Metodología de la Herramienta de Modelado de Intervenciones para la Reducción de Islas de Calor

Introducción

En respuesta a los retos que plantean las islas de calor urbanas (ICU) en la megalópolis, la Comisión Ambiental de la Megalópolis (CAMe) dentro del 'Proyecto Piloto de identificación y evaluación de acciones y proyectos estratégicos para la atención de las Islas de Calor Urbanas en la Megalópolis', ha priorizado determinar y evaluar acciones y proyectos puntuales de prevención, adaptación y mitigación que protejan a la población y el medio ambiente. Esta iniciativa es clave para abordar el desafío de las ICU en 10 demarcaciones territoriales de la Megalópolis, seleccionadas a partir de estudios previos de la UNAM financiados por CONAHCyT y SECTEI, que ya identificaron la presencia y evolución de las ICU a nivel municipal.

El objetivo de este documento es explicar la metodología que sustenta la herramienta de Modelado de Intervenciones para la Reducción de Islas de Calor Urbanas (MICU), cuyo propósito principal es modelar probabilísticamente la Temperatura de la Superficie Terrestre (TST) bajo dos escenarios: uno base, construido con información actual, y otro alternativo, que modela la implementación de intervenciones.

Los resultados de ambos escenarios se estiman mediante modelos de aprendizaje automático. Específicamente, mediante un modelo de regresión de refuerzo de gradiente basado en histogramas (HistGBR, por sus siglas en inglés). La herramienta simula las acciones definidas por el usuario y genera predicciones precisas sobre su impacto potencial en la TST. Esto permite cuantificar el impacto de las estrategias de mitigación urbana (techos fríos, arborización, pavimentos reflectantes) en indicadores ambientales y socioeconómicos a nivel de polígono y a escala municipal.

Procesamiento y Modelado de ICU

Esta sección detalla la metodología para la adquisición de datos geoespaciales y la generación de modelos predictivos.

Insumos

El análisis de las ICU requiere la extracción y el procesamiento de datos geoespaciales fundamentales para el análisis de las ICU. Se utiliza Google Earth Engine (GEE) para la adquisición, el procesamiento y el cálculo de los siguientes insumos geoespaciales dentro del área de estudio definida.

1. Temperatura de la Superficie Terrestre (TST): Representación digital de la temperatura de la superficie terrestre, expresada en grados Celsius. Esta capa se calcula como la mediana de las imágenes de Landsat 8 dentro del período de análisis ^[1]. Específicamente, después de filtrar las imágenes por límites espaciales, fechas y remover nubosidad, se obtiene un compuesto mediano de todas las imágenes conseguidas en el período de análisis.
2. Albedo: Reflectividad superficial, calculada de manera similar a la TST. Esta capa de Albedo se calcula como la mediana de los valores de Albedo para cada píxel dentro de tu período de análisis ^[2].
3. Índice de Vegetación de Diferencia Normalizada (NDVI): Evalúa la cobertura y calidad de la cobertura vegetal. Para cada imagen individual de Landsat 8, se calculó el NDVI utilizando la diferencia normalizada de las bandas infrarrojo cercano (SR_B5) y rojo (SR_B4) ^[3]. Después de calcular el NDVI para cada imagen en el período de análisis, se tomó la mediana de estos valores para cada píxel.
4. Índice de Agua de Diferencia Normalizada Modificado (MNDWI): Evalúa las masas de agua. Sigue un proceso similar al NDVI y Albedo. Para cada imagen individual de Landsat 8, se calcula el MNDWI utilizando la diferencia normalizada de las bandas verde (SR_B3) e infrarrojo medio (SR_B6) ^[4].
5. Índice de Suelo Descubierto (BSI): Identifica las áreas de suelo descubierto. Para cada imagen individual de Landsat 8, se calcula el BSI utilizando una combinación de bandas SWIR1 (SR_B6), rojo (SR_B4), NIR (SR_B5) y azul (SR_B2) ^[5].
6. Altura de construcciones: Dimensión vertical de los edificios, estructuras e infraestructura que sobresalen del terreno. Esta capa proviene del conjunto de datos estáticos de GHSL ^[6].
7. Luces de noche: Captura la luz emitida desde la superficie terrestre durante la noche. Colección de imágenes de luces nocturnas (VIIRS ^[7]).
8. Modelo Digital de Elevación: Representación digital del relieve de la superficie terrestre, datos estáticos de SRTM ^[8].
9. Superficie construida: Distribución de la superficie construida dentro del área de estudio. Capa proveniente del conjunto de datos estáticos de GHSL ^[9].

