Het exterieur ontcijferen: voorspelling van gebouwenergie-efficiëntie met opkomende stedelijke big data

Waarom dit belangrijk is voor het dagelijks leven

Het verwarmen en van stroom voorzien van onze woningen is stilletjes een groot aandeel van zowel het energieverbruik als de klimaatveranderende emissies. Toch vereist het vaststellen hoe lek of efficiënt een gebouw is doorgaans dat specialisten ter plaatse komen meten en inspecteren—een dure, trage methode waardoor veel woningen ongetest blijven. Deze studie onderzoekt of we kunnen inschatten hoe goed gebouwen warmte vasthouden door alleen van buitenaf te kijken met moderne beeldvorming en kunstmatige intelligentie, wat de weg vrijmaakt voor snellere, goedkopere manieren om woningen te vinden die het meest toe zijn aan verbeteringen.

Gebouwen lezen van buiten naar binnen

De onderzoekers richtten zich op twee Schotse steden, Glasgow en Edinburgh, waar veel woningen nog geen officieel Energy Performance Certificate (EPC) hebben—het rapport dat gebouwen beoordeelt van best tot slechtst wat betreft energiegebruik. In plaats van inspecteurs deur aan deur te sturen, stelde het team een rijk beeld van elk gebouw samen met alleen informatie die van buiten waarneembaar is: luchtfoto’s, thermische beelden genomen vanuit vliegtuigen ’s nachts, straatniveau-beelden vergelijkbaar met wat u in een online kaartdienst ziet, en eenvoudige gegevens over gebouwvorm en buurtcondities. Door deze bronnen te combineren hoopten ze te kunnen afleiden of een woning behoort tot de “hoog-efficiëntie” groep (ongeveer EPC A–C) of de “laag-efficiëntie” groep (D–G).

Een AI leren energiezuinige woningen te herkennen

Om beelden en basisgegevens te vertalen naar een oordeel over energie-efficiëntie bouwden de auteurs een meerkanaals deep learning-systeem—een soort AI die uitblinkt in patroonherkenning over verschillende datatypes. Een deel van het model bekeek de thermische luchtbeelden, die warmere daken en muren helderder laten oplichten waar warmte ontsnapt. Een ander deel onderzocht gewone luchtfoto’s die dakvormen en omgeving laten zien. Een derde nam straatniveau-beelden van gevels in zich op en pikte aanwijzingen op zoals raamgrootte, wandmaterialen of aangebrachte isolatie. Een laatste kanaal verwerkte numerieke informatie, zoals gebouwgrootte en sociaaleconomische indicatoren van de buurt. De AI werd getraind met tienduizenden gebouwen die al EPC-beoordelingen hadden, en leerde combinaties van visuele en contextuele signalen te koppelen aan betere of slechtere efficiëntie.

Hoe goed het werkte en wat de voorspellingen aandrijft

Getest op onzichtbare gebouwen onderscheidde het model correct hoog- van laag-efficiënte woningen met F1-scores—een gebalanceerde maat voor nauwkeurigheid—van 0,64 in Glasgow en 0,69 in Edinburgh, vergelijkbaar tussen de twee steden. De onderzoekers voerden vervolgens “ablatietests” uit, waarbij ze verschillende gegevensbronnen uitschakelden of combineerden om te zien wat het meest woog. Geen enkele invoer vertelde het hele verhaal, maar elke bron hielp: straatweergavebeelden alleen deden het verrassend goed, vooral in Edinburgh, terwijl thermische en luchtfoto’s ook sterke signalen bevatten. Het toevoegen van meer gegevensbronnen verbeterde over het algemeen de prestaties, wat suggereert dat hoe een gebouw er van boven en van de straat uitziet, en waar het in de stad ligt, samen veel onthullen over hoe het energie gebruikt.

Een verrassende koppeling tussen armoede en efficiënte woningen

Met een getraind model voorspelde het team de energieprestatie voor meer dan 136.000 extra gebouwen in de twee steden die geen EPC’s hadden. Daarna vergeleken ze de op buurt-niveau voorspelde efficiëntiepatronen met de officiële Schotse deprivatie-index, die gebieden rangschikt van meest tot minst achtergesteld. In tegenstelling tot de gangbare veronderstelling dat armere huishoudens vaker in lekke woningen wonen, vond de analyse het tegenovergestelde in deze steden: meer achtergestelde gebieden waren gemiddeld geassocieerd met beter beoordeelde gebouwen, terwijl sommige welvarende buurten minder efficiënt leken. Nader onderzoek aan de hand van de beperkte beschikbare grondwaarheidsgegevens suggereerde dat dit patroon geen toevalligheid was.

Wat dit betekent voor klimaatactie en beleid

De onverwachte samenhang tussen achterstelling en betere energieprestatie kan het gevolg zijn van jarenlange gerichte verbeteringsprogramma’s in armere wijken, evenals van rijkere huishoudens die ervoor kiezen traditionele bouwstijlen te behouden, zelfs als dat meer energieverbruik betekent. Wat de oorzaak ook is, de studie toont aan dat algemeen beschikbare beelden en data, gecombineerd met AI, snel in kaart kunnen brengen waar efficiënte en inefficiënte woningen zich bevinden—zonder een enkel gebouw van binnen te hoeven bekijken. Voor een algemeen publiek is de belangrijkste conclusie dat het uiterlijk en de ligging van een woning van buiten sterke aanwijzingen geven over hoeveel energie er verloren gaat, en dat stadsplanners en overheden dergelijke hulpmiddelen kunnen gebruiken om renovaties te prioriteren, de impact van eerdere programma’s te controleren en sneller te werken aan warmere woningen, lagere rekeningen en minder emissies.

Bronvermelding: 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

Trefwoorden: gebouwenergie-efficiëntie, stedelijke duurzaamheid, thermische beeldvorming, deep learning, woningrenovatie