Estimaciones mediante aprendizaje automático de las emisiones urbanas subnacionales de GEI del G20 de 2000 a 2020

Por qué las emisiones de las ciudades importan a todo el mundo

Las ciudades y las regiones están en la primera línea del cambio climático y prometen recortes profundos de la contaminación por gases de efecto invernadero. Sin embargo, para la mayoría de ellas no disponemos de estimaciones fiables sobre cuánto emiten cada año. Este estudio aborda ese punto ciego usando aprendizaje automático moderno para estimar las emisiones anuales que calientan el clima en miles de áreas urbanas de las mayores economías del mundo, ofreciendo a ciudadanos, planificadores y responsables políticos una imagen más clara de dónde se avanza y dónde no.

La promesa creciente y la brecha de datos

En la última década, miles de gobiernos locales se han comprometido con la acción climática y muchos han anunciado objetivos de cero neto. Pero menos de uno de cada diez ha informado de forma regular inventarios detallados de emisiones a lo largo del tiempo. Cuando las ciudades sí informan, sus métodos difieren, los sectores incluidos varían y algunas contabilizan sólo las emisiones dentro de sus fronteras mientras otras incluyen lo que se consume en otro lugar. Las soluciones tradicionales, como escalar simplemente las emisiones nacionales hacia abajo según la población o la renta, pasan por alto los esfuerzos locales y ocultan cambios reales. Otros conjuntos de datos mundiales en rejilla ofrecen consistencia, pero no se ajustan a los límites reales donde los dirigentes locales toman decisiones, lo que limita su utilidad para la planificación práctica.

Un nuevo mapa construido por máquinas

Los autores desarrollan un marco de aprendizaje automático para estimar las emisiones anuales de gases de efecto invernadero de 2000 a 2020 para casi 6.000 ciudades y más de 100 regiones en los países del G20, que en conjunto representan alrededor del 80% de las emisiones mundiales. Reúnen miles de inventarios autoinformados procedentes de redes climáticas y plataformas gubernamentales, y luego los limpian y estandarizan cuidadosamente: verifican entradas duplicadas, valores per cápita poco plausibles, picos o caídas repentinas y unidades inconsistentes. Cada ciudad o región se asocia con un límite administrativo oficial usando la base de datos Global Administrative Areas, de modo que las predicciones se alineen con jurisdicciones reales como provincias, estados, condados y municipios.

Alimentando el modelo con pistas desde el espacio y la sociedad

Para enseñar al modelo cómo emiten distintos lugares, el equipo incorpora una amplia gama de datos de acceso público. Estos incluyen estimaciones satelitales de emisiones de combustibles fósiles, mapas de emisiones por sector, uso de electricidad y contaminación del aire como partículas finas y dióxido de nitrógeno. Añaden indicadores socioeconómicos como la población y el producto interior bruto, así como medidas relacionadas con el clima, como las necesidades de calefacción y refrigeración derivadas de datos meteorológicos. Usando estadísticas zonales, resumen todas estas capas dentro de cada límite urbano o regional y las introducen en un sistema de aprendizaje automático automatizado llamado AutoGluon. Este sistema prueba y combina múltiples modelos subyacentes para predecir de la mejor manera las emisiones que las propias ciudades han informado.

Qué tan bien funcionan las estimaciones

Sobre los datos de emisiones reservados para la validación, el modelo explica la mayor parte de la variación entre distintos lugares, destacando la población y la renta como los factores más influyentes, seguidos por las emisiones de los edificios y el uso de electricidad. Los investigadores también comparan sus estimaciones con dos conjuntos de datos independientes que emplean otros métodos para derivar emisiones a nivel de ciudad o en rejilla. El acuerdo es más fuerte para áreas administrativas de mayor tamaño y se mantiene razonablemente bueno en escalas más finas, aunque las diferencias crecen donde los datos de entrada son escasos o la cobertura sectorial es incompleta. Al construir intervalos de incertidumbre alrededor de cada predicción y examinar cómo discuerdan los distintos componentes del modelo, los autores muestran que las mayores incertidumbres se concentran en regiones con los informes más débiles, en particular en partes del Sur Global.

Qué supone esto para la acción climática

El producto final es un conjunto de datos de acceso público con emisiones anuales para miles de gobiernos subnacionales en los países del G20 desde 2000 hasta 2020, junto con el modelo entrenado para que otros lo amplíen. Estas estimaciones no pretenden sustituir los inventarios locales producidos por las propias ciudades, sino actuar como una línea base coherente allí donde tales inventarios faltan, son fragmentarios o no comparables. Para residentes, activistas y responsables de la toma de decisiones, esto significa que ahora pueden ver cómo han cambiado las emisiones durante dos décadas en ciudades y regiones concretas, identificar puntos críticos y seguir mejor si los compromisos se traducen en reducciones reales de la contaminación climática.

Cita: Yu, Y., Wang, X., Manya, D. et al. Machine learning estimates for G20 subnational urban GHG emissions from 2000–2020. Sci Data 13, 487 (2026). https://doi.org/10.1038/s41597-026-06691-9

Palabras clave: emisiones urbanas de gases de efecto invernadero, aprendizaje automático, ciudades del G20, datos climáticos, política climática subnacional