Investigación sobre la relación no lineal entre las emisiones de carbono de la tierra residencial y el entorno construido: un estudio de caso del condado de Susong, provincia de Anhui, utilizando el modelo XGBoost-SHAP
Autores: Xu, Congguang; Xiong, Wei; Zhang, Simin; Shi, Hailiang; Wu, Shichao; Bao, Shanju; Xiao, Tieqiao
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Terreno residencial
Emisiones de carbono
Entorno urbano construido
Modelo de aprendizaje automático
XGBoost-SHAP
Factores influyentes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
La tierra residencial es la unidad básica de las emisiones de carbono (EC) a escala urbana. Cuantificar y predecir las EC de la tierra residencial es propicio para lograr la neutralidad de carbono en las ciudades. Este estudio tomó 84 comunidades residenciales en el condado de Susong, en la provincia de Anhui, como objeto de investigación, explorando la relación no lineal entre el entorno construido urbano y las EC de la tierra residencial. Al identificar las EC de la tierra residencial a través del consumo eléctrico de los edificios, se seleccionaron 14 indicadores del entorno construido, incluyendo el área de terreno (AT), la relación de área construida (RAC), la tasa de vegetación (TV), la densidad de edificios (DE), el área total construida (ATC), la tasa de mezcla de uso del suelo (Phh) y la densidad de población permanente (DPP), para establecer un modelo de aprendizaje automático (AM) interpretable basado en el marco de análisis de atribución XGBoost-SHAP. Los resultados de la investigación muestran que, en primer lugar, el ajuste del modelo XGBoost alcanzó el 91.9%, y su precisión de predicción fue mejor que la del árbol de decisión de aumento de gradiente (GBDT), el bosque aleatorio (RF), el modelo Adaboost y el modelo logístico tradicional. En segundo lugar, en comparación con otros modelos de AM, el modelo XGBoost-SHAP explicó los factores que influyen en las EC de la tierra residencial de manera más clara. Los resultados del análisis de atribución SHAP indican que la DE, la RAC y el Phh fueron los factores más importantes que afectan las EC. En tercer lugar, existió una relación no lineal significativa y un efecto umbral entre las variables características del entorno construido y las EC de la tierra residencial. En cuarto lugar, hubo una interacción entre diferentes dimensiones de los factores ambientales, y la DE, la RAC y el Phh desempeñaron un papel dominante en la interacción. Reducir la RAC se considera una estrategia efectiva para la reducción de EC. Esta investigación proporciona sugerencias prácticas para los planificadores urbanos sobre la reducción de las EC de la tierra residencial, lo que tiene importantes implicaciones políticas y significados prácticos.
Descripción
La tierra residencial es la unidad básica de las emisiones de carbono (EC) a escala urbana. Cuantificar y predecir las EC de la tierra residencial es propicio para lograr la neutralidad de carbono en las ciudades. Este estudio tomó 84 comunidades residenciales en el condado de Susong, en la provincia de Anhui, como objeto de investigación, explorando la relación no lineal entre el entorno construido urbano y las EC de la tierra residencial. Al identificar las EC de la tierra residencial a través del consumo eléctrico de los edificios, se seleccionaron 14 indicadores del entorno construido, incluyendo el área de terreno (AT), la relación de área construida (RAC), la tasa de vegetación (TV), la densidad de edificios (DE), el área total construida (ATC), la tasa de mezcla de uso del suelo (Phh) y la densidad de población permanente (DPP), para establecer un modelo de aprendizaje automático (AM) interpretable basado en el marco de análisis de atribución XGBoost-SHAP. Los resultados de la investigación muestran que, en primer lugar, el ajuste del modelo XGBoost alcanzó el 91.9%, y su precisión de predicción fue mejor que la del árbol de decisión de aumento de gradiente (GBDT), el bosque aleatorio (RF), el modelo Adaboost y el modelo logístico tradicional. En segundo lugar, en comparación con otros modelos de AM, el modelo XGBoost-SHAP explicó los factores que influyen en las EC de la tierra residencial de manera más clara. Los resultados del análisis de atribución SHAP indican que la DE, la RAC y el Phh fueron los factores más importantes que afectan las EC. En tercer lugar, existió una relación no lineal significativa y un efecto umbral entre las variables características del entorno construido y las EC de la tierra residencial. En cuarto lugar, hubo una interacción entre diferentes dimensiones de los factores ambientales, y la DE, la RAC y el Phh desempeñaron un papel dominante en la interacción. Reducir la RAC se considera una estrategia efectiva para la reducción de EC. Esta investigación proporciona sugerencias prácticas para los planificadores urbanos sobre la reducción de las EC de la tierra residencial, lo que tiene importantes implicaciones políticas y significados prácticos.