Modelación Predictiva

La modelación consiste en realizar un análisis estadístico y de Machine Learning avanzado para comprender los factores determinantes de las Islas de Calor Urbanas y predecir la Temperatura Superficial Terrestre (TST).

La naturaleza no lineal de la temperatura de la superficie terrestre respecto a la morfología urbana requiere modelos de ensamble. La modelación se realiza a partir de múltiples variables predictoras ^[10][11][12], las cuales se detallaron en la sección de Insumos.

El sistema MICU evaluó diversas arquitecturas basadas en árboles de decisión, incluyendo Random Forest, XGBoost e Histogram-based Gradient Boosting Regressor (HGRBoost). Para cada modelo, se calculan y registran el R² Score ^[13], RMSE ^[14] y MAE ^[15] en el conjunto de prueba.

La figura 1 ilustra la distribución de las métricas de ajuste y error de predicción para los tres modelos evaluados.

Figura 1. Evaluación comparativa del rendimiento predictivo de los algoritmos de aprendizaje automático a escala municipal.

Las métricas de desempeño muestran una diferencia mínima entre el Random Forest y el Hist Gradient Boosting. Esta paridad estadística, visualizada a través de las diez demarcaciones de control, provee la justificación empírica fundamental para adoptar el Hist Gradient Boosting: el algoritmo asegura la viabilidad transaccional en el entorno de despliegue web sin incurrir en una penalización estadísticamente significativa sobre la exactitud de la simulación térmica. Por ejemplo, según las métricas de las calibraciones de prueba para el municipio de Toluca (Clave 15106):

• Random Forest: R² = 0.944, RMSE = 1.237, MAE = 0.872
• Hist Gradient Boosting: R² = 0.942, RMSE = 1.255, MAE = 0.899

Para el caso de Jiutepec (Clave 17011):

• Hist Gradient Boosting: R² = 0.939, RMSE = 0.760, MAE = 0.575

El HGRBoost fue seleccionado para el despliegue productivo debido a su mayor eficiencia en conjuntos de datos de gran tamaño espacial. Estos resultados validan la capacidad de generalización espacial del algoritmo Hist Gradient Boosting seleccionado.

Clasificación de Cobertura de Suelo

El proceso de creación de mapas de cobertura del suelo detallados para cada municipio implica la rasterización de geometrías vectoriales y la aplicación de umbrales a índices espectrales utilizando los insumos de NDVI, MNDWI, BSI.

Las clases se asignan siguiendo un orden de prioridad:

1. Áreas Verdes (NDVI):
   • Vegetación densa (NDVI > 0.6)
   • Vegetación moderada (0.4 <= NDVI <= 0.6)
   • Vegetación escasa (0.3 <= NDVI < 0.4)
2. Vialidad: Se asigna utilizando la máscara rasterizada de vialidad.
3. Cuerpos de Agua (MNDWI):
   • Agua profunda (MNDWI > 0.5)
   • Agua poco profunda (0.2 <= MNDWI <= 0.5)
4. Suelo Desnudo (BSI): Se identifica utilizando un umbral basado en el percentil 90 de los valores de BSI.
5. Superficie construida: Áreas restantes dentro de la máscara del área de estudio.

