- Los investigadores de Cambridge han desarrollado un modelo de IA para identificar viviendas difíciles de descarbonizar, revolucionando los esfuerzos hacia la neutralidad climática.
- El modelo de IA logra una precisión del 90% en la clasificación de viviendas HtD, ahorrando tiempo y recursos a los responsables políticos.
- El enfoque basado en datos empodera a los residentes y las autoridades para dirigir eficazmente las intervenciones de rehabilitación.
Investigadores del Departamento de Arquitectura de la Universidad de Cambridge han desarrollado un modelo de IA revolucionario capaz de identificar y priorizar viviendas «difíciles de descarbonizar» (HtD) para su rehabilitación y otras medidas de descarbonización. Este enfoque innovador tiene el potencial de desempeñar un papel fundamental para lograr emisiones netas cero, abordando una fuente significativa de emisiones relacionadas con la vivienda que a menudo pasa desapercibida para los responsables políticos.
Viviendas difíciles de descarbonizar: un obstáculo para la neutralidad climática
Las viviendas HtD, que representan más de una cuarta parte de todas las emisiones directas de la vivienda, han sido un importante obstáculo en el camino hacia la consecución de emisiones netas cero. Los factores que contribuyen a la dificultad de descarbonizar estas viviendas incluyen su antigüedad, características estructurales, ubicación, barreras socioeconómicas y la disponibilidad de datos relevantes. Tradicionalmente, los responsables políticos se han centrado en edificios genéricos o en tecnologías de descarbonización específicas, descuidando las viviendas HtD.
El modelo de IA identifica viviendas HtD con una precisión del 90%
Los investigadores de Cambridge, dirigidos por la Dra. Ronita Bardhan y el investigador urbano y científico de datos Maoran Sun, han entrenado un modelo de IA de aprendizaje profundo para clasificar viviendas HtD con una impresionante tasa de precisión del 90 %. Se espera que esta precisión mejore aún más a medida que se incorporen más datos al modelo, un proceso que ya está en marcha.
La Dra. Bardhan enfatizó: «Esta es la primera vez que se emplea la IA para identificar edificios difíciles de descarbonizar utilizando datos de código abierto. Los responsables políticos a menudo carecen de los recursos para realizar auditorías detalladas de cada vivienda, pero nuestro modelo puede ayudar a dirigir sus esfuerzos hacia las viviendas de mayor prioridad, ahorrándoles tiempo y recursos valiosos».
Perspectivas sobre la distribución geográfica
El modelo de IA no solo identifica viviendas HtD, sino que también proporciona información sobre su distribución geográfica. Esta información empodera a las autoridades para dirigir e implementar intervenciones de manera eficiente donde más se necesitan.
Utilización de múltiples fuentes de datos
Los investigadores entrenaron su modelo de IA utilizando una variedad de fuentes de datos, incluidos Certificados de Rendimiento Energético (EPC), imágenes de vistas callejeras, imágenes aéreas, datos de temperatura de la superficie terrestre y datos del parque de edificios. Identificaron 700 viviendas HtD y 635 viviendas no HtD dentro de su ciudad natal, Cambridge, utilizando únicamente datos de acceso público.
Maoran Sun destacó la adaptabilidad del modelo, afirmando: «Entrenamos nuestro modelo utilizando los limitados datos de EPC disponibles. Ahora el modelo puede predecir para las demás viviendas de la ciudad sin necesidad de ningún dato de EPC». Además, este enfoque puede aplicarse en países con conjuntos de datos limitados o dispersos, lo que lo hace accesible a nivel mundial.
Avances en capas de datos
Los investigadores están mejorando activamente su modelo añadiendo capas de datos adicionales relacionadas con factores como el consumo de energía, los niveles de pobreza y las imágenes térmicas de las fachadas de los edificios. Se espera que estas mejoras aumenten aún más la precisión del modelo y proporcionen información más detallada sobre características específicas de los edificios que requieren atención.
Ampliación más allá de Cambridge
Aunque el modelo inicial se desarrolló utilizando Cambridge como sitio de estudio, los investigadores ya están extendiendo su aplicación a otras ciudades del Reino Unido. También están colaborando con una organización basada en productos espaciales para acceder a imágenes térmicas de mayor resolución de nuevos satélites. La Dra. Bardhan ha participado en el programa NSIP de la Agencia Espacial del Reino Unido, donde trabajó en el uso de telescopios espaciales térmicos infrarrojos de alta resolución para monitorizar la eficiencia energética de los edificios a nivel mundial.
Transformación de la política de descarbonización
Este innovador modelo de IA tiene el potencial de transformar las decisiones de política de descarbonización. Al aprovechar las capacidades de la IA y manejar conjuntos de datos más grandes, los responsables políticos pueden tomar decisiones más informadas basadas en evidencias, impulsando estrategias efectivas de adaptación al cambio climático.
La Dra. Bardhan enfatizó: «Empoderar a las personas con sus propios datos les facilita mucho la negociación para obtener apoyo». Añadió: «Estos son conjuntos de datos sencillos, y podemos hacer que este modelo sea muy fácil de usar y accesible para las autoridades y los residentes individuales».
Desafíos únicos de Cambridge
Cambridge, aunque relativamente próspera, presenta su propio conjunto de desafíos para la descarbonización. El parque de viviendas histórico de la ciudad y las ordenanzas de construcción restringen la rehabilitación y el uso de materiales modernos en algunas propiedades de gran valor histórico. Estos desafíos únicos hacen de Cambridge un sitio informativo para refinar el modelo de IA y evaluar su aplicabilidad en entornos urbanos diversos.
Colaboraciones futuras y construcción de consenso
Los investigadores planean discutir sus hallazgos con el Ayuntamiento de Cambridge y continuar trabajando con colegas de Cambridge Zero y la Red de Descarbonización de la universidad. Al hacer que los datos sean más visibles y accesibles para el público, los investigadores creen que la construcción de consenso en torno a los esfuerzos para lograr la neutralidad climática será más alcanzable.
Este innovador modelo de IA representa un avance significativo para abordar el desafío de las viviendas difíciles de descarbonizar, acelerando potencialmente el progreso hacia la consecución de emisiones netas cero en el sector de la vivienda. Su adaptabilidad, precisión y potencial de uso generalizado lo convierten en una herramienta poderosa para los responsables políticos y las personas comprometidas con un futuro sostenible y descarbonizado.
No te limites a leer noticias sobre criptomonedas. Entiéndelas. Suscríbete a nuestro boletín. Es gratis.
Aviso de responsabilidad. La información proporcionada no es un consejo de trading. Cryptopolitan.com no asumimos responsabilidad alguna por las inversiones realizadas basándose en la información proporcionada en esta página. Recomendamos encarecidamente la investigación independiente y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión.
John Palmer
John Murangiri llegó a Cryptopolitan con habilidades en análisis de mercado. John (también conocido como JP) se graduó de la Universidad de Nairobi con un título de licenciatura en comunicación masiva y estudios de medios. Anteriormente, ha contribuido con perspectivas del mercado de criptomonedas a InsideBitcoins.com y Metacoingraph.
