Un conjunto de datos diario de CO₂ de alta resolución para China (2016–2020)

Por qué importa rastrear la huella de carbono de China

El dióxido de carbono es el principal gas de origen humano que calienta el planeta, y China es a día de hoy el mayor emisor mundial. Aun en este país, seguido de cerca, ha faltado una imagen clara, día a día, de cómo varían la contaminación por carbono y la absorción natural a lo largo de su vasta geografía. Este artículo presenta un nuevo conjunto de datos de alta resolución que cartografía el CO₂ atmosférico sobre China cada día desde 2016 hasta 2020, ofreciendo una lente más nítida sobre de dónde proviene el carbono, dónde se absorbe y cómo cambian estos patrones con las estaciones.

Vacíos al vigilar un gas invisible

El CO₂ en sí es invisible, al igual que muchos de los procesos que lo liberan o lo absorben. Durante años, los científicos han confiado en dos herramientas principales: estaciones terrestres dispersas que miden el aire en puntos fijos y satélites que escanean la atmósfera desde el espacio. Las estaciones terrestres son muy precisas pero escasas, y dejan sin cubrir la mayor parte del país entre ellas. Satélites como el OCO‑2 de la NASA ofrecen amplia cobertura pero solo observan franjas estrechas de la Tierra en cada órbita y con frecuencia quedan cegados por nubes y bruma. Como resultado, los mapas sin procesar de CO₂ procedentes de satélite están llenos de huecos en el espacio y en el tiempo, lo que limita su utilidad para rastrear emisiones regionales o evaluar políticas climáticas.

Fusionar muchas pistas en una imagen clara

Para rellenar esos huecos, los investigadores desarrollaron un método que aprende cómo se comporta el CO₂ combinando lecturas satelitales con una amplia gama de otra información. Partieron de las mediciones precisas pero fragmentarias de CO₂ del OCO‑2 y las alinearon en una retícula fina que cubre China con un espaciado de aproximadamente 10 kilómetros. Sobre esa retícula superpusieron datos meteorológicos, temperatura, humedad, insolación, humedad del suelo, salud de la vegetación, emisiones por combustibles fósiles, luces nocturnas (como proxy de la actividad económica) y emisiones por incendios, junto con otros productos satelitales de CO₂ y campos de reanálisis globales. A continuación, entrenaron un potente algoritmo de aprendizaje automático llamado XGBoost para predecir el CO₂ en todas partes y cada día a partir de estas pistas combinadas, aprendiendo de hecho cómo distintas condiciones y actividades imprimen su huella en el aire.

Entrenamiento más inteligente para un modelo complejo

Los modelos modernos de aprendizaje automático pueden captar patrones muy sutiles pero son notoriamente sensibles a sus parámetros internos. En lugar de ajustar manualmente esos parámetros, el equipo empleó una estrategia tomada de la estadística llamada optimización bayesiana. Este enfoque busca metódicamente combinaciones de parámetros del modelo que ofrezcan el mejor rendimiento, guiado por ensayos anteriores en lugar de conjeturas aleatorias. También utilizaron una técnica reciente denominada SHAP, que les permite descomponer cada predicción del modelo en contribuciones de factores individuales, como emisiones de combustibles fósiles, vegetación o humedad. Esta transparencia adicional ayuda a asegurar que el modelo refleje un comportamiento físico real —por ejemplo, que las zonas más verdes tienden a extraer más CO₂ del aire— en lugar de patrones espurios ocultos en los datos.

Lo que revelan los nuevos mapas

El conjunto de datos resultante ofrece mapas diarios continuos de la concentración de CO₂ promediada en columna sobre China entre 2016 y 2020. Comparados con observaciones retenidas del OCO‑2, los valores reconstruidos coinciden muy bien, explicando alrededor del 98% de la variación observada y difiriendo en promedio por mucho menos de 1 parte por millón. Comprobaciones independientes contra estaciones terrestres de alta precisión en Hefei y Xianghe confirman que el nuevo producto es al menos tan fiable como, y a menudo mejor que, los conjuntos de reanálisis globales consolidados. Los mapas ponen de relieve un patrón claro de mayores concentraciones de CO₂ sobre las regiones industriales orientales y los conglomerados urbanos densamente poblados, y valores más bajos sobre mesetas elevadas y grandes áreas forestales. También capturan fuertes oscilaciones estacionales: el CO₂ sube en invierno cuando aumenta la demanda de calefacción y energía y el crecimiento vegetal se ralentiza, y disminuye en verano cuando la vegetación alcanza su pico.

Cómo ayuda esto a la acción climática

Para el público general, la conclusión clave es que ahora disponemos de una visión mucho más nítida y continua del CO₂ sobre China—día a día, región por región. Este conjunto de datos no mide directamente las emisiones de fábricas o ciudades, pero mejora considerablemente nuestra capacidad para detectar sus huellas en la atmósfera, separarlas de las variaciones naturales y comprobar si los esfuerzos de reducción de emisiones producen un efecto medible. En términos prácticos, estos mapas de alta resolución pueden ayudar a los científicos a refinar las estimaciones de fuentes y sumideros de carbono, asistir a los responsables políticos en el seguimiento del progreso hacia los objetivos de pico de emisiones y neutralidad de carbono de China, y orientar a industrias y ciudades en la planificación de futuros más limpios y favorables al clima.

Cita: Yuan, Z., Liu, Y., Yang, A. et al. A high-resolution daily CO₂ dataset for China (2016–2020). Sci Data 13, 249 (2026). https://doi.org/10.1038/s41597-026-06569-w

Palabras clave: dióxido de carbono, datos satelitales, emisiones de China, aprendizaje automático, monitorización climática