解读外观：利用新兴城市大数据预测建筑能效

这对日常生活为何重要

供暖和为我们家居供电在不显眼处占据了能源消耗和导致气候变暖排放的重要份额。然而，要弄清每栋建筑的漏热或节能状况通常需要专业人员上门测量和检查——这既昂贵又耗时，因此许多住房未被检测。本研究探讨是否可以仅通过外部可见的信息，利用现代影像和人工智能估算建筑的保温表现，从而为更快、更便宜地识别最需要升级的住房打开可能性。

从外部解读建筑

研究者聚焦于两座苏格兰城市——格拉斯哥和爱丁堡，这里许多住宅仍缺乏官方的能耗性能证书（EPC）——该证书将建筑按能耗从最好到最差进行评分。研究团队没有逐门逐户派检验员，而是仅用可从外部观测到的信息为每栋建筑拼凑出丰富影像：航拍照片、夜间航拍热成像、类似网络地图服务的街景视图，以及有关建筑形状和社区状况的简单细节。通过组合这些来源，他们希望推断出某户是否属于“高效”群体（大致对应 EPC A–C）或“低效”群体（D–G）。

教会人工智能识别节能住宅

为了将图像和基本数据转化为能效判断，作者构建了一个多通道深度学习系统——一种擅长跨不同数据类型识别模式的人工智能。模型的一部分着眼于航拍热成像，热图能显示屋顶和墙面较亮的区域，表明热量在此处散失。另一部分查看普通航拍照片，揭示屋顶形状和周边环境。第三部分分析街景立面图像，捕捉窗户大小、墙体材料或附加保温等线索。最后一个通道处理数值信息，如建筑面积和社区社会经济指标。该 AI 以数万栋已有 EPC 评级的建筑为训练样本，学习将各种视觉和背景线索与较好或较差的能效联系起来。

效果如何以及驱动预测的因素

在对未见过的建筑进行测试时，该模型在区分高效与低效住宅方面的 F1 分数——一种综合的准确性衡量——在格拉斯哥为 0.64、在爱丁堡为 0.69，两城结果大致可比。研究者随后进行了“消融”实验，关闭或组合不同数据源以观察哪些最重要。没有单一输入能讲述全部，但每种都有贡献：街景图像单独表现出乎意料地好，尤其在爱丁堡，而热成像和航拍图像也提供了强烈信号。添加更多数据源通常能提升性能，表明从空中和街道上看到的建筑外观以及其在城市中的位置，共同揭示了建筑能源使用的很多信息。

贫困与高效住宅之间的意外关联

借助训练好的模型，团队为两座城市中超过 136,000 栋缺乏 EPC 的额外建筑预测了能耗表现。随后他们将预测的社区层面能效模式与苏格兰官方的贫困度指数（按地区从最弱势到最不弱势排序）进行了比较。与普遍假设贫困家庭更可能住在更漏热住房相反，分析在这些城市中发现了相反的情况：更贫困的地区平均上与评级更好的建筑相关，而一些富裕社区反而显得效率较低。对有限的实地真值数据的后续核验表明，这一模式并非偶然。

这对气候行动与政策意味着什么

贫困程度与更好能效之间的这一意外对应关系，可能反映出在较贫困地区多年来实施的定向升级计划，也可能体现富裕住户为了保留传统建筑风貌而选择不采取节能改造、即便这意味着更高能耗。无论原因如何，该研究表明，结合普遍可得的影像与数据以及 AI，能够快速绘制出高效与低效住宅的分布——而无需进入任何一栋建筑。对普通读者而言，关键结论是：住宅的外观与地理位置蕴含着关于能量浪费多少的重要线索，城市规划者和政府可以利用此类工具来优先安排改造、评估过往项目的影响，并更迅速地推进让住房更温暖、降低账单和减少排放的工作。

引用: 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

关键词: 建筑能效, 城市可持续性, 热成像, 深度学习, 住房改造