Descifrando el exterior: predicción de la eficiencia energética de edificios con nuevos datos urbanos masivos

Por qué importa en la vida cotidiana

Calentar y suministrar electricidad a nuestras casas supone silenciosamente una gran parte tanto del consumo energético como de las emisiones que calientan el clima. Sin embargo, determinar cuán permeable o eficiente es cada edificio suele requerir que especialistas visiten, midan e inspeccionen—un proceso costoso y lento que deja muchas viviendas sin evaluar. Este estudio explora si podemos estimar cuánto retienen el calor los edificios simplemente observándolos desde el exterior con imágenes modernas e inteligencia artificial, abriendo la puerta a formas más rápidas y baratas de detectar las viviendas que más necesitan mejoras.

Leer los edificios desde el exterior

Los investigadores se centraron en dos ciudades escocesas, Glasgow y Edimburgo, donde muchas viviendas aún carecen de un Certificado de Rendimiento Energético (EPC)—el informe que califica los edificios de mejor a peor en términos de consumo energético. En lugar de enviar inspectores puerta a puerta, el equipo ensambló un retrato rico de cada edificio usando solo información que se puede observar desde fuera: fotos aéreas, imágenes térmicas tomadas desde aeronaves por la noche, vistas a nivel de calle similares a las de un servicio de mapas en línea y detalles básicos sobre la forma del edificio y las condiciones del vecindario. Al combinar estas fuentes, esperaban inferir si una vivienda pertenece al grupo de “alta eficiencia” (aproximadamente EPC A–C) o al de “baja eficiencia” (D–G).

Enseñar a una IA a reconocer viviendas eficientes

Para traducir imágenes y datos básicos en un veredicto sobre eficiencia energética, los autores construyeron un sistema de aprendizaje profundo multicanal—un tipo de IA que destaca en el reconocimiento de patrones a través de distintos tipos de datos. Una parte del modelo analizó las imágenes térmicas aéreas, que muestran techos y paredes más calientes brillando donde se escapa calor. Otra examinó fotos aéreas ordinarias que revelan formas de tejados y el entorno. Una tercera canalizó imágenes a nivel de calle de las fachadas, captando pistas como el tamaño de las ventanas, los materiales de las paredes o aislamientos añadidos. Un último canal procesó información numérica, como el tamaño del edificio y los indicadores socioeconómicos del vecindario. La IA se entrenó con decenas de miles de edificios que ya tenían calificaciones EPC, aprendiendo a asociar combinaciones de señales visuales y contextuales con mejor o peor eficiencia.

Qué tal funcionó y qué impulsa las predicciones

Cuando se probó en edificios no vistos durante el entrenamiento, el modelo distinguió correctamente viviendas de alta frente a baja eficiencia con puntuaciones F1—una medida equilibrada de precisión—de 0,64 en Glasgow y 0,69 en Edimburgo, resultados comparables entre ambas ciudades. Los investigadores también realizaron experimentos de “ablación”, desconectando o combinando diferentes fuentes de datos para ver cuáles importaban más. Ninguna entrada por sí sola explicó todo, pero cada una ayudó: las imágenes a nivel de calle por sí solas funcionaron sorprendentemente bien, especialmente en Edimburgo, mientras que las imágenes térmicas y aéreas también aportaron señales fuertes. Añadir más fuentes de datos generalmente mejoró el rendimiento, lo que sugiere que cómo se ve un edificio desde arriba y desde la calle, y dónde está situado en la ciudad, en conjunto revelan mucho sobre su uso energético.

Un vínculo sorprendente entre pobreza y viviendas eficientes

Con el modelo entrenado, el equipo predijo el desempeño energético de más de 136.000 edificios adicionales en las dos ciudades que carecían de EPC. Luego compararon los patrones de eficiencia predicha a nivel de vecindario con el índice oficial de privación de Escocia, que clasifica las áreas de más a menos desfavorecidas. Contrariamente a la suposición común de que los hogares más pobres tienden a vivir en viviendas más filtradas, el análisis encontró lo contrario en estas ciudades: las áreas más desfavorecidas estaban, en promedio, asociadas a edificios con mejores calificaciones, mientras que algunos barrios acomodados parecían menos eficientes. Comprobaciones posteriores contra los escasos datos de referencia sugirieron que este patrón no era un azar.

Qué significa esto para la acción climática y la política

La coincidencia inesperada entre privación y mejor desempeño energético puede reflejar años de programas de mejora dirigidos en distritos más pobres, así como la elección de hogares más acomodados de preservar estilos constructivos tradicionales aun cuando eso implique mayor consumo energético. Sea cual sea la causa, el estudio muestra que imágenes y datos ampliamente disponibles, combinados con IA, pueden mapear rápidamente dónde están las viviendas eficientes e ineficientes—sin entrar en un solo edificio. Para el lector general, la conclusión clave es que la apariencia exterior y el entorno de una casa contienen pistas potentes sobre cuánto energía desperdicia, y que planificadores urbanos y gobiernos podrían usar herramientas como esta para priorizar reformas, verificar el impacto de programas pasados y avanzar más rápido hacia viviendas más cálidas, facturas más bajas y menores emisiones.

Cita: Sun, M., Hou, C., Li, Q. et al. Deciphering exterior: building energy efficiency prediction with emerging urban big data. npj Urban Sustain 6, 38 (2026). https://doi.org/10.1038/s42949-026-00348-7

Palabras clave: eficiencia energética de edificios, sostenibilidad urbana, imágenes térmicas, aprendizaje profundo, rehabilitación de viviendas