Les maisons « difficiles à décarboner » (HtD) sont responsables de furthermore d’un quart de toutes les émissions directes du logement – un impediment majeur à l’atteinte du zéro net – mais sont rarement identifiées ou ciblées pour des améliorations.
Désormais, un nouveau modèle « d’apprentissage en profondeur » formé par des chercheurs du département d’architecture de l’université de Cambridge promet de rendre beaucoup in addition facile, moreover rapide et moins coûteux l’identification de ces propriétés problématiques hautement prioritaires et le développement de stratégies pour améliorer leurs références écologiques.
Les maisons peuvent être « difficiles à décarboner » pour diverses raisons, notamment leur âge, leur framework, leur emplacement, les hurdles socio-économiques et la disponibilité des données. Les décideurs politiques ont eu tendance à se concentrer principalement sur les bâtiments génériques ou sur des systems spécifiques difficiles à décarboner, mais l’étude, publiée dans la revue Sustainable Cities and Modern society, pourrait contribuer à changer cette condition.
Maoran Sun, chercheur urbain et information scientist, et sa directrice de doctorat, le Dr Ronita Bardhan, qui dirige le Sustainable Style and design Team de Cambridge, montrent que leur modèle d’IA peut classer les maisons HtD avec une précision de 90 % et s’attendent à ce que ce chiffre augmente à mesure qu’ils ajoutent moreover de données, travaillent qui est déjà en cours.
Le Dr Bardhan a déclaré : « C’est la première fois que l’IA est formée pour identifier les bâtiments difficiles à décarboner en utilisant des données open up resource pour y parvenir.
« Les décideurs politiques doivent savoir combien de maisons ils doivent décarboniser, mais ils manquent souvent de ressources pour effectuer des audits détaillés sur chaque maison. Notre modèle peut les orienter vers des maisons hautement prioritaires, leur permettant ainsi d’économiser du temps et des ressources précieuses.
Le modèle aide également les autorités à comprendre la répartition géographique des maisons de HtD, leur permettant ainsi de cibler et de déployer efficacement les interventions.
Les chercheurs ont entraîné leur modèle d’IA à l’aide de données provenant de leur ville natale de Cambridge, au Royaume-Uni. Ils ont alimenté les données des certificats de effectiveness énergétique (CPE), ainsi que les données provenant d’images de rues, d’images de vues aériennes, de températures à la area du sol et du parc immobilier. Au overall, leur modèle a identifié 700 maisons HtD et 635 maisons non HtD. Toutes les données utilisées étaient open up supply.
Maoran Solar a déclaré : « Nous avons formé notre modèle en utilisant les données EPC limitées disponibles. Désormais, le modèle peut prédire pour les autres maisons de la ville sans avoir besoin de données EPC. »
Bardhan a ajouté : « Ces données sont disponibles gratuitement et notre modèle peut même être utilisé dans les pays où les ensembles de données sont très inégaux. Le cadre permet aux utilisateurs d’alimenter des ensembles de données multi-resources pour l’identification des maisons HtD. »
Solar et Bardhan travaillent actuellement sur un cadre encore moreover avancé qui apportera des couches de données supplémentaires kinfolk à des facteurs tels que la consommation d’énergie, les niveaux de pauvreté et les pictures thermiques des façades des bâtiments. Ils espèrent que cela augmentera la précision du modèle, mais également fournira des informations encore additionally détaillées.
Le modèle est déjà able d’identifier les functions spécifiques des bâtiments, telles que les toits et les fenêtres, qui perdent le as well as de chaleur, et de savoir si un bâtiment est ancien ou moderne. Mais les chercheurs sont convaincus qu’ils peuvent augmenter considérablement les détails et la précision.
Ils entraînent déjà des modèles d’IA basés sur d’autres villes britanniques en utilisant des illustrations or photos thermiques de bâtiments et collaborent avec une organisation basée sur les produits spatiaux pour bénéficier d’images thermiques à plus haute résolution provenant de nouveaux satellites. Bardhan a fait partie du programme NSIP – Uk Room Agency, où elle a collaboré avec le Département d’astronomie et Cambridge Zero sur l’utilisation de télescopes spatiaux infrarouges thermiques haute résolution pour surveiller à l’échelle mondiale l’efficacité énergétique des bâtiments.
Solar a déclaré : « Nos modèles aideront de furthermore en furthermore les résidents et les autorités à cibler les interventions de rénovation sur des éléments particuliers du bâtiment comme les murs, les fenêtres et d’autres éléments. »
Bardhan explique que, jusqu’à présent, les décisions politiques de décarbonation étaient basées sur des preuves dérivées d’ensembles de données limités, mais il est optimiste quant au pouvoir de l’IA de changer cela.
« Nous pouvons désormais traiter des ensembles de données beaucoup additionally vastes. Pour faire experience au changement climatique, nous avons besoin de stratégies d’adaptation basées sur des preuves du form de celles fournies par notre modèle. Même de très simples photographies de rue peuvent offrir une richesse d’informations sans mettre personne en threat. »
Les chercheurs soutiennent qu’en rendant les données in addition visibles et accessibles au public, il deviendra beaucoup furthermore facile de parvenir à un consensus autour des endeavours visant à atteindre le zéro internet.
« Donner aux gens les moyens de disposer de leurs propres données leur permet de négocier beaucoup additionally facilement une support », a déclaré Bardhan.
Elle a ajouté : « On parle beaucoup de la nécessité de compétences spécialisées pour parvenir à la décarbonation, mais il s’agit de simples ensembles de données et nous pouvons rendre ce modèle très convivial et obtainable aux autorités et aux résidents individuels. »
Cambridge comme internet site d’études
Cambridge est une ville atypique mais instructive sur laquelle baser le modèle first. Bardhan take note que Cambridge est relativement riche, ce qui signifie qu’il existe une furthermore grande volonté et une as well as grande capacité financière de décarboniser les maisons.
« Cambridge n’est pas « difficile à atteindre » pour la décarbonisation en ce sens », a déclaré Bardhan. « Mais le parc immobilier de la ville est assez ancien et les règlements de design empêchent la rénovation et l’utilisation de matériaux modernes dans certaines des propriétés les moreover importantes sur le program historique. La ville est donc confrontée à des défis intéressants. »
Les chercheurs discuteront de leurs résultats avec le conseil municipal de Cambridge. Bardhan a déjà travaillé avec le Conseil pour évaluer les pertes de chaleur dans les logements sociaux. Ils continueront également à travailler avec des collègues de Cambridge Zero et du réseau de décarbonisation de l’université.
