A Field-Calibrated Composite Indicator of Urban Vegetation Vulnerability to Compound Heat–Drought Stress: Spatially Blocked Validation and an Exploratory Ecological Application to Cardiovascular Hospitalizations in Isfahan, Iran

Resumen Técnico: Un Indicador Compuesto de la Vulnerabilidad de la Vegetación Urbana al Estrés Compuesto por Calor y Sequía, Calibrado en Campo

Planteamiento del Problema
La vegetación urbana en ciudades áridas y semiáridas enfrenta un estrés compuesto por el calor extremo y la sequía prolongada, lo que conduce al declive de la vegetación e impacta los servicios ecosistémicos y, potencialmente, la salud humana. Los indicadores existentes basados en teledetección (p. ej., VCI, VHI, SPEI) suelen capturar solo una dimensión de este estrés o no logran integrar la exposición hidroclimática, la condición de la vegetación, la estructura del paisaje y la mortalidad observada en campo dentro de un único marco calibrado. Además, los métodos de validación estándar suelen sufrir de filtración de datos espaciales (spatial data leakage), donde las observaciones geográficamente próximas aparecen tanto en el conjunto de entrenamiento como en el de prueba, inflando las estimaciones de rendimiento. Existe una brecha específica en la comprensión de la influencia combinada de estos factores sobre la salud cardiovascular en entornos urbanos semiáridos como Isfahán, Irán.

Metodología
El estudio desarrolló DUVRI-Eco, un indicador compuesto basado en la construcción de constructos, diseñado para cuantificar la vulnerabilidad de la vegetación urbana. La metodología se desarrolló en cuatro etapas:

1. Integración y Preprocesamiento de Datos:

   • Datos Hidroclimáticos: Se utilizaron 72 años de registros climáticos homogeneizados (1951–2022) de la estación sinóptica principal de Isfahán y sus vecinas. Las variables clave incluyeron la temperatura máxima anual ($TXx$) y el número máximo de días secos consecutivos ($CDD$). Se calculó un Índice de Anomalía de Humedad Compuesta (CMAI), pero se excluyó del indicador final debido a su alta redundancia con $CDD$ ($\rho = 0.69$).
   • Datos de Vegetación y Paisaje: Se emplearon imágenes satelitales multidecada (1991–2022). Se dispuso de observaciones directas de Landsat para años específicos, mientras que otros años fueron reconstruidos mediante un modelo de panel que incorpora temperatura, precipitación y NDVI rezagado. La condición de la vegetación se midió mediante el Índice de Vegetación de Diferencia Normalizada ($NDVI$). La estructura del paisaje se cuantificó mediante el Índice de Mancha Más Grande ($LPI$), denominado Cobertura de Parche Dominante (DPC) en este estudio, calculado mediante FRAGSTATS v4.2 sobre una máscara de vegetación ($NDVI > 0.20$).
   • Datos de Salud: Se agregaron los registros de hospitalización cardiovascular (2019–2022) de hospitales afiliados a universidades en Isfahán, agrupados por distrito ($n=15$ distritos).

2. Construcción y Calibración del Indicador:

   • El indicador integra cuatro componentes: $TXx$, $CDD$, $NDVI$ y $DPC$.
   • Los componentes se normalizaron a una escala de [0,1] utilizando una normalización min-máx robusta (percentiles 1–99) y se codificaron de forma inversa para las variables protectoras ($NDVI$, $DPC$), de modo que valores más altos indiquen una mayor vulnerabilidad.
   • Se utilizó un modelo de máxima verosimilitud restringido para calibrar los pesos de los componentes frente a la mortalidad de árboles observada en campo en 34 sitios anidados dentro de 15 distritos municipales. El modelo se especificó a nivel de distrito, con la mortalidad resumida como una proporción combinada.
   • Los pesos se restringieron para ser no negativos y sumar la unidad. La calibración trató los pesos como parámetros de regularización específicos del dominio en lugar de efectos causales estimables a nivel poblacional.

3. Estrategia de Validación:

   • Bloqueo Espacial: Para evitar la filtración de datos, el estudio empleó validación cruzada por bloques de distrito.
     • Validación a nivel de sitio: Dejar un sitio fuera (34 pliegues), reconociendo que los sitios dentro de un distrito comparten predictores a nivel de distrito.
     • Validación a nivel de distrito: Dejar un distrito fuera (15 pliegues), donde el modelo se entrena en 14 distritos y se prueba en el distrito excluido. Esta es la métrica principal de discriminación geográfica interna.
   • Diagnósticos de Identificabilidad: Se utilizaron superficies de perfil de verosimilitud y 10,000 vectores de pesos muestreados de la región soportada por la verosimilitud para evaluar la estabilidad de la puntuación del indicador frente a la precisión de los pesos individuales.

