Déchiffrer l’extérieur : prédiction de l’efficacité énergétique des bâtiments à partir des nouvelles données urbaines massives

Pourquoi cela compte pour la vie quotidienne

Le chauffage et l’alimentation électrique de nos logements représentent silencieusement une part importante à la fois de la consommation d’énergie et des émissions qui réchauffent le climat. Pourtant, déterminer dans quelle mesure un bâtiment est étanche ou efficace exige généralement la visite de spécialistes pour mesurer et inspecter — un processus coûteux et lent qui laisse de nombreux logements non évalués. Cette étude examine s’il est possible d’estimer la capacité d’un bâtiment à conserver la chaleur simplement en l’observant de l’extérieur à l’aide d’images modernes et d’intelligence artificielle, ouvrant la voie à des moyens plus rapides et moins coûteux pour repérer les logements qui ont le plus besoin d’améliorations.

Lire les bâtiments depuis l’extérieur

Les chercheurs se sont concentrés sur deux villes écossaises, Glasgow et Édimbourg, où de nombreux logements n’ont toujours pas de certificat de performance énergétique officiel (EPC) — le rapport qui classe les bâtiments du meilleur au pire en termes de consommation d’énergie. Au lieu d’envoyer des inspecteurs porte à porte, l’équipe a reconstitué un tableau riche de chaque bâtiment en n’utilisant que des informations observables depuis l’extérieur : photos aériennes, images thermiques prises depuis des aéronefs la nuit, vues au niveau de la rue similaires à ce que l’on voit dans un service de cartographie en ligne, et des détails simples sur la forme du bâtiment et le contexte du quartier. En combinant ces sources, ils espéraient inférer si un logement appartient au groupe « haute efficacité » (approximativement EPC A–C) ou au groupe « faible efficacité » (D–G).

Apprendre à une IA à reconnaître les logements économes

Pour traduire images et données de base en un verdict d’efficacité énergétique, les auteurs ont construit un système d’apprentissage profond multicanal — un type d’IA particulièrement performant pour reconnaître des motifs à travers différents types de données. Une partie du modèle analysait les images thermiques aériennes, qui montrent les toits et murs plus chauds brillant davantage là où la chaleur s’échappe. Une autre examinait les photos aériennes ordinaires révélant les formes de toits et l’environnement. Une troisième traitait les images au niveau de la rue des façades, détectant des indices comme la taille des fenêtres, les matériaux des murs ou l’isolation ajoutée. Un dernier canal traitait des informations numériques, telles que la taille du bâtiment et des indicateurs socio-économiques du quartier. L’IA a été entraînée sur des dizaines de milliers de bâtiments possédant déjà une classification EPC, apprenant à associer des combinaisons d’indices visuels et contextuels à une meilleure ou pire efficacité.

Quelle a été la performance et ce qui motive les prédictions

Testé sur des bâtiments jamais vus, le modèle a correctement distingué logements à haute et basse efficacité avec des scores F1 — une mesure équilibrée de précision — de 0,64 à Glasgow et 0,69 à Édimbourg, comparables entre les deux villes. Les chercheurs ont ensuite mené des expériences d’« ablation », désactivant ou combinant différentes sources de données pour voir lesquelles comptaient le plus. Aucune entrée seule ne racontait toute l’histoire, mais chacune aidait : les images de rue seules se sont montrées étonnamment performantes, surtout à Édimbourg, tandis que les images thermiques et aériennes portaient aussi des signaux forts. L’ajout de sources de données supplémentaires améliorait généralement la performance, suggérant que l’apparence d’un bâtiment vue d’en haut et de la rue, et son emplacement dans la ville, révèlent ensemble beaucoup sur sa consommation d’énergie.

Un lien surprenant entre précarité et logements efficaces

Avec un modèle entraîné, l’équipe a prédit la performance énergétique de plus de 136 000 bâtiments supplémentaires dans les deux villes qui n’avaient pas d’EPC. Ils ont ensuite comparé les schémas de performance prédite au niveau des quartiers avec l’indice officiel de privation de l’Écosse, qui classe les zones du plus au moins défavorisé. Contrairement aux idées reçues selon lesquelles les ménages plus pauvres vivent dans des logements plus énergivores, l’analyse a trouvé l’inverse dans ces villes : les zones plus défavorisées étaient, en moyenne, associées à des bâtiments mieux notés, tandis que certains quartiers aisés semblaient moins efficaces. Des vérifications complémentaires sur les données de référence limitées ont suggéré que ce schéma n’était pas un artefact.

Ce que cela implique pour l’action climatique et les politiques

La correspondance inattendue entre privation et meilleure performance énergétique peut refléter des années de programmes de rénovation ciblés dans les quartiers pauvres, ainsi que le fait que des ménages plus aisés choisissent de préserver des styles architecturaux traditionnels même si cela implique une consommation d’énergie plus élevée. Quelle qu’en soit la cause, l’étude montre que des images et des données largement disponibles, combinées à l’IA, peuvent cartographier rapidement où se trouvent les logements efficients et inefficients — sans entrer dans un seul bâtiment. Pour le lecteur général, la conclusion clé est que l’apparence extérieure et le contexte d’un logement contiennent des indices puissants sur la quantité d’énergie qu’il gaspille, et que les urbanistes et les gouvernements pourraient utiliser des outils de ce type pour prioriser les rénovations, vérifier l’impact de programmes passés et accélérer la transition vers des logements plus chauds, des factures réduites et des émissions plus faibles.

Citation: 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

Mots-clés: efficacité énergétique des bâtiments, durabilité urbaine, imagerie thermique, apprentissage profond, rénovation du logement