Decifrando o exterior: previsão da eficiência energética de edifícios com novos grandes dados urbanos

Por que isso importa no dia a dia

Aquecimento e fornecimento de energia para nossas casas representam silenciosamente uma grande parcela tanto do consumo energético quanto das emissões que aquecem o clima. Ainda assim, descobrir quão vazante ou eficiente é cada edifício normalmente exige especialistas para visitar, medir e inspecionar—um processo caro e lento que deixa muitas residências sem avaliação. Este estudo investiga se é possível estimar o quão bem os edifícios retêm calor apenas observando o exterior, usando imagens modernas e inteligência artificial, abrindo caminho para maneiras mais rápidas e baratas de identificar casas que mais precisam de melhorias.

Lendo os edifícios de fora para dentro

Os pesquisadores focalizaram duas cidades escocesas, Glasgow e Edimburgo, onde muitas casas ainda não têm um Certificado de Desempenho Energético (EPC) oficial—o relatório que classifica os edifícios do melhor ao pior em termos de uso de energia. Em vez de enviar inspetores porta a porta, a equipe montou um retrato rico de cada edifício usando apenas informações observáveis do exterior: fotos aéreas, imagens térmicas obtidas de aeronaves à noite, vistas ao nível da rua semelhantes às de serviços de mapas online e detalhes simples sobre a forma do edifício e as condições do bairro. Ao combinar essas fontes, esperavam inferir se uma casa pertence ao grupo “alta eficiência” (aproximadamente EPC A–C) ou “baixa eficiência” (D–G).

Ensinando uma IA a reconhecer casas energeticamente eficientes

Para traduzir imagens e dados básicos em um veredicto sobre eficiência energética, os autores construíram um sistema de aprendizado profundo com múltiplos canais—um tipo de IA que se destaca no reconhecimento de padrões em diferentes tipos de dados. Uma parte do modelo analisou as imagens térmicas aéreas, que mostram telhados e paredes mais quentes brilhando mais onde o calor está escapando. Outra examinou fotos aéreas comuns que revelam formatos de telhado e arredores. Uma terceira canalizou imagens de nível de rua das fachadas, captando pistas como tamanhos de janelas, materiais de parede ou isolamento adicionado. Um canal final processou informações numéricas, como tamanho do edifício e indicadores socioeconômicos do bairro. A IA foi treinada usando dezenas de milhares de edifícios que já tinham classificações EPC, aprendendo a associar combinações de pistas visuais e contextuais com eficiência melhor ou pior.

Quão bem funcionou e o que direciona as previsões

Quando testado em edifícios não vistos anteriormente, o modelo distinguiu corretamente casas de alta versus baixa eficiência com pontuações F1—uma medida balanceada de precisão—de 0,64 em Glasgow e 0,69 em Edimburgo, comparáveis entre as duas cidades. Os pesquisadores então executaram experimentos de “ablação”, desligando ou combinando diferentes fontes de dados para ver quais eram mais importantes. Nenhuma entrada isolada contou toda a história, mas cada uma ajudou: imagens ao nível da rua sozinhas foram surpreendentemente eficazes, especialmente em Edimburgo, enquanto as imagens térmicas e aéreas também traziam sinais fortes. Adicionar mais fontes de dados geralmente melhorou o desempenho, sugerindo que a aparência de um edifício vista de cima e da rua, e onde ele se situa na cidade, juntos revelam muito sobre como ele usa energia.

Uma ligação surpreendente entre pobreza e casas eficientes

Com o modelo treinado, a equipe previu o desempenho energético de mais de 136.000 edifícios adicionais nas duas cidades que não tinham EPCs. Em seguida, compararam padrões de eficiência previstos em nível de bairro com o índice oficial de privação da Escócia, que classifica áreas do mais ao menos desfavorecido. Ao contrário da suposição comum de que famílias mais pobres tendem a viver em casas mais vazantes, a análise encontrou o oposto nessas cidades: áreas mais desfavorecidas associaram-se, em média, a edifícios com classificação melhor, enquanto alguns bairros afluentes pareceram menos eficientes. Verificações adicionais contra os dados limitados de referência sugeriram que esse padrão não foi um acaso.

O que isso significa para ação climática e políticas

A correspondência inesperada entre privação e melhor desempenho energético pode refletir anos de programas de renovação direcionados em distritos mais pobres, assim como famílias mais ricas optando por preservar estilos tradicionais de construção mesmo que isso implique maior consumo de energia. Seja qual for a causa, o estudo mostra que imagens e dados amplamente disponíveis, combinados com IA, podem mapear rapidamente onde estão casas eficientes e ineficientes—sem entrar em nenhum edifício. Para o leitor geral, a conclusão principal é que a aparência externa e o entorno de uma casa carregam pistas poderosas sobre quanto de energia ela desperdiça, e que planejadores urbanos e governos podem usar ferramentas como esta para priorizar reformas, verificar o impacto de programas passados e avançar mais rapidamente rumo a casas mais quentes, contas menores e menores emissões.

Citação: 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

Palavras-chave: eficiência energética de edifícios, sustentabilidade urbana, imagem térmica, aprendizado profundo, reforma habitacional