Skip to content

README.md

Latest commit

 

History

History
122 lines (90 loc) · 5.7 KB

README.md

File metadata and controls

122 lines (90 loc) · 5.7 KB

Replicación de la Figura 1A — Graham & Knittel (2024)

Artículo seleccionado

Graham, K., & Knittel, C. R. (2024). Assessing the distribution of employment vulnerability to the energy transition using employment carbon footprints. Proceedings of the National Academy of Sciences, 121(7), e2314773121. https://doi.org/10.1073/pnas.2314773121

Integrantes del equipo

Integrante Rol GitHub
Daniela Solano Restrepo Gestión de datos @Danisolre
Jonathan Melo Código y visualización @jonathanmelosa
Natalia Suescún Documentación y gestión @NataliaSFernandez
Carlos Molina Control de calidad y validación empírica @camolina2026

Profesor: Gustavo Castillo — @guscastilloa

Descripción del proyecto

Este proyecto busca replicar la Figura 1A del artículo de Graham y Knittel (2024), que presenta un mapa coroplético de la huella de carbono laboral total (overall employment carbon footprint, ECF) por condado en Estados Unidos.

El ECF es un indicador que mide la vulnerabilidad laboral ante la transición energética, integrando información de empleo, consumo energético y emisiones (Scopes 1, 2 y 3) a nivel sectorial y geográfico. La figura utiliza una escala logarítmica para visualizar la distribución espacial del indicador.

Resultado a reproducir

Conclusión seleccionada: La vulnerabilidad laboral ante la transición energética, medida a través del ECF, se distribuye de forma heterogénea entre condados de EE.UU., con concentraciones elevadas en regiones con alta dependencia de industrias intensivas en carbono.

Evidencia: Mapa coroplético de la Figura 1A — Overall employment carbon footprints, by county.

Estructura de directorios

replication-graham-knittel-2024/
│
├── data/
│   ├── raw/                            # Datos originales
│   │   ├── ECF_total.csv               # Indicador ECF por condado
│   │   └── geojson-counties-fips.json  # Geometría de condados (GeoJSON)
│   └── processed/                      # Datos procesados
│       └── counties_ecf_merged.geojson # ECF + geometría unidos
│
├── code/
│   ├── 01_load_data.py                 # Carga y validación de datos
│   ├── 02_explore_data.py              # Análisis exploratorio y estadísticas descriptivas
│   ├── 03_merge_geo.py                 # Unión ECF + geometría de condados
│   └── 04_plot_figure1A.py             # Generación del mapa coroplético (Figura 1A)
│
├── output/
│   └── figures/
│       └── fig1A_ecf_county.png        # Figura 1A replicada
│
├── docs/                               # Documentación y decisiones metodológicas
│
├── .gitignore
├── environment.yml               # Entorno reproducible (Conda)
├── requirements.txt              # Dependencias de Python (pip)
├── run_pipeline.sh               # Script de ejecución end-to-end del pipeline
└── README.md                     # Este archivo

Requisitos técnicos

Software

  • Python 3.10+
  • Git

Librerías de Python

Las dependencias se instalan con:

pip install -r requirements.txt

Librerías principales:

  • pandas — manipulación de datos tabulares
  • geopandas — manejo de datos geoespaciales
  • matplotlib — visualización y generación de figuras
  • numpy — operaciones numéricas (escala logarítmica)

Datos

  • ECF_total.csv — Indicador de huella de carbono laboral por condado. Disponible en el repositorio de replicación.
  • geojson-counties-fips.json — Geometría de condados de EE.UU. con códigos FIPS.

Repositorio original de replicación

Los datos y código del artículo están disponibles en: https://github.com/kailingraham/GrahamKnittel_ECF_PNAS_ReplicationMaterials

Instrucciones de ejecución

# 1. Clonar el repositorio
git clone https://github.com/Danisolre/replication-graham-knittel-2024.git
cd replication-graham-knittel-2024

# 2. Instalar dependencias
pip install -r requirements.txt

# 3. Ejecutar el pipeline de replicación
python code/01_load_data.py          # Carga y valida ECF_total.csv
python code/02_explore_data.py       # Análisis exploratorio y estadísticas descriptivas
python code/03_merge_geo.py          # Merge ECF + geometría de condados
python code/04_plot_figure1A.py      # Genera la Figura 1A replicada

La figura replicada se guardará en output/figures/fig1A_ecf_county.png.

Decisiones metodológicas

Decisión Detalle
Proyección cartográfica Albers Equal Area Conic (ESRI:102003), estándar para mapas de EE.UU. continental
Escala del mapa Logarítmica (log10), consistente con el artículo original
Paleta de colores YlOrRd (amarillo → rojo), secuencial para valores positivos
Formato geoespacial GeoJSON de condados con códigos FIPS
Ámbito geográfico EE.UU. continental (CONUS), incluyendo Alaska y Hawaii como insets reposicionados
Tratamiento Alaska/Hawaii Para Alaska (02) y Hawaii (15), si la geometría es MultiPolygon, se conserva únicamente el polígono principal
Columna ECF utilizada eff_emiss_per_emp_avg (emisiones efectivas por empleado, valor promedio)
Herramienta original La figura del paper fue generada en Tableau; esta réplica usa Python (matplotlib + geopandas)