Escenarios de intervención

La herramienta está diseñada para simular y evaluar el impacto de las intervenciones urbanas en la Temperatura de la Superficie Terrestre (TST). Entre las principales estrategias de mitigación, orientadas a reducir la absorción de calor y promover el enfriamiento evaporativo, se encuentran las siguientes:

• Implementación de techos fríos
• Uso de pavimentos fríos (alta reflectividad)
• Arborización y creación de infraestructura verde
• Recuperación o desarrollo de cuerpos de agua
• Incremento de la cobertura vegetal

La modelación de estas intervenciones se realiza para cada tipo de cobertura de suelo dentro del polígono establecido. El usuario es responsable de seleccionar la intervención propuesta para cada categoría de cobertura de suelo.

La herramienta aplica mutaciones específicas a la matriz de características dentro del polígono de intervención, dependiendo de la estrategia:

• Reemplazo Absoluto: Por ejemplo, la aplicación de "techos fríos" impone un valor fijo de Albedo.
• Variación Aditiva/Sustractiva: Incrementos en NDVI o decrementos espaciales en índices relacionados a la retención térmica.
• Variación Relativa: La reducción de emisiones por Eficiencia Energética se simula reduciendo el proxy de Luces Nocturnas mediante un factor porcentual.

Dada la naturaleza termodinámica convectiva del entorno urbano, el enfriamiento no ocurre con bordes duros. La herramienta extrae la diferencia bruta de TST entre el escenario de intervención y el base y le aplica un filtro de desenfoque Gaussiano 2D isotrópico, la herramienta utiliza un filtro Gaussiano con un valor base de .

Cálculo de indicadores

Los indicadores miden los cambios potenciales en las dimensiones de temperatura superficial terrestre, consumo energético, calidad del aire y aspectos socio-demográficos dentro de los polígonos de intervención.

1. Dimensión Temperatura Superficial Terrestre

1.1 Temperatura Superficial Terrestre Promedio (TST)

Cuantifica la media espacial de la temperatura en la superficie terrestre para el área de estudio bajo el escenario base y el escenario con intervención en grados Celsius.

• Método de cálculo: Se computa la media aritmética ignorando valores nulos de los píxeles válidos dentro de la máscara del polígono de análisis.
• Fuente de información: Las matrices de origen derivan del preprocesamiento de imágenes satelitales Landsat 8, y las predicciones son generadas por el algoritmo Hist Gradient Boosting Regressor.

1.2 Enfriamiento Máximo y Cambio Promedio de TST

Evalúa la máxima reducción térmica puntual lograda y la mitigación térmica general resultante de las intervenciones aplicadas en grados Celsius.

• Método de cálculo: Se define un tensor de diferencia . El enfriamiento máximo se extrae evaluando el mínimo global de esta matriz, mientras que el cambio promedio corresponde a la media de la misma.
• Fuente de información: Inferencia diferencial obtenida desde el motor de simulación interno de la herramienta.

2. Dimensión de Consumo Energético

2.1 Consumo Residencial Total de Electricidad

Proyección de la demanda de energía eléctrica residencial anual necesaria para mitigar el exceso de calor, asumiendo el uso de sistemas de climatización o ventilación, medida en megavatios-hora por año (MWh/año).

Método de cálculo: El cálculo se realiza a resolución espacial completa sobre la máscara del área analizada. Para cada píxel, se calcula el frente a un umbral de confort térmico . Es importante destacar que las variables que componen esta ecuación cambian dinámicamente de acuerdo al área de estudio geográfica:

• Consumo de electricidad anual per cápita (Demanda Base) ^[16]: Esta variable se asigna a nivel municipal.
• Umbral de temperatura confortable y Tasa de consumo por grado de aumento ^[17]: La herramienta asigna estos parámetros a escala estatal.

