Исследователи обучают ИИ идентифицировать наименее зеленые дома

Изображения домов на улице в Кембридже, Великобритания, идентифицирующие функции здания.Red представляет регион, внося наибольшую вклад в «трудно-декарбонизирующую» идентификацию.Синий представляет низкий вклад.Кредит: Ронита Бардхан

В настоящее время новая модель «глубокого обучения», обученная исследователями из факультета архитектуры Кембриджского университета, обещает сделать гораздо проще, быстрее и дешевле выявить эти свойства с высокими приоритетами и разработать стратегии для улучшения их зеленых полномочий.

Дома могут быть «трудно декарбонизировать» по различным причинам, включая их возраст, структуру, местоположение, социально-экономические барьеры и доступность данных.Политики, как правило, сосредоточены в основном на общих зданиях или конкретных труднодоступных технологиях, но исследование, опубликованное в журнале «Устойчивые города и общество», может помочь изменить это.

Maoran Sun, городской исследователь и ученый для данных, и его докторскую степень.Супервайзер д -р Ронита Бардхан, которая возглавляет группу по устойчивой дизайне Кембриджа, показывает, что их модель ИИ может классифицировать HTD -дома с точностью 90% и ожидает, что это будет подняться, поскольку они добавят больше данных, работу, которая уже ведется.

Доктор Бардхан сказал: «Это первый раз, когда ИИ был обучен идентифицировать сложные здания, используя данные с открытым исходным кодом для достижения этого.

«Политики должны знать, сколько домов им приходится декарбонизировать, но им часто не хватает ресурсов для проведения подробных аудитов в каждом доме. Наша модель может направить их в дома с высоким приоритетом, что спасет их драгоценное время и ресурсы».

Модель также помогает властям понять географическое распределение HTD -домов, позволяя им эффективно нацелиться и эффективно использовать вмешательства.

Исследователи обучили свою модель ИИ, используя данные для своего родного города Кембридж, в Великобритании.Они приписывали данные из сертификатов энергетической производительности (EPC), а также данные из изображений уличного вида, изображений с воздуха, температуры поверхности земли и строительного фонда.В общей сложности их модель определила 700 HTD-домов и 635 не HTD-домов.Все используемые данные были с открытым исходным кодом.

Maoran Sun сказал: «Мы обучили нашу модель, используя ограниченные данные EPC, которые были доступны. Теперь модель может предсказать для других городских домов без необходимости каких -либо данных EPC».

Бардхан добавил: «Эти данные доступны свободно, и наша модель может даже использоваться в странах, где наборы данных очень неоднородные. Структура позволяет пользователям кормить наборы данных с несколькими источниками для идентификации HTD-домов».

Sun и Bardhan в настоящее время работают над еще более продвинутой структурой, которая приведет к дополнительным уровням данных, связанным с такими факторами, как потребление энергии, уровни бедности и тепловые изображения фасадов здания.Они ожидают, что это повысит точность модели, а также предоставит еще более подробную информацию.

Модель уже способна идентифицировать определенные части зданий, такие как крыши и окна, которые теряют большую часть тепла, и является ли здание старым или современным.Но исследователи уверены, что могут значительно повысить детали и точность.

Они уже обучают модели искусственного интеллекта на основе других городов Великобритании, использующих тепловые изображения зданий, и сотрудничают с организацией, основанной на космических продуктах, чтобы извлечь выгоду из более высоких тепловых изображений с новыми спутниками.Бардхан была частью программы NSIP - Space Agency, где она сотрудничала с Департаментом астрономии и Cambridge Zero с использованием тепловых инфракрасных космических телескопов с высоким разрешением для глобального мониторинга энергоэффективности зданий.

Сунь сказал: «Наши модели будут все чаще помогать жителям и властям нацеливаться на модернизацию вмешательств на определенные функции здания, такие как стены, окна и другие элементы».

Бардхан объясняет, что до сих пор решения политики декарбонизации были основаны на доказательствах, полученных из ограниченных наборов данных, но с оптимизмом смотрит на способность ИИ изменить это.

«Теперь мы можем иметь дело с гораздо более крупными наборами данных. Продвигаясь с изменением климата, нам нужны стратегии адаптации, основанные на доказательствах того, что предоставляется нашей моделью. Даже очень простые фотографии уличного просмотра могут предложить огромную информацию, не подвергая никого риска».

Исследователи утверждают, что, делая данные более заметными и доступными для общественности, станет гораздо проще в достижении консенсуса в отношении усилий по достижению чистого нуля.

«Расширение прав и возможностей людей своими собственными данными значительно облегчает им переговоры о поддержке», - сказал Бардхан.

Она добавила: «Существует много разговоров о необходимости специализированных навыков для достижения декарбонизации, но это простые наборы данных, и мы можем сделать эту модель очень удобной и доступной для властей и отдельных жителей».

Кембридж - это нетипичный город, но информативный сайт, на котором можно основать начальную модель.Бардхан отмечает, что Кембридж является относительно богатым, означающим, что существует большая готовность и финансовая способность декарбонизировать дома.

«Кембридж не сложно добраться» за декарбонизацию в этом смысле », - сказал Бардхан.«Но жилищный фонд города довольно старый, и строительство установки предотвращают модернизацию и использование современных материалов в некоторых из более исторически важных свойств. Таким образом, он сталкивается с интересными проблемами».

Исследователи обсудят свои выводы с городским советом Кембриджа.Бардхан ранее работал с Советом, чтобы оценить дома советов для потери тепла.Они также будут продолжать работать с коллегами в Cambridge Zero и сети декарбонизации университета.

Больше информации: Maoran Sun и др., Идентифицируя трудные дома из данных из нескольких источников в Кембридже, Великобритания, устойчивых городах и общества (2023).Doi: 10.1016/j.scs.2023.105015