Enfriamiento urbano

Resumen

La mitigación del calor urbano es una prioridad para muchas ciudades que han sufrido olas de calor en los últimos años. La vegetación puede ayudar a reducir el efecto de isla de calor urbano (ICU) proporcionando sombra, modificando las propiedades térmicas del tejido urbano y aumentando el enfriamiento a través de la evapotranspiración. Esto tiene consecuencias para la salud y el bienestar de la gente a través de la reducción de la mortalidad y la morbilidad, el aumento de la comodidad y la productividad, y la reducción de la necesidad de aire acondicionado (A/C). El modelo de enfriamiento urbano de InVEST calcula un índice de mitigación del calor basado en la sombra, la evapotranspiración y el albedo, así como en la distancia a las islas de enfriamiento (por ejemplo, los parques). El índice se utiliza para estimar una reducción de la temperatura por parte de la vegetación. Por último, el modelo estima el valor del servicio de mitigación del calor utilizando dos métodos de valoración (opcionales): el consumo de energía y la productividad del trabajo.

Introducción

Las ICU afectan a muchas ciudades de todo el mundo, con importantes consecuencias para la salud y el bienestar de las personas: alta mortalidad o morbilidad durante las olas de calor, elevado consumo de aire acondicionado y reducción de la comodidad o la productividad laboral. El efecto ICU, es decir, la diferencia entre las temperaturas rurales y urbanas, es el resultado de las características únicas de las ciudades debido a dos factores principales: las propiedades térmicas de los materiales utilizados en las zonas urbanas (por ejemplo, el hormigón, el asfalto), que almacenan más calor, y la reducción del efecto de enfriamiento (a través de la sombra y la evapotranspiración) de la vegetación.

Por lo tanto, la infraestructura natural desempeña un papel en la reducción de las ICU en las ciudades. Utilizando una literatura de rápido crecimiento sobre la modelización del calor urbano (Deilami et al. 2018), el modelo de enfriamiento urbano InVEST estima el efecto de enfriamiento de la vegetación basándose en los datos comúnmente disponibles sobre el clima, el uso del suelo/la cubierta vegetal (LULC) y (opcionalmente) el uso de A/C.

El modelo

Cómo funciona

Índice de capacidad de enfriamiento

El modelo primero computa el índice de capacidad de enfriamiento (CE) para cada píxel basado en la sombra local, la evapotranspiración y el albedo. Este enfoque se basa en los índices propuestos por Zardo et al. (2017) y Kunapo et al. (2018), a los que añadimos el albedo, un factor importante para la reducción del calor. El factor de sombra (“shade”) representa la proporción de dosel arbóreo (≥2 m de altura) asociado a cada categoría de uso del suelo/cubierta vegetal (LULC). Su valor está comprendido entre 0 y 1. El índice de evapotranspiración (IET) representa un valor normalizado de la evapotranspiración potencial, es decir, la evapotranspiración de la vegetación (o la evaporación del suelo, para las zonas sin vegetación). Se calcula para cada píxel multiplicando la evapotranspiración de referencia (\(ETo\), proporcionada por usted) y el coeficiente de cultivo (\(Kc\) , asociado al tipo de LULC del píxel), y dividiéndolo por el valor máximo del ráster \(ETo\) del área de interés, \(ETmax\):

(102)\[ETI = \frac{K_c \cdot ET0}{ET_{max}}\]

Nótese que esta ecuación supone que las zonas con vegetación están suficientemente regadas (aunque los valores de Kc pueden reducirse para representar la evapotranspiración limitada por el agua).

El factor de albedo es un valor entre 0 y 1 que representa la proporción de radiación solar reflejada por el tipo de LULC (Phelan et al. 2015).

El modelo combina los tres factores en el índice CE:

(103)\[CC_i = 0.6 \cdot shade + 0.2\cdot albedo + 0.2\cdot ETI\]

La ponderación recomendada (0,6; 0,2; 0,2) se basa en datos empíricos y refleja el mayor impacto del sombreado en comparación con la evapotranspiración. Por ejemplo, Zardo et al. 2017 informan que «en áreas menores de dos hectáreas [a la evapotranspiración] se asignó un peso de 0,2 y un sombreado de 0,8. En áreas mayores de dos hectáreas los pesos se cambiaron a 0,6 y 0,4, para [evapotranspiración] y sombreado respectivamente». En el presente modelo, proponemos desagregar los efectos de la sombra y el albedo en la ecuación (83), y dar al albedo el mismo peso que al IET, basándonos en los resultados de Phelan et al. (2015) (véase la tabla 2 de su estudio, que muestra que la vegetación y el albedo tienen coeficientes similares).

