Des chercheurs entraînent l’intelligence artificielle à identifier les maisons moins écologiques

Les maisons « difficiles à décarboner » (HtD) sont responsables de plus d’un quart des émissions directes totales des logements – un impediment majeur à l’atteinte du zéro web – mais sont rarement identifiées ou ciblées pour des améliorations.

Désormais, un nouveau modèle « d’apprentissage en profondeur » formé par des chercheurs du département d’structure de l’université de Cambridge promet de rendre beaucoup plus facile, plus rapide et moins coûteux l’id des caractéristiques des problèmes hautement prioritaires et le développement de stratégies pour améliorer ses références écologiques.

Les maisons peuvent être difficiles à décarboner pour diverses raisons, notamment leur âge, leur construction, leur emplacement, les hindrances sociaux et économiques et los angeles disponibilité des données. Les décideurs politiques ont tendance à se concentrer principalement sur les bâtiments publics ou sur des applied sciences spécifiques difficiles à décarboner, mais l’étude publiée dans los angeles revue Villes et communautés durablespeut aider à changer cela.

Maoran Solar, chercheur urbain et knowledge scientist, est titulaire d’un doctorat. L. a. superviseure Dr Ronita Bardhan, qui dirige le groupe de conception sturdy à Cambridge, explique que leur modèle d’IA peut classer les maisons HtD avec une précision allant jusqu’à 90 %, et elle s’attend à ce que ce chiffre augmente à mesure que davantage de données sont ajoutées, ce qui est déjà un travail en cours.

Le Dr Bardhan a déclaré : « C’est los angeles première fois que l’IA est formée pour identifier les bâtiments difficiles à décarboner en utilisant des données open supply pour y parvenir.

“Les décideurs politiques doivent savoir combien de logements doivent être décarbonés, mais ils manquent souvent de ressources pour mener des audits détaillés de chaque logement. Notre modèle peut les orienter vers des logements hautement prioritaires, leur permettant ainsi d’économiser un temps et des ressources précieux.”

Le modèle aide également les autorités à comprendre los angeles répartition géographique des foyers HtD, leur permettant ainsi de cibler et de déployer efficacement des interventions.

Les chercheurs ont entraîné leur modèle d’IA à l’aide de données provenant de leur ville de Cambridge, au Royaume-Uni. Ils ont alimenté les données des certificats de efficiency énergétique (CPE) ainsi que les données des pictures de rue, des photographies aériennes, de los angeles température de los angeles floor du sol et de l’inventaire des bâtiments. Au general, leur modèle a identifié 700 foyers HtD et 635 foyers non HtD. Toutes les données utilisées étaient open supply.

“Nous avons formé notre modèle en utilisant les données EPC limitées disponibles”, a déclaré Moran Solar. “Maintenant, le modèle peut prédire d’autres maisons dans los angeles ville sans avoir besoin de données EPC.”

“Ces données sont disponibles gratuitement et notre modèle peut également être utilisé dans les will pay où les ensembles de données sont très incomplets. Le cadre permet aux utilisateurs d’alimenter des ensembles de données multi-sources pour identifier les foyers HtD”, a ajouté Bardhan.

Solar et Bardan travaillent actuellement sur un cadre plus avancé qui apportera des couches de données supplémentaires liées à des facteurs tels que los angeles consommation d’énergie, les niveaux de pauvreté et les photographs thermiques des façades des bâtiments. Ils s’attendent à ce que cela augmente los angeles précision du modèle mais fournisse également des informations plus détaillées.

Le modèle est déjà succesful d’identifier les events spécifiques des bâtiments, telles que les toits et les fenêtres, qui perdent le plus de chaleur, et si le bâtiment est ancien ou moderne. Mais les chercheurs sont convaincus qu’ils peuvent augmenter considérablement les détails et los angeles précision.

Ils forment déjà des modèles d’IA basés sur d’autres villes britanniques en utilisant des photographs thermiques de bâtiments et collaborent avec une organisation de produits spatiaux pour exploiter les photographs thermiques haute résolution provenant de nouveaux satellites. Bardan faisait partie du programme NSIP de l’Agence spatiale britannique, où il a collaboré avec le Département d’astronomie et Cambridge 0 pour utiliser des télescopes spatiaux infrarouges thermiques à haute résolution pour surveiller l’efficacité énergétique des bâtiments à l’échelle mondiale.

“Nos modèles aideront de plus en plus les résidents et les autorités à cibler les interventions de rénovation sur des caractéristiques spécifiques du bâtiment telles que les murs, les fenêtres et d’autres éléments”, a déclaré Solar.

Bardhan explique que, jusqu’à présent, les décisions politiques de décarbonation ont été fondées sur des preuves provenant d’ensembles de données limités, mais il est optimiste quant à los angeles capacité de l’IA à changer cela.

“Nous pouvons désormais traiter des ensembles de données beaucoup plus vastes. Pour progresser dans los angeles lutte contre le changement climatique, nous avons besoin de stratégies d’adaptation fondées sur des preuves, du sort de celles proposées par notre modèle. Même de très simples photographies prises dans los angeles rue peuvent fournir une mine d’informations sans exposer personne à des risques. “au threat.”

Les chercheurs soutiennent qu’en rendant les données plus claires et plus accessibles au public, il deviendra beaucoup plus facile de parvenir à un consensus autour des efforts visant à atteindre le zéro web.

« Donner aux gens les moyens de disposer de leurs propres données leur permet de négocier plus facilement une help », a déclaré Bardhan.

« On parle beaucoup de los angeles nécessité de compétences spécialisées pour parvenir à los angeles décarbonation, mais il s’agit de simples ensembles de données et nous pouvons rendre ce modèle très facile à utiliser et available aux autorités et aux résidents individuels », a-t-elle ajouté.

Cambridge comme web page d’études

Cambridge est une ville atypique mais c’est un lieu informatif sur lequel baser un prototype. Bardhan souligne que Cambridge est une ville relativement riche, ce qui signifie qu’il existe un plus grand désir et une plus grande capacité financière de décarboner les logements.

« Il n’est pas difficile d’arriver à Cambridge pour décarboner dans ce sens », a déclaré Bardhan. “Mais le parc immobilier de los angeles ville est très ancien et les réglementations en matière de development empêchent los angeles rénovation et l’utilisation de matériaux modernes sur certaines des propriétés les plus importantes sur le plan historique. L. a. ville est donc confrontée à des défis intéressants.”

Les chercheurs discuteront de leurs résultats avec le conseil municipal de Cambridge. Bardhan a déjà travaillé avec le conseil pour évaluer les pertes de chaleur dans les logements sociaux. Ils continueront également à travailler avec des collègues de Cambridge 0 et du réseau de décarbonation de l’université.