外観の解読：新たな都市ビッグデータによる建物の省エネ予測

なぜ日常生活に関わるのか

住宅の暖房と電力は、静かにではあるがエネルギー消費と温室効果ガス排出の大きな割合を占めています。それでも、各建物がどれほど断熱が不十分か効率的かを判断するには通常、専門家が現地を訪れて計測・検査する必要があり、費用と時間がかかるため多くの住宅は未評価のままです。本研究は、最新の画像技術と人工知能を用いて外観からだけで建物の保温性を推定できるかを検討し、改修が最も必要な住宅を速く安く見つける可能性を開くことを目指しています。

外から建物を読み解く

研究者らは、公式なエネルギー性能証明書（EPC）をまだ取得していない住宅が多いスコットランドのグラスゴーとエジンバラの2都市に着目しました。戸別訪問で検査員を派遣する代わりに、チームは外から観察可能な情報だけで各建物の詳細な像を組み立てました：航空写真、夜間に航空機から撮影したサーマル画像、オンライン地図サービスに似た路上の視点画像、建物形状や周辺状況といった単純な属性です。これらを組み合わせることで、住宅が「高効率群」（概ねEPC A–C）に属するか「低効率群」（D–G）に属するかを推定することを目指しました。

エネルギーに強い家を認識するAIの教育

画像や基本データをエネルギー効率の判定に変換するために、著者らはマルチチャネルの深層学習システムを構築しました。これは異なる種類のデータ間でパターン認識に優れるAIの一種です。モデルの一部は、熱が逃げている場所では屋根や壁がより明るく写る夜間のサーマル画像を解析しました。別の部分は屋根の形状や周辺環境を示す通常の航空写真を見ました。三つ目はファサードの路上画像を取り込み、窓の大きさ、壁材、追加の断熱などの手がかりを拾いました。最後のチャネルは建物の大きさや地域の社会経済指標など数値情報を処理しました。AIは既にEPCが付与されている数万件の建物データで学習し、視覚情報と文脈的手がかりの組み合わせが高効率／低効率のどちらに結びつくかを学びました。

どれくらいうまく機能したかと予測を牽引する要因

見たことのない建物でテストしたところ、モデルは高効率と低効率の住宅を正しく区別し、F1スコア（精度のバランス指標）はグラスゴーで0.64、エジンバラで0.69と、両都市で同程度の性能を示しました。研究者らは次に“アブレーション”実験を行い、異なるデータソースを切り替えたり組み合わせたりしてどれが重要かを調べました。単一の入力だけで全てが分かるわけではありませんでしたが、各データは寄与しました。特に路上画像単独でも驚くほど良い成績を出し、エジンバラで顕著でしたし、サーマルや航空画像も強い信号を持っていました。複数のデータソースを加えることで全体として性能が向上する傾向があり、上空や路上からの外観、そして立地が組み合わさることで建物のエネルギー使用に関する多くの情報が明らかになることを示唆しています。

貧困と効率的な住宅との意外な関連

学習済みモデルを用いて、チームはEPCが欠けている両都市の追加約136,000棟以上の建物についてエネルギー性能を予測しました。次に、地域レベルで予測された効率性のパターンを、地域を最も不利から最も恵まれた順にランク付けするスコットランドの公式の貧困指標（deprivation index）と比較しました。一般的な想定、すなわち貧しい世帯がより断熱の悪い住宅に住んでいるという通念とは逆に、これらの都市ではより貧しい地域の住宅が平均して良い評価と関連しており、一方で一部の富裕層の地区は効率が低いように見えました。限られた実地データとの照合でも、この傾向が単なる偶然ではないことが示唆されました。

気候対策と政策にとっての意義

貧困と良好なエネルギー性能の予想外の一致は、低所得地域での長年の改修支援事業の効果や、富裕層が伝統的な建築様式を維持することを選び、それがエネルギー効率の低下につながっている可能性を反映しているかもしれません。原因が何であれ、本研究は広く利用可能な画像とデータをAIと組み合わせることで、建物の内部に入らずに効率の良い場所と悪い場所を迅速に地図化できることを示しています。一般読者にとっての主要な示唆は、住宅の外観や立地にはどれだけエネルギーを浪費しているかについて強い手がかりがあるという点であり、都市計画者や政府はこのようなツールを使って改修の優先順位を付け、過去のプログラムの効果を検証し、より早く暖かい住宅、低い光熱費、低い排出へと進めることができるということです。

引用: 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

キーワード: 建物のエネルギー効率, 都市の持続可能性, サーマルイメージング, 深層学習, 住宅の改修