Tyda utsidan: förutsägelse av byggnaders energieffektivitet med framväxande urbana stordata

Varför detta spelar roll i vardagen

Uppvärmning och elförsörjning av våra hem står tyst för en stor andel av både energianvändningen och klimatpåverkande utsläpp. Att ta reda på hur otäta eller effektiva enskilda byggnader är kräver ofta att specialister besöker, mäter och inspekterar—en kostsam och tidskrävande process som lämnar många hem otestade. Denna studie undersöker om vi kan uppskatta hur väl byggnader håller kvar värme enbart genom att betrakta dem utifrån med moderna bilder och artificiell intelligens, vilket öppnar dörren för snabbare och billigare sätt att identifiera hem som mest behöver uppgraderingar.

Att läsa av byggnader utifrån och in

Forskarna fokuserade på två skotska städer, Glasgow och Edinburgh, där många hem fortfarande saknar ett officiellt Energy Performance Certificate (EPC)—rapporten som graderar byggnader från bäst till sämst avseende energianvändning. I stället för att skicka inspektörer dörr till dörr satte teamet samman en rik bild av varje byggnad med enbart information som kan observeras utifrån: flygfoton, termiska bilder tagna från flygplan nattetid, gatunivåbilder liknande dem man ser i en onlinetjänst för kartor, och enkla uppgifter om byggnadens form och grannskapets förhållanden. Genom att kombinera dessa källor hoppades de kunna avgöra om ett hem tillhör “hög-effektivitets”-gruppen (ungefär EPC A–C) eller “låg-effektivitets”-gruppen (D–G).

Att lära en AI att känna igen energieffektiva hem

För att översätta bilder och grundläggande data till ett energieffektivitetsomdöme byggde författarna ett flerkammars djuplärande system—en typ av AI som är skicklig på att känna igen mönster i olika datatyper. En del av modellen tittade på de termiska flygbilderna, som visar var tak och väggar är varmare och lyser mer där värme läcker ut. En annan granskade vanliga flygfoton som visar takformer och omgivningar. En tredje kanal tog in gatunivåbilder av fasader och plockade upp ledtrådar som fönsterstorlek, väggmaterial eller tillägg av isolering. En sista kanal bearbetade numerisk information, såsom byggnadens storlek och socioekonomiska indikatorer för området. AI:n tränades med tiotusentals byggnader som redan hade EPC-betyg och lärde sig att associera kombinationer av visuella och kontextuella tecken med bättre eller sämre effektivitet.

Hur bra det fungerade och vad som driver förutsägelserna

När modellen testades på osedda byggnader skilde den korrekt mellan hög- och låg-effektiva hem med F1-poäng—ett balanserat mått på noggrannhet—på 0,64 i Glasgow och 0,69 i Edinburgh, jämförbart mellan de två städerna. Forskarna genomförde sedan så kallade "ablation"-experiment där de stängde av eller kombinerade olika datakällor för att se vilka som spelade störst roll. Ingen enskild insats berättade hela historien, men var och en bidrog: gatunivåbilder klarade sig förvånansvärt väl, särskilt i Edinburgh, medan termiska och flygbilder också bar starka signaler. Att lägga till fler datakällor förbättrade generellt prestandan, vilket tyder på att hur en byggnad ser ut från ovan och från gatan, och var den ligger i staden, tillsammans avslöjar mycket om hur den använder energi.

En överraskande koppling mellan fattigdom och effektiva hem

Med en tränad modell förutspådde teamet energiprestanda för över 136 000 ytterligare byggnader i de två städerna som saknade EPC. De jämförde sedan mönster av förutspådd effektivitet på områdesnivå med Skottlands officiella deprivationindex, som rangordnar områden från mest till minst utsatta. I motsats till vanliga antaganden om att fattigare hushåll bor i mer läckande hem fann analysen det motsatta i dessa städer: mer utsatta områden var i genomsnitt förknippade med bättre bedömda byggnader, medan vissa välmående kvarter verkade mindre effektiva. Uppföljande kontroller mot de begränsade markdata som fanns tyder på att detta mönster inte var en tillfällighet.

Vad detta betyder för klimatåtgärder och policy

Den oväntade överensstämmelsen mellan deprivation och bättre energiprestanda kan återspegla år av riktade uppgraderingsprogram i fattigare områden, liksom att förmögna hushåll väljer att bevara traditionella byggstilar även om det innebär högre energianvändning. Vad orsaken än är visar studien att allmänt tillgängliga bilder och data, i kombination med AI, snabbt kan kartlägga var effektiva respektive ineffektiva hem finns—utan att gå in i en enda byggnad. För en allmän läsare är huvudpoängen att ett hems yttre utseende och omgivning ger starka ledtrådar om hur mycket energi det slösar, och att stadsplanerare och myndigheter kan använda verktyg som detta för att prioritera renoveringar, kontrollera effekten av tidigare program och snabbare gå mot varmare hem, lägre räkningar och lägre utsläpp.

Citering: 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

Nyckelord: byggnaders energieffektivitet, urban hållbarhet, termisk avbildning, djuplärning, husrenovering