Расшифровка фасада: прогнозирование энергоэффективности зданий с помощью новых городских больших данных

Почему это важно в повседневной жизни

Отопление и энергоснабжение наших домов тихо составляют значительную долю как потребления энергии, так и парниковых выбросов. При этом выяснить, насколько дом «пропускает» тепло или, наоборот, энергоэффективен, обычно требуют визита специалистов для измерений и осмотра — это дорого и медленно, поэтому многие дома остаются непроверенными. В этом исследовании проверяют, можно ли оценить способность здания удерживать тепло, просто глядя на него снаружи с помощью современных изображений и искусственного интеллекта, что открывает путь к более быстрым и дешевым способам выявлять дома, которым нужны улучшения в первую очередь.

Чтение зданий снаружи

Исследователи сосредоточились на двух шотландских городах — Глазго и Эдинбурге, где многие дома до сих пор не имеют официального Сертификата энергоэффективности (EPC) — документа, который оценивает здания по шкале от лучших к худшим в плане расхода энергии. Вместо того чтобы отправлять инспекторов по домам, команда собрала богатое представление о каждом здании, используя только информацию, наблюдаемую снаружи: аэрофотоснимки, тепловые изображения, сделанные с самолета ночью, уличные виды фасадов, похожие на то, что вы видите в онлайн-картах, и простые сведения о форме здания и условиях в районе. Комбинируя эти источники, они надеялись определить, относится ли дом к «высокоэффективной» группе (примерно EPC A–C) или к «низкоэффективной» (D–G).

Обучение ИИ распознавать энергоэффективные дома

Чтобы переводить изображения и базовые данные в вердикт об энергоэффективности, авторы построили многоканальную систему глубокого обучения — вид ИИ, который хорошо справляется с распознаванием шаблонов в разных типах данных. Одна часть модели анализировала аэрофототепловые изображения, где более горячие крыши и стены ярче светятся там, где уходит тепло. Другая изучала обычные аэрофотоснимки, показывающие форму крыш и окружение. Третий канал обрабатывал уличные изображения фасадов, улавливая подсказки вроде размеров окон, материалов стен или наложенной изоляции. Финальный канал обрабатывал числовую информацию, такую как размер здания и социально-экономические показатели района. ИИ обучали на десятках тысяч зданий с уже имеющимися EPC-рейтингами, чтобы он научился связывать сочетания визуальных и контекстных признаков с лучшей или худшей эффективностью.

Насколько хорошо это сработало и что влияет на предсказания

При проверке на невидимых ранее зданиях модель правильно различала дома с высокой и низкой эффективностью по F1 — сбалансированной мере точности — со значениями 0.64 в Глазго и 0.69 в Эдинбурге, сопоставимыми в обоих городах. Затем исследователи провели «абляционные» эксперименты, выключая или комбинируя разные источники данных, чтобы понять, что важно больше всего. Ни один отдельный вход не рассказал всю историю, но каждый вносил вклад: уличные виды показали себя неожиданно хорошо, особенно в Эдинбурге, а тепловые и аэрофото изображения также несли сильные сигналы. Добавление большего числа источников данных в целом улучшало результаты, что указывает на то, что вид здания сверху и с улицы, а также его расположение в городе вместе дают много информации о его энергопотреблении.

Неожиданная связь между бедностью и эффективными домами

Вооружившись обученной моделью, команда предсказала энергоэффективность для более чем 136 000 дополнительных зданий в двух городах, у которых не было EPC. Затем они сопоставили предсказанные закономерности эффективности на уровне районов с официальным шотландским индексом лишений, который ранжирует территории от наиболее до наименее обделенных. Вопреки распространенному предположению, что менее обеспеченные домохозяйства живут в более «дырявых» домах, анализ показал обратное в этих городах: более обделенные районы в среднем были связаны с домами с лучшими оценками, тогда как в некоторых благополучных районах здания выглядели менее эффективными. Последующие проверки по имеющимся ограниченным данным с мест показали, что этот паттерн вряд ли случайен.

Что это означает для климатических действий и политики

Неожиданное совпадение между лишением и лучшей энергоэффективностью может отражать многолетние целевые программы модернизации в более бедных районах, а также то, что более состоятельные жители склонны сохранять традиционный облик зданий, даже если это связано с большим энергопотреблением. Вне зависимости от причин, исследование показывает, что широко доступные изображения и данные в сочетании с ИИ позволяют оперативно картировать, где находятся эффективные и неэффективные дома — без захода внутрь ни одного здания. Для широкого читателя ключевая мысль такова: внешний вид и окружение дома содержат мощные подсказки о том, сколько энергии он теряет, и городские планировщики и власти могли бы использовать такие инструменты, чтобы приоритизировать реновации, оценивать влияние прошлых программ и быстрее двигаться к более теплым домам, меньшим счетам и сокращению выбросов.

Цитирование: 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

Ключевые слова: энергоэффективность зданий, городская устойчивость, тепловая съемка, глубокое обучение, модернизация жилья