Decifrare l’esterno: previsione dell’efficienza energetica degli edifici con i nuovi big data urbani

Perché questo conta nella vita di tutti i giorni

Riscaldare e alimentare le nostre abitazioni rappresenta silenziosamente una grande fetta sia del consumo energetico sia delle emissioni che riscaldano il clima. Tuttavia, capire quanto un edificio perda calore o sia efficiente richiede di solito che esperti effettuino sopralluoghi, misurazioni e ispezioni—un processo costoso e lento che lascia molte abitazioni non valutate. Questo studio esplora se sia possibile stimare quanto bene gli edifici conservino il calore semplicemente osservandoli dall’esterno usando immagini moderne e intelligenza artificiale, aprendo la strada a modi più rapidi ed economici per individuare le case che più necessitano di interventi.

Leggere gli edifici dall’esterno

I ricercatori si sono concentrati su due città scozzesi, Glasgow ed Edimburgo, dove molte abitazioni sono ancora sprovviste di un certificato energetico ufficiale (Energy Performance Certificate, EPC)—il documento che classifica gli edifici dal migliore al peggiore in termini di consumo energetico. Invece di mandare ispettori porta a porta, il team ha ricostruito un quadro ricco di ciascun edificio usando solo informazioni osservabili dall’esterno: foto aeree, immagini termiche riprese da aerei di notte, viste a livello stradale simili a quelle dei servizi di mappe online e semplici dettagli sulla forma dell’edificio e sulle condizioni del quartiere. Combinando queste fonti, speravano di inferire se un’abitazione appartenesse al gruppo “alta efficienza” (all’incirca EPC A–C) o al gruppo “bassa efficienza” (D–G).

Insegnare a un’IA a riconoscere le case efficienti

Per tradurre immagini e dati di base in un verdetto sull’efficienza energetica, gli autori hanno costruito un sistema di deep learning a canali multipli—un tipo di intelligenza artificiale che eccelle nel riconoscimento di pattern su diversi tipi di dati. Una parte del modello ha analizzato le immagini termiche aeree, che mostrano i tetti e le pareti più caldi evidenziando dove il calore fuoriesce. Un’altra ha esaminato le normali foto aeree che rivelano le forme del tetto e l’intorno. Una terza ha preso in input immagini a livello stradale delle facciate, captando indizi come dimensioni delle finestre, materiali delle pareti o isolamento aggiunto. Un canale finale ha processato informazioni numeriche, come la dimensione dell’edificio e indicatori socio-economici del quartiere. L’IA è stata addestrata usando decine di migliaia di edifici già dotati di classificazioni EPC, imparando ad associare combinazioni di segnali visivi e contestuali a una maggiore o minore efficienza.

Quanto ha funzionato e cosa guida le predizioni

Quando è stato testato su edifici non visti in fase di addestramento, il modello ha distinto correttamente abitazioni ad alta e bassa efficienza con punteggi F1—una misura bilanciata dell’accuratezza—di 0,64 a Glasgow e 0,69 a Edimburgo, risultati comparabili tra le due città. I ricercatori hanno quindi eseguito esperimenti di “ablazione”, disattivando o combinando diverse fonti di dati per vedere quali fossero più rilevanti. Nessun singolo input raccontava tutta la storia, ma ciascuno ha contribuito: le immagini a livello strada da sole hanno avuto prestazioni sorprendentemente buone, soprattutto a Edimburgo, mentre le immagini termiche e aeree hanno fornito segnali robusti. Aggiungere più fonti di dati ha generalmente migliorato le prestazioni, suggerendo che l’aspetto dell’edificio visto dall’alto e dalla strada, e la sua collocazione in città, rivelano insieme molto su come esso usa energia.

Un legame sorprendente tra povertà e abitazioni efficienti

Con il modello addestrato, il team ha previsto le prestazioni energetiche per oltre 136.000 edifici aggiuntivi nelle due città che non avevano EPC. Hanno poi confrontato i modelli di efficienza predetta a livello di quartiere con l’indice ufficiale di deprivazione della Scozia, che classifica le aree dalla più alla meno svantaggiate. Contrariamente all’assunto comune secondo cui le famiglie più povere tendono a vivere in case più disperse termicamente, l’analisi ha rilevato l’opposto in queste città: le aree più deprivate erano, in media, associate ad edifici con valutazioni migliori, mentre alcuni quartieri benestanti apparivano meno efficienti. Controlli successivi sui dati di verità limitati disponibili hanno suggerito che questo schema non fosse dovuto al caso.

Cosa significa per l’azione climatica e le politiche

L’inattesa corrispondenza tra deprivazione e migliori prestazioni energetiche potrebbe riflettere anni di programmi mirati di riqualificazione nei quartieri più poveri, così come la scelta di famiglie più ricche di conservare stili edilizi tradizionali anche se ciò comporta consumi energetici più elevati. Qualunque ne sia la causa, lo studio mostra che immagini e dati ampiamente disponibili, combinati con l’IA, possono mappare rapidamente dove si trovano case efficienti e inefficienti—senza entrare in un solo edificio. Per il lettore generale, la conclusione principale è che l’aspetto esterno e il contesto di una casa contengono indizi potenti su quanta energia viene sprecata, e che pianificatori urbani e governi potrebbero usare strumenti come questo per dare priorità agli interventi di retrofit, verificare l’impatto di programmi passati e muoversi più rapidamente verso case più calde, bollette più basse e minori emissioni.

Citazione: 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

Parole chiave: efficienza energetica degli edifici, sostenibilità urbana, imaging termico, deep learning, riqualificazione abitativa