Nota: usted puede introducir manualmente ponderaciones alternativas para comprobar la sensibilidad de los resultados del modelo a este parámetro (o si se dispone de conocimientos locales).

Opcionalmente, el modelo puede considerar otro factor, la intensidad (\(building.intensity\) para una determinada clasificación de la cobertura del suelo), que capta la dimensión vertical de la infraestructura construida. La intensidad de la construcción es un importante factor de predicción de la temperatura nocturna, ya que el calor almacenado por las construcciones y edificios durante el día se libera durante la noche. Para predecir las temperaturas nocturnas, quienes usan el modelo deben proporcionar el factor de intensidad de las construcciones para cada clase de uso del suelo en la Tabla Biofísica y el modelo cambiará la ecuación (103) a:

(104)\[CC_i = 1 - building.intensity\]

Índice de mitigación del calor urbano (efecto de los grandes espacios verdes)

Para tener en cuenta el efecto de enfriamiento de los grandes espacios verdes (>2 ha) en las zonas circundantes (véase la discusión en Zardo et al. (2017) y McDonald et al. (2016)), el modelo calcula el índice HM urbano: HM es igual a CE si el píxel no está afectado por ningún espacio verde grande, pero en caso contrario se establece un promedio ponderado por la distancia de los valores de CC de los espacios verdes grandes y el píxel de interés.

Nota

El modelo no comprueba si los espacios verdes son contiguos. Por lo tanto, muchos pequeños espacios verdes dentro de la distancia de búsqueda tendrán el mismo efecto sobre mitigación del calor urbano que un único gran espacio verde de la misma superficie dentro de la distancia de búsqueda.

Para ello, el modelo calcula primero la superficie de los espacios verdes dentro de una distancia de búsqueda \(d_{cool}\) alrededor de cada píxel (\(GA_i\)), y la CE que proporciona cada parque (\(CC_{park_i}\)):

(105)\[{GA}_{i}=cell_{area}\cdot\sum_{j\in\ d\ radius\ from\ i} g_{j}\]

(106)\[CC_{park_i}=\sum_{j\in\ d\ radius\ from\ i} g_j \cdot CC_j \cdot e^{\left( \frac{-d(i,j)}{d_{cool}} \right)}\]

where \(cell_{area}\) is the area of a cell in ha, \(g_j\) is 1 if pixel \(j\) es espacio verde o 0 si no lo es, \(d(i,j)\) es la distancia entre los píxeles \(i\) y \(j\), \(d_{cool}\) es la distancia sobre la que un espacio verde tiene un efecto de enfriamiento, y \(CC_{park_i}\) es la media ponderada por distancia de los valores de CC atribuibles a los espacios verdes. (Obsérvese que las clases de LULC que se califican como «espacios verdes» son determinadas por usted con el parámetro “green_area” en la tabla biofísica, véase la tabla de inputs en la sección 3). A continuación, el índice HM se calcula como

(107)\[\begin{split}HM_i = \begin{Bmatrix} CC_i & if & CC_i \geq CC_{park_i}\ or\ GA_i < 2 ha \\ CC_{park_i} & & otherwise \end{Bmatrix}\end{split}\]

Estimaciones de la temperatura del aire

Para estimar la reducción del calor en toda la ciudad, el modelo utiliza la magnitud ICU (a escala de la ciudad), \(UHI_{max}\). Se pueden obtener los valores de la literatura local o de estudios globales: por ejemplo, el Global Surface UHI Explorer desarrollado por la Universidad de Yale, proporciona estimaciones anuales, estacionales, diurnas y nocturnas (https://yceo.users.earthengine.app/view/uhimap). Hay que tener en cuenta que la magnitud de la ICU se define para un periodo específico (por ejemplo, el clima actual o futuro) y el tiempo (por ejemplo, las temperaturas nocturnas o diurnas). La selección del periodo y del tiempo afectará a la cuantificación y valoración del servicio.

La temperatura del aire sin mezcla de aire \(T_{air_{nomix}}\) se calcula para cada píxel como:

(108)\[T_{air_{nomix},i}=T_{air,ref} + (1-HM_i)\cdot UHI_{max}\]

Donde \(T_{air,ref}\) es la temperatura rural de referencia y \(UHI_{max}\) es la magnitud máxima del efecto ICU para la ciudad (o más precisamente, la diferencia entre \(T_{air,ref}\) y la temperatura máxima observada en la ciudad).

