Odszyfrowywanie fasady: przewidywanie efektywności energetycznej budynków za pomocą nowych miejskich Big Data

Dlaczego to ma znaczenie w codziennym życiu

Ogrzewanie i zasilanie naszych domów to w cichości duża część zarówno zużycia energii, jak i emisji wpływających na zmianę klimatu. Jednak ustalenie, jak szczelny lub wydajny jest dany budynek, zwykle wymaga wizyty specjalistów, pomiarów i inspekcji — to kosztowny, powolny proces, który pozostawia wiele domów nieprzebadanych. W tym badaniu sprawdzono, czy można oszacować, jak dobrze budynki zatrzymują ciepło, patrząc z zewnątrz za pomocą nowoczesnych zdjęć i sztucznej inteligencji, co otwiera drogę do szybszych i tańszych metod wykrywania domów najbardziej potrzebujących modernizacji.

Odczytywanie budynków od zewnątrz

Naukowcy skupili się na dwóch szkockich miastach — Glasgow i Edinburgh — gdzie wiele domów wciąż nie ma oficjalnego Świadectwa Charakterystyki Energetycznej (EPC) — raportu oceniającego budynki od najlepszych do najgorszych pod względem zużycia energii. Zamiast wysyłać inspektorów od drzwi do drzwi, zespół zebrał bogaty obraz każdego budynku używając jedynie informacji możliwych do zaobserwowania z zewnątrz: zdjęć lotniczych, zdjęć termicznych wykonanych z samolotu nocą, widoków ulicznych podobnych do tych z serwisów mapowych oraz prostych danych o kształcie budynku i warunkach sąsiedztwa. Łącząc te źródła, badacze mieli nadzieję wywnioskować, czy dom należy do grupy o „wysokiej efektywności” (w przybliżeniu EPC A–C), czy o „niskiej efektywności” (D–G).

Nauka AI rozpoznawania energooszczędnych domów

Aby przetłumaczyć obrazy i podstawowe dane na werdykt dotyczący efektywności energetycznej, autorzy zbudowali wielokanałowy system uczenia głębokiego — rodzaj SI świetny w rozpoznawaniu wzorców w różnych typach danych. Jedna część modelu analizowała lotnicze obrazy termiczne, które pokazują cieplejsze dachy i ściany jaśniej świecące tam, gdzie ucieka ciepło. Inna badała zwykłe zdjęcia lotnicze ukazujące kształty dachów i otoczenie. Trzeci kanał przyjmował widoki uliczne elewacji, wyłapując wskazówki takie jak rozmiary okien, materiały ścian czy dobudowana izolacja. Ostatni kanał przetwarzał informacje liczbowe, takie jak wielkość budynku i wskaźniki społeczno-ekonomiczne okolicy. SI trenowano na dziesiątkach tysięcy budynków, które miały już oceny EPC, ucząc się kojarzyć kombinacje wskazówek wizualnych i kontekstowych z lepszą lub gorszą efektywnością.

Jak dobrze to działało i co napędza przewidywania

Testowany na niewidzianych budynkach model prawidłowo odróżniał domy o wysokiej i niskiej efektywności z wynikami F1 — zrównoważonym miarą dokładności — na poziomie 0,64 w Glasgow i 0,69 w Edinburgh, porównywalnie w obu miastach. Naukowcy przeprowadzili następnie eksperymenty „ablation”, wyłączając lub łącząc różne źródła danych, aby zobaczyć, które mają największe znaczenie. Żadne pojedyncze wejście nie opowiadało całej historii, ale każde pomagało: same obrazy z widoku ulicy wypadły zaskakująco dobrze, szczególnie w Edinburgh, podczas gdy obrazy termiczne i lotnicze również niosły silne sygnały. Dodawanie kolejnych źródeł danych zwykle poprawiało efektywność, co sugeruje, że to, jak budynek wygląda z góry i z ulicy oraz gdzie się znajduje w mieście, razem ujawnia wiele o jego zużyciu energii.

Zaskakujące powiązanie biedy z efektywnymi domami

Posiadając wytrenowany model, zespół przewidział charakterystykę energetyczną dla ponad 136 000 dodatkowych budynków w obu miastach, które nie miały EPC. Następnie porównali wzorce przewidywanej efektywności na poziomie dzielnic z oficjalnym szkockim indeksem deprywacji, który klasyfikuje obszary od najbardziej do najmniej upośledzonych. Wbrew powszechnym założeniom, że biedniejsze gospodarstwa domowe zwykle mieszkają w bardziej nieszczelnych budynkach, analiza wykazała odwrotną zależność w tych miastach: obszary bardziej dotknięte deprywacją były średnio powiązane z lepiej ocenianymi budynkami, podczas gdy niektóre zamożne dzielnice wydawały się mniej efektywne. Kontrole porównawcze z ograniczonymi danymi terenowymi sugerowały, że ten wzorzec nie był przypadkowy.

Co to oznacza dla działań klimatycznych i polityki

Niespodziewane dopasowanie między deprywacją a lepszą efektywnością energetyczną może odzwierciedlać wieloletnie ukierunkowane programy modernizacyjne w biedniejszych dzielnicach, a także wybory zamożniejszych gospodarstw polegające na zachowaniu tradycyjnych stylów budynków nawet kosztem wyższego zużycia energii. Bez względu na przyczynę, badanie pokazuje, że szeroko dostępne obrazy i dane w połączeniu z SI mogą szybko mapować, gdzie znajdują się domy efektywne i nieefektywne — bez wchodzenia do wnętrza żadnego budynku. Dla czytelnika ogólnego kluczowy wniosek jest taki, że wygląd zewnętrzny i otoczenie domu zawierają silne wskazówki dotyczące ilości marnowanej energii, a planiści miejscy i rządy mogą wykorzystać takie narzędzia do priorytetyzowania termomodernizacji, sprawdzania efektów wcześniejszych programów i szybszego przejścia do cieplejszych domów, niższych rachunków i mniejszych emisji.

Cytowanie: 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

Słowa kluczowe: efektywność energetyczna budynków, zrównoważony rozwój miejski, termowizja, uczenie głębokie, termomodernizacja mieszkań