飞鱼博客 
“难以脱碳”(HtD)的房屋占所有直接住房排放的四分之一以上，这是实现净零排放的主要障碍，但很少被发现或以改善为目标。
现在，由剑桥大学建筑系的研究人员训练的一种新的“深度学习”模型有望使识别这些高优先级问题属性变得更容易、更快、更便宜，并制定策略来提高它们的绿色证书。
由于各种原因，包括房屋的年龄、结构、位置、社会经济障碍和数据的可用性，房屋可能“难以脱碳”。政策制定者倾向于主要关注通用建筑或特定的难以脱碳的技术，但发表在《可持续城市与社会》杂志上的这项研究可能有助于改变这种状况。
城市研究员兼数据科学家孙茂兰(Maoran Sun)和他的博士导师、剑桥可持续设计小组(Cambridge’s Sustainable Design Group)负责人罗尼塔·巴尔丹(Ronita Bardhan)博士表示，他们的人工智能模型可以将HtD房屋分类的准确率提高到90%，随着他们添加更多数据，这一准确率有望提高，这项工作已经在进行中。
巴德汉博士说:“这是人工智能第一次接受训练，使用开源数据来识别难以脱碳的建筑。
“政策制定者需要知道他们有多少房子需要脱碳，但他们往往缺乏对每栋房子进行详细审计的资源。我们的模式可以引导他们去优先考虑的房子，节省他们宝贵的时间和资源。”
该模型还有助于当局了解HtD住房的地理分布，使他们能够有效地定位和有效地部署干预措施。
研究人员使用他们的家乡英国剑桥市的数据训练他们的人工智能模型。他们输入了来自能源绩效证书(epc)的数据，以及来自街景图像、鸟瞰图、地表温度和建筑库存的数据。他们的模型总共确定了700套HtD房屋和635套非HtD房屋。所有使用的数据都是开源的。
孙茂然说:“我们使用有限的可用EPC数据来训练我们的模型。现在，该模型可以在不需要任何EPC数据的情况下预测城市其他房屋。”
Bardhan补充说:“这些数据是免费提供的，我们的模型甚至可以在数据集非常不完整的国家使用。该框架使用户能够输入多源数据集，以识别HtD房屋。”
Sun和Bardhan现在正在研究一个更先进的框架，该框架将带来与能源使用、贫困水平和建筑立面热图像等因素相关的额外数据层。他们希望这不仅能提高模型的准确性，还能提供更详细的信息。
该模型已经能够识别建筑物的特定部分，如屋顶和窗户，这些部分损失的热量最多，以及建筑物是旧的还是现代的。但研究人员没有相信他们可以显著提高细节和准确性。
他们已经在使用建筑物的热图像来训练基于英国其他城市的人工智能模型，并正在与一家空间产品组织合作，从新卫星的高分辨率热图像中受益。Bardhan是NSIP-UK Space Agency项目的一员，她与天文学部门和Cambridge Zero合作，使用高分辨率热红外太空望远镜来监测全球建筑物的能源效率。
孙说:“我们的模型将越来越多地帮助居民和当局针对特定的建筑特征，如墙壁、窗户和其他元素进行改造干预。”
巴德汉解释说，到目前为止，脱碳政策的决定都是基于来自有限数据集的证据，但他对人工智能改变这种状况的能力持乐观态度。
“我们现在可以处理更大的数据集。为了应对气候变化，我们需要基于我们的模型提供的证据制定适应战略。即使是非常简单的街景照片也可以在不危及任何人的情况下提供丰富的信息。”
研究人员认为，通过让公众更容易看到和获取数据，就实现净零排放的努力达成共识将变得容易得多。
巴德汉说:“让人们拥有自己的数据，使他们更容易争取支持。”
她补充说:“有很多人都在谈论需要专业技能来实现脱碳，但这些都是简单的数据集，我们可以使这个模型非常用户友好，可供当局和个人居民使用。”
剑桥是一个非典型的城市，但信息丰富，是最初模型的基础。巴德汉指出，剑桥相对富裕，这意味着有更大的意愿和经济能力来实现房屋脱碳。
巴德汉说:“从这个意义上说，剑桥的脱碳并不‘难以企及’。”“但这座城市的房屋存量相当老旧，建筑章程禁止在一些历史上更重要的房产中进行改造和使用现代材料。所以它面临着有趣的挑战。”
研究人员将与剑桥市议会讨论他们的发现。巴德汉之前曾与市政委员会合作，评估市政房屋的热损失。他们还将继续与剑桥零中心和剑桥大学脱碳网络的同事合作。
更多信息:Maoran Sun等人，从英国剑桥的多源数据中识别难以脱碳的房屋，可持续城市与社会(2023)。引文:研究人员训练人工智能识别最不环保的家园(2023年，11月2日)检索自https://techxplore.com/news/2023-11-ai-green-homes.html。本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