Debido a la mezcla del aire, estas temperaturas se promedian espacialmente. La temperatura real del aire (con mezcla), \(T_{air}\), se deriva de \(T_{air_{nomix}} utilizando una función gaussiana con radio de núcleo :math:`r\), definido por usted.

Para cada área de interés (que es una capa SIG vectorial proporcionada por usted), calculamos la temperatura media y la anomalía de temperatura \((T_{air,i} - T_{air,ref})\).

Valor del servicio de reducción de calor

El valor de la reducción de la temperatura puede evaluarse al menos de tres maneras:

1. ahorro de energía por la reducción del consumo de electricidad del aire acondicionado

2. aumento de la productividad laboral en trabajos exteriores;

3. disminución de la morbilidad y la mortalidad relacionadas con el calor.

El modelo proporciona estimaciones de (i) ahorro energético y (ii) productividad laboral basadas en análisis de regresión globales o en datos locales.

Ahorro de energía: el modelo utiliza una relación entre el consumo de energía y la temperatura (por ejemplo, resumida por Santamouris et al. (2015)) para calcular el ahorro de energía y los costos asociados para una construcción \(b\):

(109)\[Energy.savings(b)= consumption.increase(b) \cdot (\overline{T_{air,MAX} - T_{air,i}})\]

Donde:

• \(consumption.increase(b)\) (kWh/° C/\(m^2\)) es la estimación local del aumento del consumo de energía por cada grado de temperatura por metro cuadrado de la huella de construcción, para la categoría de construcción \(b\).

• \(T_{air,MAX}\) (° C) es la temperatura máxima sobre el paisaje \((T_{air,ref} + UHI_{max})\);

• \(overline{T_{air,MAX}\) - T_{air,i}} (° C) es la diferencia media de la temperatura del aire para la construcción \(b\), con \(T_{air,i}\) modelizado en los pasos anteriores.

Si se proporcionan los costos para cada categoría de construcción, la ecuación (109) se sustituye por la ecuación (110).

(110)\[Energy.savings(b)= consumption.increase(b) \cdot (\cdot T_{air,MAX} - T_{air,i}}) \cdot cost(b)\]

Donde:

• \(cost(b)\) es la estimación del costo energético por kWh para la categoría de construcción \(b\). Tenga en cuenta que es muy probable que sea igual para todas las construcciones.

Para calcular el ahorro total de energía, sumamos los valores a nivel de píxel sobre el área de interés.

Productividad laboral: el modelo convierte la temperatura del aire en temperatura del globo húmedo (TGH) para calcular el impacto del calor en la productividad laboral. La TGH tiene en cuenta la humedad, y puede estimarse a partir de datos meteorológicos estándar de la siguiente manera (American College of Sports Medicine, 1984, Apéndice I):

… math:: WBGT_i = 0,567 cdot T_{air,i} + 0,393 cdot e_i + 3,94

label:

[7]

Donde:

• \(T_{air}\) = temperatura proporcionada por el modelo (temperatura de globo seco (° C))

• \(e_i\) = presión de vapor de agua (hPa)

La presión de vapor se calcula a partir de la temperatura y la humedad relativa mediante la ecuación

(111)\[e_i = \frac{RH}{100} \cdot 6,105 \cdot e^{left ( 17,27 \cdot \frac{T_{air,i}}(237,7 + T_{air,i})} \cdot )}\]

Donde:

• \(RH\) = humedad relativa media (%) proporcionada por usted

Para cada píxel, el modelo calcula la pérdida estimada de productividad (%) para dos intensidades de trabajo: «trabajo ligero» y «trabajo pesado» (basado en el tiempo de descanso necesario a diferentes intensidades de trabajo, según la Tabla 2 de Kjellstrom et al. 2009):

(112)\[\begin{split}Loss.light.work_i = \begin{Bmatrix} 0 & si & WBGT < 31,5\\ 25 & si & 31.5 \leq WBGT < 32.0 \\\a 50 & si & 32,0 \leq WBGT < 32,5 \\\\a 75 y si y 32,5 WBGT \N - \N - \fin {Bmatrix}\end{split}\]