El consumo total anual ponderado por población se obtiene como:

Donde la tasa de consumo incremental y la demanda base per cápita se escalan según el total poblacional del píxel, dividiendo el sumatorio final entre 1000 para escalar de kWh a MWh.

2.2 Ahorro Energético (Impacto de la Mitigación)

Representa el beneficio energético atribuible exclusivamente a la disminución del estrés térmico tras la intervención urbana, medido en megavatios-hora por año (MWh/año) y reducción porcentual (%).

Método de cálculo: Se calcula sustrayendo el consumo total del escenario intervenido al consumo total del escenario base.

3. Dimensión de Calidad del Aire

3.1 Concentración Potencial de Ozono Troposférico

Estima la acumulación potencial de ozono troposférico, un contaminante secundario cuya cinética de formación fotoquímica está catalizada directamente por la temperatura urbana, medida en porcentaje de mejora (%).

Método de cálculo: Emplea un modelo empírico no lineal dependiente de la TST píxel a píxel. La formulación matemática es:

Posteriormente, se integra la suma total en el área enmascarada. La mejora porcentual se calcula como .

4. Dimensión Socio-Demográfica (Estadística Zonal)

4.1 Distribución Poblacional y Vulnerabilidad Climática

Cuantifica la cantidad de población, desagregada por rangos de edad y género, expuesta a cada una de las cuatro categorías de las Islas de Calor Urbanas (Fondo térmico, Transición, Impacto y Núcleo).

Método de cálculo: Se ejecutan superposiciones espaciales (geoprocesamiento de estadística zonal). Se extraen indicadores como:

• Población infantil: Población de 0 a 5 años. Especialmente vulnerable al estrés térmico debido a sus características fisiológicas. ^[20]
• Adultos mayores: Población de 65 años y más. Capacidad reducida para la termorregulación y disminución en la percepción de la sed. ^[21]
• Población con discapacidad: Especialmente vulnerable derivado no solo de factores fisiológicos, sino de barreras estructurales. ^[22][23]
• Población femenina: Población femenina de 15 a 60 años. Especialmente vulnerable debido a las brechas de género y desigualdades estructurales.

4.2 Rezago Habitacional Afectado

Identifica y contabiliza las características estructurales de los hogares que se encuentran inmersos en las distintas isotermas de calor urbano, enfatizando aquellas con carencias de infraestructura que exacerban la vulnerabilidad térmica.

Método de cálculo: Misma metodología de superposición zonal descrita anteriormente, pero filtrando canales censales específicos:

• Viviendas sin acceso a agua entubada.
• Viviendas sin servicio de electricidad.
• Viviendas en situación de hacinamiento.
• Hogares con jefatura femenina.

Limitaciones y Visión a Futuro

A pesar del rigor de la modelación de aprendizaje automático, el enfoque metodológico presenta restricciones inherentes a su abstracción espacial, que se describen a continuación.

Dinamismo termodinámico (Limitación de Fluidos): La versión actual de la herramienta fue diseñada para agilizar la conversación con las autoridades locales, pero no como un sistema de modelado de alta resolución; por lo tanto, carece de acoplamiento bidireccional, ya sea con un Modelo de Dinámica de Fluidos Computacional (CFD) o con simuladores meso-escala de clima (Ej. WRF). El Halo Effect gaussiano es una aproximación empírica isotrópica.

Resolución Temporal Estática: El modelo utiliza compuestos temporales calculados mediante la mediana (reuniendo datos a lo largo de meses sin nubes). Esto ignora el ciclo diurno de la ICU y asume que las propiedades reflectantes permanecen inmutables a lo largo del año.

Vías de mejora: La red de estaciones meteorológicas y de calidad del aire automatizadas aún no alcanza la resolución óptima para alimentar modelos más complejos de clima urbano; sin embargo, conforme la red se extienda, el trabajo futuro debe orientarse a la incorporación de modelos espaciotemporales de Deep Learning (como ConvLSTMs).