فك الشفرة من الخارج: توقع كفاءة الطاقة للمباني باستخدام بيانات حضرية كبيرة ناشئة

لماذا هذا مهم في الحياة اليومية

يشكل تدفئة وتشغيل منازلنا جزءًا كبيرًا من استهلاك الطاقة وانبعاثات الاحتباس الحراري. ومع ذلك، عادةً ما يتطلب معرفة مدى تسريب أو كفاءة كل مبنى زيارة خبراء لإجراء قياسات وفحوص—وهو إجراء مكلف وبطيء يترك العديد من المنازل غير مختبرة. تستقصي هذه الدراسة ما إذا كان بإمكاننا تقدير مدى احتفاظ المباني بالحرارة بمجرد النظر إليها من الخارج باستخدام صور حديثة والذكاء الاصطناعي، ما يفتح الباب أمام طرق أسرع وأرخص لتحديد المنازل التي تحتاج إلى ترقية بشكل أكبر.

قراءة المباني من الخارج إلى الداخل

ركز الباحثون على مدينتين إسكتلنديتين، غلاسغو وإدنبرة، حيث لا تزال العديد من المنازل تفتقر إلى شهادة أداء طاقة رسمية (EPC)—التقرير الذي يصنّف المباني من الأفضل إلى الأسوأ من حيث استهلاك الطاقة. بدلًا من إرسال مفتشين بابًا بابًا، جمع الفريق صورة غنية لكل مبنى باستخدام معلومات يمكن ملاحظتها من الخارج فقط: صور جوية، صور حرارية جوية مُلتقطة ليلاً، مشاهد على مستوى الشارع شبيهة بما قد تراه في خدمات الخرائط عبر الإنترنت، وتفاصيل بسيطة عن شكل المبنى وظروف الحي. من خلال دمج هذه المصادر، راقبوا إمكانية استنتاج ما إذا كان المنزل ينتمي إلى فئة «عالية الكفاءة» (تقريبًا EPC A–C) أو «منخفضة الكفاءة» (D–G).

تدريب ذكاء اصطناعي على التعرف إلى المنازل الموفّرة للطاقة

لترجمة الصور والبيانات الأساسية إلى حكم حول كفاءة الطاقة، بنى المؤلفون نظام تعلم عميق متعدد القنوات—نوع من الذكاء الاصطناعي يتقن تمييز الأنماط عبر أنواع بيانات مختلفة. نظر جزء من النموذج في الصور الحرارية الجوية التي تظهر الأسطح والجدران الأكثر سخونة متوهجة حيث يتسرب الحرارة. وفحص جزء آخر الصور الجوية العادية التي تكشف أشكال الأسطح والمحيط. تناول جزء ثالث مشاهد مستوى الشارع للواجهات، ملتقطًا دلائل مثل أحجام النوافذ ومواد الجدران أو العزل المضاف. وعالج قناة أخيرة معلومات رقمية، مثل حجم المبنى ومؤشرات الوضع الاجتماعي والاقتصادي للحي. تم تدريب الذكاء الاصطناعي باستخدام عشرات الآلاف من المباني التي كانت لديها بالفعل تقييمات EPC، ليتعلم ربط تراكيب من الدلائل البصرية والسياقية بكفاءة أفضل أو أسوأ.

مدى نجاحه وما الذي يحدد التنبؤات

عند اختباره على مبانٍ لم يرها من قبل، ميز النموذج بشكل صحيح بين المنازل عالية ومنخفضة الكفاءة بمقاييس F1—وهي مقياس متوازن للدقة—بلغت 0.64 في غلاسغو و0.69 في إدنبرة، وهي نتائج متقاربة بين المدينتين. ثم أجرى الباحثون تجارب «الاستبعاد» (ablation)، حيث أوقفوا أو جمعوا مصادر بيانات مختلفة ليروا أيها أكثر أهمية. لم يخبر أي مدخل بمفرده القصة كاملة، لكن كل مصدر ساهم: لقد أدت صور مستوى الشارع وحدها أداءً جيدًا بشكل مفاجئ، خاصة في إدنبرة، بينما حملت الصور الحرارية والجوية إشارات قوية أيضًا. عمومًا أدى إضافة مزيد من مصادر البيانات إلى تحسين الأداء، مما يوحي بأن مظهر المبنى من الأعلى ومن الشارع، وموقعه في المدينة، يكشف معًا الكثير عن كيفية استهلاكه للطاقة.

رابط مفاجئ بين الفقر والمنازل الفعالة

مسلّحًا بنموذج مدرّب، تنبأ الفريق بأداء الطاقة لأكثر من 136,000 مبنى إضافي في المدينتين تفتقر إلى شهادات EPC. ثم قارنوا أنماط الكفاءة المتوقعة على مستوى الأحياء بمؤشر الحرمان الرسمي في اسكتلندا، الذي يصنف المناطق من الأكثر إلى الأقل تهميشًا. على خلاف الافتراضات الشائعة بأن الأسر الأفقَر تميل للعيش في منازل أكثر تسريبًا، وجدت التحليل العكس في هاتين المدينتين: ارتبطت المناطق الأكثر حرمانًا، في المتوسط، بمباني ذات تصنيفات أفضل، بينما بدت بعض الأحياء الثرية أقل كفاءة. أشارت فحوصات المتابعة مقابل بيانات أرضية محدودة إلى أن هذا النمط لم يكن مصادفة.

ماذا يعني هذا للعمل المناخي والسياسات

قد يعكس التطابق غير المتوقع بين الحرمان وكفاءة الطاقة الأفضل سنوات من برامج الترقية المستهدفة في الأحياء الأفقر، بالإضافة إلى اختيار بعض الأسر الأثرياء الحفاظ على الطرازات التقليدية للمباني حتى لو كان ذلك يعني استهلاكًا أعلى للطاقة. أياً كان السبب، تُظهر الدراسة أن الصور والبيانات المتاحة على نطاق واسع، مجتمعة مع الذكاء الاصطناعي، يمكنها رسم خرائط سريعة للمنازل الكفوءة وغير الكفوءة—دون دخول أي مبنى واحد. للقراء العامين، الخلاصة الأساسية هي أن مظهر المنزل الخارجي وسياقه يحملان دلائل قوية حول مقدار الطاقة التي يهدرها، وأن مخططي المدن والحكومات يمكنهم استخدام أدوات مثل هذه لتحديد أولويات الترميم، والتحقق من أثر البرامج السابقة، والتحرك بسرعة أكبر نحو منازل أكثر دفئًا، وفواتير أقل، وانبعاثات أقل.

الاستشهاد: 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

الكلمات المفتاحية: كفاءة طاقة المباني, استدامة عمرانية, التصوير الحراري, التعلّم العميق, ترميم المساكن