(113)\[\begin{split}Loss.heavy.work_i = \begin{Bmatrix} 0 & si & WBGT < 27.5\\\\N- 25 & si & 27.5 \leq WBGT < 29.5 \\\\a 50 & si & 29,5 \leq WBGT < 31,5 \\\\leq 75 y si y 31,5 WBGT \N - \fin {Bmatrix}\end{split}\]

En este caso, el «trabajo ligero» corresponde a una tasa metabólica de aproximadamente 200 vatios, es decir, el trabajo de oficina y las industrias de servicios, y el «trabajo pesado» corresponde a 400 vatios, es decir, la construcción o el trabajo agrícola. Si no se dispone de datos específicos de la ciudad sobre la distribución de los sectores laborales brutos, usted puede estimar la población activa de la ciudad en 3 sectores (servicios, industria, agricultura) utilizando datos del Banco Mundial a nivel nacional (por ejemplo, «empleo en la industria, hombres (%)» y similares). La pérdida de tiempo de trabajo para una temperatura determinada puede calcularse utilizando los tiempos de descanso de la Tabla 2 (Kjellstrom et al. 2009) y la proporción de población trabajadora en los distintos sectores. Si se dispone de datos locales sobre los salarios medios por hora de los distintos sectores, estas pérdidas de tiempo de trabajo pueden traducirse en pérdidas monetarias.

Por último, en el caso del «trabajo ligero», hay que tener en cuenta que la prevalencia del aire acondicionado puede influir. Si la mayoría de los edificios de oficinas están equipados con A/C, usted podría querer reducir la pérdida de tiempo de trabajo para el sector de servicios en la misma proporción que la prevalencia del A/C.

Limitaciones y simplificaciones

Debido a las simplificaciones descritas anteriormente, el modelo presenta una serie de limitaciones que se resumen aquí.

Índice CE: el índice se basa en ponderaciones empíricas, derivadas de un número limitado de estudios de casos, que modulan el efecto de los factores clave que contribuyen al efecto de enfriamiento (ecuación (83)). Este paso de ponderación comprende altas incertidumbres, como se revisa en Zardo et al. (2017). Para caracterizar y reducir esta incertidumbre, se puede probar la sensibilidad del modelo a estos parámetros o realizar estudios experimentales que proporcionen información sobre los efectos relativos de la sombra, el albedo y la evapotranspiración.

Efecto de los grandes parques y de la mezcla de aire: dos parámetros captan el efecto de los grandes espacios verdes y de la mezcla de aire ( \(d_{cool}\) y \(r\)). El valor de estos parámetros es difícil de obtener a partir de la literatura, ya que varían con las propiedades de la vegetación, el clima (efecto de los grandes espacios verdes) y los patrones de viento (mezcla de aire). De forma similar a lo que ocurre con el CE, usted puede caracterizar y reducir estas incertidumbres probando la sensibilidad del modelo a estos parámetros y comparando los patrones espaciales de temperatura estimados por el modelo con los datos observados o modelizados (véanse Bartesaghi et al. 2018 y Deilami et al. 2018 para obtener información adicional sobre dichas comparaciones).

Opciones de valoración: las opciones de valoración que actualmente admite el modelo están relacionadas con el consumo de energía de A/C y la productividad del trabajo al aire libre. Para el consumo de energía de A/C, se necesita evaluar la prevalencia de A/C y reducir las estimaciones en consecuencia (es decir, reducir el consumo de energía proporcionalmente al uso real de A/C).

La valoración de los efectos del calor urbano sobre la salud no se incluye actualmente en el modelo, a pesar de su importancia (McDonald et al. 2016). Esto se debe a que estos efectos varían drásticamente entre ciudades y es difícil extrapolar los conocimientos actuales basados predominantemente en el Norte Global (Campbell et al. 2018). Las posibles opciones para obtener estimaciones del impacto en la salud incluyen:

• utilizar los datos globales de McMichael et al. (2003), que utilizan una relación lineal por encima de un umbral de temperatura para estimar la fracción anual atribuible de muertes debidas a los días calurosos o,

• para aplicaciones en los Estados Unidos, se desarrolló una metodología basada en las relaciones a escala nacional entre la mortalidad y el cambio de temperatura: véase McDonald et al. (2016).

Gasparrini et al. (2014) desglosan el aumento de la mortalidad atribuible al calor para 384 ciudades de 13 países. El resultado de \(T_air\) del modelo InVEST podría utilizarse para determinar la fracción de mortalidad atribuible al calor (primero determinar en qué percentil cae \(T_{air,i}\), y luego utilizar la Tabla S3 o la Tabla S4 del apéndice).

