Aprendizaje automático para la evaluación y optimización del confort térmico en exteriores: Métodos, aplicaciones y perspectivas

Los entornos urbanos se enfrentan a un estrés térmico cada vez mayor debido al cambio climático y al efecto isla de calor urbanaLa Isla de Calor Urbana es un fenómeno climático que ocurre en áreas urbanas, donde la temperatura es significativamente más alta que en las zonas rurales o naturales circundantes. Este efecto se debe principalmente a..., lo que tiene importantes repercusiones en la habitabilidad, la salud pública y la sostenibilidad energética. El confort térmico exterior se define como el estado en el que las condiciones se perciben como aceptables y depende de la interacción entre factores meteorológicos, morfológicos, fisiológicos y de comportamiento.

Esta revisión sintetiza la aplicación del aprendizaje automático a la evaluación del confort térmico exterior en una taxonomía orientada a la práctica. La investigación abarca diversos climas y formas urbanas, utilizando datos de los ámbitos medioambiental y humano.

Predomina el aprendizaje supervisado. Los enfoques de regresión (regresión lineal, regresión de vectores de soporte, bosque aleatorio, refuerzo de gradiente) y los algoritmos de clasificación (árboles de decisión, máquinas de vectores de soporte, K-vecinos más cercanos, Naïve Bayes, clasificadores de bosque aleatorio) se utilizan ampliamente para predecir índices térmicos como la temperatura fisiológica equivalente y el índice climático térmico universal, o para clasificar respuestas subjetivas como la sensación térmica, el confort y la aceptabilidad. El aprendizaje no supervisado (agrupamiento, análisis de componentes principales) permite identificar zonas microclimáticas y grupos perceptivos, mientras que el aprendizaje profundo (perceptrones multicapa, redes neuronales convolucionales y recurrentes, redes generativas adversarias) alcanza una precisión superior para datos complejos, de alta dimensión y espacio-temporales. Algoritmos como los bosques aleatorios, las máquinas de vectores de soporte y el refuerzo de gradientes muestran un rendimiento sólido tanto para los índices como para las respuestas subjetivas cuando se integran aportaciones de múltiples ámbitos. El aprendizaje semisupervisado y el aprendizaje por refuerzo siguen sin estar suficientemente explorados, pero ofrecen posibilidades prometedoras para aprovechar los datos de sensores a gran escala y permitir una gestión adaptativa y en tiempo real del confort.

La revisión concluye con una hoja de ruta que hace hincapié en la inteligencia artificial explicable, el modelado sustitutivo escalable y la integración con herramientas de optimización basadas en simulación y diseño paramétrico.

Título Original:

"Machine Learning for Outdoor Thermal Comfort Assessment and Optimization: Methods, Applications and Perspectives"

Autor/es: