Dış yüzeyi çözümlemek: ortaya çıkan kentsel büyük verilerle bina enerji verimliliği tahmini

Günlük yaşam için neden önemli

Evlerimizi ısıtmak ve elektrik sağlamak enerji tüketimi ile iklimi ısıtan emisyonlar içinde sessizce büyük bir paya sahiptir. Buna karşın her binanın ne kadar sızdıran veya verimli olduğunu belirlemek genellikle uzmanların gidip ölçüm ve inceleme yapmasını gerektirir—maliyetli ve yavaş bir süreç olup birçok konutu test edilmeden bırakır. Bu çalışma, modern görüntüleme ve yapay zekâ kullanarak binaların dışarıdan bakılarak ısıyı ne ölçüde tuttuklarının tahmin edilip edilemeyeceğini araştırıyor; bu da en çok yükseltme gerektiren konutları daha hızlı ve daha ucuza tespit etmenin yolunu açabilir.

Dışarıdan binaları okumak

Araştırmacılar, resmi Enerji Performans Sertifikası’ndan (EPC) yoksun birçok konutun bulunduğu İskoçya’daki Glasgow ve Edinburgh adlı iki kente odaklandı. Kapı kapı müfettiş göndermek yerine ekip, sadece dışarıdan gözlemlenebilen bilgilerle her binanın zengin bir görünümünü oluşturdu: hava fotoğrafları, uçaklardan gece çekilen termal görüntüler, bir çevrimiçi harita hizmetinde görebileceğiniz türden sokak düzeyi görüntüler ve bina şekli ile mahalle koşullarına dair basit ayrıntılar. Bu kaynakları birleştirerek, bir konutun “yüksek verimlilik” grubuna (kabaca EPC A–C) mı yoksa “düşük verimlilik” grubuna (D–G) mı ait olduğunu çıkarabileceklerini umdular.

Enerji tasarruflu evleri tanıması için yapay zekâyı eğitmek

Görüntüleri ve temel verileri enerji verimliliği kararına çevirmek için yazarlar çok kanallı bir derin öğrenme sistemi kurdular—farklı veri türlerinde desen tanımada başarılı bir yapay zekâ türü. Modelin bir bölümü, ısı kaçışı olan çatılar ve duvarların daha parlak göründüğü termal hava görüntülerine baktı. Diğeri çatının şekillerini ve çevresini ortaya çıkaran sıradan hava fotoğraflarını inceledi. Üçüncü kanal cephelerin sokak düzeyi görüntülerini alarak pencere boyutları, duvar malzemeleri veya ilave yalıtım gibi ipuçlarını yakaladı. Son kanal ise bina büyüklüğü ve mahalle sosyo-ekonomik göstergeler gibi sayısal bilgileri işledi. Yapay zekâ, EPC derecesi zaten bilinen on binlerce bina kullanılarak eğitildi ve görsel ile bağlamsal ipuçları kombinasyonlarını daha iyi veya daha kötü verimlilikle ilişkilendirmeyi öğrendi.

Ne kadar iyi çalıştı ve tahminleri ne yönlendiriyor

Model görülmemiş binalar üzerinde test edildiğinde, yüksek ve düşük verimlilikli konutları Glasgow’da 0,64 ve Edinburgh’da 0,69 F1 skorlarıyla—doğruluğun dengelenmiş bir ölçüsü—doğru şekilde ayırt etti; her iki kentte de karşılaştırılabilirdi. Araştırmacılar ardından hangi veri kaynaklarının en çok etkisi olduğunu görmek için farklı kaynakları kapatıp birleştirdikleri “ablasyon” deneyleri yaptı. Tek bir girdi tüm hikâyeyi anlatmıyordu, ancak her biri katkı sağlıyordu: sokak görünümü görüntüleri tek başına özellikle Edinburgh’da şaşırtıcı derecede iyi performans gösterirken, termal ve hava görüntüleri de güçlü sinyaller taşıdı. Daha fazla veri kaynağı eklemek genellikle performansı iyileştirdi; bu da bir binanın yukarıdan ve sokaktan nasıl göründüğü ile kentin neresinde yer aldığı birlikte değerlendirildiğinde enerji kullanımına dair çok şey açığa çıktığını gösteriyor.

Yoksulluk ile verimli konutlar arasında şaşırtıcı bir ilişki

Eğitilmiş modelle ekip, EPC’si olmayan iki kentteki 136.000’den fazla ek bina için enerji performansını tahmin etti. Ardından mahalle düzeyindeki öngörülen verimlilik desenlerini, alanları en çoktan en aza dezavantajlıya sıralayan İskoçya’nın resmi yoksulluk (deprivation) endeksi ile karşılaştırdılar. Daha yoksul hanelerin daha sızdıran konutlarda yaşadığı yönündeki yaygın varsayımların aksine, analiz bu kentlerde tersini buldu: daha dezavantajlı alanlar ortalama olarak daha yüksek puanlı binalarla ilişkiliydi, oysa bazı varlıklı mahalleler daha az verimli görünüyordu. Sınırlı yer doğrulama verileriyle yapılan takip kontrolleri bu desenin tesadüf olmadığını gösterdi.

İklim eylemi ve politika açısından ne anlama geliyor

Yoksulluk ile daha iyi enerji performansı arasındaki beklenmedik örtüşme, daha yoksul bölgelerde yıllarca yürütülen hedeflenmiş iyileştirme programlarının bir yansıması olabileceği gibi, daha zengin hanelerin geleneksel bina stillerini korumayı tercih etmeleri ve bunun daha yüksek enerji kullanımına yol açmasıyla da ilişkilendirilebilir. Nedeni ne olursa olsun, çalışma yaygın olarak erişilebilen görüntüler ve verilerle birlikte yapay zekânın tek bir binaya girilmeden verimli ve verimsiz konutların nerede olduğunu hızla haritalayabileceğini gösteriyor. Genel okuyucu için temel çıkarım, bir evin dış görünüşü ve konumunun ne kadar enerji israf ettiği konusunda güçlü ipuçları taşıdığı ve şehir planlamacıları ile hükümetlerin bu tür araçları kullanarak yenilemelere öncelik verebilecekleri, geçmiş programların etkisini kontrol edebilecekleri ve daha sıcak evlere, daha düşük faturalara ve daha düşük emisyonlara daha hızlı yaklaşabilecekleridir.

Atıf: 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

Anahtar kelimeler: bina enerji verimliliği, urban sustainability</keyword=kentsel sürdürülebilirlik> <keyword>termal görüntüleme, derin öğrenme, konut yenileme