Necesidades de datos

Nota

Todos los inputs espaciales deben tener exactamente el mismo sistema de coordenadas proyectadas (con unidades lineales de metros), no un sistema de coordenadas geográficas (con unidades de grados).

• Workspace (directorio, requerido): The folder where all the model’s output files will be written. If this folder does not exist, it will be created. If data already exists in the folder, it will be overwritten.

• Sufijo Del Archivo (texto, opcional): Sufijo que se añadirá a todos los nombres de archivos resultantes. Es útil para diferenciar entre las ejecuciones del modelo.

• Uso Del Suelo/Cobertura Del Suelo (ráster, requerido): Mapa de LULC para el área de interés. Todos los valores de este ráster deben tener los inputs correspondientes en la Tabla Biofísica.

  El modelo utilizará la resolución y la proyecciín de esta capa para remuestrear y reproyectar todos los resultados. La resolución debe ser lo suficientemente pequeña como para captar el efecto de los espacios verdes en el paisaje, aunque las categorías de LULC pueden comprender una mezcla de coberturas con y sin vegetación (por ejemplo, «residencial», que puede tener una cobertura de dosel del 30%).

• Tabla Biofísica (CSV, requerido): Una tabla que asigna cada código LULC a los datos biofísicos de esa clase LULC. Todos los valores del ráster LULC deben tener los inputs correspondientes en esta tabla.

  Columnas:

  • lucode (entero, requerido): Código LULC del ráster LULC. Cada código debe ser un número entero único.

  • kc (número, unidades: sin unidades, requerido): Coeficiente de cultivo para esta clase de LULC.

  • green_area (verdadero/falso): Introduzca 1 para indicar que el LULC se considera una zona verde. Introduzca 0 para indicar que el LULC no se considera una zona verde.

    Las zonas verdes de más de 2 hectáreas tienen un efecto refrigerante adicional.

  • shade (proporción, condicionalmente requerido): The proportion of area in this LULC class that is covered by tree canopy at least 2 meters high. Required if the “factors” option is selected for the Cooling Capacity Calculation Method.

  • albedo (proporción, condicionalmente requerido): The proportion of solar radiation that is directly reflected by this LULC class. Required if the “factors” option is selected for the Cooling Capacity Calculation Method.

  • building_intensity (proporción, condicionalmente requerido): The ratio of building floor area to footprint area, with all values in this column normalized between 0 and 1. Required if the “intensity” option is selected for the Cooling Capacity Calculation Method.

• Reference Evapotranspiration (ráster, unidades: mm, requerido): Map of reference evapotranspiration values.

  Estos valores pueden ser para una fecha específica o se pueden usar valores mensuales como sustituto proxy.

• Área De Interés (vector, polygon/multipolygon, requerido): Un mapa de zonas sobre el que agregar y resumir los resultados finales.

  La(s) ADI(s) suelen ser los límites de la ciudad o del barrio.

• Distancia Máxima De Enfriamiento (número, unidades: m, requerido): Distancia en la que las zonas verdes de más de 2 hectáreas tienen un efecto refrigerante.

  Es \(d_{cool}\) en la ecuación (106). Valor recomendado: 450 m.

• Temperatura Del Aire De Referencia (número, unidades: °C, requerido): Temperatura del aire en una zona rural de referencia en la que no se observa el efecto de isla de calor urbana.

  Esto es \(T_{air,ref}\) en la ecuación (108). Puede ser la temperatura nocturna o diurna, para una fecha concreta o una media de varios días. Los resultados se darán para el mismo periodo de interés.

• Efecto Isla De Calor Urbana (número, unidades: °C, requerido): The magnitude of the urban heat island effect, i.e., the difference between the rural reference temperature and the maximum temperature observed in the city. This model is designed for cases where UHI is positive, meaning the urban air temperature is greater than the rural reference temperature.

  Esto es \(UHI_{max}\) en la ecuación (108).

• Distancia De Mezcla De Aire (número, unidades: m, requerido): Radio sobre el que se promedian las temperaturas del aire para considerar la mezcla del aire.

  Rango de valores recomendado para la ejecución inicial: 500 m a 600 m; véanse Schatz et al. (2014) y Lonsdorf et al. (2021).

