Investigadores de la Universidad Nacional de Singapur han creado un modelo basado en IA que mapea las emisiones de carbono de los edificios en múltiples ciudades, proporcionando una herramienta para ayudar a desarrollar políticas climáticas más equitativas y específicas.
Investigadores de la Universidad Nacional de Singapur (NUS) han desarrollado un modelo de inteligencia artificial de código abierto que mapea con precisión las emisiones de carbono de los edificios en varias ciudades importantes. Esta innovación promete ser un punto de inflexión para los responsables políticos que buscan diseñar estrategias de descarbonización específicas y equitativas.
El modelo, surgido de la Facultad de Diseño e Ingeniería (CDE) de la NUS, proporciona a los urbanistas una visualización detallada de la distribución de las emisiones de carbono y sus factores determinantes. Esta claridad sin precedentes busca ayudar a las autoridades a diseñar estrategias de reducción de emisiones más inteligentes y justas.
"Nuestro modelo estima las emisiones de carbono operativas de edificios individuales a escala de ciudades enteras", dijo el autor principal Winston Yap, estudiante de doctorado en el Departamento de Arquitectura del CDE, en un comunicado de prensa.
Publicado En la revista Nature Sustainability, la investigación está dirigida por Filip Biljecki, profesor asistente en el Departamento de Arquitectura.
El modelo del equipo utiliza exclusivamente datos abiertos, lo que lo hace altamente adaptable a diversas ciudades, independientemente de su disponibilidad. Abarca diversos entornos urbanos, como Singapur, Melbourne, Nueva York (Manhattan), Seattle y Washington, D. C., mapeando más de medio millón de edificios en el proceso.
Sorprendentemente, el modelo tuvo en cuenta hasta el 78% de la variación de las emisiones en estos diversos lugares.
"A diferencia de los enfoques anteriores que se basan en datos propietarios, nuestro enfoque abierto está diseñado para ser transferible entre ciudades, incluidas aquellas con diferentes condiciones de disponibilidad de datos", agregó Yap, subrayando la versatilidad del modelo.
El estudio reveló información crucial sobre las diferencias espaciales en las emisiones urbanas e identificó factores influyentes como la forma urbana, el historial de planificación y los niveles de ingresos.
Por ejemplo, aunque los edificios altos son generalmente más eficientes energéticamente por unidad de área, las áreas urbanas densas pueden enfrentar mayores demandas de refrigeración debido al efecto de isla de calor urbana.
Sorprendentemente, las regiones suburbanas, dominadas por casas unifamiliares de poca altura, a menudo rivalizan con los centros urbanos en cuanto a contribución total a las emisiones.
“Las emisiones de los edificios no se limitan al tamaño o la densidad; están profundamente condicionadas por el contexto único de cada ciudad, desde su legado urbanístico hasta las condiciones climáticas y económicas”, añadió Biljecki. “Utilizando únicamente datos abiertos, hemos creado un marco flexible que las ciudades de todo el mundo pueden utilizar para comprender mejor su huella de carbono y planificar respuestas más eficaces”.
La investigación también destacó disparidades socioeconómicas significativas.
Se observó con frecuencia que los barrios más ricos presentaban mayores emisiones per cápita. Cabe destacar que, en Manhattan, unos pocos edificios grandes representaron más de la mitad de las emisiones totales de los edificios.
Este hallazgo sugiere que un precio uniforme del carbono o regulaciones generales podrían afectar injustamente a las comunidades de bajos ingresos que luchan con una infraestructura más antigua y menos eficiente.
“La fijación uniforme de precios del carbono o las regulaciones generalizadas corren el riesgo de imponer una carga injusta a las comunidades de bajos ingresos que ya podrían estar lidiando con infraestructuras antiguas y menos eficientes”, añadió Biljecki. “Nuestros hallazgos resaltan la necesidad de estrategias locales que consideren tanto la intensidad de las emisiones como la vulnerabilidad socioeconómica”.
El modelo aprovecha diversas fuentes de datos, incluidas imágenes satelitales, fotografías de vistas de calles, mapas de población, redes de carreteras y datos climáticos locales, y utiliza redes neuronales gráficas avanzadas para capturar relaciones espaciales entre elementos urbanos.
Al hacer que su enfoque sea completamente de código abierto, los investigadores pretenden impulsar los esfuerzos globales para reducir las emisiones del entorno construido y ayudar a las ciudades a cumplir sus objetivos climáticos.
“Este trabajo demuestra el potencial de la ciencia abierta y la IA para acelerar la sostenibilidad urbana”, añadió Biljecki. “No se trata solo de comprender el origen de las emisiones, sino también de garantizar que la acción climática sea eficaz y justa”.
Fuente: Universidad Nacional de Singapur