4. Aplicación Exploratoria de Salud:

   • Un análisis de panel ecológico (2019–2022) vinculó las puntuaciones de DUVRI-Eco a nivel de distrito con las tasas de hospitalización cardiovascular.
   • El modelo utilizó una distribución de Poisson con un enlace logarítmico, incluyendo efectos fijos de mes y año, un intercepto aleatorio por distrito y $PM_{2.5}$ como un posible confuso medido.
   • El análisis reconoció explícitamente que el número efectivo de unidades de exposición independientes es 15 (los distritos), no las 720 observaciones de distrito-mes.

Resultados Clave

• Pesos de Calibración: La solución de máxima verosimilitud restringida asignó el peso más alto a la persistencia de la sequía ($CDD$: 0.31), seguido por el calor extremo ($TXx$: 0.28), la condición de la vegetación ($NDVI$: 0.26) y la dominancia de la mancha de paisaje ($DPC$: 0.15).
• Identificabilidad de los Pesos: Los diagnósticos de perfil de verosimilitud revelaron una débil identificabilidad para los pesos individuales, particularmente para $CDD$ y $TXx$ (superficies de verosimilitud planas). Sin embargo, la puntuación del indicador compuesto y su clasificación espacial fueron robustas: la correlación de rango mediana a través de 10,000 vectores de pesos plausibles fue de 0.94, y 13 de 15 distritos mantuvieron una clasificación estable con respecto a un punto de transición ($\tau \approx 0.65$).
• Rendimiento Predictivo:
  • AUC de validación de nivel de sitio (dejar un sitio fuera): 0.81 (IC 95%: 0.73–0.88).
  • AUC de validación por bloques de distrito (dejar un distrito fuera): 0.79 (IC 95%: 0.73–0.85). Esta es la estimación principal de la discriminación geográfica interna.
  • El análisis de ablación mostró que eliminar $DPC$ resultó en un cambio insignificante en el AUC ($\Delta AUC = -0.02$), confirmando su papel como componente definido por el constructo en lugar de un predictor independiente primario.
• Asociación de Salud: Un aumento de 0.10 unidades en DUVRI-Eco se asoció con una tasa de hospitalización cardiovascular registrada un 5.2% mayor (Cociente de Tasas de Incidencia [IRR] = 1.052; IC 95%: 1.018–1.087). Esta asociación se mantuvo direccionalmente consistente en los análisis de sensibilidad, incluyendo el ajuste por $PM_{2.5}$ y la perturbación de los pesos.
• Patrones Espaciales: La alta vulnerabilidad se concentró en los distritos centro-orientales (7, 10, 11, 12, 15), mientras que los distritos occidentales mostraron una menor vulnerabilidad. Se observó una correlación espacial positiva entre DUVRI-Eco y las tasas de hospitalización (Moran's $I$ global = 0.31).

Significado y Reivindicaciones
El artículo posiciona a DUVRI-Eco como una herramienta de detección calibrada en campo y específica del dominio de estudio, en lugar de un modelo predictivo universal. Sus principales contribuciones son:

1. Arquitectura Basada en Constructos: A diferencia de los modelos orientados primero a la predicción que optimizan el rendimiento incremental, DUVRI-Eco se construye para representar cuatro dimensiones teóricas, calibradas contra la mortalidad en campo para anclar el constructo.
2. Validación Espacial Rigurosa: Al utilizar validación cruzada por bloques de distrito, el estudio proporciona una evaluación más realista de la generalización geográfica interna, evitando los rendimientos inflados comunes en las divisiones sin bloqueo espacial.
3. Distinción entre Estabilidad de la Puntuación y de los Pesos: El estudio demuestra que, si bien los pesos de los componentes individuales tienen una identificación débil en una muestra pequeña (15 distritos), la puntuación del indicador compuesto y los rankings espaciales son estables. Esto permite que el indicador funcione como un marco de detección incluso cuando la precisión de la estimación de los pesos es incierta.
4. Relación de Salud Generadora de Hipótesis: La asociación entre la vulnerabilidad de la vegetación y las hospitalizaciones cardiovasculares se presenta como un hallazgo ecológico exploratorio. Los autores declaran explícitamente que el estudio no puede respaldar la inferencia causal o a nivel individual debido al limitado número de unidades de exposición independientes (15 distritos) y la naturaleza invariante en el tiempo de la exposición dentro de la ventana de análisis de salud.

Limitaciones y Límites
Los autores enfatizan que DUVRI-Eco no es un marco de evaluación de vulnerabilidad integral (carece de métricas de capacidad adaptativa) y que sus pesos no son constantes transferibles. La validación externa con recalibración local es una condición previa para aplicar el indicador o sus umbrales a otras ciudades. Los hallazgos de salud son estrictamente generadores de hipótesis, limitados por el sesgo de confusión ecológica y la incapacidad de separar las características a nivel de distrito del efecto de la exposición. El punto de transición candidato ($\tau \approx 0.65$) es una característica descriptiva de la muestra de calibración de Isfahán, no un umbral biológico validado o un corte de gestión.