• Método De Cálculo De La Capacidad De Enfriamiento (opción, requerido): El método de predicción de la temperatura del aire a utilizar.

  Opciones:

  • factors: Use the weighted shade, albedo, and ETI factors as a temperature predictor (for daytime temperatures).

  • intensity: Use building intensity as a temperature predictor (for nighttime temperatures).

• Construcciones (vector, polygon/multipolygon, condicionalmente requerido): Un mapa de las huellas de las infraestructuras construidas. Se necesita si se selecciona la opción de ejecutar valoración del ahorro de energía.

  Campo:

  • type (entero, requerido): Código que indica el tipo de construcción. Estos códigos deben coincidir con los de la tabla de consumo energético.

• Ejecutar La Valoración Del Ahorro De Energía (verdadero/falso): Ejecutar el modelo de valoración del ahorro energético.

• Ejecutar La Valoración De La Productividad Del Trabajo (verdadero/falso): Ejecutar el modelo de valoración de la productividad del trabajo.

• Tabla De Consumo De Energía (CSV, condicionalmente requerido): Una tabla de datos de consumo de energía para cada tipo de construcción. Se necesita si se selecciona la opción de ejecutar la valoración del ahorro de energía.

  Columnas

  • type (entero, requerido): Building type codes matching those in the Buildings vector.

  • consumption (número, unidades: kWh/(m² · °C), requerido): Consumo de energía por superficie de la huella para este tipo de construcción.

    Nota

    El valor del consumo es por unidad de superficie de huella, no de superficie de piso. Este valor debe ajustarse al número medio de pisos de las estructuras de este tipo.

  • cost (número, unidades: unidades monetarias/kWh, opcional): El costo de la electricidad para este tipo de construcción. Si se proporciona esta columna, los resultados de ahorro de energía estarán en esta unidad monetaria en lugar de en kWh.

    Es muy probable que los valores de esta columna sean los mismos para todos los tipos de construcciones.

• Humedad Relativa Media (porcentaje, condicionalmente requerido): La humedad relativa media durante el período de tiempo de interés. Requerida si se selecciona la opción de ejecutar valoración de la productividad del trabajo.

• Peso De La Sombra (proporción, opcional): La ponderación relativa que se aplica a la sombra cuando se calcula el índice de capacidad de enfriamiento. Si no se proporciona, el valor predeterminado es 0.6.

• Poneración Del Albedo (proporción, opcional): La ponderación relativa que se aplica al albedo cuando se calcula el índice de capacidad de enfriamiento. Si no se proporciona, el valor predeterminado es 0.2.

• Ponderación De La Evapotranspiración (proporción, opcional): La ponderación relativa que se aplicará al IET cuando se calcule el índice de capacidad de enfriamiento. Si no se proporciona, el valor predeterminado es 0.2.

Interpretación de los resultados

• hm_[Suffix].tif: The calculated HMI.

• uhi_results_[Suffix].shp: Una copia del vector de input «Área de interés» con los siguientes campos adicionales:

  • «avg_cc» - Valor medio de CE (-).

  • «avg_tmp_v» - Valor medio de la temperatura (gradC).

  • «avg_tmp_an» - Anomalía de la temperatura media (gradC).

  • «avd_eng_cn» - (opcional) Consumo de energía evitado (kWh o $ si la columna opcional de input de energía costo se proporcionó en la tabla de consumo de energía).

  • «avg_wbgt_v» - (opcional) TGH media (gradC).

  • «avg_ltls_v» - (opcional) Pérdida de productividad en trabajos ligeros (%).

  • «avg_hvls_v» - (opcional) Pérdida de productividad en el trabajo pesado (%).

• buildings_with_stats_[Sufijo].shp: Una copia del vector de input «Huellas de construcciones» con los siguientes campos adicionales:

  • «energy_sav» - Valor de ahorro de energía (kWh o moneda si se proporcionó la columna opcional de input de energía costo en la Tabla de Consumo de Energía). El ahorro es relativo a un escenario teórico en el que la ciudad NO contiene áreas naturales ni espacios verdes; donde CE = 0 para todas las clases LULC.

  • «mean_t_air» - Valor medio de la temperatura en la construcción (gradC).

La carpeta intermedia contiene resultados adicionales del modelo:

• cc_[Sufijo].tif: Ráster de valores CE.

• T_air_[Sufijo].tif: Ráster de valores estimados de temperatura del aire.

