono modesto respecto a sus limitaciones. Establece explícitamente que la fiabilidad del método depende fuertemente de la precisión del mapa de LCZ. En el caso de Chiayi, donde el mapa de LCZ contenía errores de clasificación, los resultados de la estimación no fueron fiables. Por lo tanto, los autores concluyen que, si bien el método es factible, requiere mapas de LCZ de alta calidad y validados localmente, así como un entrenamiento de modelos específico para cada ciudad para ser efectivo. El estudio no pretende que el método sea universalmente aplicable sin calibración local, sino que destaca su potencial como una herramienta para ciudades con una cuantificación ambiental precisa.

Más como este