• T_air_nomix_[Suffijo].tif: Ráster de los valores de temperatura del aire estimados antes de la mezcla del aire (es decir, antes de aplicar el algoritmo de media móvil).

• eti_[Sufijo].tif: Ráster de valores de evapotranspiración real (evapotranspiración de referencia por coeficiente de cultivo «Kc»).

• wbgt_[Sufijo].tif: Ráster del TGH calculado.

• reprojected_aoi_[Sufijo].shp: El área de interés definida por usted, reproyectada a la referencia espacial del LULC.

• reprojected_buildings_[Sufijo].shp: El vector de construcciones definido por usted, reproyectado a la referencia espacial de la LULC.

Apéndice: Fuentes de datos y orientación para la selección de parámetros

Land Use/Land Cover

Kc

Reference Evapotranspiration

Building Footprints

Albedo

El albedo para las infraestructuras urbanas construidas puede encontrarse en la literatura sobre el microclima local. Deilami et al. (2018) y Bartesaghi et al. (2018) proporcionan una revisión útil. Stewart y Oke (2012) proporcionan rangos de valores para las categorías típicas de LULC.

Distancia máxima de enfriamiento de la zona verde

Distancia (metros) en la que los parques urbanos grandes (>2 ha) tienen un efecto de enfriamiento. Véase una breve revisión en Zardo et al. (2017), que incluye un estudio que informa de un efecto de enfriamiento a una distancia cinco veces superior a la altura del árbol. En ausencia de estudios locales, se puede utilizar una estimación de 450 m.

Temperatura del aire de referencia

La temperatura de referencia rural (°C) puede obtenerse de estaciones de temperatura locales o de datos climáticos globales.

Magnitud del efecto ICU

Es decir, la diferencia entre la temperatura máxima en la ciudad y la temperatura del aire de referencia rural (línea de base). A falta de estudios locales, se pueden obtener los valores de un estudio global realizado por Yale: https://yceo.users.earthengine.app/view/uhimap

Distancia de mezcla máxima de la temperatura del aire

Radio de búsqueda (metros) utilizado en la media móvil para tener en cuenta la mezcla del aire. Se puede utilizar un rango de valores iniciales recomendados de 500 m a 600 m basado en pruebas preliminares en ciudades piloto (Minneapolis-St Paul, EE.UU. y París, Francia). Este parámetro puede utilizarse como parámetro de calibración si se dispone de datos de temperatura observados o modelizados.

Huellas de construcción

Tabla de consumo de energía

El consumo de energía (kWh/°C) varía mucho entre países y ciudades. Santamouris et al. (2015) proporcionan estimaciones del consumo de energía por °C para una serie de ciudades de todo el mundo. En el caso de Estados Unidos, los datos de la EPA EnergyStar Portfolio Manager pueden proporcionar promedios categóricos, así como datos de construcciones específicas: https://www.energystar.gov/buildings/facility-owners-and-managers/existing-buildings/use-portfolio-manager/understand-metrics/what-energy. Nota: Si la prevalencia del aire acondicionado es baja, esta métrica de valoración no debería utilizarse, ya que asume que los costos energéticos aumentarán con las temperaturas más altas (y un mayor uso del aire acondicionado). Los datos de prevalencia de A/C para los EE.UU. pueden obtenerse de la encuesta American Housing Survey: https://www.census.gov/programs-surveys/ahs.html

Humedad relativa media

La humedad relativa media (%) durante las olas de calor puede obtenerse de las estaciones de temperatura locales o de los datos climáticos globales.

Preguntas frecuentes

• ¿Cuál es la resolución de salida?

  Las resultados del modelo son de dos tipos: rásteres y vectores. Los rásteres tienen la misma resolución que el input LULC (todos los demás inputs ráster se remuestrean a la misma resolución).

• ¿Por qué el modelo no calcula los impactos sobre la salud?

  Los efectos del calor en la salud humana varían enormemente entre las ciudades y es difícil desarrollar un modelo genérico de InVEST que los capte y cuantifique con precisión para todas las ciudades. Véase el punto sobre «Valoración de los efectos del calor urbano sobre la salud» en la sección de Limitaciones del modelo para obtener más detalles y vías para evaluar los impactos de la mitigación del calor urbano sobre la salud.

Referencias

Allen, R. G., Pereira, L. S., Raes, D. y Smith, M. (1998). Crop evapotranspiration - Guidelines for computing crop water requirements - FAO Irrigation and drainage paper 56. FAO, Roma, Italia.

American College of Sports Medicine (1984). Prevention of Thermal Injuries During Distance Running. Medicine and Science in Sports & Exercise, 16(5), ix-xiv. https://doi.org/10.1249/00005768-198410000-00017

Bartesaghi, C., Osmond, P. y Peters, A. (2018). Evaluating the cooling effects of green infrastructure : A systematic review of methods, indicators and data sources. Solar Energy, 166(February), 486-508. https://doi.org/10.1016/j.solener.2018.03.008

Campbell, S., Remenyi, T. A., White, C. J. y Johnston, F. H. (2018). Heatwave and health impact research: A global review. Health & Place, 53, 210-218. https://doi.org/https://doi.org/10.1016/j.healthplace.2018.08.017

Deilami, K., Kamruzzaman, M. y Liu, Y. (2018). Urban heat island effect: A systematic review of spatio-temporal factors, data, methods, and mitigation measures. International Journal of Applied Earth Observation and Geoinformation, 67, 30-42. https://doi.org/https://doi.org/10.1016/j.jag.2017.12.009

Gasparrini, A., Guo, Y., Hashizume, M., Lavigne, E., Zanobetti, A., Schwartz, J., Tobias, A., Tong, S., Rocklöv, J., Forsberg, B., Leone, M., De Sario, M., Bell, M. L., Guo, Y. L., Wu, C., Kan, H., Yi, S., Coelho, M. d., Saldiva, P. H., Honda, Y., Kim, H. y Armstrong, B. (2015). Mortality risk attributable to high and low ambient temperature: a multicountry observational study. The lancet, 386(9991), 369-375. https://doi.org/10.1016/S0140-6736(14)62114-0

Kjellstrom, T., Holmer, I. y Lemke, B. (2009). Workplace heat stress, health and productivity - an increasing challenge for low and middle-income countries during climate change. Global Health Action, 2, 10.3402/gha.v2i0.2047. https://doi.org/10.3402/gha.v2i0.2047

Kunapo, J., Fletcher, T. D., Ladson, A. R., Cunningham, L. y Burns, M. J. (2018). A spatially explicit framework for climate adaptation. Urban Water Journal, 15(2), 159-166. https://doi.org/10.1080/1573062X.2018.1424216

Lonsdorf, E.V., Nootenboom, C., Janke, B. y Horgan, B.P. (2021). Assessing urban ecosystem services provided by green infrastructure: Golf courses in the Minneapolis-St. Paul metro area. Landscape and Urban Planning, 208. https://doi.org/10.1016/j.landurbplan.2020.104022

McDonald, R. I., Kroeger, T., Boucher, T., Wang, L. y Salem, R. (2016). Planting Healthy Air: A global analysis of the role of urban trees in addressing particulate matter pollution and extreme heat. CAB International, 128-139.

McMichael, A. J., Campbell-Lendrum, D. H., Corvalán, C. F., Ebi, K. L., Githeko, A. k., Scheraga, J. D. y Woodward, A. (2003). Climate change and human health: risks and responses. World Health Organization. Ginebra, Suiza.

Phelan, P. E., Kaloush, K., Miner, M., Golden, J., Phelan, B., Iii, H. S. y Taylor, R. A. (2015). Urban Heat Island : Mechanisms , Implications , and Possible Remedies. Annual Review of Environment and Resources, 285-309. https://doi.org/10.1146/annurev-environ-102014-021155

Santamouris, M., Cartalis, C., Synnefa, A. y Kolokotsa, D. (2015). On the impact of urban heat island and global warming on the power demand and electricity consumption of buildings - A review. Energy & Buildings, 98, 119-124. https://doi.org/10.1016/j.enbuild.2014.09.052

Shatz, J. y Kucharik, C.J. (2014). Seasonality of the Urban Heat Island Effect in Madison, Wisconsin. Journal of Applied Meteorology and Climatology, 53(10), 2371-2386. https://doi.org/10.1175/JAMC-D-14-0107.1

Stewart, I. D. y Oke, T. R. (2012). Local climate zones for urban temperature studies. American Meteorological Society. https://doi.org/10.1175/BAMS-D-11-00019.1

Zardo, L., Geneletti, D., Prez-soba, M. y Eupen, M. Van. (2017). Estimating the cooling capacity of green infrastructures to support urban planning. Ecosystem Services, 26, 225-235. https://doi.org/10.1016/j.ecoser.2017.06.016